[发明专利]风电场SCADA数据缺失的智能修复方法

说明书

本发明提供一种风电场SCADA数据缺失的智能修复方法，包括以下步骤：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则对a和C进行标准化；对C进行基线补偿；对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；对多列机组数据D′进行中值滤波；对多列机组数据D′求每个时刻的均值。本发明能高效准确地对缺失数据进行智能修复，且效率高，鲁棒性强。

技术领域

本发明涉及工业大数据领域，尤其是一种风电场SCADA数据缺失的智能修复方法。

背景技术

风能作为一种清洁的可再生能源，已经日益引起世界各国的注意，风力发电技术已趋于成熟。在大型的风电场中有几十台甚至上百台风力发电机组。由于风电场(尤其海上风电场)地处偏远，人工维护困难，风电场SCADA数据库系统运行过程中，SCADA能够远程获取风机运行状态数据，是风电场健康运行的保障。但是SCADA系统往往受到传感器失效、网络阻塞等各种因素的影响，导致数据的缺失。因此，为挽回由于数据缺失带来的损失，一种通过大数据分析，利用已知数据对缺失部分数据进行估计的方法显得尤为重要。

在已发表的风电场实测数据缺失相关的文献中，修复缺失数据主要方法有两种：一是采用时间序列法对风场风速数据进行预测和插补的方法，二是被广泛应用的机器学习KNN算法。前者是一种基于时间序列模型，充分利用缺失段前、后的有效实测数据，综合采用顺插和逆插方式插补出数据缺失段的方法。然而，基于时间序列的数据插补法，没有过多地考虑外界因素影响，当外界发生较大变化时，比如季节更替、天气变化，修复的数据往往会有较大偏差。而KNN方法最吸引人的特点之一在于，它易于理解也易于实现。其非参数的特性在遇到某些“不寻常”数据的情况下非常有优势。但KNN算法的一个明显缺点是，在分析大型数据集时会变得非常耗时，因为它会在整个数据集中搜索距离最小点。此外，在高维数据集中，最近与最远点之间的差别非常小，因此KNN的准确性会降低。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种风电场SCADA数据缺失的智能修复方法，能够对风机SCADA缺失数据进行修复，解决了现有方法修复精度低，计算量较大的问题。通过修复缺失数据，能够更准确的对风机异常情况进行预警，同时也有助于更准确的估计发电量。本发明采用的技术方案是：

一种风电场SCADA数据缺失的智能修复方法，包括以下步骤：

步骤S1，数据预处理：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；

步骤S2，计算辅助修复机组数据B与待修复机组数据a的互相关系数，选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；

步骤S3，判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则需要对待修复机组数据a和所有辅助修复机组数据C进行标准化，否则不需要进行标准化；

步骤S4，根据待修复机组数据a和辅助修复机组数据C的补偿基准，对C进行基线补偿；

步骤S5，若步骤S3中进行过标准化，则对待修复机组数据a和基线补偿后的辅助修复机组数据C反标准化还原；否则不需要反标准化还原；

步骤S6，对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；

步骤S7，对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；

步骤S8，对多列机组数据D′进行中值滤波；

步骤S9，对多列机组数据D′求每个时刻的均值，然后得到一列用于对待修复机组数据a进行修复的机组数据。