[发明专利]基于加权kNN距离的风电场异常数据辨识方法

权利要求书

1.一种基于加权kNN距离的风电场异常数据辨识方法，其特征在于按以下步骤进行：

步骤1：对风电场历史运行数据进行丢失数据与停运数据辨识，删除丢失数据与停运数据，得到数据集W_S；

步骤2：计算步骤1中数据集W_S的分布标准差；

步骤3：建立带未知参数k、离群点数量参数n的基于加权kNN的离群点辨识模型；

步骤4：采用基于灵敏度分析的参数确定方法，计算基于加权kNN的离群点辨识模型的未知参数k、n，得到基于加权kNN的离群点辨识模型；

步骤5：对风电场历史运行数据进行异常数据辨识并从剔除，得到风电场历史正常运行数据，并将该风电场历史正常运行数据输入到风电场功率预估系统，对下一时段风电场功率进行预估，实现输出功率平稳控制；

所述步骤4中确定辨识模型中未知参数k、离群点数量参数n的取值方法按如下步骤：

步骤4.1：在同一数据集和离群点数量参数n的情况下，设置多组离群点数量参数取值，分别观察参数k对辨识效果的影响，当多组分布标准差的变化都平缓时，即可确定参数k的值；

步骤4.2：确定参数k值后，得到过滤数据百分比与分布标准差的关系图，图中分布标准差随着过滤数据百分比的增加先快速下降后缓慢下降，找出下降趋势的拐点，取该拐点对应过滤数据百分比值，再将原始数据的总数乘以该过滤数据百分比，得到离群点数量参数n的值；

步骤4.3：验证参数模型的正确性；取所述拐点对应的过滤数据百分比值，作出分布标准差与参数k值的关系图，观察图中分布标准差稳定的区间的L值，对比步骤3.1中所取的k值是否在该区间内，在该区间内则说明该参数模型正确；

所述步骤5中辨识模型的辨识方法步骤如下：

步骤5.1：输入经丢失数据与停运数据辨识后的数据集W_S，最邻近点数量参数k_max和离群点数量参数n；

步骤5.2：对风电场数据W_S采用离差标准化处理，消除数据中功率和风速的量纲，消除数据中数值范围存在的差异；

步骤5.3：计算数据集W_S中每个点的权值；

步骤5.4：根据步骤5.3中计算出的每个点的权值，计算数据集W_S中每个点的加权kNN距离；

步骤5.5：对数据集W_S中的点按照加权kNN距离值由大到小进行排序，加权kNN距离最大的X个点为筛选出的离群点。

2.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤1中对风电场历史运行数据进行丢失数据与停运数据的辨识步骤如下：

步骤1.1：输入风电场历史运行数据集W[(v₁,p₁),(v₂,p₂),…,(v_m,p_m)]，其中v_i和p_i(i＝1,2,…,m)表示第i时刻的风速与风电功率值；

步骤1.2：遍历数据集中的点，通过判别风速和功率是否为数值的方法对丢失数据进行过滤，判断数据点功率值是否为无效值，如果是，则删除该数据；

步骤1.3：遍历数据集中的点，判断数据点风速在切入和切出风速间的功率值是否为0，如果是，则删除该数据；

停运数据辨识后的风电场数据集为W_S。