CN114417918A - 一种风电场信号特征提取及去噪优化数据的方法 - Google Patents
一种风电场信号特征提取及去噪优化数据的方法 Download PDFInfo
- Publication number
- CN114417918A CN114417918A CN202111667924.3A CN202111667924A CN114417918A CN 114417918 A CN114417918 A CN 114417918A CN 202111667924 A CN202111667924 A CN 202111667924A CN 114417918 A CN114417918 A CN 114417918A
- Authority
- CN
- China
- Prior art keywords
- signal
- power plant
- wind power
- points
- analytic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据处理技术领域,尤其涉及一种风电场信号特征提取及去噪优化数据的方法。包括:步骤1.获取风电场测量信号参数;步骤2.获取测量信号中EEMD参数;步骤3.根据所测量得到的信号参数建立白噪声聚类经验法的希尔伯特‑黄变换模型;步骤4.解析得到信号确定滤波窗长度;步骤5.将解析信号进行取样点个数m;步骤6.设置迭代次数K;步骤7.计算解析信号采样点各点的导数值及平均值;步骤8.计算解析信号滤波窗内各点权值对各个信号点进行去噪;步骤9.迭代K次;步骤10.得到精准风电场解析信号特征值。本发明能够有效和准确的进行风电场的信号特征提取及去噪优化,易于实施,具有广阔的市场应用前景。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种风电场信号特征提取及去噪优化数据的方法,特别涉及一种基于白噪声聚类经验法(EEMD)的希尔伯特-黄变换(HHT)对测量数据进行特征提取再通过高斯滤波的自适应去噪的方法。
背景技术
当前电力系统发展主要集中于发展无污染可再生新能源。利用新能源发电的方式主要有:风力发电、太阳能发电、潮汐能发电、燃料电池等技术,以及配合这些技术的超级电容、蓄电池组等先进的储能技术。而新能源发电具有明显的优势:位置条件要求不高、装置地点灵活、可分散布点等特点,可以较好地适应资源不集中的特点;与传统模式相比,不但降低了能源运输成本,还减少了输电线路的电能损耗;新能源的接入可以提高供电可靠性,保证局部地区居民的最小电力供应和基本生活需要,成为大电网的有效补充。然而新能源在具有无污染、可再生等优点的同时,也存在很多缺点,例如能量输出不稳定、密度低等问题,风机发电、光伏发电的发电量受环境影响较为明显。
在新能源场站接入电网时,还会给电力系统带来不同程度的冲击危害,如风机发出的功率,很大程度上依赖于风速,但是风速是时刻不停的变化,因此风机并网要时刻根据风速的变化来调整自己的控制,最终以获得最大的风能输出为目的;太阳能发电主要受到外界的温度和光照的强度影响,外界温度的变化比较平缓,然而光照的强度却有可能变化剧烈,特别是在天气不是很晴朗的环境下,光伏发电变化也会比较剧烈,因此,以风力发电、光伏发电为主要代表的间歇式新能源发电系统,它们的功率输出一般都是随机波动性的,不但对电力系统稳定性会产生不利影响,也对原有电网安全运行构成威胁。
当前发电厂的性能评价、运行优化和系统建模需要获得稳态工况下的历史数据,而目前主要采用现场实验来获得样本数据。随着数据采集技术日趋完善以及数据挖掘方法的飞速发展,对海量实测数据进行深入的分析研究成为新能源场站涉网特性诊断识别的重要解决途径,电厂在线监测系统中储存了大量数据信息,但由于电站负荷处于变化状态,实施历史数据混杂着大量非稳态运行数据,相较于传统实验方法将实时测量数据进行处理对实际影响小,工作周期短。对于实际数据的获取更加便于实现。
传统的数据处理,仍然存在着仅由经验模态分解,当数据不是纯白噪声,经验模态将会出现模态重叠不能对风电厂信号数据特征进行准确的描述的问题。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种风电场信号特征提取及去噪优化数据的方法。其目的是为了实现能够更有效和准确的进行风电场信号特征提取及去噪优化,为风电场数据处理提供技术依据和实用方法的发明目的。
本发明为实现上述目的所采用的技术方案是:
一种风电场信号特征提取及去噪优化数据的方法,包括以下步骤:
步骤1.获取风电场测量信号参数;
步骤2.获取测量信号中EEMD参数;
步骤3.根据所测量得到的信号参数建立白噪声聚类经验法的希尔伯特-黄变换模型;
步骤4.根据希尔伯特-黄变换模型解析得到的信号确定滤波窗长度;
步骤5.将解析信号进行取样点个数m;
步骤6.设置迭代次数K;
步骤7.计算解析信号采样点各点的导数值及平均值;
步骤8.计算解析信号滤波窗窗内各点权值对各个信号点进行去噪;
步骤9.迭代K次;
步骤10.得到精准风电场解析信号特征值。
更进一步的,步骤1所述获取风电场测量信号参数:是指获取风电厂电压,短路容量,频率,惯量检测参数。
更进一步的,步骤2所述获取测量信号中EEMD相关参数,包括:
(1)获取信号曲线两个极值点数值,指确定所测得的信号曲线中至少两个极值点——一个极大值与一个极小值点;
(2)获取信号曲线特征时间长度数值,指所测得信号曲线中相邻极值点的时间间隔;
(3)获取信号曲线拐点数值,指当获取测量信号曲线无极值点仅有拐点则先取拐点数据再通过微分获得极值点。
更进一步的,步骤3所述根据步骤2中所获取的信号参数建立白噪声聚类经验法的希尔伯特-黄变换模型;
步骤(1)确定选取特征函数MF条件;
步骤(2)对测量数据加入白噪声;
步骤(3)画出信号上下包络线并计算均值差h1;
步骤(4)将均值差h1经特征函数值重复筛选;
步骤(5)计算差值信号r1;
步骤(6)将差值信号r1数重复筛选直至无法筛分出MF;
步骤(7)得到解析信号。
更进一步的,步骤(1)所述确定选取特征函数MF条件为:特征函数MF需满足在所取的信号中穿越零点的次数与极值点数相等或者差1;
步骤(2)所述对测量数据加入白噪声:是指将均匀白噪声均匀分布在整个信号时间内,不同信号尺度将自动映射至与白噪声相关的尺度上;
步骤(3)所述画出信号上下包络线并计算均值差h1:指用三次样条曲线分别连接处理后信号的极大值和极小值形成包络线,计算二者平均值m1与测的数据做差得均值差h1:
h1=f(t)-m1
其中m1为极大值与极小值的平均值f(t)为原测量信号;
步骤(4)所述将均值差h1经特征函数值重复筛选:指将得到差值h1作为新的信号再次进行上述步骤(3)计算,多次迭代直至hk满足MF,得到的信号包含高频分量;
步骤(5)所述计算差值信号r1:是指步骤(3)中原测量信号f(t)与包含高频分量的hk的差值,其公示为:
r1=f(x)-h1
步骤(6)所述将差值信号r1数重复筛选直至无法筛分出MF:是指将步骤(5)中差值信号r1重新作为信号重复上述步骤(5)直至得到的信号为单调函数,其公式为:
rn=rn-1-hn
其中,rn为第n次迭代后的计算差值信号,rn-1为第n-1次迭代后的计算差值信号,hn为第n次迭代的高频分量,n为迭代次数;
步骤(7)得到解析信号:是指经过以上处理将原测量信号以数学方式表达为n个MF分量与一个残余项的和,其公式为:
其中,f(t)为原测量信号j为第j次迭代,n为迭代次数为n,hj(t)为第j次迭代均差值,rn(t)为第n次迭代后的计算差值信号。
更进一步的,步骤4所述根据步骤(7)得到的解析信号确定滤波窗长度:是指为接下来方便采样预先确定窗长,滤波窗长为2M+1,其中M为非0整数。
更进一步的,步骤5所述将解析信号进行取样点个数计为m;是指得到的解析信号根据特征窗口的大小进行采样,采样个数记为m。
更进一步的,步骤7所述计算解析信号采样点各点的导数值及平均值;是指将解析信号采样点进行求导并求取平均值,其公式为:
其中,f′k(m)为解析信号第k次迭代第m点处平均值导数,fk(m+1)为解析信号第k次迭代第m+1点处值,fk(m-1)为解析信号第k次迭代第m-1点处值。
更进一步的,步骤8所述计算解析信号滤波窗内各点权值对各个信号点进行去噪;是指设权值ωk(m+j,σ),其中:为ωk为第k次迭代的权值,m为采样点,j为窗口取单位长度的各点,σ为高斯函数的标准方差,为恒定参数。其公式为a,通过多次运算得到当ωk(m,σ)较大,即σ>f′k(m)时若干次迭代后去噪效果明显但会平滑掉突变点;当ωk(m,σ)较小,即σ<f′k(m)时若干次迭代后,不能实现去噪,得到权值后经过公式b将信号进行去噪:
其中:ωk(m,σ)为第k次迭代采样点m处权值,fk+1(m)为第k+1次迭代滤波后的输出值,exp为以e为底的指数函数,M为窗口长度。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求所述的一种风电场信号特征提取及去噪优化数据的方法的步骤。
本发明具有以下有益效果及优点:
本发明提供了一种风电场信号特征提取及去噪优化数据的方法,考虑风电场数据获取时非稳定状态量,通过考虑风电场实施测量信号数据,分析信号中包含的大量非基频暂态信号。快速的提取所测量信号中的关键信息及数据外特性,并将数据去除噪声。能够更有效和可靠的提取信号特性,并获得稳定准确的信号,为风电场场站相关数据提取提供技术依据和实用化方法。
本发明基于白噪声聚类经验法(EEMD)的希尔伯特-黄变换(HHT)对测量数据进行特征提取,并通过高斯滤波的自适应的方法除去噪声得到精准数据,从而显著的提高了风电场数据优化处理的可靠性。
本发明方法易于实施,在原有经验模态分解的基础上,加入白噪声聚类经验法,结合高斯滤波的自适应去噪从理论上易于实施;同时,各预测函数有现成的算法,控制策略也易于实施。本发明方法也非常便于商业化开发。随着风电场的增多,该方法处理风电场测量信号数据必然具有较大需求,本发明具有较好的商业开发前景。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明风电场信号特征提取及去噪优化数据的方法总体流程图;
图2是本发明对风电场测量信号特征分解的五个模态仿真示意图;
图3是本发明对风电场测量信号特征分解的误差;
图4是本发明高斯滤波去噪前后仿真对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图4描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例,是一种风电场信号特征提取及去噪优化数据的方法。如图1所示,是本发明风电场信号特征提取及去噪优化数据的方法总体流程图。是在获取风电场测量信号后通过建立白噪声聚类经验法的希尔伯特-黄变换模型得到解析信号。再将解析信号进行解析采样通过高斯滤波自适应的方法获取信号稳定数值。从图1中的流程可以看出,本发明方法是分为两个大的步骤,一个测量信号参数特征提取,二为测量信号去除噪声,其一基于白噪声聚类经验法(EEMD)的希尔伯特-黄变换(HHT)对测量数据进行特征提取,其二通过高斯滤波的自适应去噪的方法这是与其它方法本质的区别所在。
所述EEMD是指白噪声聚类经验法为现有技术。
本发明一种风电场信号特征提取及去噪优化数据的方法,所述信号特征提取是指本发明通过EEMD方法对克服测量数据的局部缺陷导致无法对信号进行精确分析的问题,之后再由高斯滤波去除噪声得到精确信号数据。
本发明具体包括以下步骤:
步骤1.获取风电场测量信号参数;
所述获取风电场测量信号参数是指获取风电厂电压,短路容量,频率,惯量检测参数。
步骤2.获取测量信号中EEMD参数;
是指所测量的信号参数需具备以下三点:
(1)获取信号曲线两个极值点数值,是指确定所测得的信号曲线中至少两个极值点——一个极大值与一个极小值点;
(2)获取信号曲线特征时间长度数值,是指所测得信号曲线中相邻极值点的时间间隔;
(3)获取信号曲线拐点数值,是指当获取测量信号曲线无极值点仅有拐点则先取拐点数据再通过微分获得极值点;
步骤3.根据步骤2中所获取的信号参数建立白噪声聚类经验法的希尔伯特-黄变换模型;
包括以下步骤:
步骤(1)确定选取特征函数MF条件;特征函数MF需满足在所取的信号中穿越零点的次数与极值点数相等或者差1;
所述MF条件是指;固有模态函数分量,其作为特征函数具有穿越零点的次数与极值点数相等或者差1的特点.
步骤(2)对测量数据加入白噪声;是指将均匀白噪声均匀分布在整个信号时间内。不同信号尺度将自动映射至与白噪声相关的尺度上。
步骤(3)画出信号上下包络线并计算均值差h1;
指用三次样条曲线分别连接处理后信号的极大值和极小值形成包络线,计算二者平均值m1与测的数据做差得均值差h1:
h1=f(t)-m1
其中m1为极大值与极小值的平均值f(t)为原测量信号。
步骤(4)将均值差h1经特征函数值重复筛选;
指将得到差值h1作为新的信号再次进行上述步骤(3)计算,多次迭代直至hk满足MF,得到的信号包含高频分量;
步骤(5)计算差值信号r1;是指步骤(3)中原测量信号f(t)与包含高频分量的hk的差值,其公示为:
r1=f(x)-h1
步骤(6)将差值信号r1数重复筛选直至无法筛分出MF;是指将步骤(5)中差值信号r1重新作为信号重复上述步骤(5)直至得到的信号为单调函数,其公式为:
rn=rn-1-hn
其中,rn为第n次迭代后的计算差值信号,rn-1为第n-1次迭代后的计算差值信号,hn为第n次迭代的高频分量,n为迭代次数。
步骤(7)得到解析信号;
是指经过以上处理将原测量信号以数学方式表达为n个MF分量与一个残余项的和。其公式为:
其中,f(t)为原测量信号j为第j次迭代,n为迭代次数为n,hj(t)为第j次迭代均差值,rn(t)为第n次迭代后的计算差值信号。
如图图2所示,是本发明对风电场测量信号特征分解的五个模态仿真示意图,如图3所示,是本发明对风电场测量信号特征分解的误差。
步骤4.根据步骤(7)得到的解析信号确定滤波窗长度;
所述确定滤波窗长度是指为接下来方便采样预先确定窗长,滤波窗长为2M+1,其中M为非0整数;
步骤5.将解析信号进行取样点个数计为m;
所述将解析信号进行取样点个数是指得到的解析信号根据特征窗口的大小进行采样,采样个数记为m。
步骤6.设置迭代次数K;
所述设置迭代次数K是指将数据初始化记做K=0,设置K次迭代。
步骤7.计算解析信号采样点各点的导数值及平均值;
所述的计算解析信号采样点各点的导数值及平均值指将解析信号采样点进行求导并求取平均值,其公式为:
其中,f′k(m)为解析信号第k次迭代第m点处平均值导数,fk(m+1)为解析信号第k次迭代第m+1点处值,fk(m-1)为解析信号第k次迭代第m-1点处值。
步骤8.计算解析信号滤波窗内各点权值对各个信号点进行去噪;
所述的计算解析信号滤波窗内各点权值对各个信号点进行去噪是指:设权值ωk(m+j,σ),其中:为ωk为第k次迭代的权值,m为采样点,j为窗口取单位长度的各点,σ为高斯函数的标准方差,为恒定参数。
其公式为a,通过多次运算得到当ωk(m,σ)较大,即σ>fk′(m)时若干次迭代后去噪效果明显但会平滑掉突变点;当ωk(m,σ)较小,即σ<fk′(m)时若干次迭代后,不能实现去噪。得到权值后经过公式b将信号进行去噪:
其中:ωk(m,σ)为第k次迭代采样点m处权值,fk+1(m)为第k+1次迭代滤波后的输出值,exp为以e为底的指数函数,M为窗口长度。
如图4所示,是本发明高斯滤波去噪前后仿真对比图。
步骤9.迭代K次;
所述迭代次数K次是指,去噪过程需进行多次迭代,当迭代次数满足步骤6设置输出结果,即迭代次数K=K;
步骤10.得到精准风电场解析信号特征值。
实施例2
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的一种风电场信号特征提取及去噪优化数据的方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种风电场信号特征提取及去噪优化数据的方法,其特征是:包括以下步骤:
步骤1.获取风电场测量信号参数;
步骤2.获取测量信号中EEMD参数;
步骤3.根据所测量得到的信号参数建立白噪声聚类经验法的希尔伯特-黄变换模型;
步骤4.根据希尔伯特-黄变换模型解析得到的信号确定滤波窗长度;
步骤5.将解析信号进行取样点个数m;
步骤6.设置迭代次数K;
步骤7.计算解析信号采样点各点的导数值及平均值;
步骤8.计算解析信号滤波窗窗内各点权值对各个信号点进行去噪;
步骤9.迭代K次;
步骤10.得到精准风电场解析信号特征值。
2.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤1所述获取风电场测量信号参数:是指获取风电厂电压,短路容量,频率,惯量检测参数。
3.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤2所述获取测量信号中EEMD相关参数,包括:
(1)获取信号曲线两个极值点数值,指确定所测得的信号曲线中至少两个极值点——一个极大值与一个极小值点;
(2)获取信号曲线特征时间长度数值,指所测得信号曲线中相邻极值点的时间间隔;
(3)获取信号曲线拐点数值,指当获取测量信号曲线无极值点仅有拐点则先取拐点数据再通过微分获得极值点。
4.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤3所述根据步骤2中所获取的信号参数建立白噪声聚类经验法的希尔伯特-黄变换模型;
步骤(1)确定选取特征函数MF条件;
步骤(2)对测量数据加入白噪声;
步骤(3)画出信号上下包络线并计算均值差h1;
步骤(4)将均值差h1经特征函数值重复筛选;
步骤(5)计算差值信号r1;
步骤(6)将差值信号r1数重复筛选直至无法筛分出MF;
步骤(7)得到解析信号。
5.根据权利要求4所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤(1)所述确定选取特征函数MF条件为:特征函数MF需满足在所取的信号中穿越零点的次数与极值点数相等或者差1;
步骤(2)所述对测量数据加入白噪声:是指将均匀白噪声均匀分布在整个信号时间内,不同信号尺度将自动映射至与白噪声相关的尺度上;
步骤(3)所述画出信号上下包络线并计算均值差h1:指用三次样条曲线分别连接处理后信号的极大值和极小值形成包络线,计算二者平均值m1与测的数据做差得均值差h1:
h1=f(t)-m1
其中m1为极大值与极小值的平均值f(t)为原测量信号;
步骤(4)所述将均值差h1经特征函数值重复筛选:指将得到差值h1作为新的信号再次进行上述步骤(3)计算,多次迭代直至hk满足MF,得到的信号包含高频分量;
步骤(5)所述计算差值信号r1:是指步骤(3)中原测量信号f(t)与包含高频分量的hk的差值,其公示为:
r1=f(x)-h1
步骤(6)所述将差值信号r1数重复筛选直至无法筛分出MF:是指将步骤(5)中差值信号r1重新作为信号重复上述步骤(5)直至得到的信号为单调函数,其公式为:
rn=rn-1-hn
其中,rn为第n次迭代后的计算差值信号,rn-1为第n-1次迭代后的计算差值信号,hn为第n次迭代的高频分量,n为迭代次数;
步骤(7)得到解析信号:是指经过以上处理将原测量信号以数学方式表达为n个MF分量与一个残余项的和,其公式为:
其中,f(t)为原测量信号j为第j次迭代,n为迭代次数为n,hj(t)为第j次迭代均差值,rn(t)为第n次迭代后的计算差值信号。
6.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤4所述根据步骤(7)得到的解析信号确定滤波窗长度:是指为接下来方便采样预先确定窗长,滤波窗长为2M+1,其中M为非0整数。
7.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤5所述将解析信号进行取样点个数计为m;是指得到的解析信号根据特征窗口的大小进行采样,采样个数记为m。
9.根据权利要求1所述的一种风电场信号特征提取及去噪优化数据的方法,其特征是:步骤8所述计算解析信号滤波窗内各点权值对各个信号点进行去噪;是指设权值ωk(m+j,σ),其中:为ωk为第k次迭代的权值,m为采样点,j为窗口取单位长度的各点,σ为高斯函数的标准方差,为恒定参数。其公式为a,通过多次运算得到当ωk(m,σ)较大,即σ>f′k(m)时若干次迭代后去噪效果明显但会平滑掉突变点;当ωk(m,σ)较小,即σ<f′k(m)时若干次迭代后,不能实现去噪,得到权值后经过公式b将信号进行去噪:
其中:ωk(m,σ)为第k次迭代采样点m处权值,fk+1(m)为第k+1次迭代滤波后的输出值,exp为以e为底的指数函数,M为窗口长度。
10.一种计算机存储介质,其特征是:所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9所述的一种风电场信号特征提取及去噪优化数据的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667924.3A CN114417918A (zh) | 2021-12-31 | 2021-12-31 | 一种风电场信号特征提取及去噪优化数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667924.3A CN114417918A (zh) | 2021-12-31 | 2021-12-31 | 一种风电场信号特征提取及去噪优化数据的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417918A true CN114417918A (zh) | 2022-04-29 |
Family
ID=81272301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111667924.3A Pending CN114417918A (zh) | 2021-12-31 | 2021-12-31 | 一种风电场信号特征提取及去噪优化数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417918A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184968A (zh) * | 2023-04-24 | 2023-05-30 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
-
2021
- 2021-12-31 CN CN202111667924.3A patent/CN114417918A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184968A (zh) * | 2023-04-24 | 2023-05-30 | 山东星峰面粉机械有限公司 | 用于玉米熟粉生产线的生产控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462785B (zh) | 基于ga-svm的电能质量多扰动信号分类识别方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN103887815A (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN108520269A (zh) | 一种风速预测方法及风速预测系统 | |
CN106374465B (zh) | 基于gsa-lssvm模型的短期风电功率预测方法 | |
CN111103565A (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN107844849A (zh) | 一种基于经验小波变换与改进高斯过程回归的新能源出力短期预测方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN110674864B (zh) | 一种含同步相量量测装置的风电异常数据辨识方法 | |
CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN114417918A (zh) | 一种风电场信号特征提取及去噪优化数据的方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN107358323A (zh) | 一种短期光伏发电的功率预测方法 | |
CN111222680A (zh) | 基于最小二乘支持向量机的风电站出力超短时预测方法 | |
CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 | |
CN113962158A (zh) | 基于改进决策树的压路机施工工艺知识库构建方法及系统 | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
CN109617051B (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
CN110826498A (zh) | 基于hht的暂态电能质量检测方法 | |
CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 |
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 |