基于加权kNN距离的风电场异常数据辨识方法

1.一种基于加权kNN距离的风电场异常数据辨识方法，其特征在于按以下步骤进行：步骤1：对风电场历史运行数据进行丢失数据与停运数据辨识，删除丢失数据与停运数据，得到数据集W_S；步骤2：计算步骤1中数据集W_S的分布标准差；步骤3：建立带未知参数k、离群点数量参数n的基于加权kNN的离群点辨识模型；步骤4：采用基于灵敏度分析的参数确定方法，计算基于加权kNN的离群点辨识模型的未知参数k、n，得到基于加权kNN的离群点辨识模型；步骤5：对风电场历史运行数据进行异常数据辨识并从剔除，得到风电场历史正常运行数据，并将该风电场历史正常运行数据输入到风电场功率预估系统，对下一时段风电场功率进行预估，实现输出功率平稳控制；所述步骤4中确定辨识模型中未知参数k、离群点数量参数n的取值方法按如下步骤：步骤4.1：在同一数据集和离群点数量参数n的情况下，设置多组离群点数量参数取值，分别观察参数k对辨识效果的影响，当多组分布标准差的变化都平缓时，即可确定参数k的值；步骤4.2：确定参数k值后，得到过滤数据百分比与分布标准差的关系图，图中分布标准差随着过滤数据百分比的增加先快速下降后缓慢下降，找出下降趋势的拐点，取该拐点对应过滤数据百分比值，再将原始数据的总数乘以该过滤数据百分比，得到离群点数量参数n的值；步骤4.3：验证参数模型的正确性；取所述拐点对应的过滤数据百分比值，作出分布标准差与参数k值的关系图，观察图中分布标准差稳定的区间的L值，对比步骤3.1中所取的k值是否在该区间内，在该区间内则说明该参数模型正确；所述步骤5中辨识模型的辨识方法步骤如下：步骤5.1：输入经丢失数据与停运数据辨识后的数据集W_S，最邻近点数量参数k max 和离群点数量参数n；步骤5.2：对风电场数据W_S采用离差标准化处理，消除数据中功率和风速的量纲，消除数据中数值范围存在的差异；步骤5.3：计算数据集W_S中每个点的权值；步骤5.4：根据步骤5.3中计算出的每个点的权值，计算数据集W_S中每个点的加权kNN距离；步骤5.5：对数据集W_S中的点按照加权kNN距离值由大到小进行排序，加权kNN距离最大的X个点为筛选出的离群点。 2.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤1中对风电场历史运行数据进行丢失数据与停运数据的辨识步骤如下：步骤1.1：输入风电场历史运行数据集W[(v 1 ,p 1 ),(v 2 ,p 2 ),…,(v m ,p m )]，其中v i 和p i (i＝1,2,…,m)表示第i时刻的风速与风电功率值；步骤1.2：遍历数据集中的点，通过判别风速和功率是否为数值的方法对丢失数据进行过滤，判断数据点功率值是否为无效值，如果是，则删除该数据；步骤1.3：遍历数据集中的点，判断数据点风速在切入和切出风速间的功率值是否为0，如果是，则删除该数据；停运数据辨识后的风电场数据集为W_S。 3.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤2中分布标准差的计算方法如下：步骤2.1：将风电场数据集W_S中的数据按照风速大小，由大到小排序，把风速[0,v max ]以0.1m/s为间隔划分成Z(Z＝v max ×10)个区间，即：{[0,0.1],(0.1,0.2]…(v max -0.1,v max ]}；步骤2.2：对每个区间中数据点的风电功率值求取标准差，公式如下：其中，N为第i个风速区间内数据点的数量，p j 为风速区间内数据点的功率值， 为区间内所有点的功率平均值，σ i 为当前第i区间的标准差；步骤2.3：重复Z次步骤2.2，得到每个区间数据的离散程度，最后将所有区间的标准差进行求和，便得到风电场v-p数据的分布标准差，公式如下：其中Z为划分的区间数，σ total 为求得的分布标准差。 4.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤5.2中风速数据离差标准化处理的公式为：其中，v i 为风速数据集合V中的值，v min 为风速数据集合V中的最小值，v max 为V中的最大值，v′ i 为离差标准化处理后的数据值，v′ i 值的取值范围在[0,1]之间；所述功率数据离差标准化处理公式如下：其中，p i 为功率数据集合P中的值，p min 为风速数据集合P中的最小值，p max 为P中的最大值，p′ i 为离差标准化处理后的数据值，p′ i 值的取值范围在[0,1]之间。 5.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤5.3中权值的计算方法如下：在数据集{(v 1 ,p 1 ),(v 2 ,p 2 ),...,(v m ,p m )}中，对于数据点(v i ,p i )，i∈m，权重值D ik 为数据点(v i ,p i )到其第k个最邻近点的距离；权重值D ik 的计算公式如下：其中(v k ,p k )表示离(v i ,p i )第k个最邻近的点。 6.根据权利要求1所述的基于加权kNN距离的风电场异常数据辨识方法，其特征在于：所述步骤5.4中加权kNN距离的计算方法如下：在数据集{(v 1 ,p 1 ),(v 2 ,p 2 ),...,(v m ,p m )}中，对于数据点(v i ,p i )，i∈m，其加权kNN距离 为：其中，j∈k，j表示到点(v i ,p i )距离最近的k个点，k为最邻近点的个数，D j,k 为点(v j ,p j )的权重值。