基于制造技术

一种基于

【技术实现步骤摘要】
基于sigmoid曲线及双包络算法的风电功率异常数据处理方法


[0001]本专利技术涉及一种风电功率异常数据处理方法，具体是一种基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法，属于风电机组的数据处理技术
。

技术介绍

[0002]风力发电机组是一种重要的可再生能源发电设备，其风速
‑
功率曲线是风电场风机发电出力的重要特征指标
。
在实际发电过程中，由于各种原因，异常数据会导致风力发电机的风速功率曲线存在较大噪声或者曲线形态失真，这些异常数据会影响对风电机组发电量与发电功率的分析与预测
。
因此，需要一种有效的方法来识别和清除这些异常数据
。
传统人工清理方法需要大量人工分析干预，效率较低且依赖人员经验
。
一些基于孤立森林等机器学习的算法在噪声数据较多的情况下对于数据的清洗会失真，实际应用过程中效果也较差
。
因此需要一种较为稳定且可以将清洗后数据贴近真实风速功率曲线数据的方式进行数据清洗
。
[0003]风力发电离群点和异常值严重影响了风电功率预测模型的准确率，一些有代表性的研究方法被提出，比如，有的结合四分位数方法和基于密度的聚类方法对数据进行清理，有的提出了基于图像的风力曲线异常数据检测与清理算法
。
尽管这些方法都取得了一定效果，但基于聚类的算法会将频繁的异常数据识别为正常数据，基于图像的异常值检测算法复杂度高，给应用带来不便
。<br/>[0004]相关专利文献：
CN115510043A
公开了一种风电功率曲线异常数据剔除方法，包括以下步骤：
(1)
采用分区间孤立森林算法剔除风力曲线中的分散型异常数据和弃风限电数据；
(2)
判断风力曲线中是否存在弃风数据，若是，转步骤
(3)
，否则得到符合风电机组运行规律的数据样本；
(3)
采用均值漂移聚类算法对剩余异常数据进行剔除，得到符合风电机组运行规律的数据样本
。
它提出分区间孤立森林和均值漂移聚类组合算法的数据处理手段，该算法不仅对于常规文献着重讨论的风电功率曲线有效，对于发生严重弃风现象的风电机组的功率曲线也能发挥作用，从而在一定程度上缓解风电机组的异常数据问题
。CN111145109A
公开了一种基于图像的风力发电功率曲线异常数据识别与清洗方法，包括以下步骤：
1)
建立映射关系，将风力发电的散点数据转化为二值数字图像；
2)
将二值数字图像转化为特征灰度图像；
3)
对特征灰度图像进行识别，进行数据清洗
。
通过栅格化散点数据，建立散点数据与数字图像之间的映射，将基于传统数据挖掘算法的数据清洗问题转化为图像分割问题，运用成熟的图像分割算法来解决数据清洗问题
。
[0005]以上技术方案并未较好地解决不同类型的异常数据难以识别的问题
。

技术实现思路

[0006]本专利技术的目的在于提供一种基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法，它能有效地识别和清除风电机组功率曲线中的异常数据，以解决不同类型的异
常数据难以识别的问题
。
[0007]为解决上述技术问题，本专利技术采用的技术方案如下：一种基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法（或者说是基于
sigmoid
特征曲线算法的风电机组功率曲线异常数据处理方法），其技术方案在于它包括如下步骤：步骤1，数据收集，从风电场收集原始数据，将数据整理成为时间戳
‑
风速
‑
功率的格式；步骤2，数据预处理，对于步骤1中数据负值进行清理，形成清洗后的数据集；步骤3，使用曲线拟合方法对步骤2中数据进行拟合，拟合函数使用包含偏置参数的
Sigmoid
函数，即基于
Sigmoid
函数曲线对步骤2中数据进行拟合；步骤4，根据拟合结果形成包络曲线；步骤5，将包络曲线外的数据进行清理，形成新的清理后数据集；步骤6，使用清理后数据集输入给风电机组功率预测模型进行功率预测
。
[0008]上述技术方案中，优选的技术方案可以是，步骤2中，数据预处理包括以下步骤：步骤
21、
初步数据清洗：去除数据中的噪声和异常值，保留有效数据，具体操作方法是将数据中的风速负值的键值对进行去除，将功率负值设置为0；步骤
22、
数据归一化：将数据按照一定的比例缩放，使得数据在同一尺度下进行比较和分析；使用最大最小值归一化方法，其操作方式如公式
F(x)
， 其中
x
为待缩放变量，
Min(x)
为变量
x
的最小值，
Max(x)
为变量
x
的最大值，，这种方式会将数据范围都缩放在所示区间中
。
[0009]上述技术方案中，优选的技术方案还可以是，步骤3中，基于
Sigmoid
函数曲线对步骤2中数据进行拟合的具体方法为：使用曲线拟合算法进行数据拟合，所述算法（方法）的输入参数包括：独立变量组成的数组
x
，
x
代表风速；标准
sigmoid
曲线函数公式如下所示：，将公式（1）进行如下变换：，在公式（2）中，代表拟合后的整场发电功率；
cap
代表装机容量，
a、b
为风机出力散点图拟合系数，使用曲线拟合方法计算有偏置参数的
sigmoid
函数的参数对散点进行拟合，曲线拟合的核心原理是利用最小二乘法，让残差平方和最小，残差平方和定义如下：，其中
SSE
为残差平方和，
x
i
为
i
时刻的风速，
y
i
为
i
时刻的发电功率，拟合过程中使用高斯牛顿法构造雅克比矩阵，其定义如下：，其中参数
p
通过迭代法定义并通过迭代更新，参数
p
的迭代定义如下：，操作过程中对迭代参数
p
引入弹性参数
,
防止高斯牛顿法不稳定，定义
如下：，通过计算机迭代解析求导求取目标函数对参数的导数
,
根据雅克比矩阵进行协方差计算，参数协方差矩阵的定义如下，其中
S2为均方误差
:
，调用所述方法后
,
可获得最优参数
a,b
和相关矩阵
cov
，从而获取最优参数
a
，
b。
[0010]上述技术方案中，优选的技术方案还可以是，步骤5中，将包络曲线外的数据进行清理的具体步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法，其特征在于它包括如下步骤：步骤1，数据收集，从风电场收集原始数据，将数据整理成为时间戳
‑
风速
‑
功率的格式；步骤2，数据预处理，对于步骤1中数据负值进行清理，形成清洗后的数据集；步骤3，使用曲线拟合方法对步骤2中数据进行拟合，拟合函数使用包含偏置参数的
Sigmoid
函数，即基于
Sigmoid
函数曲线对步骤2中数据进行拟合；步骤4，根据拟合结果形成包络曲线；步骤5，将包络曲线外的数据进行清理，形成新的清理后数据集；步骤6，使用清理后数据集输入给风电机组功率预测模型进行功率预测
。2.
根据权利要求1所述的基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法，其特征在于步骤2中，数据预处理包括以下步骤：步骤
21、
初步数据清洗：去除数据中的噪声和异常值，保留有效数据，具体操作方法是将数据中的风速负值的键值对进行去除，将功率负值设置为0；步骤
22、
数据归一化：将数据按照一定的比例缩放，使得数据在同一尺度下进行比较和分析；使用最大最小值归一化方法，其操作方式如公式
F(x)
，其中
x
为待缩放变量，
Min(x)
为变量
x
的最小值，
Max(x)
为变量
x
的最大值，，这种方式会将数据范围都缩放在所示区间中
。3.
根据权利要求1所述的基于
sigmoid
曲线及双包络算法的风电功率异常数据处理方法，其特征在于步骤3中，基于
Sigmoid
函数曲线对步骤2中数据进行拟合的具体方法为：使用曲线拟合算法进行数据拟合，所述算法的输入参数包括
:
：独立变量组成的数组
x
，
x
代表风速；标准
sigmoid
曲线函数公式如下所示：，将公式（1）进行如下变换：，在公式（2）中...

【专利技术属性】
技术研发人员：许沛华，高盛，成驰，许杨，王必强，崔杨，孟丹，王明，朱燕，陈正洪，
申请(专利权)人：湖北省气象服务中心湖北省专业气象服务台，
类型：发明
国别省市：