改进Bayesian后验比的异常风速值检测方法
2017-04-14陈伟吴布托裴喜平王懿喆
电网与清洁能源 2017年2期
陈伟,吴布托,裴喜平,王懿喆
(兰州理工大学电气工程与信息工程学院,甘肃兰州 730050)
改进Bayesian后验比的异常风速值检测方法
陈伟,吴布托,裴喜平,王懿喆
(兰州理工大学电气工程与信息工程学院,甘肃兰州 730050)
风电场运行数据中含有异常风速值,为了优化风电数据的质量,提出了组合预测与Bayesian后验比的异常值检测方法。为了降低预测误差,先对风速序列建立Adaboost-BP网络和EMD-LV-SVM的组合预测模型,利用预测值与测量值的偏差得到含有粗大误差的残差序列;为了提高检测方法的可靠性,采用Bayesian后验比的检验方法识别残差序列中粗大
异常风速值检测;组合预测模型;残差分析;Bayesian后验比
风电场运行数据中的风速值是分析监测风机运行状态和预测风机出力情况的重要依据。因传感器故障和传输信道噪声产生的异常叠加在监控终端的数据中,由于风速特有的间歇性和不确定性[1],造成异常值在风速序列特征信息不明显,使得异常值辨识困难。
在诸多风速功率预测方法中,如人工神经网络[2-4]、支持向量机[5]、卡尔曼滤波[6]和时间序列分析法[7-8]都直接采用测量数据进行分析计算,对含有异常值的数据建模分析势必会影响预测精度。因此,分析数据前需要对异常数据识别与修正。在异常数据检测方面,文献[9]最早提出了运用统计学的思想检测异常值,根据历史数据设定一个概率模型,如果数据服从同一分布则判定为正常值,反之则为异常数据点,该方法的统计量计算复杂且统计参数对辨识异常值异常敏感。……
登录APP查看全文
