风电场风功率异常数据清洗与质控技术对比分析OA

[目的]风电场风速功率数据中通常包含大量异常数据,有效的数据清洗可以提高数据质量,使新能源功率预测、发电量预测等结果更加精确。[方法]收集宁夏典型风电场风速及功率数据,绘制风速-功率散点分布图,探讨数据分布特征和异常数据产生原因;对比DBSCAN算法和方差变化率判据对异常数据的识别清洗效果,并分别与四分位法结合,构建“DBSCAN-四分位”“方差变化率-四分位”组合模型,同时将DBSCAN算法与方差变化率判据相互组合,构建“DBSCAN-方差变化率”“方差变化率-DBSCAN”组合模型,开展组合模型的清洗质控研究,并与单一模型对比。[结果]研究表明:(1)风电场风速-功率散点图中异常数据点可大致分为底部堆积型数据、中部堆积型数据和其他离散型数据3类;(2)DBSCAN算法或方差变化率判据的单一模型能够有效识别清洗大部分异常数据,但仍有局部区域离散点未能被识别;(3)组合模型相比单一模型,能够进一步识别少部分离群特征不明显的异常数据,其中,DBSCAN-四分位的组合模型,清洗后风速与功率相关系数最高,相对于建模曲线的均方根误差最低,清洗效果最佳。[结论]通过对比单一模型、组合模型对风电场运行异常数据的清洗效果,证明了组合模型对于提高风电场数据质量的可靠性,研究结果为能源需求预测、风电消纳水平评估、风电场运行管理等提供重要参考。