风电功率异常数据辨识方法及辨识装置制造方法及图纸

本发明专利技术涉及一种风电功率异常数据辨识方法，其中，所述方法包括：根据异常数据的来源和时间序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；根据异常数据的分类结果，获取异常数据判断标准；根据异常数据判断标准，对同时段风电功率序列和风速序列分别进行概率变点分析，辨识时间序列中的不规则突变；根据风电功率序列和风速序列建立混合回归模型，根据各回归变量重要性排序的变化，获得风电功率序列中的模型变点。本发明专利技术还涉及一种风电功率异常数据辨识装置。本发明专利技术提供的风电功率异常数据辨识方法和装置能够对风电功率异常数据进行准确辨识。

【技术实现步骤摘要】
风电功率异常数据辨识方法及辨识装置
本专利技术涉及一种风电功率异常数据辨识方法及辨识装置，尤其涉及一种基于变点分析的风电功率异常数据辨识方法及辨识装置，属于电力系统预测与控制

技术介绍
风电大规模并网背景下，其具有的波动性和随机性给传统电力系统的安全稳定运行带来巨大挑战，风电功率预测技术是帮助解决这一问题的重要手段。目前用于生产实践的功率预测系统大多采用数值天气预报(NWP)和统计学相结合的方法，不仅用到未来的天气预报情况，还用到了历史实际运行数据。历史样本是统计学方法的研究对象，其质量好坏对风电功率预测统计学方法建模效果影响很大。原始数据预处理可以为串行模式下充分发挥样本统计特性对预测精度的提升作用提供可靠的数据基础，也是风电功率预测系统的必备环节。以往的研究当中常用控制图方法来辨识风电功率数据中的异常值，然而，基于控制图原理的风电功率异常数据辨识方法中，大部分分散点，不论是错误数据还是不规则数据，都被辨识为异常点去除，无法适用于精细化功率预测，使得风电功率的预测的准确度不够高。
技术实现思路
综上所述，确有必要提出一种能够准确对风电功率异常数据进行辨识的方法及装置。一种风电功率异常数据辨识方法，其中，所述方法包括：根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；根据异常数据的分类结果，建立基于风速序列的异常数据判断标准；根据预设的异常数据判断标准，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点，通过概率变点辨识风电功率序列以及风速时间序列中的不规则突变，根据该风速序列的不规则突变与风电功率序列中不规则突变的对应关系识别风电功率异常数据的类型；根据风电功率序列和风速序列建立混合回归模型，根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中的模型变点，并根据模型变点识别剩余风电功率异常数据的类型。在其中一个实施例中，异常数据包括错误数据和不规则数据；错误数据包括在数据量测、传输和保存等环节中由于干扰导致的失真数据；不规则数据包括正常记录存储的数据，但由于极端天气过程引起的第一类不规则数据或人工控制干预而表现异常的数据第二类不规则数据。在其中一个实施例中，根据风电功率的不规则变化与风速序列的不规则变化对应关系，异常数据包括三种类型：类型一：若不规则变化变化是由于风资源/风电功率的非平稳、非线性特征导致，则风电功率序列中的异常突变对应于相同或相近时刻风速序列中的突变，为第一类不规则数据；类型二：若风电功率序列中的异常突变与相同或相近时刻风速序列中的突变不对应，则风电功率序列中的异常突变属于错误数据；以及类型三：人工控制干预导致的风电功率序列异常数据，为第二类不规则数据。在其中一个实施例中，基于风速序列的异常数据判断标准包括：若风电功率序列和风速序列中同时存在的不规则突变则属于第一类不规则数据；若只在风电功率序列中存在的不规则突变则属于错误数据；若风速序列不变而风电功率序列中存在的预定时长的不规则变化，为第二类不规则数据。在其中一个实施例中，所述根据风电功率序列和风速序列建立混合回归模型，根据各回归变量重要性排序的变化，获得风电功率序列中的模型变点的步骤包括：以风电功率序列的一阶差分结果作为因变量数组，风速序列一阶差分作为自变量数组，建立混合回归模型；根据各回归变量重要性排序的变化，分析辨识风电功率序列中的模型变点。在其中一个实施例中，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点包括：当获得一个概率变点后，将原风电功率序列根据该概率变点位置拆分为前后两个子序列；分别对每个子序列进行辨识，直到没有新的概率变点被发现，获得风电功率序列中所有的概率变点。在其中一个实施例中，进一步包括：利用特殊影响因子对异常数据进行分析，根据正态分布均值的假设检验，获得异常数据的产生与特殊影响因子之间的相关关系。一种风电功率异常数据辨识装置，其中，所述装置包括：异常数据分类模块，用于根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；标准建立模块，用于根据异常数据的分类结果，建立基于风速序列的异常数据判断标准；第一异常数据分析模块，用于根据异常数据判断标准，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点，通过概率变点辨识风电功率序列以及风速序列中的不规则突变，根据该风速序列的不规则突变与风电功率序列中不规则突变的对应关系识别风电功率异常数据的类型；第二异常数据分析模块，用于根据风电功率序列和风速序列建立混合回归模型，根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中的模型变点，并根据模型变点识别剩余风电功率异常数据的类型。在其中一个实施例中，所述第二异常数据分析模块包括：回归模型获取单元，用于以风电功率序列的一阶差分结果作为因变量数组，风速序列一阶差分作为自变量数组，建立混合回归模型；模型变点获取单元，根据各回归变量重要性排序的变化，分析辨识风电功率序列中的模型变点。在其中一个实施例中，所述第一异常数据分析模块还用于：当获得一个概率变点后，将原风电功率序列根据该概率变点位置拆分为前后两个子序列；分别对每个子序列进行辨识，直到没有新的概率变点被发现，获得风电功率序列中所有的概率变点。在其中一个实施例中，所述装置还包括：相关关系建立模块，用于利用特殊影响因子对异常数据进行分析，根据正态分布均值的假设检验，获得异常数据的来源与特殊影响因子之间的相关关系。上述实施例根据异常数据分析判断原则对其成因进行分类，并结合了概率变点和模型变点的时序关系，符合风资源/风电序列的时序相依特性，能够对风电功率异常数据进行准确辨识。附图说明图1为一个实施例提供的风电功率异常数据辨识方法的流程框图；图2为风电功率异常数据辨识方法中多变点分析流程的示意图；图3为滚动建模子样本形成过程的示意图；图4为其中一个实施例中概率变点分析的示意图；图5为另一个实施例中概率变点分析的示意图；图6为实施例提供的风电功率异常数据辨识方法中采用的样本曲线的示意图；图7为不同延迟步长变量的排序情况，其中n0＝16，n＝96，p＝4。图8为一个实施例中电功率异常数据辨识方法与传统方法的异常点辨识效果对比；图9为一个实施例提供的风电功率异常数据辨识装置的结构框图。具体实施方式下面根据说明书附图并结合具体实施例对本专利技术的技术方案进一步详细表述。本专利技术提供的基于变点分析的风电功率异常数据辨识方法，用于为系统后续预测建模提供可靠的数据基础。本专利技术提供的风电功率异常数据辨识方法，通过将待分析的时间序列看作某非线性系统的输出，根据不同类型异常数据的产生机理制定分析判断原则，从概率、模型、特殊影响因子三个角度开展异常数据辨识和分析。请参阅图1，本专利技术实施例提供的风电功率异常数据的辨识方法，主要包括以下步骤：S10，根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；S20，获取异常数据的分类结果与风速序列的对应关系，建立基于风速序列的异常数据判断标准；S30，根据异常数据判断标准，对位于同时段风电本文档来自技高网...

【技术保护点】
一种风电功率异常数据辨识方法，其特征在于，所述方法包括：根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；获取异常数据的分类结果与风速序列的对应关系，建立基于风速序列的异常数据判断标准；根据异常数据判断标准，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点，通过概率变点辨识风电功率序列以及风速序列中的不规则突变，根据该风速序列的不规则突变与风电功率序列中不规则突变的对应关系识别风电功率异常数据的类型；根据风电功率序列和风速序列建立混合回归模型，根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中的模型变点，并根据模型变点识别剩余风电功率异常数据的类型。

【技术特征摘要】
1.一种风电功率异常数据辨识方法，其特征在于，所述方法包括：根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；获取异常数据的分类结果与风速序列的对应关系，建立基于风速序列的异常数据判断标准；根据异常数据判断标准，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点，通过概率变点辨识风电功率序列以及风速序列中的不规则突变，根据该风速序列的不规则突变与风电功率序列中不规则突变的对应关系识别风电功率异常数据的类型；根据风电功率序列和风速序列建立混合回归模型，根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中的模型变点，并根据模型变点识别剩余风电功率异常数据的类型。2.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，根据风电功率的不规则变化与风速序列的不规则变化对应关系，异常数据包括三种类型：类型一：若不规则变化变化是由于风资源/风电功率的非平稳、非线性特征导致，则风电功率序列中的异常突变对应于相同或相近时刻风速序列中的突变，为第一类不规则数据，该第一类不规则数据为正常记录存储但由于极端天气过程引起的异常数据；类型二：若风电功率序列中的异常突变与相同或相近时刻风速序列中的突变不对应，则风电功率序列中的异常突变属于错误数据，该错误数据为在数据量测、传输和保存等环节中由于干扰导致的失真数据；以及类型三：人工控制干预导致的风电功率序列异常数据，为第二类不规则数据，该第二类不规则数据为正常记录存储但由于人工控制干预而表现异常的数据。3.根据权利要求2所述的风电功率异常数据辨识方法，其特征在于，基于风速序列的异常数据判断标准包括：若风电功率序列和风速序列中同时存在的不规则突变则属于第一类不规则数据；若只在风电功率序列中存在的不规则突变则属于错误数据；若风速序列不变而风电功率序列中存在的预定时长的不规则变化，为第二类不规则数据。4.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，所述根据风电功率序列和风速序列建立混合回归模型，根据各回归变量重要性排序的变化，获得风电功率序列中的模型变点的步骤包括：以风电功率序列的一阶差分结果作为因变量数组，风速序列一阶差分作为自变量数组，建立混合回归模型；根据各回归变量重要性排序的变化，分析辨识风电功率序列中...

【专利技术属性】
技术研发人员：崔正湃，乔颖，王靖然，吴晓刚，王若阳，徐海翔，鲁宗相，孙荣富，
申请(专利权)人：国网冀北电力有限公司，国家电网公司，清华大学，
类型：发明
国别省市：北京,11