[发明专利]一种面向风电机组功率曲线数据的离群点判别方法

说明书

本发明公开了一种面向风电机组功率曲线数据的离群点判别方法。该方法基于包括风速、有功功率等在内的风电机组数据采集与监视控制(SCADA)系统实时运行数据，在经过一系列预处理步骤后，分别依据一定风速、功率间隔划分数据；进一步基于均值距离判别(AVDC)、局部异常因子(LOF)以及考虑噪声的基于密度的聚类(DBSCAN)这3种离群点检测算法检测疑似离群点；最后基于真实离群点判别准则从疑似离群点中识别真实离群点。本发明方法基于数据驱动，对风电机组其他信息无特殊要求，具有较强的普适性。与现有技术相比，在结合主流离群点检测方法优势的同时兼顾了功率曲线数据集特征，为数据质量提供了保证，具有较强的理论性与应用性。

技术领域

本发明涉及一种数据离群点判别方法，特别涉及一种面向风电机组功率曲线数据的离群点判别方法。

背景技术

在传统化石能源储量日益匮乏和环境恶化加剧的现代社会，风能作为一种新能源替代选择之一而因其环境友好、储量丰富以及可再生的优异特性而广泛为大众所关注，我国风电设备的总装机量以及装机量增速也逐渐跃居为全球排名前三甲。在我国，随着大数据技术在工业领域的逐渐普及，近十年内风力发电行业从选址、布局、建设，到风电机组优化、调度、控制，再到后续的评估、运维、管理等方面均有着长足的进步，但在我国风电行业飞速发展的同时，居高不下的运维费用仍然是阻碍风力发电行业广泛部署的主要因素。由于风电机组的能量来源——风本身具有间歇性与高度不确定性的随机特点，且由于现有传感器的测量问题而导致相关数据在测量过程中会出现数值偏移等异常问题，致使风电机组在运行过程中测量得到的数据中包含很多的异常信息及噪声信息，从而对判断风电机组的运行状况、量化风电机组发电性能以及判断风电机组故障情况产生十分严重的负面影响，进一步造成巨额的运维支出。因此，如何判断风电机组数据的异常问题，是利用智能大数据分析技术解决风力发电领域中行业痛点问题与降低风力发电行业运维管理成本的重中之重。

考虑到风电机组的功率曲线数据在评估风电机组发电性能方面十分重要，因此对于风电机组功率曲线数据的准确获取是进一步进行详细分析的首要基础。而对于风电机组的功率曲线数据而言，如何将包含异常数据以及噪声数据在内的数据集信息处理为统一的、准确的数据信息则是研究的重点内容。然而，目前现有的功率曲线数据在对其异常点、离群点检测的方法中主要存在着以下不足之处：(1)大部分异常点、离群点相关研究将不同工况下的数据整体进行异常情况检测，忽略不同工况的差异带来的影响；(2)传统的功率曲线数据离群点、异常点判别方法往往仅采用单一算法进行检测，效果大幅受限于少量参数的主观选取约束。

因此，现有的功率曲线数据在异常点、离群点检测方面无法从数据集中处理出准确率较高的风电机组功率曲线数据信息，需要综合功率曲线数据特征的相关算法加以改进。

发明内容

本发明目的在于对现有研究和技术存在的不足之处加以完善与规范化，提出一种面向风电机组功率曲线数据的离群点判别方法。该方法考虑不同运行工况对风电机组功率曲线数据设计更为规范、准确的异常点、离群点检测及判别流程，可以提高最终获取到的功率曲线数据的准确性与可靠性，更具有实用价值；进一步考虑了不同离群点检测与判别算法对风电机组功率曲线数据的适合程度，从而获取更为客观的离群点判别结果，方法的普适性与扩展性更高。

本发明的目的通过以下的技术方案实现：一种面向风电机组功率曲线数据的离群点判别方法，该方法包括以下步骤：

1)根据待评估风电机组功率曲线获取需求，读取相应需求周期内总计N条待评估风电机组的SCADA系统中测量得到的风电机组运行数据信息，该信息包含风速{v_i}、有功功率{P_i}、桨距角{β_i}、风电机组运行状态{Cond_i}、环境气压{B_i}以及环境温度{T_i}，将信息数据集记为其中i＝1，2，3，…，N；