马 然 栗文义 齐咏生

风电机组健康状态预测中异常数据在线清洗

马 然1,2栗文义1,2齐咏生2

（1. 内蒙古工业大学能源与动力工程学院 呼和浩特 010050 2. 内蒙古工业大学电力学院 呼和浩特 010080）

风电机组数据采集与监视控制系统（SCADA）运行数据中含有大量异常数据，对风电机组健康状态预测影响严重，为此针对实测风速-功率、转速-功率数据，提出一种异常数据在线清洗方法。由于机组性能退化过程中数据特征趋于复杂，基于经验Copula-互信息（ECMI）选择关键特征参量作为数据清洗对象，并基于Copula建立置信等效功率区间描述其非线性与不确定性。针对置信边界外的堆积点和离群点，结合其时序特征与密度分布建立Copula数据清洗模型（Copula-TFDD），依次进行在线清洗。最后，基于实际数据与人工模拟数据分析模型的精度、运算效率以及对机组健康状态预测的影响表明，Copula-TFDD能准确并实时地识别各类异常数据，有效提升风电机组健康状态预测的性能。

风电机组健康状态预测 数据清洗 特征参量 互信息 Copula理论

0 引言

准确可信的数据采集与监视控制系统（Super- visory Control And Data Acquisition, SCADA）运行数据[1]是风电机组发电性能预测、故障预测与健康管理等工作的基础。然而，由于机组运行环境恶劣，很多现场采集的数据质量较差，特别是因弃风限电、工况波动等原因导致的数据异常问题尤为突出。高比例异常数据对运行数据的真实规律、特征参量的相关性关系等信息的挖掘与应用影响极大，因此风电机组数据清洗工作至关重要。……