CN117195136A - 一种电网新能源异常数据监测方法 - Google Patents

Abstract

本发明涉及风电场数据监测技术领域，具体涉及一种电网新能源异常数据监测方法。该方法通过获取风力发电设备排布模型，将风力发电设备排布模型中风力发电设备的输出功率与所有风力发电设备的输出功率进行对比，并利用修正参数去除风阻效应的影响，进一步结合历史数据获取环境影响指标对修正异常程度参数进行调整，获得的异常概率参数考虑了风力发电设备的输出功率在预设邻域内的局部差异、风阻效应的影响、与所有风力发电设备的整体差异以及历史数据中修正异常程度参数的综合情况，提供了准确可信的判别依据；最后根据异常概率参数和预设异常阈值对风力发电设备进行数据监测，提升了电网新能源异常数据监测方法的准确性和可靠性。

Description

一种电网新能源异常数据监测方法

技术领域

本发明涉及风电场数据监测技术领域，具体涉及一种电网新能源异常数据监测方法。

背景技术

目前新能源风能发电由于其清洁、可再生的特性，多样化能源结构，促进经济发展，保护环境和生态系统等优点，在能源结构中占有越来越重要的地位。然而，在实际运行过程中，风力发电系统可能会出现各种异常情况，如风力发电设备的故障、变频器的故障、电缆的断裂等，这些异常情况会导致风力发电系统的性能下降甚至完全停止运行。

现有常用的风力发电异常分析方法时根据风力发电设备输出功率的阈值进行判断异常，但是根据风力发电设备输出功率判断数据是否异常存在较大误差，忽略了环境因素对发电设备输出功率的影响，如果输出功率突然下降或者异常，可能是风力发电设备出现故障，也有可能是当前环境因素发生改变，只通过发电设备输出功率阈值判断数据异常不够准确。

发明内容

为了解决风电场异常数据监测不准确的技术问题，本发明的目的在于提供一种电网新能源异常数据监测方法，所采用的技术方案具体如下：

获取风力发电设备排布模型；获取所述风力发电设备排布模型内每个风力发电设备的输出功率与风速；

在所述风力发电设备排布模型中，根据每个风力发电设备的所述输出功率与其预设邻域内预设模拟风向直线上其他风力发电设备的输出功率的差异，获取每个风力发电设备对应的最优模拟风向；根据每个风力发电设备相对于整体风力发电设备的输出功率的差异，获取每个风力发电设备的异常因子；

将每个风力发电设备的所述预设邻域内在所述最优模拟风向上风力发电设备的输出功率与风速作为实测数据，将预设风速功率曲线数据作为模拟数据，利用预设相似度计算算法分析所述实测数据与所述模拟数据的相似性，获取修正参数；根据所述修正参数修正所述异常因子，获得每个风力发电设备的修正异常程度参数；

根据每个风力发电设备的所述修正异常程度参数与预设历史周期内历史参考参数的差异获得环境影响指标，根据所述环境影响指标对所述修正异常程度参数进行调整，获取每个风力发电设备的异常概率参数；

根据所述异常概率参数对风力发电设备进行数据监测。

进一步地，所述最优模拟风向的获取方法包括：

在每个风力发电设备的预设邻域内，将每个预设模拟风向直线上相邻风力发电设备的输出功率的差值绝对值的平均值，作为每个预设模拟风向直线的功率差异程度；所述功率差异程度最大的预设模拟风向直线作为最优模拟风向直线；将所述最优模拟风向直线与预设邻域相交的两端风力发电设备输出功率从大到小的方向作为最优模拟风向。

进一步地，所述异常因子的获取方法包括：

根据每个风力发电设备与其预设邻域内其他风力发电设备的输出功率的差异，获取每个风力发电设备的异常程度参数；将所有风力发电设备的异常程度参数的均值作为整体异常参数；

当风力发电设备的所述异常程度参数小于等于所述整体异常参数时，对应的风力发电设备的异常因子为预设异常因子参数；

当风力发电设备的所述异常程度参数大于所述整体异常参数时，获取对应的异常程度参数与所述整体异常参数的差值，将差值与所述异常程度参数的比值作为异常因子；

所述预设异常因子参数小于风力发电设备的所述异常程度参数大于所述整体异常参数时的异常因子的最小值。

进一步地，所述异常程度参数的获取方法包括：

根据每个风力发电设备预设邻域内其他风力发电设备的输出功率，获得标准输出功率；

将每个风力发电设备的输出功率和与其对应的标准输出功率的差值绝对值作为局部异常参数，将每个所述局部异常参数与对应的所述标准输出功率的比值作为每个风力发电设备对应的异常程度参数。

进一步地，所述标准输出功率的获取方法包括：

将每个风力发电设备预设邻域内其他风力发电设备的输出功率的均值作为对应风力发电设备的标准输出功率。

进一步地，所述修正异常程度参数的获取方法包括：

将每个发电设备的所述异常因子与所述修正参数的平方相乘，乘积作为修正异常程度参数，获得每个风力发电设备的修正异常程度参数。

进一步地，所述异常概率参数的获取方法包括：

在预设历史周期内，将所有风力发电设备的所述修正异常程度参数的均值作为历史参考参数；将每个风力发电设备的所述修正异常程度参数与所述历史参考参数的差值绝对值作为每个风力发电设备对应的环境影响指标；将所述环境影响指标与对应的所述修正异常程度参数相乘，将乘积归一化后作为异常概率参数，获得每个风力发电设备的异常概率参数。

进一步地，所述根据所述异常概率参数对风力发电设备进行数据监测的方法包括：

当风力发电设备的所述异常概率参数大于预设异常阈值时，则认为风力发电设备工作状态异常。

进一步地，所述预设模拟风向直线有4条，相邻预设模拟风向直线之间的夹角为45度。

进一步地，所述预设历史周期的长度为24小时。

本发明具有如下有益效果：

本发明通过获取风力发电设备排布模型，将具体设备抽象化，有利于对风力发电设备的监测和管理；进一步采集每个风力发电设备的输出功率和风速，便于后续根据输出功率和风速对风力发电设备进行监测；进一步根据风力发电设备的预设邻域内风力发电设备输出功率的差异，获得最优模拟风向，为后续利用最优模拟风向上的风力发电设备的输出功率获取修正参数做准备；进一步根据所有风力发电设备的输出功率对每个风力发电设备的输出功率进行分析，从整体上评估每个风力发电设备的异常情况，获得异常因子；进一步根据采集到的输出功率与风速和预设风速功率曲线数据进行相似度计算，获得修正参数并对异常因子进行修正，使修正异常程度参数更加准确，提高检测方法的准确性；进一步结合历史周期内的历史参考参数对每个风力发电设备的修正异常程度参数进一步调整，融入环境影响因素，获得更加可信和准确的异常概率参数，提升检测方法的可信度，减少误判情况的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种电网新能源异常数据监测方法的流程图；

图2为本发明一个实施例所提供的一种风力发电设备排布模型的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电网新能源异常数据监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种电网新能源异常数据监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种电网新能源异常数据监测方法的流程图，具体包括：

步骤S1：获取风力发电设备排布模型；获取风力发电设备排布模型内每个风力发电设备的输出功率与风速。

获取风力发电设备排布模型，有助于优化风力发电设备的分布位置，有利于监测和设备管理，改善电场的整体运营；风力发电设备的输出功率是异常检测的重要指标，风速是输出功率的主要影响因素，通过对风力发电设备的输出功率和风速进行数据分析，可以用于监测风力发电设备的工作状态，判别异常情况的发生，以及时诊断和修复，降低维护成本。

请参阅图2，其示出了本发明一个实施例提供的一种风力发电设备排布模型的示意图，图中每个方格的顶点表示一台风力发电设备，顶点之间的连线表示相邻风力发电设备之间的距离，横向布置X台风力发电设备，纵向布置Y台风力发电设备。需要说明的是，顶点之间的连线是等距离标示，其实际地理空间距离可能不一致。

在本发明一个实施例中，横向布置30台风力发电设备、纵向布置10台风力发电设备，两台风力发电设备之间的间隔为100米，采集间隔为10分钟；在本发明其他实施例中，实施者可设置其他采集间隔来采集风力发电设备的输出功率和风速。

步骤S2：在风力发电设备排布模型中，根据每个风力发电设备的输出功率与其预设邻域内预设模拟风向直线上其他风力发电设备的输出功率的差异，获取每个风力发电设备对应的最优模拟风向；根据每个风力发电设备相对于整体风力发电设备的输出功率的差异，获取每个风力发电设备的异常因子。

由于相邻的风力发电设备之间存在风阻效应，即在前的风力发电设备会阻挡吸收风能，导致在后的风力发电设备接受到的风能偏少，影响输出功率，为了分析风阻效应的影响，所以获取最优模拟风向，为后续异常数据监测分析做准备；相邻的风力发电设备的地理和环境因素较为相似，风力发电设备的输出功率也相似，可以其相邻的风力发电设备的输出功率获取最优模拟风向；因为输出功率数据存在一定的波动，所以结合所有风力发电设备的输出功率对每个风力发电设备的输出功率进行分析，获取每个风力发电设备的异常因子。

在风力发电设备的工作风速范围内，风速与风力发电设备的输出功率呈正相关关系，而风阻效应沿风向上最为明显，所以通过获取输出功率变化最大的方向作为最优模拟风向。优选地，在本发明一个实施例中，以风力发电设备排布模型的水平方向作为一条预设模拟风向直线，以与水平方向逆时针方向旋转45度、90度、135度放置另外三条预设模拟风向直线，相邻预设模拟风向直线之间的夹角为45度。模拟风向的获取方法包括：在每个风力发电设备的预设邻域内，将每个预设模拟风向直线上相邻风力发电设备的输出功率的差值绝对值的平均值，作为每个预设模拟风向直线的功率差异程度；功率差异程度最大的预设模拟风向直线作为最优模拟风向直线；将最优模拟风向直线与预设邻域相交的两端风力发电设备输出功率从大到小的方向作为最优模拟风向。

需要说明的是，在本发明一个实施例中，预设邻域设置为，以每个风力发电设备为中心，建立大小的邻域，对于风力发电设备排布模型中边角位置的风力发电设备，利用克里金插值（Kriging Interpolation）算法结合已有位置的风力发电设备的数据，补充缺失位置的风力发电设备的数据；在本发明其他实施例中，实施者可以用边角位置的风力发电设备的相邻的其他风力发电设备的数据进行填充，也可以使用最近邻差值等插值方法对数据进行填充。克里金插值算法已是本领域技术人员所熟知的技术手段，在此不再进行赘述。

因为输出功率数据存在一定的波动，并非输出功率和与其他风力发电设备的输出功率之间存在差异便属于异常情况，需要结合所有风力发电设备对每个风力发电设备的输出功率进行整体分析。

优选地，在本发明一个实施例中，异常因子的获取方法包括：根据每个风力发电设备与其预设邻域内其他风力发电设备的输出功率的差异，获取每个风力发电设备的异常程度参数；将所有风力发电设备的异常程度参数的均值作为整体异常参数；当风力发电设备的异常程度参数小于等于整体异常参数时，说明风力发电设备的数据异常属于正常的数据波动，对应的风力发电设备的异常因子为预设异常因子参数；当风力发电设备的异常程度参数大于整体异常参数时，说明风力发电设备的数据波动幅度过大，异常的可能性较大，获取对应的异常程度参数与整体异常参数的差值，将差值与异常程度参数的比值作为异常因子；预设异常因子参数小于风力发电设备的异常程度参数大于整体异常参数时的异常因子的最小值。异常因子的计算公式包括：

其中，表示第/>个风力发电设备输出功率的异常程度参数；/>表示第/>个风力发电设备的输出功率；/>表示第/>个风力发电设备的异常因子；/>表示所有风力发电设备的异常程度参数的均值，即整体异常参数；/>表示预设异常因子参数，在本发明一个实施例中/>。

异常因子的计算公式中，如果风力发电设备的异常程度参数小于等于整体异常参数，那么认为风力发电设备的异常程度参数较小，属于正常范围内的数据波动，并非属于异常情况，令异常因子为零；如果风力发电设备的异常程度参数大于整体异常参数，那么认为风力发电设备的异常程度参数较大，属于异常情况，并且异常程度越大，异常程度参数与整体异常参数的差值即分子部分就越大，与异常程度参数的比值就越大，异常因子就越大。

根据相邻风力发电设备的地理和环境因素较为相似，输出功率较为相似的特性，获取每个风力发电设备的异常程度参数，优选地，在本发明一个实施例中，异常程度参数的获取方法包括：根据每个风力发电设备预设邻域内其他风力发电设备的输出功率，获得标准输出功率；将每个风力发电设备的输出功率和与其对应的标准输出功率的差值绝对值作为局部异常参数，将每个局部异常参数与对应的标准输出功率的比值作为每个风力发电设备对应的异常程度参数。异常程度参数的计算公式包括：

其中，表示第/>个风力发电设备输出功率的异常程度参数；/>表示第/>个风力发电设备的输出功率；/>表示第/>个风力发电设备的标准输出功率，/>表示第/>个风力发电设备的局部异常参数。

异常程度参数的计算公式中，差值绝对值即局部异常参数越大，说明风力发电设备输出功率与其邻域内其他风力发电设备的输出功率差异程度越大，风力发电设备的工作状态的异常程度越大，故障可能性就越大。

由于相邻区域内风力发电设备的输出功率相似度高，而均值又是一种简单且有效的数据处理方式，所以在本发明一个优选实施例中，将每个风力发电设备预设邻域内其他风力发电设备的输出功率的均值作为对应风力发电设备的标准输出功率，计算过程简单高效。在本发明其他实施例中，实施者可选取中位数、众数等其他数据特征获取标准输出功率。

步骤S3：将每个风力发电设备的预设邻域内在最优模拟风向上风力发电设备的输出功率与风速作为实测数据，将预设风速功率曲线数据作为模拟数据，利用预设相似度计算算法分析实测数据与模拟数据的相似性，获取修正参数；根据修正参数修正异常因子，获得每个风力发电设备的修正异常程度参数。

最优模拟风向上的风阻效应最明显，通过分析最优模拟风向上风力发电设备输出功率与风速与预设风速功率曲线数据的相似性，可以判别出风力发电设备的异常因子受到风阻效应影响的程度，进而获取修正参数对异常因子进行修正，获得每个风力发电设备的修正异常程度参数，修正异常程度参数越大，说明对应的风力发电设备的故障可能性越大，同时为后续异常数据监测分析做准备。

因为实际工作中，风力发电设备会受到风阻效应的影响，输出功率在模拟风向上呈递减趋势，需要结合风速与功率之间的关系做进一步分析，所以获取预设风速功率曲线。理想条件下，风速从零到风力发电设备工作起始风速之间，风力发电设备的输出功率为零；在工作风速范围内，输出功率与风速呈正相关关系，风速越大，输出功率越大；在达到工作风速上限后，为了维护风力发电设备的稳定，会通过减速系统来控制风车的转速，输出功率会趋于稳定或者略微下降，达到最高供电功率，由此，在本发明一个实施例中，可构建预设风速功率曲线公式，预设风速功率曲线公式包括：

其中，表示风速，/>表示风力发电设备工作的最小风速；/>表示输出功率；表示风力发电设备最高供电功率；/>表示反正切函数。最小风速与最高供电功率均与具体设备参数有关，在本发明一个实施例中，最小风速取/>，最高供电功率取。

通过预设风速功率曲线公式，可以得到预设状态下，风力发电设备的风速与输出功率之间的对应关系；风力发电设备预设邻域内在模拟风向上的风力发电设备输出功率按照风向顺序记实测功率组为，/>，/>，对应的采集到的实测风速组为/>，，/>，通过实测功率组和预设风速功率曲线公式，可以得到预设风速功率曲线公式对应的模拟风速组：/>，/>，/>。

欧氏距离是一种常用的获取向量相似性的方法，向量之间的欧氏距离越大，说明向量之间的差异程度越大，相似程度就越低。在本发明一个优选实施例中，将欧氏距离作为预设相似度计算算法，通过获取实测风速与模拟风速的欧氏距离，将欧氏距离归一化，获得修正参数。修正参数计算公式包括：

其中，表示第/>个风力发电设备的修正参数；/>为自然常数；/>表示第/>个风力发电设备对应的实测风速组与模拟风速组的风速数据的欧氏距离。

修正参数计算公式中，欧氏距离与相似程度呈负相关关系，与修正参数呈正相关关系。欧氏距离越小，说明风力发电设备工作情况越符合预设情景，输出功率的变化是风阻效应引起的，出现异常情况可能性就越小，修正参数就越小；相反，欧氏距离越大，说明风力发电设备工作情况与预设情景差异越大，出现异常情况可能性就越大，修正参数就越大。在本发明其他实施例中，实施者可利用切比雪夫距离、曼哈顿距离或者余弦距离等方法获取修正参数；并且因为在风力发电设备的工作风速范围内，风速与输出功率呈正相关关系，所以实施者也可以通过实测风速组和预设风速功率曲线获取模拟功率组，比较实测功率组与模拟功率组之间的相似性，进而获得修正参数。

根据风阻效应获得的修正参数对异常因子进行修正，可以获得更加准确的修正异常程度参数，优选地，在本发明一个实施例中，将每个发电设备的异常因子与修正参数的平方相乘，乘积作为修正异常程度参数，获得每个风力发电设备的修正异常程度参数。修正异常程度参数的计算公式包括：

其中，表示第/>个风力发电设备的修正异常程度参数；/>表示第/>个风力发电设备的异常因子；/>表示第/>个风力发电设备的修正参数；/>第/>个风力发电设备的输出功率。

修正异常程度参数的计算公式中，异常因子越大，说明风力发电设备的输出功率与其预设邻域内其他风力发电设备的输出功率差异越大，并且异常程度参数与所有风力发电设备的异常程度参数均值的差异越大，风力发电设备工作状态越差，异常情况发生的可能性就越高，修正异常程度参数就越大；因为修正参数值域在0到1之间，异常因子与修正参数的平方相乘会缩小异常因子，修正参数越大，说明风力发电设备的工作状态越不符合风阻效应，越有可能是风力发电设备本身的异常所导致的输出功率异常，缩小异常因子的幅度越小，获得的修正异常程度参数相对较大；修正参数越小，说明风力发电设备的工作状态越符合风阻效应，输出功率异常越有可能不是风力发电设备本身的异常所导致的，缩小异常因子的幅度越大，获得的修正异常程度参数相对较小。

步骤S4：根据每个风力发电设备的修正异常程度参数与预设历史周期内历史参考参数的差异获得环境影响指标，根据环境影响指标对修正异常程度参数进行调整，获取每个风力发电设备的异常概率参数。

历史数据可以提供过去的修正异常程度参数的数据，通过分析当前风力发电设备的修正异常程度参数与历史数据中的相关情况，判断当前风力发电设备的异常是否是受环境因素的印象，可以减少误报，提高异常概率参数的准确性和可信度。

因为发电设备工作异常是小概率事件，在大多数时间里，风力发电设备工作是正常的，所以通过欧氏距离获取当前风力发电设备与历史参考参数的差异程度，欧氏距离越小，差异程度越小，相似程度越高，风力发电设备的数据异常越有可能是环境因素所引起的，风力发电设备发生异常的可能性越小，需要调小风力发电设备的修正异常程度参数；相反的，欧氏距离越大，差异程度越大，相似程度越低，说明风力发电设备的数据异常越有可能是自身因素所引起的，风力发电设备异常的可能性越大，需要调大修正异常程度参数。

优选地，在本发明一个实施例中，异常概率参数的获取方法包括：在预设历史周期内，将所有风力发电设备的修正异常程度参数的均值作为历史参考参数；将每个风力发电设备的修正异常程度参数与历史参考参数的差值绝对值作为每个风力发电设备对应的环境影响指标；将环境影响指标与对应的修正异常程度参数相乘，将乘积归一化后作为异常概率参数，获得每个风力发电设备的异常概率参数。异常概率参数的计算公式包括：

其中，表示第/>个风力发电设备输出功率的异常概率参数；/>第/>个风力发电设备的输出功率；/>表示第/>个风力发电设备输出功率的环境影响指标，是历史异常参数与修正异常程度参数的差值绝对值；/>表示第/>个风力发电设备输出功率的修正异常程度参数；/>表示归一化符号；在本发明一个实施例中，预设历史周期长度为24小时，历史参考参数是144次采集的所有风力发电设备修正异常程度参数的均值。

异常概率参数的计算公式中，风力发电设备输出功率的修正异常程度参数越大，说明风力发电设备出现异常的可能性越大，异常概率参数就越大；环境影响指标越大，说明修正异常程度参数的与历史参考参数的差异越大，风力发电设备发生异常的可能性越大，异常概率参数就越大。

步骤S5：根据异常概率参数对风力发电设备进行数据监测。

异常概率参数考虑了风力发电设备的输出功率在预设邻域内的局部差异、风阻效应的影响、与所有风力发电设备的异常程度参数的整体差异以及历史数据中修正异常程度参数的综合情况，提供了准确的评价依据，根据预设异常阈值就可以对风力发电设备的工作状态进行数据监测。

在本发明一个实施例中，预设异常阈值取经验值0.7，当风力发电设备的异常概率参数大于预设异常阈值时，则认为风力发电设备工作状态异常，需要对该风力发电设备进行重点监测；在本发明其他实施例中，实施者可设置其他合适的预设异常阈值。

综上所述，为了解决风力发电设备异常数据监测不准确的技术问题，本发明通过获取风力发电设备排布模型，将风力发电设备排布模型中风力发电设备的输出功率与所有风力发电设备的输出功率进行对比，并利用修正参数去除风阻效应的影响，进一步结合历史数据获取环境影响指标对修正异常程度参数进行调整，获得的异常概率参数考虑了风力发电设备的输出功率在预设邻域内的局部差异、风阻效应的影响、与所有风力发电设备的整体差异以及历史数据中修正异常程度参数的综合情况，提供了准确可信的判别依据；最后根据异常概率参数和预设异常阈值对风力发电设备进行数据监测，提升了电网新能源异常数据监测方法的准确性和可靠性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种电网新能源异常数据监测方法，其特征在于，所述方法包括：

获取风力发电设备排布模型；获取所述风力发电设备排布模型内每个风力发电设备的输出功率与风速；

在所述风力发电设备排布模型中，根据每个风力发电设备的所述输出功率与其预设邻域内预设模拟风向直线上其他风力发电设备的输出功率的差异，获取每个风力发电设备对应的最优模拟风向；根据每个风力发电设备相对于整体风力发电设备的输出功率的差异，获取每个风力发电设备的异常因子；

将每个风力发电设备的所述预设邻域内在所述最优模拟风向上风力发电设备的输出功率与风速作为实测数据，将预设风速功率曲线数据作为模拟数据，利用预设相似度计算算法分析所述实测数据与所述模拟数据的相似性，获取修正参数；根据所述修正参数修正所述异常因子，获得每个风力发电设备的修正异常程度参数；

根据每个风力发电设备的所述修正异常程度参数与预设历史周期内历史参考参数的差异获得环境影响指标，根据所述环境影响指标对所述修正异常程度参数进行调整，获取每个风力发电设备的异常概率参数；

根据所述异常概率参数对风力发电设备进行数据监测。

2.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述最优模拟风向的获取方法包括：

在每个风力发电设备的预设邻域内，将每个预设模拟风向直线上相邻风力发电设备的输出功率的差值绝对值的平均值，作为每个预设模拟风向直线的功率差异程度；所述功率差异程度最大的预设模拟风向直线作为最优模拟风向直线；将所述最优模拟风向直线与预设邻域相交的两端风力发电设备输出功率从大到小的方向作为最优模拟风向。

3.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述异常因子的获取方法包括：

根据每个风力发电设备与其预设邻域内其他风力发电设备的输出功率的差异，获取每个风力发电设备的异常程度参数；将所有风力发电设备的异常程度参数的均值作为整体异常参数；

当风力发电设备的所述异常程度参数小于等于所述整体异常参数时，对应的风力发电设备的异常因子为预设异常因子参数；

当风力发电设备的所述异常程度参数大于所述整体异常参数时，获取对应的异常程度参数与所述整体异常参数的差值，将差值与所述异常程度参数的比值作为异常因子；

所述预设异常因子参数小于风力发电设备的所述异常程度参数大于所述整体异常参数时的异常因子的最小值。

4.根据权利要求3中所述的一种电网新能源异常数据监测方法，其特征在于，所述异常程度参数的获取方法包括：

根据每个风力发电设备预设邻域内其他风力发电设备的输出功率，获得标准输出功率；

将每个风力发电设备的输出功率和与其对应的标准输出功率的差值绝对值作为局部异常参数，将每个所述局部异常参数与对应的所述标准输出功率的比值作为每个风力发电设备对应的异常程度参数。

5.根据权利要求4中所述的一种电网新能源异常数据监测方法，其特征在于，所述标准输出功率的获取方法包括：

将每个风力发电设备预设邻域内其他风力发电设备的输出功率的均值作为对应风力发电设备的标准输出功率。

6.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述修正异常程度参数的获取方法包括：

将每个发电设备的所述异常因子与所述修正参数的平方相乘，乘积作为修正异常程度参数，获得每个风力发电设备的修正异常程度参数。

7.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述异常概率参数的获取方法包括：

在预设历史周期内，将所有风力发电设备的所述修正异常程度参数的均值作为历史参考参数；将每个风力发电设备的所述修正异常程度参数与所述历史参考参数的差值绝对值作为每个风力发电设备对应的环境影响指标；将所述环境影响指标与对应的所述修正异常程度参数相乘，将乘积归一化后作为异常概率参数，获得每个风力发电设备的异常概率参数。

8.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述根据所述异常概率参数对风力发电设备进行数据监测的方法包括：

当风力发电设备的所述异常概率参数大于预设异常阈值时，则认为风力发电设备工作状态异常。

9.根据权利要求4中所述的一种电网新能源异常数据监测方法，其特征在于，所述预设模拟风向直线有4条，相邻预设模拟风向直线之间的夹角为45度。

10.根据权利要求1中所述的一种电网新能源异常数据监测方法，其特征在于，所述预设历史周期的长度为24小时。