|
风电机组风速-功率数据清洗是风电机组异常运行数据识别与清洗中的研究热点，其中，将风电机组风速-功率数据清洗分为 3 类。第一类是基于数理统计的清洗方法（如密度、距离、中位数、方差、平均值等），但该类方法对分布密集的异常数据的识别效果有限，例如文献[6]采用四分位法对异常数据进行处理，但是在风电数据中异常数据所占比重较大，四分位法会去除大量正常数据；文献[7]采用四分位法与聚类分析法剔除异常数据，但没有给出具体的剔除标准，可能会导致正常数据被误删，对数据处理结果影响较大；文献[8]利用局部离群因子（local outlier factor，LOF）算法来检测异常值，该算法根据风速-功率曲线，计算曲线附近的相对密度，去除异常点。第二类是基于数据挖掘的方法，即在大量的数据中通过无监督的学习方法辨识特征表现异常的数据，用于数据分析处理，该类方法不需要事先建立一个模型，具有较好的抗干扰性，例如文献[9]采用LOF和支持向量机相结合的方法，通过LOF值固定异常范围，然后利用支持向量机建立判别机制，从而判定异常值，有效地避免了基于距离聚类方法的异常值淹没现象。文献[10]用最优方差算法实现了分散型异常数据的有效识别，但不能有效识别密度较高的堆积型异常数据。第三类方法基于数据的分布特征，该类方法的依据是位于风速-功率曲线之外的数据为异常数据，可实现多类型异常数据的清洗，例如在假定风速-功率的概率密度误差服从正态分布的基础上，文献[11]提出了基于“3σ法则”的判定方法来检测异常值，即位于[0,3σ]之外的误差为异常误差，位于[0,3σ]之内的误差为正常误差，从而达到数据清洗的目的。但是风速-功率的概率密度往往为多峰，精度不高。文献[12]利用成熟预测算法获取残差的误差信息，对误差概率密度特性进行了综合分析，并确定异常信息。文献[13]提出了一种不需要求取概率密度分布函数的四分位算法，避免了拟合概率密度的复杂过程。
|