[发明专利]基于加权kNN距离的风电场异常数据辨识方法

说明书

本发明涉及一种基于加权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、步骤2、步骤3、步骤4、步骤5。本发明提出了一种基于灵敏度分析的模型参数最优确定方法，该方法不需要预先利用正常数据样本进行训练，可以对处于正常值范围内的异常数据进行辨识，从而提高风电场输出功率的预测精确度，缩短预测时间，实现风电场输出功率的可靠控制。

技术领域

本发明涉及新能源发电技术领域，具体涉及一种基于加权kNN距离的风电场异常数据辨识方法。

背景技术

随着风电并网量的增加，风电的间歇性和不确定性给电网的运营带来了挑战，要提高风电渗透率和减少风电弃风率，最直接的方法就是提高风电的预测精确度。

由于风电场地形和风资源的复杂性，很难利用物理方法对风电场功率预测进行精确建模，所以，基于风电场历史运行数据的数据驱动型方法得到了广泛使用；而风电场历史运行数据的有效性和准确性将会影响功率预测结果，因此，对风电场历史运行数据进行异常数据辨识将变得尤为重要。

目前对风电场异常数据辨识的研究方法主要分两类，第一类是越限判断方法，通过判断风速和功率值的是否超过正常范围值，这类方法比较依赖于人工经验，不能对处于正常值范围内的异常数据进行辨识；第二类是人工智能算法，此类方法可克服越限判断方法依赖人工经验的不足，但该类方法的辨识精度依赖于大量正确数据，实际情况下通常很难得到大量正确分类的数据样本。

发明内容

针对现有技术的不足，本发明提出了一种用加权kNN距离定义每个数据点的离群程度，再通过数据点的离群程度对数据中的异常数据进行辨识的方法，从而提高风电场输出功率的预测精确度。

本发明的技术方案为：

一种基于加权kNN距离的风电场异常数据辨识方法，其关键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。

上述方案中，kNN距离算法为：邻近距离算法。

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方法按如下步骤进行：

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。

所述步骤2中数据分布标准差的计算方法如下：