【技术实现步骤摘要】
本专利技术属于风电，特别是涉及一种基于自适应k-means分段和边界建模的风功率异常数据识别方法。
技术介绍
1、目前，风功率异常数据的处理方法主要分为基于机器学习的方法、基于统计学分析的方法和基于图像分析的方法等。
2、基于机器学习的风功率异常数据处理方法的基本思想是通过训练模型来学习风功率数据的正常模式，然后利用训练模型来识别和处理异常数据。现有的机器学习方法尝试采用最近邻居算法(knn)构建风速功率曲线对异常数据进行在线检测；有些学者通过k-means算法识别异常数据，通过二次聚类方法解决k-means算法中k值的选取问题；另外，利用数据间的相似性关系，采用支持向量机建立多台机组邻近模型识别异常数据也被一些学者采用；机器学习相关算法具有的共同缺点是当待识别数据存在大量限功率型异常数据时会出现识别失败的情况，同时，基于机器学习的方法往往含有需要根据不同数据集人工调整的参数，不同的参数设置往往会带来完全不同的结果，难以得到一种合适的参数选择法。
3、基于统计学分析的风功率异常数据处理方法的基本思想是通过统计分析...
【技术保护点】
1.一种基于自适应K-means分段和边界建模的风功率异常数据识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自适应K-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述步骤S3包括：
3.根据权利要求2所述的一种基于自适应K-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述CH指数包括：
4.根据权利要求2所述的一种基于自适应K-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述计算每个功率区间对应的风速范围数据和风速均值数据包括：
5.根据权利要求1所述...
【技术特征摘要】
1.一种基于自适应k-means分段和边界建模的风功率异常数据识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自适应k-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述步骤s3包括：
3.根据权利要求2所述的一种基于自适应k-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述ch指数包括：
4.根据权利要求2所述的一种基于自适应k-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述计算每个功率区间对应的风速范围数据和风速均值数据包括：
5.根据权利要求1所述的一种基于自适应k-means分段和边界建模的风功率异常数据识别方法，其特征在于，所述步骤s5...
【专利技术属性】
技术研发人员：陈俊生，张忠恒，刘青松，陈沂蒙，刘明杰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。