风功率异常数据检测方法对比研究

风电机组风功率预测和功率曲线建模等工作的开展依赖于历史运行数据.然而,历史数据中积累了大量的异常数据,导致上述工作难以有效开展.国内外学者已经提出了多种异常数据检测方法,然而对不同方法的优缺点与适用场合还缺少整体认识.为此,本文对基于密度的聚类算法、局部离群因子算法、Thompson-tau四分位法和孤立森林四种常用的...     

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值,影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先,概述了风力发电运行大数据现状,分析了风电机组与风电场的风功率数据的分布特征,并对比了两者的不同;然后,分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点,结合基于物理特性、统计学和机器学习等数据重构技术,讨论了实现数据清洗的方法及其优劣;再次,概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况;最后,对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。     

基于置信等效边界模型的风功率数据清洗方法

针对风电运行数据中存在的大量异常数据,结合风机运行过程与数据不确定性统计提出了一种基于置信等效边界模型的风功率数据清洗方法。首先,基于风机运行机理及运行策略提出了风速、风轮转速和功率三维关联性关系,依照风速对异常数据进行分段精细化剔除;在此基础上,结合Copula理论分运行区间建立了风速条件下风机输出功率的条件概率分布,进而求得功率在一定置信度水平下的等效边界模型,可直接用于异常数据识别剔除,提高有效数据占比;然后,采用分段三次Hermite插值法重构缺失数据,得到完整风速、功率有效数据;最后,定义置信度带宽比等数据清洗质量评价指标,采用k折交叉验证置信等效边界模型性能。选取某型号风机实际运行数据进行实例分析,结果显示清洗后数据具有更高的置信度带宽比、更适中的偏度及更高的峰度,进而表明有效数据占比大大增加且分布更加集中,表明了所提方法的有效性和合理性。     

基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。     

基于差分序列方差与CPS融合的数字变电站数据异常检测方法

针对传统基于简单阈值的异常检测方法已无法适用于数字变电站过程层网络中可能出现的设备物理故障和恶意入侵导致的数据异常的问题,提出了一种基于差分序列方差(difference sequence variance,VDS)与信息物理系统(cyber-physical system,CPS)融合的数字变电站数据异常检测方法.首...     

基于相似性度量的风功率数据填补方法∗

风电机组的运行参数尤其是功率数据具有极其重要的价值,然而在数据采集、传输和记录的过程中存在各种原因会导致数据缺失.为此,提出了一种基于相似性度量的风功率数据填补方法.该方法利用数据特征,使用欧式 距离、动态时间弯曲距离和最大公共子序列等相似性度量方法,寻找最相似的等长序列填补缺失值,并与均值插值、多点三次样条插值和自回归滑动平均模型等方法进行对比,结果表明了该方法的有效性和优越性.     

一种基于局部统计特性的边缘检测方法

本文主要研究了受噪声污染图像的边缘提取问题 ,提出了一种基于统计学原理的边缘检测算法。该算法首先假定滤波窗内像素为平坦区或二值区 ,然后根据滤波窗内像素的局部统计特性将此窗内其中一个像素值估计出来 ,再根据统计学原理[1] [2 ] 将另一个像素值估计出来 ,最后将窗内的像素变换成这两个像素值来判断是否存在边缘。计算机模拟表明 ,此种方法有较好的抗噪能力 ,同时计算比较简单     

基于滑动标准差计算的光伏阵列异常数据清洗办法

光伏阵列运行数据中存在大量异常数据,这些异常数据会对光伏阵列性能分析、建模、故障诊断的实现带来困难。为了有效剔除光伏阵列运行数据中的异常数据,提出了一种基于滑动标准差的光伏阵列异常数据清洗方法。分析了阵列异常数据的来源及分布特性,给出了光伏阵列滑动标准差的计算方法。该方法以滑动标准差的曲线上翘作为异常数据的判断依据。最后通过实例分析以及其他方法对比,说明该算法可以有效降低由于异常数据集中分布带来的异常数据清洗困难。     

一种在尺度空间下基于边缘的角点目标检测方法

图像中的目标角点位置是实现很多计算机视觉任务的关键数据。为了克服传统检测算法产生的数据冗余问题,提出了一种在尺度空间下基于边缘的角点目标检测方法。首先,构建一个分组多层的尺度空间,将原图投影到其中后得到多个平滑图像。与此同时,采用定义的边缘算子检出平滑图像中所有边缘而得到多个按序存放的像素点集,当点集数量稳定时停止更大尺度的变换。然后,在当前尺度下,计算点集中各元素反映其角点强度的特征值。根据这些特征值变化规律检出角点的支撑集区间,并在此区间中采用高斯拟合函数确定最终的目标角点。实验表明,该方法能够检出特征显著的目标角点及其角度,其中合成图像精度在像素级,应用案例中的平均误差与图幅比约为1.5/100。     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键.为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法.该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选...     

基于参数关联性的电站参数异常点清洗方法

针对电站参数虚假数据和异常状态点的区分问题,提出了一种将关联规则、基于密度模式的空间数据聚类(DBSCAN)算法和改进高斯核相关向量机（RVM）相结合的清洗方法。首先,引入关联规则分析参数间的关联性,找出强关联参数组合;然后,利用DBSCAN算法初步检测异常点,给出了结合关联参数的清洗流程,区分了虚假数据和系统异常状态点;最后,使用RVM清洗虚假数据,并通过改进高斯核空间样本点形式降低时间成本。案例结果表明,基于参数关联性的清洗方法能有效提高清洗的准确性和时效性。     

基于功率曲线的风电机组数据清洗算法

针对风电机组性能分析过程繁琐低效、数据清洗不彻底以及传统方法难以有效识别复杂多变的异常发电状态的问题,提出一种用于风电机组功率曲线分析的数据清洗算法。通过分析风电机组数据采集与监控(SCADA)系统采集的风速功率数据,优化数据处理规则与数据分析过程,提出最优组内方差清洗算法,检测机组发电性能异常的状态,降低对检测工具和数据维度的硬性要求。实例分析表明该方法实用、高效,在不增加硬件设备投资的前提下,能准确清洗风电机组功率曲线数据并识别出机组异常运行状态,显著提高了风电机组性能分析的准确性。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于数据融合的图像边缘检测算法研究

提出了一种基于数据融合的图像边缘检测算法。该算法对原始图像分别采用Canny算子和小波变换两种方法进行边缘提取,再将两种方法结果通过数据融合的手段获得一幅新的边缘图像。实验证明,融合后的图像边缘包含了原始图像丰富的细节信息和较完整的轮廓,该算法优于单独采用Canny算子所获得的边缘图像,是一种有效的图像边缘检测方法。     

基于边缘计算的电网假数据攻击分布式检测方法

虚假数据注入攻击(FDIA)作为新型的电网攻击手段,严重威胁智能电网的安全运行.爆炸式增长的数据给集中式的FDIA检测方法带来了巨大的挑战.基于此,提出了一种基于边缘计算的分布式检测方法.将系统拆分为多个子系统,且在子系统中设置边缘节点检测器进行数据的收集、检测.结合深度学习的方法,构建了CNN-LSTM模型检测器,提...     

基于周期性最大功率点检测的风电机组功率备用控制方法

风电机组通常运行于最大功率输出模式,无法为受扰电网提供紧急功率支撑。稳态时预留部分出力可提高风电机组主动电网支撑能力,为此提出一种基于周期性最大功率点(MPP)检测的风电机组功率备用控制(PRC)方法。通过周期性执行最大功率点跟踪程序检测风电机组实时MPP,一旦检测到MPP即可确定PRC模式参考值并切换为直接功率控制。设置伪单调转速-机械功率曲线使风电机组稳定运行在超速功率备用点,并通过储能装置平抑MPP检测产生的峰值功率波动。仿真结果表明提出的控制方法在定风速和变风速情况下均可以准确控制检测风电机组MPP并实现PRC,并且使得风电机组一次调频效果优于传统PRC。     

基于Spark框架的电力大数据清洗模型

针对电力大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的电力大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

基于改进亚像素边缘检测的弹丸特征点判读

针对传统弹丸图像判读效率低的问题,提出了一种基于改进边缘检测的图像自动判读方法,获得弹丸特征点坐标。在亚像素级别上利用Roberts模板求取图像梯度,寻找邻域内梯度最值绘制锚点,通过智能路线寻迹获得弹丸单像素边缘,采用矩理论求弹丸质心坐标。利用分辨率板检验改进边缘检测方法,并求取阴影图像中弹丸质心。实验结果表明,与传统方法相比,改进算法在边缘的连续性、定位精度上有较好的效果,将弹丸质心坐标的误差由6.7%降低到2.8%。