[发明专利]一种风机风速-功率数据组合处理方法

说明书

本发明提供了一种风机风速‑功率数据组合处理方法。包括通过变点分组法和四分位法对风机风速‑功率数据中的异常数据进行识别并剔除；通过树木生长算法进行超参数优化的时间卷积网络对剔除后的风速‑功率数据进行重构，得到符合风速‑功率理论曲线的风速‑功率时间点连续数据。使用时间卷积网络作为回归模型进行数据重构，来解决四分位法数据清洗后数据有大量连续缺失的问题，该方法不依赖人工经验且对各类型的风机风速‑功率异常数据均有较好的识别效果；本发明利用树木生长算法对时间卷积网络的超参数进行优化，有效减少了风速‑功率数据处理的人工经验依赖和耗时，提高了全局搜索能力。

技术领域

本发明属于风力发电功率预测技术领域，涉及到风机风速-功率数据处理技术，具体涉及一种风机风速-功率数据组合处理方法。

背景技术

风能作为一种清洁的可再生能源，正迅速成为可持续发展和能源战略的重要组成部分。但由于风电功率具有的间歇性、波动性和随机性等特征，会对电力系统运行的可靠性和稳定性造成不利影响。提高风力发电的可预见性是消除这些不利影响的一种重要手段。准确的风电机组实际运行的风速和功率数据可用于评估风电机组性能和运行状况，对风电功率预测有重要价值。但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，如不经处理直接使用会影响预测效果。

现有对风机风速功率数据的处理方法可分为数据清洗(即异常识别与剔除)和缺失数据重构。其中数据清洗方法从原理上可分为三类：第一类方法是根据数据点的密度或距离来判断该点是否为异常点，其对分布密集的堆积型数据异常数据识别效果有限；第二类方法是建立风功率曲线的数学模型，但其需要大量非异常数据作为样本且普适性较差；第三类方法是根据异常数据的位置分布特征识别异常数据，依据是异常数据点位于风功率曲线正常出力特性范围之外，理论上对各种类型的异常数据均有较好的识别效果且不需要数据样本训练，通用性强。变点分组-四分位法是近年涌现的第三类方法的典型代表。

数据本身缺失和数据清洗都会导致缺失数据。缺失数据重构方法可分为三类：第一类是时间序列回归法，需要以大量连续数据点为基础；第二类是构建插值多项式方法如牛顿插值法、三次样条插值法等，在连续缺失数据达到一定数量后会出现较大累计偏差导致整体差值效果较差；第三类是概率统计方法，其在有限数据量情况下适用性较差。对风机风速功率数据进行处理时，除了分别考虑数据清洗方法和缺失数据重构方法的有效性外，还要考虑两种方法的配合及组合处理效果。

发明内容

本发明实施例提供了一种风机风速-功率数据组合处理方法。通过变点分组-四分位法得到清洗后的有缺失的风机风速-功率数据，针对该方法清洗后会出现大量连续缺失数据的特征，选择以时间卷积网络为回归模型的时间序列回归法进行缺失数据重构。由于时间卷积网络的结构对缺失数据重构的效果有重要影响，而决定时间卷积网络结构的超参数的选取依赖人工经验且耗时长，因而使用树木生长算法对时间卷积网络的超参数进行优化。该组合数据处理方法在数据清洗和缺失数据重构方面有良好的配合度，在对人工经验依赖度低、计算量小、耗时短的前提下有良好的数据处理效果。

本发明采用如下技术方案：

一种风机风速-功率数据组合处理方法，包括如下步骤：

步骤1、从SCADA系统等获取数据，其中，所述数据为风机某时间段内相隔相同时间的各时间点的风速-功率数据；

步骤2、使用变点分组法和四分位法对所述数据进行清洗；

步骤3、使用树木生长算法对时间卷积网络的超参数进行优化；

步骤4、按步骤3确定的时间卷积网络结构生成时间卷积网络，使用步骤2得到的清洗后的部分时间点数据缺失的风机风速-功率数据作为输入对其进行训练，训练完成后利用训练好的时间卷积网络完成对部分时间点数据缺失的风机风速-功率数据的重构，得到重构后的无数据缺失的时间点的风机风速-功率数据。

进一步的，所述步骤2中的清洗，包括如下步骤：