CN110674864B - 一种含同步相量量测装置的风电异常数据辨识方法 - Google Patents

Abstract

本发明涉及一种含同步相量量测装置的风电异常数据辨识方法，该方法考虑风速对异常数据辨识的影响，采用改进的FCM算法对风机运行数据聚类，并采用统计学方法对聚类结果进行计算得到可行域矩阵，进而依次进行异常数据辨识。与现有技术相比，本发明具有优越的辨识速度和精度等优点。

Description

一种含同步相量量测装置的风电异常数据辨识方法

技术领域

本发明涉及于电力大数据分析与预处理技术领域，尤其是涉及一种含同步相量量测装置的风电异常数据辨识方法。

背景技术

环境与能源危机得到了全社会高度重视，为改善能源消费结构，分布式可再生能源得到了快速发展。其中风电机组的总装机容量逐年上升，其出力的随机性给电网带来的影响日益显著。为降低风力发电的随机性给电力***稳定性带来的影响，一种重要方法就是风电大数据量测与挖掘，以提高运行的可预见性。但在量测获得的风电数据中，由于人为调控、停机、通讯故障等原因，普遍存在大量异常数据，对数据的分析与使用带来了严重干扰。故有必要对风电数据进行异常数据辨识与校正，以为后续研究提供保障。

截止目前在异常数据辨识方面已有许多研究，但大多都是基于SCADA采样***提出的辨识方法。随着PMU量测装置的逐步应用，其高精度、采样高频率(典型采样间隔20ms)特性对辨识方法也提出了新的要求，而传统基于统计学的方法由于数据量庞大而不再适用。同时，在风电运行异常数据辨识相关领域的研究也相对欠缺，且没有计及风速变化对风电数据辨识的影响。风速在低于切入速度或者高于切出速度时会对异常数据辨识带来显著干扰，有必要在异常风电数据辨识时考虑风速的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种含同步相量量测装置的风电异常数据辨识方法。

本发明的目的可以通过以下技术方案来实现：

一种含同步相量量测装置的风电异常数据辨识方法，该方法考虑风速对异常数据辨识的影响，采用改进的FCM算法对风机运行数据聚类，并采用统计学方法对聚类结果进行计算得到可行域矩阵，进而依次进行异常数据辨识。

优选地，该方法具体包括以下步骤：

步骤1，根据风速大小将风电运行大数据分类；

步骤2，利用减法均值聚类算法获得聚类簇的个数与初始聚类中心；

步骤3，基于步骤2获得的聚类簇个数与初始聚类中心进行模糊均值聚类；

步骤4，利用统计学规律计算各聚类簇的可行域矩阵；

步骤5，利用步骤4获得的各聚类簇可行域矩阵判别异常数据；

步骤6，采用垂直比较法校正步骤5辨识出的异常数据。

优选地，所述的步骤1包括：考虑在采样节点安装PMU量测装置，同时考虑风速在连续一段时间内不会突变，故根据风速将风电大数据分类，并关注低于切入风速和高于切出风速的风电数据。

优选地，所述的步骤2鉴于传统FCM算法无法有效确定其初始的聚类簇数及其聚类中心，同时考虑风电数据具有数据量大、维度高的特征，采用减法聚类算法在聚类之前无需确定聚类数与聚类中心且容易收敛。

优选地，所述的步骤3采用FCM算法计算所属各类权值，并选取权值最大的作为所属类。

优选地，所述的步骤4具体过程如下：

⑴计算样本均值：

式中x_i表示第i刻某类风电数据，表示该类风电数据的均值，n为采样数。

⑵在原样本数据中随机加入1个异常数据，分别计算原样本标准差与加入异常数据后的样本标准差，并计算前后标准差的比值a₁：

式中δ₂、为加入异常数据后的标准差和均值，δ₁、u为原样本标准差和均值。

⑶计算可行域范围：

K₁、K₂、K₃含义如下：

优选地，所述的步骤6包括：

考虑安装了高精度PMU量测装置，某时刻异常数据的真实值与其前后时刻的量测值比较接近，故本发明采用垂直比较法进行异常数据的校正

式中x_ij表示第i天第j个时刻某台机组的样本数据，表示该机组第i-1天第j个时刻的样本数据，/>表示该机组第i-1天第j-1个时刻样本数据，Δx_i，j-1表示第i-1天第j个时刻样本数据与第i天第j时刻样本数据的差值。

优选地，所述的方法基于提出的异常数据辨识和校正模型，采用仿真算例并搭建仿真模型进行验证分析。

与现有技术相比，本发明具有以下优点：

首先根据风速大小将风电数据初步分类，接着通过改进模糊均值算法对初步分类的风电数据进行聚类分析，随后依据统计学规律计算各分类簇的可行域矩阵，并据此判别是否为异常数据，最后计及PMU量测装置的高采样频率与高精度，采用垂直比较法进行风电异常数据校正。本发明所提的含有PMU量测装置的风电异常数据辨识方法具有优越的辨识速度和精度，对风电数据的处理和挖掘起到了支撑作用，并可为风机的运行提供辅助决策。

附图说明

图1为风电机组风速-功率散点图；

图2为本发明的方法流程图；

图3为本发明的改进模糊均值二维聚类结果；

图4为本发明的改进模糊均值三维聚类结果；

图5为存在异常数据的折线图；

图6为异常数据点校正后的效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明一种含PMU装置的风电异常数据辨识方法，计及风速对风电异常数据辨识的影响，通过改进FCM算法对风电大数据进行聚类分析，并采用统计学方法对聚类结果进行计算得到可行域矩阵，进而依次判断量测数据是否异常，最后利用PMU量测装置高频率、高精度的特性，选择采用垂直比较法进行风电异常数据的校正。

所述的方法包括以下主要步骤：

步骤1，根据风速大小对风电量测数据进行分类；

步骤2，利用减法均值聚类算法获得聚类簇数与初始聚类中心；

步骤3，基于步骤2所得聚类簇数与初始聚类中心进行模糊均值聚类；

步骤4，基于统计学规律，计算各聚类簇的可行域矩阵；

步骤5，利用步骤4所得各聚类簇的可行域矩阵，判别其异常数据；

步骤6，采用垂直比较法进行风电异常数据的校正。

具体来讲，步骤一包括：在采样节点安装PMU量测装置，相比于SCADA等其它量测装置，PMU具有采样频率快、精度高的特点；同时考虑风速在连续时间内不会突变，故根据风速将风电量测数据分类，主要分为低于切入风速、高于切出风速和介于两者之间三类。

风机出力与风速直接相关，如果不考虑风速而对风电数据直接进行聚类辨识，会造成对异常数据的误判。例如当风速小于切入速度或者大于切出速度时风机出力为0，若没有分类则会判为异常数据。

式中P表示风电机组的输出功率；C_p表示风能利用率；ρ表示空气密度；A表示风机叶片扫过的有效面积；v表示测量风速；v_in、v_out、v_n分别表示切入风速、切出风速和额定风速。

步骤二利用减法均值聚类算法获得聚类簇数与初始聚类中心，具体包括以下子步骤：

1)给定样本集X＝{x₁，x₂，x₃，...，x_n}，假设聚类数目为k(任意值)，初始化k＝0，则各个样本点x_i的密度指标为：

式中r_a为领域半径(预先给定参数)，逐个计算各样本点密度指标，将密度指标最大的样本点作为第一个聚类中心，并令k＝1。

2)在1)基础上，按照下式修正每个样本点的密度指标

式中x_ck为第k次选出的聚类中心，D_ck为对应的指标密度；r_b为预先给定的正参数。选取具有最高密度指标的数据点作为新的聚类中心，其对应的密度指标为/>且令k＝k+1。

3)判断下式是否成立

若成立，则运算结束，得到k为聚类簇数，x_ck为聚类中心；若不成立，则返回2)。减法聚类中的参数r_a、r_b定义为领域半径，半径以外的数据点对该点的密度指标影响非常小。下式为领域半径的计算方法：

减法聚类后得到的聚类中心与簇数将作为步骤三FCM聚类的初始值，以提高聚类的速度与精度。

步骤三为模糊均值聚类，具体包括：1)建立模糊隶属度矩阵；2)根据隶属度矩阵权值聚类。首先隶属度矩阵的约束条件为：

式中v_i为第i个聚类中心，V为聚类中心的集合。w为加权指数，取值范围为[1，+∞)，w的值会影响聚类的模糊程度，x_j为第了个样本元素，u_ij表示第j个样本在第i个分类中的隶属度。

在FCM聚类算法中，隶属度矩阵元素和初始聚类中心是随机赋值生成的。为得到目标函数的最小值min{J_w(U，V)}，需进行多次迭代。

上式中，x_j为实际数值，v_i为该数值的聚类中心，uij^w为该数值属于该类簇的隶属度。为得到上式目标函数的最优解，可如下通过拉格朗日乘子法优化隶属度矩阵元素，

上式即为通过拉格朗日乘子法求解隶属度矩阵元素，约束条件如下：

上式中，w为权重系数，α为拉格朗日乘子，u_ij、x_j、v_i如式(13)所述。通过上式可以得到：

从而：

通过如下隶属度矩阵元素的迭代公式更新其元素：

类似地，可以得到聚类中心的迭代公式如下：

计算可得到聚类中心的更新公式为：

式(15)～(20)中，u_ij、x_j、v_i都分别为隶属度、实际数值、聚类中心。重复上述计算步骤，直到聚类中心收敛在某个值域∈范围内为止。

步骤四依据统计学规律，计算各聚类簇的可行域矩阵，包括1)计算样本均值与标准差；2)计算样本可行域范围。具体而言，对于样本集合为X＝{x₁，x₂，...，x_n}的风电数据，其样本均值用u表示，标准差为δ₁。在加入某异常数据后，样本均值变为标准差变为δ₂。异常数据加入前后，样本均值之间的关系为：

对于新的样本集X＝{x₁，x₂，...，x_n，x_n+1}，其标准差之间的关系如下：

整理后可得：

将上式带入前式计算中可得：

将上式看作关于x_n+1的一元二次方程进行求解，可以得到：

式中K₁、K₂、K₃含义如下：

通过上述求解可以得到正常数据的范围门槛，其上下边界分别为：和/>对超过上下边界的数据，其量测标准差会明显大于正常量测标准差，可据此判断为异常数据。

步骤五利用步骤四所得的各聚类簇的可行域矩阵，判别其中的异常数据。具体包括：1)利用步骤四得到的可行域矩阵依次判别每个风电数据，超过阈值边界的即为异常数据；2)将所有异常数据收集，得到风电异常数据集。

步骤六利用垂直比较法进行异常数据的校正，校正公式如下：

式中x_ij表示第i天第j个时刻某台机组的样本数据，表示该机组第i-1天第j个时刻的样本数据，/>表示该机组第i-1天第j-1个时刻样本数据，Δx_i，j-1表示第i-1天第j个时刻样本数据与第i天第j时刻样本数据的差值。

下面结合说明书附图和真实算例对本发明具体实施方式进一步说明。

步骤一，根据风速大小对风电数据分类。考虑风速对风电异常数据辨识的影响，将风电数据分为三类。如图1所示，位于坐标轴的数据为弃风数据，即风速低于切入速度或者高于切出速度时的风电数据；偏离功率曲线的数据为离群孤立数据；位于功率曲线边缘的数据为偏差簇数据。

步骤二，利用减法均值聚类算法获得聚类簇数与初始聚类中心。本发明利用MATLAB聚类工具箱中的subclust函数开展减法均值聚类。减法聚类方法假定每个数据点均是潜在的聚类中心，并根据周围数据点的密度计算各数据点定义为聚类中心的可能性度量。该算法具体执行以下操作：选择具有最高潜力的数据点作为第一个集群中心，并删除第一个集群中心附近的所有数据点(由半径确定)，以确定下一个数据集群及其中心位置。迭代此过程，直到所有数据都在集群中心的半径范围内。以东海大桥风电场2号机组2018年10月份的有功、无功、风速三维数据为样本开展减法聚类运算，结果如下：

表1东海风电场2号机组18年10月份三维减法聚类结果

步骤三，以步骤二所得聚类中心与聚类簇数作为FCM聚类的初始值，并借助Matlab聚类工具箱进行聚类运算。其运算流程如图2所示，聚类结果如图3、图4所示。

步骤四，基于步骤三所得风电数据聚类，分别计算各簇类风电数据的可行域范围，结果如下表所示

表2各簇类可行域范围计算结果

步骤五，根据各类数据的可行域值范围逐个进行异常数据判断，得到异常数据集。例如第1簇类中如果某有功采样值为300kW，不在可行域[447.9，667.5]范围内，则判断为异常数据；反之500kW在可行域范围内，则判断为正常数据。

步骤六，对异常数据集内的数据，采用垂直比较法进行异常数据校正。为检验校正效果，人为加入若干异常数据，并计算异常数据校正偏差率，结果见表3。

上式中，p为实际数值与真实值的偏差率，x_i为实际数值，x_j为真实值。

表3校正后异常数据偏差率

完成校正后，循环进行上述异常数据辨识，直至辨识准确率达到稳定值为止。

B＝N₁/N₂ (29)

上式中为辨识准确率，N₁为成功辨识异常数据总数，N₂为异常数据样本总数。辨识准确率计算结果如下表所示：

表4校正前后成功辨识总数

值得注意的是，上述实施算例仅用于表达本发明的实施方式，并不能因此理解为对本发明适用范围的限制，也并非对本发明的结构作任何形式上的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进，这些都属于本发明的保护范围。

本发明考虑风速对风电异常数据辨识的影响，基于风速对风电数据进行初步分类，并开展改进模糊C均值聚类分析，进而采用统计学方法计算各簇类可行。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种含同步相量量测装置的风电异常数据辨识方法，其特征在于，

该方法具体包括以下步骤：

步骤1，根据风速大小将风电运行大数据分类；

步骤2，利用减法均值聚类算法获得聚类簇的个数与初始聚类中心；

步骤3，基于步骤2获得的聚类簇个数与初始聚类中心进行模糊均值聚类；

步骤4，利用统计学规律计算各聚类簇的可行域矩阵；

步骤5，利用步骤4获得的各聚类簇可行域矩阵判别异常数据；

步骤6，采用垂直比较法校正步骤5辨识出的异常数据；

步骤2利用减法均值聚类算法获得聚类簇数与初始聚类中心，具体包括以下子步骤：

A)给定样本集X＝{x₁,x₂,x₃,…,x_n}，设聚类数目为k，初始化k＝0，则各个样本点x_i的密度指标为：

式中r_a为领域半径，逐个计算各样本点密度指标，将密度指标最大的样本点作为第一个聚类中心，并令k＝1；

B)按照下式修正每个样本点的密度指标

式中x_ck为第k次选出的聚类中心，D_ck为对应的指标密度；r_b为领域半径，是预先给定的正参数，选取具有最高密度指标的数据点作为新的聚类中心，其对应的密度指标为且令k＝k+1；

C)判断下式是否成立

若成立，则运算结束，得到k为聚类簇数，x_ck为聚类中心；若不成立，则返回步骤B)；根据公式(4)或(5)计算领域半径r_a、r_b：

所述的步骤4具体过程如下：

⑴计算样本均值：

式中x_i表示第i刻某类风电数据，表示该类风电数据的均值，n为采样数；

⑵在原样本数据中随机加入1个异常数据，分别计算原样本标准差与加入异常数据后的样本标准差，并计算前后标准差的比值a₁：

式中δ₂、为加入异常数据后的标准差和均值，δ₁、u为原样本标准差和均值；

⑶计算可行域范围：

K₁、K₂、K₃含义如下：

所述的步骤6包括：

采用垂直比较法进行异常数据的校正

式中x_ij表示第i天第j个时刻某台机组的样本数据，表示该机组第i-1天第j个时刻的样本数据，/>表示该机组第i-1天第j-1个时刻样本数据，△x_i,j-1表示第i-1天第j个时刻样本数据与第i天第j时刻样本数据的差值。

2.根据权利要求1所述的一种含同步相量量测装置的风电异常数据辨识方法，其特征在于，所述的步骤1包括：根据风速将风电大数据分类，，并关注低于切入风速和高于切出风速的风电数据。

3.根据权利要求1所述的一种含同步相量量测装置的风电异常数据辨识方法，其特征在于，所述的步骤3采用FCM算法计算所属各类权值，并选取权值最大的作为所属类。

4.根据权利要求1所述的一种含同步相量量测装置的风电异常数据辨识方法，其特征在于，所述的方法基于提出的异常数据辨识和校正模型，采用仿真算例并搭建仿真模型进行验证分析。