一种基于大数据的风电场异常数据自动辨识方法技术

本发明专利技术公开一种基于大数据的风电场异常数据自动辨识方法，包括：获取待辨识风电场数据；根据直推信度机计算待辨识风电场数据的异常度；引入权值分配动量参数和分类迭代阈值对Adaboost算法的分类权值和迭代次数进行改进，根据改进后的Adaboost算法生成分类器；根据预训练的神经网络模型和分类器对确定异常度的待辨识风电场数据进行分类，得到风电场异常数据。获取风电场站数据并进行预处理后，引入权值分配动量参数和分类迭代阈值对Adaboost算法进行改进，利用神经网络和改进后的Adaboost算法检自动辨识风电场异常数据，利用直推信度机计算数据异常度后，将神经网络结合Adaboost算法实现对风电场异常数据的自动辨识。

【技术实现步骤摘要】
一种基于大数据的风电场异常数据自动辨识方法
本专利技术涉及新能源风电场站
，特别是涉及一种基于大数据的风电场异常数据自动辨识方法。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。新能源风电场站是新能源供能系统的重要组成部分，大量的控制指令数据以及监测数据在新能源风电场站汇总，为保证新能源风电场站的正常运行，需要深度、高速且准确地在海量数据中挖掘出异常数据。在现有的基于距离的异常数据挖掘方法中，以数据之间不同的距离为衡量标准，通过设定不同的距离阈值，实现异常数据挖掘；但是这种方法只适用于一般的海量数据库中的数据进行挖掘，使用存在局限性。在现有的基于密度的异常数据挖掘方法中，通过计算数据在给定范围内的数量，按照一定的阈值从而判定数据是否异常；这种方法需要通过多次的实验才能确定最佳的范围阈值，数据处理代价大，只适用于较少数据的异常挖掘情况。在现有的基于统计学的异常数据挖掘方法中，在处理前需要明确待处理对象，正常数据整体服从某种已知或近似已知的概率分布模型，然后根据统计学原理本文档来自技高网...

【技术保护点】
1.一种基于大数据的风电场异常数据自动辨识方法，其特征在于，包括：/n获取待辨识风电场数据；/n根据直推信度机计算待辨识风电场数据的异常度；/n引入权值分配动量参数和分类迭代阈值对Adaboost算法的分类权值和迭代次数进行改进，根据改进后的Adaboost算法生成分类器；/n根据预训练的神经网络模型和分类器对确定异常度的待辨识风电场数据进行分类，得到风电场异常数据。/n

【技术特征摘要】
1.一种基于大数据的风电场异常数据自动辨识方法，其特征在于，包括：
获取待辨识风电场数据；
根据直推信度机计算待辨识风电场数据的异常度；
引入权值分配动量参数和分类迭代阈值对Adaboost算法的分类权值和迭代次数进行改进，根据改进后的Adaboost算法生成分类器；
根据预训练的神经网络模型和分类器对确定异常度的待辨识风电场数据进行分类，得到风电场异常数据。


2.如权利要求1所述的一种基于大数据的风电场异常数据自动辨识方法，其特征在于，对所述待辨识风电场数据进行预处理，包括：
对待辨识风电场数据采用小波阈值方法进行去噪处理；
对去噪处理后的待辨识风电场数据进行缺失数据填补和规范化处理。


3.如权利要求1所述的一种基于大数据的风电场异常数据自动辨识方法，其特征在于，引入权值分配动量参数对Adaboost算法进行改进包括：
初始化训练集的初始权值分布；
选择Adaboost算法生成的子分类器中精度最高的子分类器，根据该子分类器计算训练集初始权值分布的误差率；
根据权值分配动量参数优化训练集的权值分布，以此优化生成的子分类器分类权值。


4.如权利要求3所述的一种基于大数据的风电场异常数据自动辨识方法，其特征在于，在生成子分类器时，通过分类迭代阈值删除不明分类识别类别标识的数据权重，同时通过分类迭代阈值限定迭代次数。


5.如权利要求4所述的一种基于大数据的风电场异常数据自动辨识方法，其特征在于，对改进后的Adaboost算...

【专利技术属性】
技术研发人员：王楠，程艳，王士柏，管荑，马强，耿玉洁，孙树敏，于芃，关逸飞，王玥娇，邢家维，滕玮，李广磊，魏大钧，张兴友，
申请(专利权)人：国网山东省电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：山东;37