王新生 李惠蓉

（国家风电设备质量监督检验中心）

0 引言

近年来，全球能源问题日益严重，以风电、太阳能等新能源为主的微电网的发展在世界各国受到重视。微电网是一种局部电力系统，是智能电网的重要组成部分，它在运行时会记录大量数据。随着技术发展，大数据时代已经到来，这些数据是微电网运行和控制的宝贵资源，对于分析发电设备状态、预测发电功率、提供控制和优化策略、故障诊断以及知识发现和数据挖掘具有重要的意义［1］。微电网系统数据挖掘，已经逐渐运用于解决各种实际生产应用中所遇到的问题。

然而，由于受到各种因素的影响，经常会出现数据的缺失现象。风力发电系统是微电网中的一个主要构成部分，因为风速变化难以预测、设备维护困难，易发生故障以及其他原因，在进行相关数据的采集、传输、存储的过程中，会遇到数据缺失的问题。这将增加研究人员分析微电网数据的难度，降低分析结果的精度，给微电网的预测和优化带来负面影响，严重降低了数据的实际价值［2-3］。所以，从大量数据中挖掘微电网系统优化运行等策略，采用合理的方法对缺失数据进行填补就显得非常重要。

传统补缺方法有均值填补法、热卡填充法、回归插补法。这些方法虽然计算简单，但当数据的缺失量增大或者数据波动幅度明显时，填补的效果就会显著降低。近年来，国内外学者在传统方法上又研究了机器学习方法和统计学习方法等。……