CN109101659B - 一种小水电数据采集系统中功率数据异常的方法 - Google Patents

一种小水电数据采集系统中功率数据异常的方法 Download PDF

Info

Publication number
CN109101659B
CN109101659B CN201811016729.2A CN201811016729A CN109101659B CN 109101659 B CN109101659 B CN 109101659B CN 201811016729 A CN201811016729 A CN 201811016729A CN 109101659 B CN109101659 B CN 109101659B
Authority
CN
China
Prior art keywords
data
small hydropower
hydropower station
power data
historical power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811016729.2A
Other languages
English (en)
Other versions
CN109101659A (zh
Inventor
文贤馗
范强
林呈辉
苏立
徐梅梅
顾威
徐玉韬
龙秋风
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811016729.2A priority Critical patent/CN109101659B/zh
Publication of CN109101659A publication Critical patent/CN109101659A/zh
Application granted granted Critical
Publication of CN109101659B publication Critical patent/CN109101659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种一种小水电数据采集系统中功率数据异常的处理方法，它包括：S1:获取小水电的历史基础数据；S2：通过小水电数据采集系统获取小水电历史功率数据；S3：对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点；S4：按照功率异常数据修补方法对小水电历史功率数据中的异常点数据进行修补；S5：将修补后的数据插入队列中，生成小水电历史功率序列，完成数据修补；解决了现在小水电功率采集系统受测点和传输手段的限制，易造成历史功率数据异常等问题。

Description

一种小水电数据采集系统中功率数据异常的方法
技术领域
本发明属于水力发电技术领域，涉及一种小水电数据采集系统中功率数据异常的方法。
背景技术
小水电作为清洁绿色的可再生替代能源，不同于大中型水电，主要分布在地理位置偏远的山区，具有不可替代的优势因此在国家和地方政策的支持下发展迅速，很好的解决了部分地区的缺电局面。但与此同时，小水电的发展也带来一些问题，在小水电密集地区随着水流量的增加，极易与大中型水电发生冲突，冲击电网主网，如果调度不掌握小水电的发电信息，对电网安全稳定运行以及电网调度等带来的不良影响将会越发显著。
因此就必须对小水电进行功率预测，而其历史运行数据作为小水电功率预测模型的基础输入数据，对预测精度有显著影响。在实际运行时，由于功率数据的量测、记录、转换和传输过程的任意环节都有可能发生故障从而导致观测数据的反常态势，以致与观测值不一致。此外，当数据采集系统正常，但出现特殊事件(例如线路检修、大用户负荷突变、切负荷停电、大事件冲击等)也将引起负荷的异常变化，导致观测数据差异较大。在小水电功率预测中，异常数据的存在会导致预测模型的建立出现偏差,如果不对这些异常情况进行有效的识别和修正，而直接采用这些含不良信息的历史功率数据，必然将使预测结果产生很大的误差,影响功率预测的可靠性。
发明内容：
本发明要解决的技术问题是：提供一种小水电数据采集系统中功率数据异常的处理方法，以解决现有技术小水电功率采集系统受测点和传输手段的限制，易造成历史功率数据异常导致功率预测可靠性差等问题。
本发明的技术方案：
一种小水电数据采集系统中功率数据异常的处理方法，它包括：
S1:获取小水电的历史基础数据；
S2：通过小水电数据采集系统获取小水电历史功率数据；
S3：对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点；
S4：按照功率异常数据修补方法对小水电历史功率数据中的异常点数据进行修补；
S5：将修补后的数据插入队列中，生成小水电历史功率序列，完成数据修补。
S1所述小水电的历史基础数据包括气象数据、开停机数据和地理位置数据；所述气象数据包括小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述地理位置数据包括小水电的所属流域及地理位置数据。
S2所述通过小水电数据采集系统获取小水电历史功率数据为N天历史功率数据，每15分钟记录1个数据，每天有96个数据点；历史功率数据序列用x(i,k)表示，i＝1,2,...,95，96代表一天的96个时刻，k＝1,2,...,N代表N天的历史功率数据。
S3所述对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点的方法为：
S3.1：计算小水电历史功率数据的方差和均值；
利用式(1)求出96个时刻中每一时刻N天功率数据的和方差V(i)和均值E(i)
Figure BDA0001786439490000021
S3.2：计算小水电历史功率数据的偏心率ρ(i,k)
按照式(2)计算小水电历史功率数据的偏心率ρ(i,k)
Figure BDA0001786439490000022
S3.3：利用小水电历史功率数据的偏心率ρ(i,k)，判断小水电历史功率数据中的异常数据。
步骤S3.3所述利用小水电历史功率数据的偏心率ρ(i,k)，判断小水电历史功率数据中的异常数据的方法为：
S3.3.1:设定偏心率超标的阈值为
Figure BDA0001786439490000039
S3.3.2:对小水电历史功率数据中的异常数据进行判断；
当ρ(i,k)小于偏心率超标阈值
Figure BDA00017864394900000310
时，则判断ρ(i,k)为正常点；
当ρ(i,k)大于等于偏心率超标阈值
Figure BDA00017864394900000311
时，则判断ρ(i,k)为异常点；
S3.3.3：当出现异常点x(i,k)时，继续判断，出现正常点前连续经历p个异常点，将第p个异常点记做x(i+p,k)，当出现正常点或当p＝95时停止判断。
S4所述按照功率异常数据修补方法对小水电历史功率数据中的异常点数据进行修补的方法为：
S4.1：当p＝0时，即x(i,k)＝x(i+p,k)，利用公式(3)中的
Figure BDA00017864394900000312
替代异常点x(i,k)，
Figure BDA0001786439490000031
为相邻两天同一时刻的功率数据；
Figure BDA0001786439490000032
S4.2：当1≤p＜θ时，利用最小二乘法中的
Figure BDA0001786439490000033
Figure BDA0001786439490000034
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)；
S4.3：当θ≤p≤95时，利用相似日算法中的
Figure BDA0001786439490000035
Figure BDA0001786439490000036
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)。
S4.2所述的利用最小二乘法中的
Figure BDA0001786439490000037
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)的方法为：
S4.2.1：设集合
Figure BDA0001786439490000038
集合
Figure BDA0001786439490000041
Figure BDA0001786439490000042
取值在历史功率数据样本的1～(k-1)之间选取；
S4.2.2：构建最小二乘法的多项式拟合函数，其表达式为
Figure BDA0001786439490000043
n为拟合多项式的次数；
S4.2.3：求取最小二乘法的多项式系数a0,a1,a2,...,an；
a0,a1,a2,...,an由下式求取；
Figure BDA0001786439490000044
式中：m为数据组数，
Figure BDA0001786439490000045
且m＞n；
ξ和η的第j个数据分别记做ξj和ηj，且有1≤j≤m；
S4.2.4：将求得的a0,a1,a2,...,an代入
Figure BDA0001786439490000046
得到最小二乘法的多项式拟合函数；
S4.2.5：计算最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000047
计算公式为：
Figure BDA0001786439490000048
式中：将第τ个最小二乘法的多项式系统记做aτ，且有0≤τ≤n；
S4.2.6：判断最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000049
是否超过设定的平方误差阈值σ；
若最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000051
大于设定的平方误差阈值σ，则令n＝n-1，重新执行步骤S4.2.1～4.2.5；
若最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000052
小于设定的平方误差阈值σ，则进入S4.2.7；
S4.2.7：将ξ＝k代入
Figure BDA0001786439490000053
得到的
Figure BDA0001786439490000054
即为
Figure BDA0001786439490000055
并将其替换x(i,k)；
S4.2.8：异常点x(i+1,k),x(i+2,k),...,x(i+p-1,k),x(i+p,k)可以利用步骤S4.2.1-S4.2.7的实现替换。
S4.3所述当θ≤p≤95时，利用相似日算法中的
Figure BDA0001786439490000056
Figure BDA0001786439490000057
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)的方法为：
S4.3.1：将正常点形成相似时刻历史样本序列，设含有γ个相似时刻历史样本；
S4.3.2：将构建的气象因素的时刻特征向量记做Z＝[T,P,H,Wd,Ws,Q]；气象因素包括温度T、气压P、湿度H、风向Wd、风速Ws和降雨量Q，
S4.3.3：计算异常点x(i,k)即待预测点对应的第i个到第i+p个时刻特征向量Zδ与S4.3.1中的相似时刻历史样本序列的气象因素时刻特征向量Zhδ的相关性系数rδ,hδ
Zδ的表达式为
Figure BDA0001786439490000058
Zhδ的表达式为
Figure BDA0001786439490000059
相关性系数rδ,hδ的计算公式为：
Figure BDA0001786439490000061
Figure BDA0001786439490000064
式中：
S4.3.4：将相关性系数rδ,hδ按照由大到小进行排列，排名前d个时刻的气象因素时刻特征数据和历史功率数据作为训练样本集，训练BP神经网络功率预测模型；
S4.3.5：将异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)对应的气象因素时刻特征数据作为输入，输入S4.3.4训练完成的BP神经网络功率预测模型，得到对应的输出，即预测结果记做
Figure BDA0001786439490000062
Figure BDA0001786439490000063
并替代异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)。
本发明有益效果：
本发明利用小水电历史功率数据的偏心率对其进行判断，找到历史功率数据中的异常点和正常点。对异常点按照其连续个数的大小进行分类处理，异常点连续个数由小到大可以分别利用相邻两日的同时刻值的平均数替换，利用最小二乘法进行替换，利用相似日算法进行替换。通过异常点数据量的大小进行分类替换，可以有效解决替换方法对各种异常数据的适应性问题，从而解决了现在小水电功率采集系统受测点和传输手段的限制，易造成历史功率数据异常等问题。
具体实施方式：
一种小水电数据采集系统中功率数据异常的处理方法
主要包括以下步骤：
S1:获取小水电的历史基础数据；
步骤1所述的小水电数据信息包括气象数据、开停机数据，
所述气象数据应包括小水电所在区域的温度、气压、湿度、风向、风速、降雨量数据；
所述地理位置数据应包括小水电的所属流域情况及地理位置。
S2：通过小水电数据采集系统获取小水电历史功率数据；
所述小水电历史功率数据，其数据为N天历史功率数据，每15分钟记录1个数据，每天有96个数据点。
历史功率数据序列用x(i,k)表示，i＝1,2,...,95，96代表一天的96个时刻，k＝1,2,...,N代表N天的历史功率数据。
S3：对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点；
其步骤为：
S3.1：计算小水电历史功率数据的方差和均值；
利用式(1)求出96个时刻中每一时刻N天功率数据的和方差V(i)和均值E(i)。
Figure BDA0001786439490000071
S3.2：计算小水电历史功率数据的偏心率ρ(i,k)
按照式(2)计算小水电历史功率数据的偏心率ρ(i,k)
Figure BDA0001786439490000072
S3.3：利用小水电历史功率数据的偏心率ρ(i,k)，判断小水电历史功率数据中的异常数据。
判断方法具体步骤如下：
S3.3.1:设定偏心率超标的阈值为
Figure BDA0001786439490000073
S3.3.2:小水电历史功率数据中的异常数据进行判断；
当ρ(i,k)小于偏心率超标阈值
Figure BDA00017864394900000810
时，则判断ρ(i,k)为正常点；
当ρ(i,k)大于等于偏心率超标阈值
Figure BDA00017864394900000811
时，则判断ρ(i,k)为异常点。
S3.3.3：当出现异常点x(i,k)时，继续判断，出现正常点前连续经历p个异常点，将第p个异常点记做x(i+p,k)，当出现正常点或当p＝95时停止判断。
S4：按照功率异常数据修补方法对S3.3.3中判断的小水电历史功率数据中的异常数据x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)进行处理。
其中，功率异常数据修补方法为：
S4.1：当p＝0时，即x(i,k)＝x(i+p,k)。考虑到相邻两天同一时刻的功率数据具有一定程度的相似性，利用公式(3)中的
Figure BDA00017864394900000812
替代异常点x(i,k)：
Figure BDA0001786439490000081
S4.2：当1≤p＜θ时，利用最小二乘法中的
Figure BDA0001786439490000082
Figure BDA0001786439490000083
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)；
Figure BDA0001786439490000084
大于1小于47。
利用最小二乘法中的
Figure BDA0001786439490000085
代替异常点x(i,k)为例，处理方法如下：
S4.2.1设集合
Figure BDA0001786439490000086
集合
Figure BDA0001786439490000087
Figure BDA0001786439490000088
取值可依据历史功率数据样本的1～(k-1)之间选取。
S4.2.2构建最小二乘法的多项式拟合函数，其表达式为
Figure BDA0001786439490000089
其中，n为拟合多项式的次数。
S4.2.3求取最小二乘法的多项式系数a0,a1,a2,...,an。
其中a0,a1,a2,...,an可由下式求取。
Figure BDA0001786439490000091
其中，m为数据组数，
Figure BDA0001786439490000092
且m＞n。
其中，ξ和η的第j个数据分别记做ξj和ηj，且有1≤j≤m。
S4.2.4将求得的a0,a1,a2,...,an代入
Figure BDA0001786439490000093
即可得到最小二乘法的多项式拟合函数。
S4.2.5计算最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000094
其计算公式为：
Figure BDA0001786439490000095
其中，将第τ个最小二乘法的多项式系统记做aτ，且有0≤τ≤n。
S4.2.6判断最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000096
是否超过设定的平方误差阈值σ。
若最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000097
大于设定的平方误差阈值σ，则令n＝n-1，重新执行步骤S4.2.1～4.2.5；
若最小二乘法的多项式拟合函数的平方误差
Figure BDA0001786439490000098
小于设定的平方误差阈值σ，则进入S4.2.7。
S4.2.7将ξ＝k代入
Figure BDA0001786439490000099
此时得到的
Figure BDA00017864394900000910
即为
Figure BDA00017864394900000911
并将其替换x(i,k)。
S4.2.8异常点x(i+1,k),x(i+2,k),...,x(i+p-1,k),x(i+p,k)可以利用步骤S4.2.1-S4.2.7的方法实现替换。
S4.3：当θ≤p≤95时，历史功率数据异常数量大，因此利用相似日算法中的
Figure BDA0001786439490000101
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)。
其中，利用相似日算法进行数据替换的方法如下：
S4.3.1将S3.3.3中的正常点形成相似时刻历史样本序列，其含有γ个相似时刻历史样本；
S4.3.2将构建的气象因素的时刻特征向量记做Z＝[T,P,H,Wd,Ws,Q]；
其中气象因素包括温度T、气压P、湿度H、风向Wd、风速Ws和降雨量Q，
S4.3.3计算异常点x(i,k)即待预测点对应的第i个到第i+p个时刻特征向量Zδ与S4.3.1中的相似时刻历史样本序列的气象因素时刻特征向量Zhδ的相关性系数rδ,hδ。
其中，Zδ的表达式为
Figure BDA0001786439490000102
Zhδ的表达式为
Figure BDA0001786439490000103
相关性系数rδ,hδ的计算公式为：
Figure BDA0001786439490000104
其中，
Figure BDA0001786439490000105
S4.3.4：将相关性系数rδ,hδ按照由大到小进行排列，排名前d个时刻的气象因素时刻特征数据和历史功率数据作为训练样本集，训练BP神经网络功率预测模型。
S4.3.5：将异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)对应的气象因素时刻特征数据作为输入，输入S4.3.4训练完成的BP神经网络功率预测模型，得到对应的输出，即预测结果记做
Figure BDA0001786439490000111
并替代异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)。
S5：将修补后的数据插入队列中，生成小水电历史功率序列，完成数据修补。

Claims (7)

1.一种小水电数据采集系统中功率数据异常的处理方法，它包括：
S1:获取小水电的历史基础数据；
S2：通过小水电数据采集系统获取小水电历史功率数据；
S3：对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点；
S4：按照功率异常数据修补方法对小水电历史功率数据中的异常点数据进行修补；
所述按照功率异常数据修补方法对小水电历史功率数据中的异常点数据进行修补的方法为：
S4.1：当p＝0时，即x(i,k)＝x(i+p,k)，利用公式(3)中的
Figure FDA0003157407470000011
替代异常点x(i,k)，
Figure FDA0003157407470000012
为相邻两天同一时刻的功率数据；
Figure FDA0003157407470000013
S4.2：当1≤p＜θ时，利用最小二乘法中的
Figure FDA0003157407470000014
Figure FDA0003157407470000015
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)；θ大于1小于47；
S4.3：当θ≤p≤95时，利用相似日算法中的
Figure FDA0003157407470000016
Figure FDA0003157407470000017
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)；
式中：p为出现正常点前连续经历p个异常点，将第p个异常点记做x(i+p,k)；
S5：将修补后的数据插入队列中，生成小水电历史功率序列，完成数据修补。
2.根据权利要求1所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：S1所述小水电的历史基础数据包括气象数据、开停机数据和地理位置数据；所述气象数据包括小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述地理位置数据包括小水电的所属流域及地理位置数据。
3.根据权利要求1所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：S2所述通过小水电数据采集系统获取小水电历史功率数据为N天历史功率数据，每15分钟记录1个数据，每天有96个数据点；历史功率数据序列用x(i,k)表示，i＝1,2,...,95，96代表一天的96个时刻，k＝1,2,...,N代表N天的历史功率数据。
4.根据权利要求1所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：所述对小水电历史功率数据进行校验，找出小水电历史功率数据中的异常点和正常点的方法为：
S3.1：计算小水电历史功率数据的方差和均值；
利用式(1)求出96个时刻中每一时刻N天功率数据的和方差V(i)和均值E(i)
Figure FDA0003157407470000021
式中：x(i,k)表示历史功率数据序列，i＝1,2,...,95，96代表一天的96个时刻，k＝1,2,...,N，代表N天的历史功率数据；
S3.2：计算小水电历史功率数据的偏心率ρ(i,k)
按照式(2)计算小水电历史功率数据的偏心率ρ(i,k)
Figure FDA0003157407470000031
S3.3：利用小水电历史功率数据的偏心率ρ(i,k)，判断小水电历史功率数据中的异常数据。
5.根据权利要求4所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：步骤S3.3所述利用小水电历史功率数据的偏心率ρ(i,k)，判断小水电历史功率数据中的异常数据的方法为：
S3.3.1:设定偏心率超标的阈值为
Figure FDA0003157407470000032
S3.3.2:对小水电历史功率数据中的异常数据进行判断；
当ρ(i,k)小于偏心率超标阈值
Figure FDA0003157407470000033
时，则判断ρ(i,k)为正常点；
当ρ(i,k)大于等于偏心率超标阈值
Figure FDA0003157407470000034
时，则判断ρ(i,k)为异常点；
S3.3.3：当出现异常点x(i,k)时，继续判断，出现正常点前连续经历p个异常点，将第p个异常点记做x(i+p,k)，当出现正常点或当p＝95时停止判断。
6.根据权利要求1所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：S4.2所述的利用最小二乘法中的
Figure FDA0003157407470000035
Figure FDA0003157407470000036
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)的方法为：
S4.2.1：设集合
Figure FDA0003157407470000037
集合
Figure FDA0003157407470000041
Figure FDA0003157407470000042
取值在历史功率数据样本的1～(k-1)之间选取；
S4.2.2：构建最小二乘法的多项式拟合函数，其表达式为
Figure FDA0003157407470000043
n为拟合多项式的次数；
S4.2.3：求取最小二乘法的多项式系数a0,a1,a2,...,an；
a0,a1,a2,...,an由下式求取；
Figure FDA0003157407470000044
式中：m为数据组数，
Figure FDA0003157407470000045
且m＞n；
ξ和η的第j个数据分别记做ξj和ηj，且有1≤j≤m；
S4.2.4：将求得的a0,a1,a2,...,an代入
Figure FDA0003157407470000046
得到最小二乘法的多项式拟合函数；
S4.2.5：计算最小二乘法的多项式拟合函数的平方误差
Figure FDA0003157407470000047
计算公式为：
Figure FDA0003157407470000048
式中：将第τ个最小二乘法的多项式系统记做aτ，且有0≤τ≤n；
S4.2.6：判断最小二乘法的多项式拟合函数的平方误差
Figure FDA0003157407470000051
是否超过设定的平方误差阈值σ；
若最小二乘法的多项式拟合函数的平方误差
Figure FDA0003157407470000052
大于设定的平方误差阈值σ，则令n＝n-1，重新执行步骤S4.2.1～4.2.5；
若最小二乘法的多项式拟合函数的平方误差
Figure FDA0003157407470000053
小于设定的平方误差阈值σ，则进入S4.2.7；
S4.2.7：将ξ＝k代入
Figure FDA0003157407470000054
得到的
Figure FDA0003157407470000055
即为
Figure FDA0003157407470000056
并将其替换x(i,k)；
S4.2.8：异常点x(i+1,k),x(i+2,k),...,x(i+p-1,k),x(i+p,k)可以利用步骤S4.2.1-S4.2.7的实现替换。
7.根据权利要求1所述的一种小水电数据采集系统中功率数据异常的处理方法，其特征在于：S4.3所述当θ≤p≤95时，利用相似日算法中的
Figure FDA0003157407470000057
分别代替异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)的方法为：
S4.3.1：将正常点形成相似时刻历史样本序列，设含有γ个相似时刻历史样本；
S4.3.2：将构建的气象因素的时刻特征向量记做Z＝[T,P,H,Wd,Ws,Q]；气象因素包括温度T、气压P、湿度H、风向Wd、风速Ws和降雨量Q，
S4.3.3：计算异常点x(i,k)即待预测点对应的第i个到第i+p个时刻特征向量Zδ与S4.3.1中的相似时刻历史样本序列的气象因素时刻特征向量Zhδ的相关性系数rδ,hδ
Zδ的表达式为
Figure FDA0003157407470000061
Zhδ的表达式为
Figure FDA0003157407470000062
相关性系数rδ,hδ的计算公式为：
Figure FDA0003157407470000063
式中：
Figure FDA0003157407470000064
S4.3.4：将相关性系数rδ,hδ按照由大到小进行排列，排名前d个时刻的气象因素时刻特征数据和历史功率数据作为训练样本集，训练BP神经网络功率预测模型；
S4.3.5：将异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)对应的气象因素时刻特征数据作为输入，输入S4.3.4训练完成的BP神经网络功率预测模型，得到对应的输出，即预测结果记做
Figure FDA0003157407470000065
Figure FDA0003157407470000066
并替代异常点x(i,k),x(i+1,k),...,x(i+p-1,k),x(i+p,k)。
CN201811016729.2A 2018-09-03 2018-09-03 一种小水电数据采集系统中功率数据异常的方法 Active CN109101659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811016729.2A CN109101659B (zh) 2018-09-03 2018-09-03 一种小水电数据采集系统中功率数据异常的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811016729.2A CN109101659B (zh) 2018-09-03 2018-09-03 一种小水电数据采集系统中功率数据异常的方法

Publications (2)

Publication Number Publication Date
CN109101659A CN109101659A (zh) 2018-12-28
CN109101659B true CN109101659B (zh) 2021-08-27

Family

ID=64864767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811016729.2A Active CN109101659B (zh) 2018-09-03 2018-09-03 一种小水电数据采集系统中功率数据异常的方法

Country Status (1)

Country Link
CN (1) CN109101659B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978236B (zh) * 2019-03-04 2022-07-15 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN115088596B (zh) * 2022-07-05 2023-05-12 江苏经贸职业技术学院 一种基于物联网的农田灌溉系统及其控制方法
CN115577020B (zh) * 2022-12-07 2023-04-07 天津腾飞钢管有限公司 一种修磨周期能耗状态识别系统及识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447134A (zh) * 2016-11-04 2017-02-22 贵州电网有限责任公司电力科学研究院 一种小水电分类短期功率预测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198420A1 (en) * 2009-02-03 2010-08-05 Optisolar, Inc. Dynamic management of power production in a power system subject to weather-related factors
CN102496926B (zh) * 2011-12-16 2013-09-04 中国电力科学研究院 风电场功率预测输入数据的判断及处理方法
CN102914969B (zh) * 2012-09-28 2014-12-10 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN103390902B (zh) * 2013-06-04 2015-04-29 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103679288B (zh) * 2013-12-04 2017-04-12 华北电力大学 一种径流式小水电集群发电功率短期预测方法及预测系统
CN105701562B (zh) * 2016-01-05 2019-12-17 上海思源弘瑞自动化有限公司 训练方法、所适用的预测发电功率的方法及各自系统
CN106529718B (zh) * 2016-11-04 2019-11-05 贵州电网有限责任公司电力科学研究院 一种非径流式小水电短期功率加权预测方法
CN106779202B (zh) * 2016-12-08 2020-10-09 贵州电网有限责任公司电力科学研究院 一种考虑空气湿度的风电功率预测方法
CN107492890B (zh) * 2017-10-23 2019-02-15 云南电网有限责任公司临沧供电局 一种合环转供电控制参数的计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447134A (zh) * 2016-11-04 2017-02-22 贵州电网有限责任公司电力科学研究院 一种小水电分类短期功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
风电场输出功率异常数据识别与重构方法研究;朱倩雯等;《电力系统保护与控制》;20150126(第03期);全文 *
风电机组异常数据预处理的分类多模型算法;陈伟等;《电力系统及其自动化学报》;20180415(第04期);全文 *

Also Published As

Publication number Publication date
CN109101659A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
Wu et al. Probabilistic wind-power forecasting using weather ensemble models
Wu et al. A novel hybrid model for short‐term forecasting in PV power generation
Sangrody et al. Similarity-based models for day-ahead solar PV generation forecasting
CN110880789B (zh) 一种风电、光伏联合发电系统经济调度方法
CN109101659B (zh) 一种小水电数据采集系统中功率数据异常的方法
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN111695736B (zh) 一种基于多模型融合的光伏发电短期功率预测方法
JP6185206B1 (ja) 太陽光発電システムの異常または異常の予兆を検出するための方法及び装置
CN111950764B (zh) 一种极端天气条件电网风电功率预测修正方法
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN115036922B (zh) 一种分布式光伏发电电量预测方法及系统
Wang et al. Solar power prediction with data source weighted nearest neighbors
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Cattani Combining data envelopment analysis and Random Forest for selecting optimal locations of solar PV plants
Bandong et al. Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
Graditi et al. Machine Learning Applications for Renewable-Based Energy Systems
CN114444020A (zh) 一种针对电网杆塔点的气温预报订正系统
Fahim et al. Data-driven techniques for optimizing the renewable energy systems operations
CN117200223A (zh) 日前电力负荷预测方法和装置
CN117239735A (zh) 一种基于时空卷积的风电功率预测方法
CN107909096A (zh) 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法
Kim et al. Predicting 24-hours ahead photovoltaic power output using forecast information
Talayero et al. Diagnosis of failures in solar plants based on performance monitoring
CN112116127B (zh) 一种基于气象过程与功率波动关联的光伏功率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant