【技术实现步骤摘要】
一种风电场功率报送数据异常甄别、修复与主动补全方法
[0001]本专利技术涉及风电场功率报送数据分析领域,具体涉及一种风电场功率报送数据异常甄别、修复与主动补全方法
技术介绍
[0002]风电场功率预测是实现规模化并网的重要因素,准确的风电功率预测能够降低风电并网对电力系统稳定运行产生的不良影响,并能保证系统电量合理的分配。
[0003]由于风能具有波动性和间歇性等特点,使得风电场功率报送数据表现较强的波动性和随机性,导致风电功率预测得不到满意效果。为解决现有风电场采集的多维风电数据异常、缺失和不准确的问题,为有效提高风电场功率预测精度,在研究风电场功率报送异常数据修复的基础上,设计异常批数据智能补全模型,以期预测更可靠的风电报送功率。
技术实现思路
[0004]本专利技术针对现有技术中的不足,提供一种风电场功率报送数据异常甄别、修复与主动补全方法,解决风电场功率报送数据质量不高,影响功率预测准确度的问题。
[0005]为实现上述目的,本专利技术采用以下技术方案:
[0006]一种风电场功率报送数据异常甄别、修复与主动补全方法,包括以下步骤:
[0007]步骤1、对原始风电场功率报送数据进行降维和降噪处理;
[0008]步骤2、建立基于DBSCAS的异常数据甄别模型,用基于DBSCAS的异常数据甄别模型将降维和降噪后的风电场功率报送数据分类,形成正常数据集和异常数据集;
[0009]步骤3、分析异常数据集中的数据量,若数据量低于阈值,则进入步骤4;若数据 ...
【技术保护点】
【技术特征摘要】
1.一种风电场功率报送数据异常甄别、修复与主动补全方法,其特征在于,包括以下步骤:步骤1、对原始风电场功率报送数据进行降维和降噪处理;步骤2、建立基于DBSCAS的异常数据甄别模型,用基于DBSCAS的异常数据甄别模型将降维和降噪后的风电场功率报送数据分类,形成正常数据集和异常数据集;步骤3、分析异常数据集中的数据量,若数据量低于阈值,则进入步骤4;若数据量不低于阈值,则进入步骤5;步骤4、计算正常数据集中每一个正常数据和异常数据集中每一个异常数据之间的相似度,以相似度最大为标准选择与异常数据匹配的正常数据,并用正常数据修复异常数据;步骤5、构建多尺度特征融合的风电功率报送异常数据补全模型;所述多尺度特征融合的风电功率报送异常数据补全模型包括多尺度特征融合模块、多层特征级联模块和时间特征集成模块;将测风塔数据输入多尺度特征融合的风电功率报送异常数据补全模型,预测输出风电功率;用预测输出的风电功率补全异常数据集。2.如权利要求1所述的风电场功率报送数据异常甄别、修复与主动补全方法,其特征在于,步骤2具体为:步骤2.1、建立基于DBSCAS的异常数据甄别模型;步骤2.2、设定初始聚类半径和密度阈值,对降维和降噪后的风电场功率报送数据进行空间聚类,将密度大于密度阈值的区域划分为簇;步骤2.3、通过试算法确定最优的聚类半径和密度阈值;步骤2.4、重新对降维和降噪后的风电场功率报送数据进行空间聚类,将密度大于最优密度阈值的区域划分为簇;簇内的数据为正常数据,无法形成任意簇的数据被视为异常数据;得到正常数据集X={x1,x2,
…
x
n
}和异常数据集Y={y1,y2,
…
y
m
}。3.如权利要求1所述的风电场功率报送数据异常甄别、修复与主动补全方法,其特征在于,步骤4具体为:步骤4.1、计算正常数据和异常数据之间的相似度,计算公式为:式中,Sim(y
j
,x
i
)代表第i个正常数据x
i
和第j个异常数据y
j
之间的相似度,γ是控制给定异常数据和正常数据之间相似度的缩放因子,d(y
j
,x
i
)定义为两个向量之间的平均平方欧几里德距离,式中,T表示异常数据和正常数据的长度;步骤4.2、选择与异常数据相似度最大的正常数据替换异常数据。4.如权利要求1所述的风电场功率报送数据异常甄别、修复与主动补全方法,其特征在于,步骤5具体为:构建多尺度特征融合...
【专利技术属性】
技术研发人员:李辰龙,李逗,王林,潘苗,高进,曹瑀宏,王其祥,沈洋,孙彬,杨晨琛,李春岩,张世豪,
申请(专利权)人:江苏方天电力技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。