CN111291032A - 一种组合型风电场数据清洗方法 - Google Patents
一种组合型风电场数据清洗方法 Download PDFInfo
- Publication number
- CN111291032A CN111291032A CN202010076122.4A CN202010076122A CN111291032A CN 111291032 A CN111291032 A CN 111291032A CN 202010076122 A CN202010076122 A CN 202010076122A CN 111291032 A CN111291032 A CN 111291032A
- Authority
- CN
- China
- Prior art keywords
- data
- wind speed
- power
- wind
- range
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004140 cleaning Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 20
- 239000006185 dispersion Substances 0.000 claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种组合型风电场数据清洗方法，包括步骤：步骤S1：采集风电原始数据，并采用加权最小二乘法拟合出风速‑功率散点图中心线曲线；步骤S2：考虑主要影响因素下的仿射算术得出风速变化范围；步骤S3：通过考虑风力发电物理特性的函数映射关系得出功率值的分散区间范围，并求得功率分散区间范围的包络线，以包络线为范围判断并剔除异常数据点；步骤S4：针对剩余数据集按风速进行区间划分；步骤S5：遍历所有区间，取四分位内限进一步剔除剩余异常数据，将将清洗后的数据区间进行组合得到干净的风速‑功率数据集。本发明能够在考虑实际工程背景的情况下，提高对异常数据检测剔除的覆盖度和准确度。
Description
技术领域
本发明涉及风力发电技术领域，特别是一种组合型风电场数据清洗方法。
背景技术
风力发电具有波动性和间歇性，这种不确定性对电力系统的稳定运行造成了巨大的挑战。对风电场海量原始数据进行数据挖掘和功率预测可以提高风电出力的预见性。然而，由于电场运行时机组弃风、检修、极端天气情况、外界电磁干扰或设备故障等原因，导致原始数据中存在大量不完整和异常的数据，这种数据缺失和异常的情况会在数据传输过程中变得更加严重。不良数据严重影响了风电机组性能和运行状况的评估，无法为风电场的经济安全运行和优化策略提供数据支撑。数据清洗可以检测风电机组原始数据中存在的异常值和缺失值，并对异常值进行剔除，对缺失值进行重构，能够有效提高数据质量，是数据预处理中的一项重要工作。
然而当前存在的数据清洗方法难以满足清洗覆盖度和准确度两方面的要求。
目前最常用的风电数据清洗方法主要有两种：一种是针对数据本身的统计特性去判断数据是否异常，另一种是使用基于密度或距离的智能算法去检测离群点。
图1为风速-功率散点图，按照数据点在图中的分布特征，异常数据可分为四类，分别为底部、中部、上部堆积型异常数据和分散性异常数据。其中上方的堆积型异常数据通常由于通讯错误、传感器失灵或测量设备故障导致，例如，监测风速时可能会出现故障或延迟的现象，导致数据记录不合实际；中部的堆积型异常数据通常因为弃风限电造成，其异常数据在曲线中表现为一条或多条横向的数据带；分散型异常数据通常由于气象波动，信号传播噪音等随机情况造成，导致异常数据在正常值附近随机波动；下方堆积型异常数据的主要特征为一段时间内预测变量不为0但是功率为0或接近于0，通常由机组故障，停机检修等原因造成。
基于统计学的清洗方法中主流的方法有3sigma法和四分位法。其中3sigma法需要提前假设数据服从正态分布，分布在(μ-3σ，μ+3σ)中的数据的概率为99.73％，而分布在距离平均值3σ之外的数据的概率不到0.3％，属于极小概率事件，其中σ为标准差，μ为平均值。因此在3σ原则下，将超过3倍的标准差的数据值视为异常值。但是实际风力发电数据并不严格服从正态分布，导致识别出的异常点较少。在使用四分位法进行数据清洗时，四分位的异常值内限会受到曲线下方大量堆积异常数据的影响，导致识别效果变差。
基于密度或距离的离群点检测智能算法有支持向量机法、K最近邻聚类算法、组内最优方差法、离群点检测算法等。这些算法需要大量的原始数据进行训练，有计算速度慢且鲁棒性不强等显著的缺点。
值得注意的是，上述传统的数据清洗方法都忽略了实际工程中风电出力的物理特性，缺乏对风电工程的针对性，得出的结果可能会导致数据的误识别，与实际工程数值之间产生较大的偏差，使风电数据清洗的准确度和工程意义大打折扣。
发明内容
有鉴于此，本发明的目的是提出一种组合型风电场数据清洗方法，结合实际工程中风电出力的物理特性，提出仿射算法-四分位法的组合数据清洗方法，将两种方法优势互补，能够在考虑实际工程背景的情况下，提高对异常数据检测剔除的覆盖度和准确度。
本发明采用以下方案实现：一种组合型风电场数据清洗方法，包括以下步骤：
步骤S1：采集风电原始数据，并采用加权最小二乘法拟合出风速-功率散点图中心线曲线f(v0)；
步骤S2：考虑主要影响因素下的仿射算术得出风速变化范围；
步骤S3：通过考虑风力发电物理特性的函数映射关系得出功率值的分散区间范围，并求得功率分散区间范围的包络线，以包络线为范围判断并剔除异常数据点；
步骤S4：针对剩余数据集按风速进行区间划分；
步骤S5：遍历所有区间，取四分位内限进一步剔除剩余异常数据，将将清洗后的数据区间进行组合得到干净的风速-功率数据集。
进一步地，步骤S2具体为：将风速预报误差和地形差异作为噪声元，得到风速的仿射区间如下：
式中，v0为预报风速，ε1、ε2为预报风速和地形差异引入的噪声元，x1、x2为相应噪声元的系数。
进一步地，噪声元系数ε1为预报风速和实测风速的标准差，噪声元系数ε2为每台机组的平均风速与整个风电场的年平均风速的标准差。
进一步地，步骤S3具体为：
步骤S31：以风电场输入风速范围为自变量，建立风速-功率的仿射函数，其中风电功率表示为：
式中，
为风电场输出功率的分散区间范围；
步骤S32：基于泰勒展开对函数进行运算：
式中，ε3为影响风速误差的其他因素和泰勒展开时原有噪声元的高次项；
步骤S33：整理后得到功率的仿射中心值和分散区间范围，将其边缘相连，得到上下两条有关风速-功率的包络线，包围的区域为一条带状区域，区域外的数据点认为是不符合风力发电物理特性的数据点，即异常点，剔除异常点。
进一步地，步骤S4具体为：将剩余数据集中的数据以0.5个单位的风速进行划分，分成40个区间，每个区间内的数据按照功率的升序进行排列。
进一步地，步骤S5具体包括以下步骤：
步骤S51：针对每个区间，将功率升序的剩余数据集平均划分为四部分，其中Q1为下四分位数，Q2为中位数，Q3为上四分位数；通过四分位数求得四分位数间距IQR，即上四分位数与下四分位数之差：
IQR＝Q3-Q1；
步骤S52：令四分位内限为：
[F1,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]；
将超出上述内限的数据剔除；
步骤S53：将所有区间均通过步骤S51-步骤S52的处理，将处理后的区间组合起来，得到清洗后的风速-功率数据集。
与现有技术相比，本发明有以下有益效果：
1、本发明结合了风电场风力发电的自身物理特性，提高了数据清洗对风电工程的针对性，更具工程价值且不会导致正常数据的误识别。
2、本发明采用组合算法弥补了仿射算法数据清洗时精度较低的问题，有效检测并剔除了离曲线较近的分散型数据。
3、本发明采用组合算法弥补了四分位法易受到底部堆积型异常数据影响的缺陷。
4、本发明在提高清洗精度的同时，不需要进行大量的数据训练，大幅提高了数据清洗和功率预测的速度。
附图说明
图1为现有技术中的风速-功率散点图。
图2为本发明实施例的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图2所示，本实施例提供了一种组合型风电场数据清洗方法，包括以下步骤：
步骤S1：采集风电原始数据，并采用加权最小二乘法拟合出风速-功率散点图中心线曲线f(v0)；不受异常点的影响的情况下可以反应出风电数据分布的中心位置，之后求出它的一阶导数f'(v0)和二阶导数f”(v0)为后续求解泰勒展开式做准备。
步骤S2：考虑主要影响因素下的仿射算术得出风速变化范围；
风电机组中风速和输出功率会在分散在一定的区间范围内，该物理现象可以用仿射算术表示。影响风速的不确定来源有气象因素和地理因素，其中最主要的因素为风速预报误差和地形差异。所以在求取风速的变化区间时，步骤S2具体为：将风速预报误差和地形差异作为噪声元，得到风速的仿射区间如下：
式中，v0为预报风速，ε1、ε2为预报风速和地形差异引入的噪声元，x1、x2为相应噪声元的系数。为考虑其实际工程价值，使数据清洗更有针对性，噪声元系数是通过实际工程数据求得。
在本实施例中，噪声元系数ε1为预报风速和实测风速的标准差，噪声元系数ε2为每台机组的平均风速与整个风电场的年平均风速的标准差。
步骤S3：通过考虑风力发电物理特性的函数映射关系得出功率值的分散区间范围，并求得功率分散区间范围的包络线，以包络线为范围判断并剔除异常数据点；
步骤S3具体为：
步骤S31：以风电场输入风速范围为自变量，建立风速-功率的仿射函数，其中风电功率表示为：
式中，
为风电场输出功率的分散区间范围；通过将仿射
直接计算到仿射
可以掌握
的变化范围，也能保留不确定性影响因素对
的关联关系。
步骤S32：基于泰勒展开对函数进行运算：
式中，ε3为影响风速误差的其他因素和泰勒展开时原有噪声元的高次项；
步骤S33：整理后得到功率的仿射中心值和分散区间范围，将其边缘相连，得到上下两条有关风速-功率的包络线，包围的区域为一条带状区域，区域外的数据点认为是不符合风力发电物理特性的数据点，即异常点，剔除异常点。
步骤S4：针对剩余数据集按风速进行区间划分；前三步基于物理特性的仿射算法得到了风电功率的区间分散范围，形成了一条带状区域，在此，剔除带状区域包络线外的异常数据，包括底部堆积数据、中部弃风数据和少部分上方的通讯错误数据。剩余数据中的异常数据主要为距离风速-功率曲线较近的分散型异常数据和大部分通讯错误数据。步骤S4具体为：将剩余数据集中的数据以0.5个单位的风速进行划分，分成40个区间，每个区间内的数据按照功率的升序进行排列。
步骤S5：遍历所有区间，取四分位内限进一步剔除剩余异常数据，将将清洗后的数据区间进行组合得到干净的风速-功率数据集。
步骤S5具体包括以下步骤：
步骤S51：针对每个区间，将功率升序的剩余数据集平均划分为四部分，其中Q1为下四分位数，即全部数据中有四分之一数据取值比它小；Q2为中位数，Q3为上四分位数，即全部数据中有四分之一数据取值比它大；通过四分位数求得四分位数间距IQR，即上四分位数与下四分位数之差：
IQR＝Q3-Q1；
步骤S52：令四分位内限为：
[F1,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]；
将超出上述内限的数据剔除；
步骤S53：将所有区间均通过步骤S51-步骤S52的处理，将处理后的区间组合起来，得到清洗后的风速-功率数据集。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (6)
1.一种组合型风电场数据清洗方法，其特征在于，包括以下步骤：
步骤S1：采集风电原始数据，并采用加权最小二乘法拟合出风速-功率散点图中心线曲线f(v0)；
步骤S2：考虑主要影响因素下的仿射算术得出风速变化范围；
步骤S3：通过考虑风力发电物理特性的函数映射关系得出功率值的分散区间范围，并求得功率分散区间范围的包络线，以包络线为范围判断并剔除异常数据点；
步骤S4：针对剩余数据集按风速进行区间划分；
步骤S5：遍历所有区间，取四分位内限进一步剔除剩余异常数据，将将清洗后的数据区间进行组合得到干净的风速-功率数据集。
2.根据权利要求1所述的一种组合型风电场数据清洗方法，其特征在于，步骤S2具体为：将风速预报误差和地形差异作为噪声元，得到风速的仿射区间如下：
式中，v0为预报风速，ε1、ε2为预报风速和地形差异引入的噪声元，x1、x2为相应噪声元的系数。
3.根据权利要求2所述的一种组合型风电场数据清洗方法，其特征在于，噪声元系数ε1为预报风速和实测风速的标准差，噪声元系数ε2为每台机组的平均风速与整个风电场的年平均风速的标准差。
4.根据权利要求1所述的一种组合型风电场数据清洗方法，其特征在于，步骤S3具体为：
步骤S31：以风电场输入风速范围为自变量，建立风速-功率的仿射函数，其中风电功率表示为：
式中，
为风电场输出功率的分散区间范围；
步骤S32：基于泰勒展开对函数进行运算：
式中，ε3为影响风速误差的其他因素和泰勒展开时原有噪声元的高次项；
步骤S33：整理后得到功率的仿射中心值和分散区间范围，将其边缘相连，得到上下两条有关风速-功率的包络线，包围的区域为一条带状区域，区域外的数据点认为是不符合风力发电物理特性的数据点，即异常点，剔除异常点。
5.根据权利要求1所述的一种组合型风电场数据清洗方法，其特征在于，步骤S4具体为：将剩余数据集中的数据以0.5个单位的风速进行划分，分成40个区间，每个区间内的数据按照功率的升序进行排列。
6.根据权利要求1所述的一种组合型风电场数据清洗方法，其特征在于，步骤S5具体包括以下步骤：
步骤S51：针对每个区间，将功率升序的剩余数据集平均划分为四部分，其中Q1为下四分位数，Q2为中位数，Q3为上四分位数；通过四分位数求得四分位数间距IQR，即上四分位数与下四分位数之差：
IQR＝Q3-Q1；
步骤S52：令四分位内限为：
[F1,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]；
将超出上述内限的数据剔除；
步骤S53：将所有区间均通过步骤S51-步骤S52的处理，将处理后的区间组合起来，得到清洗后的风速-功率数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010076122.4A CN111291032A (zh) | 2020-01-23 | 2020-01-23 | 一种组合型风电场数据清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010076122.4A CN111291032A (zh) | 2020-01-23 | 2020-01-23 | 一种组合型风电场数据清洗方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111291032A true CN111291032A (zh) | 2020-06-16 |
Family
ID=71029945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010076122.4A Pending CN111291032A (zh) | 2020-01-23 | 2020-01-23 | 一种组合型风电场数据清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291032A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
| CN112632749A (zh) * | 2020-11-24 | 2021-04-09 | 华能国际电力股份有限公司 | 一种风力发电机发电性能的评价方法及装置 |
| CN112950403A (zh) * | 2021-01-29 | 2021-06-11 | 上海电气风电集团股份有限公司 | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 |
| CN113236508A (zh) * | 2021-05-31 | 2021-08-10 | 浙江运达风电股份有限公司 | 一种用于风力发电机组风速-功率异常数据检测的方法 |
| CN114020729A (zh) * | 2021-10-21 | 2022-02-08 | 明阳智慧能源集团股份公司 | 一种基于风机功率曲线的风电场功率数据清洗方法 |
| CN117235449A (zh) * | 2023-11-14 | 2023-12-15 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于sigmoid曲线及双包络算法的风电功率异常数据处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104819107A (zh) * | 2015-05-13 | 2015-08-05 | 北京天源科创风电技术有限责任公司 | 一种风电机组功率曲线异常漂移的诊断方法及系统 |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN107657116A (zh) * | 2017-09-26 | 2018-02-02 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
-
2020
- 2020-01-23 CN CN202010076122.4A patent/CN111291032A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN104819107A (zh) * | 2015-05-13 | 2015-08-05 | 北京天源科创风电技术有限责任公司 | 一种风电机组功率曲线异常漂移的诊断方法及系统 |
| CN107657116A (zh) * | 2017-09-26 | 2018-02-02 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵振国等: "基于实测数据的风电场风速-功率特性仿射建模方法", 《电力自动化设备》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
| CN111950764B (zh) * | 2020-07-03 | 2024-03-22 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
| CN112632749A (zh) * | 2020-11-24 | 2021-04-09 | 华能国际电力股份有限公司 | 一种风力发电机发电性能的评价方法及装置 |
| CN112632749B (zh) * | 2020-11-24 | 2023-08-15 | 华能国际电力股份有限公司 | 一种风力发电机发电性能的评价方法及装置 |
| CN112950403A (zh) * | 2021-01-29 | 2021-06-11 | 上海电气风电集团股份有限公司 | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 |
| CN113236508A (zh) * | 2021-05-31 | 2021-08-10 | 浙江运达风电股份有限公司 | 一种用于风力发电机组风速-功率异常数据检测的方法 |
| CN114020729A (zh) * | 2021-10-21 | 2022-02-08 | 明阳智慧能源集团股份公司 | 一种基于风机功率曲线的风电场功率数据清洗方法 |
| CN117235449A (zh) * | 2023-11-14 | 2023-12-15 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于sigmoid曲线及双包络算法的风电功率异常数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291032A (zh) | 一种组合型风电场数据清洗方法 | |
| CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN108443088B (zh) | 一种基于累计概率分布的风电机组状态判定方法 | |
| CN103631681B (zh) | 一种在线修复风电场异常数据的方法 | |
| CN104819107B (zh) | 一种风电机组功率曲线异常漂移的诊断方法及系统 | |
| Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
| CN107134978A (zh) | 一种发电量曲线判别光伏组件故障的方法 | |
| Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
| CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
| CN111080074B (zh) | 基于网络多特征关联的系统服役安全态势要素获取方法 | |
| CN113236508B (zh) | 一种用于风力发电机组风速-功率异常数据检测的方法 | |
| CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
| CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
| CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
| CN111445674B (zh) | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 | |
| CN117787698A (zh) | 基于供电范围最大化的微网风险评估方法及系统 | |
| CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
| CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
| Wu et al. | A combined algorithm for data cleaning of wind power scatter diagram considering actual engineering characteristics | |
| CN101923605B (zh) | 铁路防灾风预警方法 | |
| CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
| CN115456440A (zh) | 分布式光伏电站发电特性的评估方法、装置及系统 | |
| Sarquis Filho et al. | Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data | |
| CN112883019A (zh) | 数据处理方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |