风电机组运行数据中异常值的检测方法

发布时间：2020-03-30 11:22

【摘要】：随着我国风力发电科学技术的稳步发展,对风电并网经济运行的要求越来越高。风电运行数据中对风速波动性和间歇性进行有效、准确地预测成为风电并网运行的基础,高质量的风电机组运行数据是评估风力发电性能、风速功率预测工作的必要前提。由于采集到的风电机组运行数据含有大量异常值,低质量的运行数据会导致信息误判和数据的进一步深化应用,从而降低风电功率预测精度,甚至对电网的运营调度产生不利影响。因此,对运行数据中的异常值进行有效识别和修正成为预测建模分析的必要前提。为保证风电并网的安全、经济运行,本文的研究内容包括以下方面。首先,分析风电机组运行数据中异常值的产生原因和异常值在风速-功率散点图中的分布特点,建立分类多模型检测异常值。根据弃风数据的特点,识别风速值连续波动但功率波动稳定在一定范围内的检测模型;运用统计学中稳健的四分位法辨识所占比重较小且孤立存在地离群孤立点数据,剔除了由传感器误差引起的异常数据;采用数据挖掘的思想,选取模糊C均值算法辨识散点图中的偏差簇数据,剔除在传输过程中受到的电磁干扰和在计算机终端因存储故障所污染的运行数据。然后,从风速时间数据间的相关性分析入手,选取Adaboost-BP网络与最小二乘支持向量机搭建最优组合模型获取未来时间的预测值,计算测量值和预测值的残差挖掘异常特征信息。对于一般残差来说,残差值服从正态分布,运用贝叶斯后验对数比检测残差序列中的异常残差信息,进而确定异常值的时刻位置。为了避免检测阈值造成的检测误差,提出了自适应检测方法,能自适应的根据检测残差序列特征自适应的识别异常值。最后,为了保证风电机组运行数据的连续性和利用性,采用三次样条插值的方法修正被剔除的异常值。选取甘肃酒泉风电场和低窝铺风电场的实测运行数据分别进行异常值检测并修正。采用RBF神经网络预测算法评估异常值检测的准确性,预测结果表明经过预处理后预测精度提高10%左右,而自适应检测方法相比于贝叶斯后验比检测方法具有更好的处理效率和检测精度,其精度能提高15%左右。评估结果表明本文方法能有效剔除异常值,对风电场风速和功率预测有一定的应用价值,进一步提高短期风速和功率的预测精度。
【图文】：

值、方差、中位数和密度等）对数据进行统计分析，，从而判断识别偏差较大的异常值，在判别异常值之前需要验证误差服从的概率分布模型，概率分布模型常用的有正态分布、柯西分布和拉普拉斯分布。如图1.1所示。图 1.1 数理统计检测异常值文献[13]假设校正后的传感器测量误差是以均值为0且测量误差服从正态分布，在此假设上根据中心极限定理和显著误差“ 3σ 法则”的判定方法检测异常值，即误差位于区间 [ 0,3σ ]以内则判定为正常误差，位于区间外则判定为显著误差。该算

输阶段和数据转化存储阶段，这生成异常数据。因此运行数据的进而影响电力系统调度策略的制广泛应用于铁路、工业、航空航道的实时监控，车辆调度部门合情况的发生，提高了车辆安全运指标，控制产品的生产质量，避我国风力资源具有集中分布的特提高大型风电场并网安全、可靠统能够实现对风电场进行全机组断及维护。风电场 SCADA 系统
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TM614

【参考文献】

相关期刊论文 前10条

1 陈伟;吴布托;裴喜平;王懿U

本文编号：2607484