CN110058971A - 风电场scada数据缺失的智能修复方法 - Google Patents

风电场scada数据缺失的智能修复方法 Download PDF

Info

Publication number
CN110058971A
CN110058971A CN201910333761.1A CN201910333761A CN110058971A CN 110058971 A CN110058971 A CN 110058971A CN 201910333761 A CN201910333761 A CN 201910333761A CN 110058971 A CN110058971 A CN 110058971A
Authority
CN
China
Prior art keywords
data
unit data
auxiliary
missing
repaired
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.)
Granted
Application number
CN201910333761.1A
Other languages
English (en)
Other versions
CN110058971B (zh
Inventor
孙川
陈月仪
袁烨
唐秀川
丁汉
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.)
HUST Wuxi Research Institute
Original Assignee
HUST Wuxi Research Institute
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 HUST Wuxi Research Institute filed Critical HUST Wuxi Research Institute
Priority to CN201910333761.1A priority Critical patent/CN110058971B/zh
Publication of CN110058971A publication Critical patent/CN110058971A/zh
Application granted granted Critical
Publication of CN110058971B publication Critical patent/CN110058971B/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种风电场SCADA数据缺失的智能修复方法，包括以下步骤：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则对a和C进行标准化；对C进行基线补偿；对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；对多列机组数据D′进行中值滤波；对多列机组数据D′求每个时刻的均值。本发明能高效准确地对缺失数据进行智能修复，且效率高，鲁棒性强。

Description

风电场SCADA数据缺失的智能修复方法
技术领域
本发明涉及工业大数据领域，尤其是一种风电场SCADA数据缺失的智能修复方法。
背景技术
风能作为一种清洁的可再生能源，已经日益引起世界各国的注意，风力发电技术已趋于成熟。在大型的风电场中有几十台甚至上百台风力发电机组。由于风电场(尤其海上风电场)地处偏远，人工维护困难，风电场SCADA数据库系统运行过程中，SCADA能够远程获取风机运行状态数据，是风电场健康运行的保障。但是SCADA系统往往受到传感器失效、网络阻塞等各种因素的影响，导致数据的缺失。因此，为挽回由于数据缺失带来的损失，一种通过大数据分析，利用已知数据对缺失部分数据进行估计的方法显得尤为重要。
在已发表的风电场实测数据缺失相关的文献中，修复缺失数据主要方法有两种：一是采用时间序列法对风场风速数据进行预测和插补的方法，二是被广泛应用的机器学习KNN算法。前者是一种基于时间序列模型，充分利用缺失段前、后的有效实测数据，综合采用顺插和逆插方式插补出数据缺失段的方法。然而，基于时间序列的数据插补法，没有过多地考虑外界因素影响，当外界发生较大变化时，比如季节更替、天气变化，修复的数据往往会有较大偏差。而KNN方法最吸引人的特点之一在于，它易于理解也易于实现。其非参数的特性在遇到某些“不寻常”数据的情况下非常有优势。但KNN算法的一个明显缺点是，在分析大型数据集时会变得非常耗时，因为它会在整个数据集中搜索距离最小点。此外，在高维数据集中，最近与最远点之间的差别非常小，因此KNN的准确性会降低。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种风电场SCADA数据缺失的智能修复方法，能够对风机SCADA缺失数据进行修复，解决了现有方法修复精度低，计算量较大的问题。通过修复缺失数据，能够更准确的对风机异常情况进行预警，同时也有助于更准确的估计发电量。本发明采用的技术方案是：
一种风电场SCADA数据缺失的智能修复方法，包括以下步骤：
步骤S1，数据预处理：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；
步骤S2，计算辅助修复机组数据B与待修复机组数据a的互相关系数，选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；
步骤S3，判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则需要对待修复机组数据a和所有辅助修复机组数据C进行标准化，否则不需要进行标准化；
步骤S4，根据待修复机组数据a和辅助修复机组数据C的补偿基准，对C进行基线补偿；
步骤S5，若步骤S3中进行过标准化，则对待修复机组数据a和基线补偿后的辅助修复机组数据C反标准化还原；否则不需要反标准化还原；
步骤S6，对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；
步骤S7，对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；
步骤S8，对多列机组数据D′进行中值滤波；
步骤S9，对多列机组数据D′求每个时刻的均值，然后得到一列用于对待修复机组数据a进行修复的机组数据。
进一步地，步骤S1中，对采集的机组数据需要进行数据结构转换，数据结构转换方法为：将不同机组采集的同类传感器数据进行整合，相近的多个时刻融合成一个时刻。
进一步地，步骤S2中，选择与a相关性最大的多列辅助修复机组数据C的具体方法为：
对传感器采集的机组数据进行不同步数的移位从而抵消相位差，之后选择互相关系数最大的多列辅助修复机组数据C；
互相关系数计算公式如下：
其中，Rτ为互相关系数，τ为移位步数，X,Y分别为两列机组数据，μX,μY分别为两列机组数据的均值，σX,σY分别为两列机组数据的标准差。
进一步地，步骤S4中，将待修复机组数据a缺失段的两端作为a的补偿基准；将各辅助修复机组数据C中与a缺失段所对应数据段的两端，作为C的补偿基准；
对于机组数据缓慢变化的情况，计算待修复机组数据a缺失段的两端邻近点与辅助修复机组数据C与a缺失段对应段两端邻近点之差，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿；
邻近点选取方法：对于a缺失段即需要修复的数据段呈上升趋势，则选取a缺失段前端若干数据点中的最大值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最大值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点中的最小值作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最小值，作为C与a缺失段对应段后端的邻近点；
对于a缺失段即需要修复的数据段呈下降趋势，则选取a缺失段前端若干数据点中的最小值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最小值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点中的最大值，作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最大值作为C与a缺失段对应段后端的邻近点；
对于机组数据非缓慢变化的情况，分别对a缺失段两端各取若干数据点、C与a缺失段对应段两端各取若干数据点求均值，计算两者均值差，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿。
进一步地，步骤S6中，具体包括：求出待修复机组数据a缺失段前后各若干数据点与辅助修复机组数据C中相应数据点的平均绝对误差，选取误差最小的多列机组数据D。
进一步地，步骤S7具体为：对各列机组数据D每个时刻的数据进行排序，然后对排序后的数据按列重新组编成机组数据，对重新组编后的机组数据，去除其中的最小值列和最大值列，得到最接近均值的多列机组数据D′。
本发明的优点：本发明提供的方法与定量预测和插补方法相比，有更高的准确度；与时间序列分析方法相比，不易受外界因素影响；与KNN算法相比，具有更高的计算效率。本发明能高效准确地对缺失数据进行智能修复，且效率高，鲁棒性强；通过修复缺失数据，能够对风机机组异常情况进行预警，同时有助于更准确的估计发电量，辅助决策者制定发展战略，提高经济效益。
附图说明
图1为本发明的流程图。
图2为本发明的待修复机组数据a和与a相关性最大的多列辅助修复机组数据C的图形示意图。
图3为本发明的机组数据D进行组编筛选示意图。
图4为本发明的数据修复后的效果图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
一种风电场SCADA数据缺失的智能修复方法，包括以下步骤：
步骤S1，数据预处理：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；
一个风电场包含多个风机机组，每个机组包含多个传感器信号，由于同一风场的多个机组地理位置相近，因此机组间同类传感器采集的多个信号存在关联，称为横向相关，为了利用横向相关性对数据进行修复，需要先将数据转换成恰当的结构；
不同机组采集信号的时间不同步，影响机组间相关性挖掘；为解决这一问题，需进行数据结构转换，将多个相近的时刻融合成一个时刻，从而将多机组的同类传感器数据合并成一张表，行标题为机组序号，列标题为时间；从而解决了由于采集时刻的不同，无法将多机组数据整合成一张表的问题。表1中第一列机组数据示意性的表示为待修复机组数据，实际缺失的数据可能有数百个，示意性地显示10个缺失数据；表1中其余列均为辅助修复机组数据，已经剔除了其它大量连续缺失数据的机组，即不适合辅助修复的机组的数据；
time 1 2 3 4 5 6 7 8
0 405.37 405.02 403.99 404.33 403.99 404.16 403.64 404.68
1 405.02 405.02 403.99 403.64 403.82 403.99 403.64 404.68
2 404.51 404.85 403.99 403.3 403.64 403.99 403.64 404.51
3 405.2 404.51 403.99 403.82 403.99 404.16 403.64 404.51
4 405.2 404.51 404.51 403.82 404.33 404.51 403.64 404.85
5 404.68 404.51 404.16 403.64 403.64 404.16 404.16 404.85
6 404.68 404.51 404.16 403.82 404.16 403.99 403.3 404.16
7 404.33 404.68 404.16 403.82 403.99 403.64 403.3 404.51
8 404.16 403.99 403.64 404.16 403.99 404.33 403.64 404.85
9 404.68 404.16 404.16 403.99 404.51 404.33 403.64 404.16
10 404.68 404.16 403.64 404.33 404.16 403.99 404.16
11 403.82 403.64 403.82 403.99 403.64 404.16 403.99
12 403.99 404.51 404.16 404.16 403.99 403.64 404.16
13 403.64 404.33 403.3 404.16 403.64 403.64 404.33
14 404.33 403.64 403.64 403.64 403.3 403.64 404.51
15 404.51 404.33 404.16 403.99 403.82 404.33 404.16
16 403.99 403.82 403.64 404.16 404.33 403.82 404.33
17 403.64 403.3 403.64 403.99 403.99 403.47 403.64
18 403.64 407.1 407.1 407.1 407.1 407.44 407.27
19 407.61 407.44 407.61 407.61 407.44 407.1 407.27
20 407.79 407.44 407.27 407.1 407.44 407.44 407.1 407.61
21 408.3 407.61 406.41 407.27 407.61 407.79 407.1 407.27
22 407.27 407.1 407.1 407.61 407.1 407.96 407.27 407.44
23 407.61 407.1 406.41 407.1 406.92 407.44 406.58 407.1
表1
步骤S2，计算辅助修复机组数据B与待修复机组数据a的互相关系数，选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；
此处计算互相关系数时，对传感器采集的机组数据进行不同步数的移位从而抵消相位差，之后选择互相关系数最大的多列辅助修复机组数据C；
互相关系数计算公式如下：
其中，Rτ为互相关系数，τ为移位步数，X,Y分别为两列机组数据，μX,μY分别为两列机组数据的均值，σX,σY分别为两列机组数据的标准差；
图2中，横坐标为机组数据的时间，纵坐标为机组数据的值；为了显示图2和待修复机组数据a原来的图形和图4中修复后的图形的对比，图2中未在待修复机组数据a中挖去缺失段，特此说明；
步骤S3，判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则需要对待修复机组数据a和所有辅助修复机组数据C进行标准化，否则不需要进行标准化；
步骤S4，根据待修复机组数据a和辅助修复机组数据C的补偿基准，对C进行基线补偿；
由于不同机组传感器采集数据的基线可能不同，存在基线差，因此需要对辅助修复机组数据C进行基线补偿；
将待修复机组数据a缺失段的两端作为a的补偿基准；将各辅助修复机组数据C中与a缺失段所对应数据段的两端，作为C的补偿基准；
对于机组数据缓慢变化的情况，计算待修复机组数据a缺失段的两端邻近点与辅助修复机组数据C与a缺失段对应段两端邻近点之差，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿；
邻近点选取方法：对于a缺失段即需要修复的数据段呈上升趋势，则选取a缺失段前端若干数据点(例如100个数据点)中的最大值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最大值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点(例如100个数据点)中的最小值，作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最小值作为C与a缺失段对应段后端的邻近点；
对于a缺失段即需要修复的数据段呈下降趋势，则选取a缺失段前端若干数据点(例如100个数据点)中的最小值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最小值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点(例如100个数据点)中的最大值，作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最大值作为C与a缺失段对应段后端的邻近点；
求出a缺失段、C与a缺失段对应段的前端两个临近点的差值，同样，求出后端两个临近点的差值；
对于机组数据非缓慢变化的情况(变化较剧烈)，
将待修复机组数据a缺失段的两端作为a的补偿基准；将各辅助修复机组数据C中与a缺失段所对应数据段的两端，作为C的补偿基准；
对于a缺失段两端各取若干数据点(例如100个数据点)求均值，对于C与a缺失段对应段两端各取若干数据点(例如100个数据点)求均值，计算两者均值差(即一端的均值差，另一端的均值差)，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿。
步骤S5，若步骤S3中进行过标准化，则对待修复机组数据a和基线补偿后的辅助修复机组数据C反标准化还原；否则不需要反标准化还原；
步骤S6，对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；
具体为，求出待修复机组数据a缺失段前后各若干数据点(例如各100个数据点)与辅助修复机组数据C中相应数据点(指对应时刻的数据点)的平均绝对误差，选取误差最小的多列机组数据D；
步骤S7，对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；具体为：
对各列机组数据D每个时刻的数据进行排序，然后对排序后的数据按列重新组编成机组数据，对重新组编后的机组数据，去除其中的最小值列和最大值列，得到最接近均值的多列机组数据D′；如图3所示；
步骤S8，对多列机组数据D′进行中值滤波，以降低噪声干扰；
步骤S9，对多列机组数据D′求每个时刻的均值，然后得到一列用于对待修复机组数据a进行修复的机组数据。
根据待修复机组数据a缺失段中的每个时刻，对应到步骤S9中最后得到的机组数据，从中找到对应的数值即可修复缺失段。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种风电场SCADA数据缺失的智能修复方法，其特征在于，包括以下步骤：
步骤S1，数据预处理：对于待修复机组数据a，选出相应的多列辅助修复机组数据B；
步骤S2，计算辅助修复机组数据B与待修复机组数据a的互相关系数，选择辅助修复机组数据B中与a相关性最大的多列辅助修复机组数据C；
步骤S3，判断待修复机组数据a和所述多列辅助修复机组数据C的方差差异，若超过设定阈值则需要对待修复机组数据a和所有辅助修复机组数据C进行标准化，否则不需要进行标准化；
步骤S4，根据待修复机组数据a和辅助修复机组数据C的补偿基准，对C进行基线补偿；
步骤S5，若步骤S3中进行过标准化，则对待修复机组数据a和基线补偿后的辅助修复机组数据C反标准化还原；否则不需要反标准化还原；
步骤S6，对于以上步骤得到的辅助修复机组数据C，选择C中与待修复机组数据a平均绝对误差最小的多列机组数据D；
步骤S7，对上述多列机组数据D进行组编筛选，得到最接近均值的多列机组数据D′；
步骤S8，对多列机组数据D′进行中值滤波；
步骤S9，对多列机组数据D′求每个时刻的均值，然后得到一列用于对待修复机组数据a进行修复的机组数据。
2.如权利要求1所述的风电场SCADA数据缺失的智能修复方法，其特征在于，
步骤S1中，对采集的机组数据需要进行数据结构转换，数据结构转换方法为：将不同机组采集的同类传感器数据进行整合，相近的多个时刻融合成一个时刻。
3.如权利要求1所述的风电场SCADA数据缺失的智能修复方法，其特征在于，
步骤S2中，选择与a相关性最大的多列辅助修复机组数据C的具体方法为：
对传感器采集的机组数据进行不同步数的移位从而抵消相位差，之后选择互相关系数最大的多列辅助修复机组数据C；
互相关系数计算公式如下：
其中，Rτ为互相关系数，τ为移位步数，X,Y分别为两列机组数据，μX,μY分别为两列机组数据的均值，σX,σY分别为两列机组数据的标准差。
4.如权利要求1所述的风电场SCADA数据缺失的智能修复方法，其特征在于，
步骤S4中，将待修复机组数据a缺失段的两端作为a的补偿基准；将各辅助修复机组数据C中与a缺失段所对应数据段的两端，作为C的补偿基准；
对于机组数据缓慢变化的情况，计算待修复机组数据a缺失段的两端邻近点与辅助修复机组数据C与a缺失段对应段两端邻近点之差，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿；
邻近点选取方法：对于a缺失段即需要修复的数据段呈上升趋势，则选取a缺失段前端若干数据点中的最大值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最大值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点中的最小值作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最小值，作为C与a缺失段对应段后端的邻近点；
对于a缺失段即需要修复的数据段呈下降趋势，则选取a缺失段前端若干数据点中的最小值作为a缺失段前端的邻近点，辅助修复机组数据C与a缺失段对应段的前端若干数据点中的最小值，作为C与a缺失段对应段前端的邻近点；选取a缺失段后端若干数据点中的最大值，作为a缺失段后端的邻近点，辅助修复机组数据C与a缺失段对应段的后端若干数据点中的最大值作为C与a缺失段对应段后端的邻近点；
对于机组数据非缓慢变化的情况，分别对a缺失段两端各取若干数据点、C与a缺失段对应段两端各取若干数据点求均值，计算两者均值差，对待修复机组数据a缺失段中间时刻进行线性插补，所得到的序列与相应的辅助修复机组数据C相加，实现补偿。
5.如权利要求1所述的风电场SCADA数据缺失的智能修复方法，其特征在于，
步骤S6中，具体包括：求出待修复机组数据a缺失段前后各若干数据点与辅助修复机组数据C中相应数据点的平均绝对误差，选取误差最小的多列机组数据D。
6.如权利要求1所述的风电场SCADA数据缺失的智能修复方法，其特征在于，
步骤S7具体为：对各列机组数据D每个时刻的数据进行排序，然后对排序后的数据按列重新组编成机组数据，对重新组编后的机组数据，去除其中的最小值列和最大值列，得到最接近均值的多列机组数据D′。
CN201910333761.1A 2019-04-24 2019-04-24 风电场scada数据缺失的智能修复方法 Active CN110058971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910333761.1A CN110058971B (zh) 2019-04-24 2019-04-24 风电场scada数据缺失的智能修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910333761.1A CN110058971B (zh) 2019-04-24 2019-04-24 风电场scada数据缺失的智能修复方法

Publications (2)

Publication Number Publication Date
CN110058971A true CN110058971A (zh) 2019-07-26
CN110058971B CN110058971B (zh) 2023-04-18

Family

ID=67320477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910333761.1A Active CN110058971B (zh) 2019-04-24 2019-04-24 风电场scada数据缺失的智能修复方法

Country Status (1)

Country Link
CN (1) CN110058971B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806351A (zh) * 2021-11-19 2021-12-17 国能信控互联技术有限公司 一种火电机组发电数据异常值处理方法及装置
CN118445556A (zh) * 2024-07-08 2024-08-06 湖南大学 一种基于多重相关性学习的风电场scada数据修复方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050193244A1 (en) * 2004-02-04 2005-09-01 Alacritus, Inc. Method and system for restoring a volume in a continuous data protection system
CN107577649A (zh) * 2017-09-26 2018-01-12 广州供电局有限公司 缺失数据的插补处理方法及装置
US20180068033A1 (en) * 2016-09-08 2018-03-08 Indian Institute Of Technology Bombay Method for imputing missed data in sensor data sequence with missing data
CN108629119A (zh) * 2018-05-08 2018-10-09 安徽大学 一种时序modis定量遥感产品时空修复及批处理实现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050193244A1 (en) * 2004-02-04 2005-09-01 Alacritus, Inc. Method and system for restoring a volume in a continuous data protection system
US20180068033A1 (en) * 2016-09-08 2018-03-08 Indian Institute Of Technology Bombay Method for imputing missed data in sensor data sequence with missing data
CN107577649A (zh) * 2017-09-26 2018-01-12 广州供电局有限公司 缺失数据的插补处理方法及装置
CN108629119A (zh) * 2018-05-08 2018-10-09 安徽大学 一种时序modis定量遥感产品时空修复及批处理实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINGYING ZHAO等: ""Fault prognosis of wind turbine generator using SCADA data"", 《2016 NORTH AMERICAN POWER SYMPOSIUM (NAPS)》 *
牛瑞等: ""SCADA系统异常数据分析及治理建议"", 《电网与清洁能源》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806351A (zh) * 2021-11-19 2021-12-17 国能信控互联技术有限公司 一种火电机组发电数据异常值处理方法及装置
CN113806351B (zh) * 2021-11-19 2022-04-19 国能信控互联技术有限公司 一种火电机组发电数据异常值处理方法及装置
CN118445556A (zh) * 2024-07-08 2024-08-06 湖南大学 一种基于多重相关性学习的风电场scada数据修复方法
CN118445556B (zh) * 2024-07-08 2024-09-13 湖南大学 一种基于多重相关性学习的风电场scada数据修复方法

Also Published As

Publication number Publication date
CN110058971B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN105719259A (zh) 路面裂缝图像检测方法
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
CN110659693B (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及介质
CN100367620C (zh) 基于混成状态估计的电力网络拓扑错误辨识方法
CN110058971A (zh) 风电场scada数据缺失的智能修复方法
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN111709454B (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN106155985B (zh) 一种基于相邻数据特征的数据缺失填充方法
CN106203741B (zh) 用于电网负荷预测的多元异质数据清洗方法
CN112686971A (zh) 建筑系统关系拓扑无向图有向化方法和系统
CN118114083B (zh) 基于大数据的学生学业表现预测方法
CN114153888A (zh) 一种时间序列数据的异常值检测方法和装置
CN115327425B (zh) 基于统计的锂电池储能电站的多级异常检测方法及系统
CN113095367A (zh) 一种基于深度强化学习的压缩机故障诊断方法
CN113887119B (zh) 一种基于sarima-lstm的河流水质预测方法
CN117092980B (zh) 一种基于大数据的电气故障检测控制系统
CN111625992B (zh) 一种基于自调优深度学习的机械故障预测方法
CN112461340A (zh) 水位仪的故障纠正、检测方法及装置
CN113554079B (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
KR20210097613A (ko) 수요관리 자원 최적화를 위한 전력사용량 예측 시스템
CN110070132A (zh) 风电场scada系统缺失数据修复结果的修正补偿方法
CN116304949A (zh) 一种能耗历史数据的校准方法
CN115564139A (zh) 基于能值评估的能源系统运行状态优化方法及装置
CN109388845A (zh) 基于反向学习与增强复杂进化的光伏阵列参数提取方法
CN115481115A (zh) 一种冗余数据清洗方法、装置、设备及介质

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