[发明专利]基于变点分组-二步分位数与DCNN结合的风电数据恢复方法

说明书

本发明涉及一种基于变点分组‑二步分位数与DCNN结合的风电数据恢复方法，根据异常数据的不同成因对数据形态进行划分；采集某风电场电表数据的风速‑功率数据样本构成集合；利用变点分组法进行数据清洗，剔除底部堆积型异常数据、中部堆积型异常数据和部分曲线周围分散型异常数据；利用二步分位数算法识别曲线上部堆积型异常数据和剩余的曲线周围分散型异常数据，将异常数据删除得到正常数据集；使用DCNN进行曲线优化，将部分时间点数据缺失的风速‑功率数据构成的曲线进行重构，得到无数据缺失的时间点的风机风速‑功率数据。本发明提升了恢复后风速‑功率数据构成曲线的准确性，保证后续研究数据分析的精度与模型建立的准度。

技术领域

本发明涉及风电场电表领域，具体涉及一种基于变点分组-二步分位数与DCNN结合的风电数据恢复方法。

背景技术

风电能源作为新型的一种可再生清洁能源，在现代社会的能源体系中具有重要的意义。但是风力发电过程中各种非受控出力影响因素使得风电功率具有波动性、间歇性和随机性等特征，对电力系统运行的稳定性和可靠性造成了不利影响。

消除这些不利影响的一种重要手段就是通过对风电机组电表输出的运行数据进行清洗与恢复，提高风力发电的可预见性。因此，准确获得风电机组实际运行的风速和功率数据，能够为风电场的经济安全运行和优化控制策略提供根本的数据支撑。但是在风电场运行过程中，由于机组停机、减载、通信噪声和设备故障等因素，会产生大量异常数据。如果这些数据不经过处理直接使用，将会对风功率预测精度造成影响。目前风电机组运行数据的收集、管理、分析和挖掘方法仍存在诸多不足，不能准确的辨识收集数据的质量差异造成数据质量得不到保障。

发明内容

为克服现有技术的不足，本发明提供一种基于变点分组-二步分位数算法与DCNN结合的风电出力数据恢复方法，更加准确提高了数据的清洗效果，保证了风电出力数据的质量。其中，DCNN为深度卷积神经网络。

为达到上述目的，本发明采用的技术方案为：基于变点分组-二步分位数与DCNN结合的风电数据恢复方法，包括：

步骤S1：对风电受控出力影响因素进行分析，根据异常数据的不同成因对风速-功率数据形态进行划分；

步骤S2：采集风电机组的风速区间的风速-功率数据样本，从而构成风电机组的风速-功率数据样本集合；

步骤S3：利用变点分组法对得到的风速-功率数据样本进行清洗，剔除曲线底部堆积型异常数据、曲线中部堆积型异常数据和部分曲线周围分散型异常数据；

步骤S4：利用二步分位数算法识别曲线上部堆积型异常数据和剩余的曲线周围分散型异常数据，进而将所有的异常数据删除得到正常数据集；

步骤S5：使用深度卷积神经网络即DCNN进行曲线优化，将清洗后的部分缺失的风速-功率数据点进行重构，得到重构后的无数据缺失的风速-功率数据点。

进一步地，所述步骤S2：采集某风电场电表数据的风速-功率数据样本构成集合，具体包括：

步骤S21：某一风速区间内的数据样本集合为：

W＝{(v₁,p₁),(v₂,p₂),…,(v_i,p_i),…,(v_n,p_n)}

式中，v_i和p_i分别表示第i个数据样本的风速和功率，且数据按照功率值降序排列，即令p_ip_i+1，i∈(1,n-1)；

步骤S22：求出各风速-功率数据点方差为S_i：