梁 涛，崔 洁，石 欢，李宗琪

(河北工业大学，天津 300131)

1 引言

在过去十几年里，人们对可再生能源的利用给予了高度的重视，其中风能的装机容量最大，成为占比最高的可再生能源[1]。风电机组功率曲线可以为风电机组故障诊断、功率预测等工作提供一定的理论依据。然而由于制作商提供的功率曲线都是在特定的测试环境下给出的，不同风电场所处的地理环境不同，即使是同一风场内的风机也会因为风机的分布位置不同和尾流效应等因素而使每台风机的功率曲线都不尽相同[2]。为了更实际的了解风机性能，需要对风电机组功率曲线进行拟合。

在风机实测数据中，往往含有大量异常数据点，若不将这些异常点剔除将严重影响曲线拟合效果。剔除异常点通常采用的方法包括：四分位数法、k-means聚类法和基于密度聚类[3]的方法。其中，四分位数法检测异常点的效果不稳定，会出现漏检的现象；k-means聚类算法初始值的确定对聚类结果有很大影响且只适用于凸数据集；基于密度聚类的方法对样本分布不均匀的数据集通常不能得到很好的效果。

曲线拟合方法主要分为两类：参数法和非参数法。参数法是以数学模型为基础的，求出模型的各个参数就能确定该模型，如：分段线性回归拟合法、多项式回归拟合法[4]、基于概率分布模型的曲线拟合法等。参数模型的优点是推理过程易于理解，便于计算。但在数据结构复杂的情况下，参数模型的拟合效果往往不如非参数模型。……