[发明专利]风电场SCADA系统缺失数据修复结果的修正补偿方法

说明书

本发明提供一种风电场SCADA系统缺失数据修复结果的修正补偿方法，包括以下步骤：步骤S1，数据预处理：选择两种存在映射关系的修复后的传感器数据，提取他们同时缺失情况下的修复值；步骤S2，从这些修复值对应的点中选出不符合映射关系的点并形成异常点集合A和映射点集B；步骤S3，根据映射点集B，从A中（x_A，y_A）映射得到的x_A’，y_A’；步骤S4，根据x_A’、y_A’，修正补偿x_A和y_A；步骤S5，判断x与y是否为线性相关，如果是则结束，否则返回步骤S2迭代一次或多次后结束。本发明最终实现对传感器缺失数据修复结果的修正补偿。本发明涉及的方法能够提高缺失数据的修复准确度。

技术领域

本发明涉及工业大数据领域，尤其是一种风电场SCADA(远程数据监控系统)系统缺失数据修复结果的修正补偿方法。

背景技术

风能作为一种清洁的可再生能源，已经日益引起世界各国的注意，风力发电技术已趋于成熟。在大型的风电场中有几十台甚至上百台风力发电机组。由于风电场(尤其海上风电场)地处偏远，人工维护困难，风电场SCADA数据库系统运行过程中，SCADA(远程数据监控系统)能够远程获取风机运行状态数据，是风电场健康运行的保障。但是SCADA系统往往受到传感器失效、网络阻塞等各种因素的影响，导致数据的缺失。虽然存在一些算法可以对缺失数据进行修复，但准确度有限。对于两种相关传感器同时缺失的情况，无法利用其间映射关系进行修复，这对其映射关系是种浪费。因此，为提高修复准确度，挽回由于数据缺失带来的损失，一种利用函数映射关系来修正已修复数据的方法显得尤为重要。

在已发表的风电场实测数据缺失相关的文献中，修复缺失数据主要方法有两种：一是采用时间序列的方法，对风电场风速数据进行预测和插补；二是被广泛应用的机器学习KNN算法。前者是一种基于时间序列的模型，充分利用缺失段前、后的有效实测数据，综合采用顺插和逆插方式插补出数据缺失段的方法。然而，基于时间序列的数据插补法，没有过多地考虑外界因素影响，当外界发生较大变化时，比如季节更替、天气变化，修复的数据往往会有较大偏差。而KNN方法最吸引人的特点之一在于，它易于理解也易于实现。其非参数的特性在遇到某些“不寻常”数据的情况下非常有优势。但准确度仍有待提升。

发明内容

本发明的目的在于克服以上现有技术存在的不足，提出一种风电场SCADA系统缺失数据修复结果的修正补偿方法，对风机SCADA的修复数据进行修正，提高缺失数据的修复精度，能够更准确地对风机异常情况进行预警，同时有助于更精准地预估发电量，辅助决策者制定发展战略，提高企业经济效益。本发明采用的技术方案是：

一种风电场SCADA系统缺失数据修复结果的修正补偿方法，包括以下步骤：

步骤S1，数据预处理：选择两种存在映射关系的修复后的传感器数据，提取他们同时缺失情况下的修复值；

步骤S2，从这些修复值对应的点中选出不符合映射关系的点并形成异常点集合A和映射点集B；

步骤S3，根据映射点集B，从A中(x_A，y_A)映射得到的x_A’，y_A’；

步骤S4，根据x_A’、y_A’，修正补偿x_A和y_A；

步骤S5，判断x与y是否为线性相关，如果是则结束，否则返回步骤S2迭代一次或多次后结束。

进一步地，步骤S2具体包括：

a)根据散点图中当前点x值，选择邻近的一段区间I，得到区间I内y的条件分布F(y|I)；