[发明专利]一种基于机器学习的风电场站运行数据异常识别方法

说明书

本发明公开了一种基于机器学习的风电场站运行数据异常识别方法，包括：收集风电场站的历史风速数据和对应的功率运行数据；确定历史风速数据和对应的功率运行数据中的正常运行数据和异常运行数据；构建深度学习算法模型，将分别带有相应标签的正常运行数据和异常运行数据，对深度学习算法模型进行学习、训练和测试，获得最优模型；将待识别风电场站的风速数据和对应的功率运行数据，通过最优模型，输出异常运行数据的识别结果；通过该方法能够对大规模风电场站运行数据的异常识别算法进行优化，提高提高风电场站运行数据异常识别的准确性、快速性和通用性。

技术领域

本发明属于大数据异常检测技术领域，特别是一种基于机器学习的风电场站运行数据异常识别方法。

背景技术

风电场站的数据量庞大、数据种类较多，涵盖风电场生产的方方面面，接入工作比较繁琐且精细化要求高，数据在储存、处理、传输等过程中面临各种各样的风险。随之而来对场站的管控和监控的要求也越来越严峻，不可避免地含有缺失、重复、漏数、错数等各类问题，给风电场站的安全生产和调度精细化管理带来了新的挑战。同时随着电力交易的改革，新能源跨省跨区现货交易的开展，以及省内新能源新货交易的推进，对新能源的实时性、准确性都提出了更高的要求。

风电场站的运行数据主要包括场站的气象预报数据、功率预测数据、理论功率数据、可用功率数据。风场场站数据的质量直接影响新能源场站的功率预测精度，并对电网的运行调度计划和新能源最大消纳能力产生重要影响。

目前，针对风电场站大数据异常识别的研究较少。文献《风电场输出功率异常数据识别与重构方法研究》(朱倩文等，电力系统保护与控制，2015)采用四分位算法的数学模型对风电场输出功率异常数据进行识别，并采用基于临近风电场出力模型和三次样条插值的方法去重构缺失的数据。同时，针对风电场的弃风异常数据簇，文献《风电场弃风异常数据簇的特征及处理方法》(赵永宁等，电力系统自动化，2014)提出一种四分位和聚类分析的异常数据组合筛选模型，利用四分位法剔除常规的分散性异常数据，再使用k-means聚类算法剔除堆积型数据集，但k-means聚类算法需要提前确定聚类个数k。此外，文献《风电场有功功率异常运行数据重构方法》(张东英等，电力系统自动化，2014)采用分段判定的方法识别风电场有功功率异常运行数据，并利用风电场之间的出力数据的延时相关性还原重构缺失性数据；对于风电自身出力数据，采用基于自回归滑动平均模型重构完整的时间序列。然而，针对以上方法，仅是从数理统计和无监督聚类算法的角度对风电场站的异常运行数据进行识别。

因此，考虑以上研究方法的缺点和有监督机器学习算法的快速发展，为了进一步提高提高风电场站运行数据异常识别的准确性、快速性和通用性，如何对大规模风电场站运行数据的异常识别算法进行优化，成为当前研究的关键问题。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种基于机器学习的风电场站运行数据异常识别方法，该方法能够对大规模风电场站运行数据的异常识别算法进行优化，提高提高风电场站运行数据异常识别的准确性、快速性和通用性。。

本发明实施例提供了一种基于机器学习的风电场站运行数据异常识别方法，包括：

S1、收集风电场站的历史风速数据和对应的功率运行数据；

S2、确定所述历史风速数据和对应的功率运行数据中的正常运行数据和异常运行数据；

S3、构建深度学习算法模型，将分别带有相应标签的正常运行数据和异常运行数据，对所述深度学习算法模型进行学习、训练和测试，获得最优模型；

S4、将待识别风电场站的风速数据和对应的功率运行数据，通过所述最优模型，输出异常运行数据的识别结果。

进一步地，所述S2中的异常运行数据，包括：

普通异常数据点、离散型异常数据点和堆积型异常数据点。

进一步地，所述S2具体包括：