[发明专利]风电功率异常数据辨识方法及辨识装置

权利要求书

1.一种风电功率异常数据辨识方法，其特征在于，所述方法包括：

根据异常数据的来源和风电功率序列的不规则变化，将异常数据进行分类，得到异常数据分类结果；其中，根据异常数据的产生机理将异常数据分为错误数据和不规则数据两类；所述错误数据为在数据量测、传输和保存环节中由于干扰导致的失真数据；所述不规则数据包括第一类不规则数据和第二类不规则数据，所述第一类不规则数据为正常记录存储但由于极端天气过程引起的异常数据，所述第二类不规则数据为正常记录存储但由于人工控制干预而表现异常的数据；

获取异常数据的分类结果与风速序列的对应关系，建立基于风速序列的异常数据判断标准；其中，基于风速序列的异常数据判断标准包括：

若风电功率序列和风速序列中同时存在的不规则突变则属于第一类不规则数据；

若只在风电功率序列中存在的不规则突变则属于错误数据；

若风速序列不变而风电功率序列中存在的预定时长的不规则变化，为第二类不规则数据；

根据异常数据判断标准，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点，通过概率变点辨识风电功率序列以及风速序列中第一不规则数据和错误数据的不规则突变，根据该风速序列的不规则突变与风电功率序列中不规则突变的对应关系识别风电功率异常数据的类型；

根据风电功率序列和风速序列建立混合回归模型，根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中第二类不规则数据的模型变点，并根据模型变点识别剩余风电功率异常数据的类型；其中，所述回归变量重要性根据对应所述回归变量的残差变量得到；

所述根据混合回归模型中各回归变量重要性排序的变化，获得风电功率序列中第二类不规则数据的模型变点，包括：根据所述混合回归模型中各回归变量重要性排序的变化，所述混合回归模型在进行削去变换过程中，削去所述残差变量最小值对应的所述回归变量，获得风电功率序列中的模型变点。

2.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，根据风电功率的不规则变化与风速序列的不规则变化对应关系，异常数据包括三种类型：

类型一：若不规则变化变化是由于风资源/风电功率的非平稳、非线性特征导致，则风电功率序列中的异常突变对应于相同或相近时刻风速序列中的突变，为第一类不规则数据；

类型二：若风电功率序列中的异常突变与相同或相近时刻风速序列中的突变不对应，则风电功率序列中的异常突变属于错误数据；以及

类型三：人工控制干预导致的风电功率序列异常数据，为第二类不规则数据。

3.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，所述根据风电功率序列和风速序列建立混合回归模型，根据各回归变量重要性排序的变化，获得风电功率序列中的模型变点的步骤包括：

以风电功率序列的一阶差分结果作为因变量数组，风速序列一阶差分作为自变量数组，建立混合回归模型；

根据各回归变量重要性排序的变化，分析辨识风电功率序列中的模型变点。

4.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，对位于同时段的风电功率序列和风速序列分别进行概率变点分析，得到风电功率序列和风速序列中的概率变点包括：

当获得一个概率变点后，将原风电功率序列根据该概率变点位置拆分为前后两个子序列；

分别对每个子序列进行辨识，直到没有新的概率变点被发现，获得风电功率序列中所有的概率变点。

5.根据权利要求1所述的风电功率异常数据辨识方法，其特征在于，进一步包括：

利用特殊影响因子对异常数据进行分析，根据正态分布均值的假设检验，获得异常数据的来源与特殊影响因子之间的相关关系。