[发明专利]基于四分位与改进孤立最近邻的风电功率异常数据检测方法

说明书

本发明涉及一种基于四分位与改进孤立最近邻的风电功率异常数据检测方法，包括以下步骤：步骤1、去除功率0值附近堆积型异常数据；步骤2、划分风速区间；步骤3、采用四分位法对风电功率异常值进行初步检测；步骤4、采用改进孤立最近邻方法对风电功率异常值进行二次检测。本发明利用四分位法对其进行初步检测；对四分位法检测不彻底的部分，采用孤立最近邻方法对其进行二次检测，提高了异常检测的识别率；同时对孤立最近邻方法中异常评分方式进行改进，在考虑全体超球半径的影响下，增加了全局系数，提高了该方法的检测精度，对保障风电功率精准的数据分析具有较高的实用前景和研究意义。

技术领域

本发明涉及一种风电功率的检测方法，具体地说是一种基于四分位与改进孤立最近邻的风电功率异常数据检测方法。

背景技术

随着“双碳目标”的提出，新能源发电在电力系统中的地位正逐步提升。而风力发电由于其时间和空间上的随机性与波动性，给电网的调度与规划带来影响。如果对风电功率没有合理的预测和规划，会导致弃风弃电的现象，严重时将影响电力系统的安全稳定运行。

风电功率预测的原理是根据相关数据的输入，建立与未来功率数据映射的数学模型，模型的预测精度与数据息息相关。大量全面且准确的风电功率数据是模型精度的保障。在采集风电场监测原始数据的过程中，由于设备检修、电磁干扰等方面的影响，导致现场环境十分复杂，可能使得风电功率数据产生大量噪声，违背正常值，甚至出现数据缺失。故对原始数据的检测，对于后续风电功率的准确预测有着重要的意义。

参见图1，由于风切变、湍流等复杂因素的影响，风机在实际运行中的功率曲线与标准v-P曲线会有一定的偏差，通常形状为以标准v-P曲线为中心的数据带；同时，由于设备缺陷、人为限电等原因，存在一定数量的离群点偏离风速—功率曲线，这些点通常被称为风电功率的异常数据。这些异常数据通常分为以下两种类型：

1)堆积型异常数据

堆积型异常数据通常会出现在曲线下部，主要分布形状为非额定功率的水平数据带。其中，均值在0值附近的堆积型异常数据，产生的原因主要是由于检修维护或设备故障。而分布在曲线中部的异常数据点，主要是人为控制风机限制出力或者设备故障等原因导致的数据异常，其输出功率值要低于额定功率。

2)分散型异常数据

分散型异常数据表现为v-P曲线边界外随机稀疏分布的数值点。其产生原因有极端天气、信号噪声等随机性因素。因此，此类异常数据点通常无明显规律，在v-P曲线的各个区域均有可能出现，其随机性难以通过具体函数分布衡量。

无论是堆积型异常数据还是分散型异常数据，若成比例存在于原始数据中，都会严重影响数据的可靠性以及功率预测的准确性。因此需针对这些异常数据进行检测与处理。

风电功率异常数据的检测方法通常可分为基于统计法和基于数据挖掘法两大类。由表1可见，现有风电功率异常数据检测方法存在以下问题：

表1：传统风电功率异常数据检测方法存在的问题

发明内容

本发明的目的就是提供一种基于四分位与改进孤立最近邻的风电功率异常数据检测方法，以解决现有检测处理方法存在的计算复杂、效率不高和误差较大的问题，实现对不同类型异常数据的检测。

本发明基于四分位与改进孤立最近邻的风电功率异常数据检测方法，包括以下步骤：

步骤1、去除功率0值附近堆积型异常数据；

步骤2、划分风速区间；

步骤3、采用四分位法对风电功率异常值进行初步检测；

步骤4、采用改进孤立最近邻方法对风电功率异常值进行二次检测。