CN117290666A - 一种光伏异常功率数据清洗方法 - Google Patents
一种光伏异常功率数据清洗方法 Download PDFInfo
- Publication number
- CN117290666A CN117290666A CN202311308062.4A CN202311308062A CN117290666A CN 117290666 A CN117290666 A CN 117290666A CN 202311308062 A CN202311308062 A CN 202311308062A CN 117290666 A CN117290666 A CN 117290666A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- point
- variance
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004140 cleaning Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000012417 linear regression Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000008439 repair process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明涉及光伏发电技术领域，尤其涉及一种光伏异常功率数据清洗方法；包括以下步骤：S1、采用方差变化点并结合相关性分析识别异常数据的类型，再根据不同类型所对应的方法进行异常数据的检测，异常数据类型包括单点异常值和连续异常值；S2、采用相关数据之间的线形回归模型进行异常数据修复；S3、对S1、S2步骤的可行性进行测试；通过方差变化点并结合相关性分析识别异常数据的类型，再根据不同类型所对应的方法进行异常数据的检测，针对性的检测异常值，并对检测到的异常值进行修复，保证数据的完整性，从而保证后续的数据建模与决策分析的正常进行。
Description
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种光伏异常功率数据清洗方法。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，近年来光伏发电发展迅速，已经成为最重要的能源之一，全国光伏发电装机量也随之增加，随着光伏装机容量的快速增长，光伏发电***智能化运行维护就显得愈发重要。智能化运维功能的实现依赖于数据的质量和高度可靠性，但是在光伏***实际运行过程中会产生大量的异常值，产生这些异常值的原因包括数据传波信号噪声、传感器故障、通信设备故障、测量设备故障、最大功率跟踪异常以及阵列停机限电等。这些异常值会对光伏***的建模分析等带来不理影响，因此异常数据清洗在实际工程中具有重要作用。
目前，常用的光伏***异常数据清洗方法包括全局概率统计方法和智能聚类方法两类，全局概率统计方法的优点在于方法本身为成熟的概率统计理论，能对功率曲线类似的历史样本数据建立统计学模型，而智能聚类方法的优点在于算法对理论要求弱、技术性强，大量的重复计算过程能够通过计算机迅速完成，但是上述两种方法也有缺点，全局概率统计方法的缺点在于难以解决异常数据局部堆积带来的数据误清洗问题，智能聚类方法的缺点在于其泛化能力取决于算法自身对于海量新鲜样本的学习，所以泛化能力有限；同时上述两种方法都存在一个缺点，在数据清洗过程中，会直接将异常数据直接删除，这样会破坏原始数据的完整性，可能影响后续的数据建模与决策分析。
因此，亟需提供一种光伏异常功率数据清洗方法，相对于现有技术，保证原始数据的完整性。
发明内容
本发明解决现有技术存在的技术问题，本发明提供了一种光伏异常功率数据清洗方法。
为实现上述目的，本发明采用的技术方案如下：
一种光伏异常功率数据清洗方法，包括以下步骤：
S1、采用方差变化点并结合相关性分析识别异常数据的类型，再根据不同类型所对应的方法进行异常数据的检测，异常数据类型包括单点异常值和连续异常值；
S2、采用相关数据之间的线形回归模型进行异常数据修复；
S3、对S1、S2步骤的可行性进行测试。
进一步地，S2步骤的具体方法为：将异常数据视为缺失值，将缺失值去除，并建立光伏功率与辐照度之间的线性回归模型，根据所建立的线性回归模型计算异常数据点处的修复值。
进一步地，步骤S1具体包括以下步骤：
S101、计算方差变化点；
S102、根据所计算的方差变化点进行单点异常值、连续异常值的识别；具体说：当检测到的异常方差点为两个且相邻或只检测到一个异常值时，确定为单点异常值，然后转入S103步骤进行异常数据检测；当检测到的异常方差点为两个且不相邻，并且这两个方差异常点之间的方差值都为0时，确定为连续异常值，然后转入S104步骤进行异常数据检测；
S103、当检测到两个相邻的异常方差点时，确定所对应大序号的数据点为单点异常值；当只检测到一个异常方差值时，将该方差值所对应序号的数据点以及比该序号大且相邻序号所对应的数据点选出，并将这两个数据点分别与对应的具有强相关性的数据作差，差值大的数据为单点异常值；
S104、确定两个所检测到的不相邻的异常方差点序号之间的所有序号的数据点为连续异常值；
S105、利用光伏功率与辐照度之间的强相关性确定最终需要清洗的异常值，当单点异常值或连续异常值的异常情况与其对应的辐照度异常情况不一致时，确认该异常值为最终确认的需清洗的异常值。
更进一步地，S101步骤具体包括以下步骤：
(1)设定原始数据序列为x1,x2,x3,…xn，记xi为第i个数据点，i＝1,2,3，，…，n，采用极差标准化对原始数据进行归一化处理，计算公式为：
上式中，Xi为所得出的新数据序列中的第i个数据点，xi为原始数据序列中的第i个数据点，xmin为原始数据序列中最小的数据点，xmax为原始数据序列中最大的数据点；
(2)根据步骤(1)计算得出新的数据序列X1,X2,X3,……Xn，计算新数据序列的方差，计算公式为：
上式中，Vi表示新数据序列中的第i个数据点与第i+1个数据点之间的方差，Xi表示新数据序列中的第i个数据点，Xi+1表示新数据序列中的第i+1个数据点；
根据方差计算公式得到方差序列为：V1,V2,V3,……Vn-1；
(3)采用中位数绝对偏差方法检测方差序列中的变化点。
更进一步地，采用中位数绝对偏差方法检测方差序列中变化点的具体方法为：
(1)计算每个方差的MAD，通过下式计算得出：
MAD＝median|Vi-median(Vi)|
上式中，MAD表示中位数绝对偏差，median表示中位数，median(Vi)表示方差Vi的中位数；
(2)使用拒绝标准来检测方差变化点，拒绝标准为：
Vi<median(Vi)+c×MAD
上式中，c取值为2或2.5或3，满足拒绝标准的方差值为检测出的方差变化点。
更进一步地，步骤S3具体包括以下步骤：
S301、选取原始光伏功率数据和对应的辐照度数据，并对每日的光伏功率数据按照时间顺序标上序号；
S302、采用S101步骤计算光伏功率数据、辐照度数据的方差并采用中位数绝对偏差法检测方差变化点，当未检测到方差变化点时，设定所选取的数据为正常数据；当检测到方差变化点，选取其他日期的数据再进行方差变化点检测，直至选取到正常数据；
S303、在正常数据中设置模拟异常值，并根据S1、S2步骤进行异常值的检测和修复，当所设定的全部异常值都被检测到，并且检测到的异常值的修复值与原始数据的正常值之差在误差允许范围内时，证明S1、S2步骤具有可行性。
更进一步地，修复值的误差允许范围是[-15％～15％]。
更进一步地，在对原始光伏功率数据、辐照度数据计算方差之前，先进行数据压缩，即将原始光伏功率数据、辐照度数据中的零值全部去除，对压缩后的数据进行方差计算。
与现有技术相比，本发明的有益效果为：
(1)本发明通过方差变化点并结合相关性分析识别异常数据的类型，再根据不同类型所对应的方法进行异常数据的检测，针对性的检测异常值，并对检测到的异常值进行修复，保证数据的完整性，从而保证后续的数据建模与决策分析的正常进行。
(2)本发明还对整个异常值检测过程和数据修复过程的可行性进行了测试，进一步证明了异常值检测方法的可靠性以及所得出的修复值的可靠性。
附图说明
图1是本发明方法的流程图。
图2是本发明有零值的原始光伏功率数据、辐照度数据示意图。
图3是本发明去零值的原始光伏功率数据、辐照度数据示意图。
图4是本发明连续9日光伏功率方差值曲线示意图。
图5是本发明连续9日辐照度方差值曲线示意图。
图6是本发明添加模拟异常值后的光伏功率变化曲线示意图。
图7是本发明7月16日设置单点异常值后的光伏功率变化和正常辐照度变化曲线示意图。
图8是本发明7月16日光伏功率和辐照度方差值变化曲线示意图。
图9是本发明7月16日去除异常值后的光伏功率与辐照度之间线形回归模型示意图。
图10是本发明7月17日设置连续异常值后的光伏功率变化和正常辐照度变化曲线示意图。
图11是本发明7月17日光伏功率和辐照度方差值变化曲线示意图。
图12是本发明7月17日去除异常值后的光伏功率与辐照度之间线形回归模型示意图。
图13是本发明模拟异常值后数据清洗效果示意图。
具体实施方式
下面将结合附图说明对本发明的技术方案进行清楚的描述，显然，所描述的实施例并不是本发明的全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明提供一种光伏异常功率数据清洗方法，包括以下步骤：
S1、进行异常数据检测，通过计算方差变化点并结合相关性分析识别单点异常值和连续异常值；
S101、计算方差变化点，具体方法为：
(1)设定原始数据序列为x1,x2,x3,……xn，记xi为第i个数据点，i＝1,2,3，，…，n。采用极差标准化对原始光伏数据进行归一化处理，计算公式为：
上式中，Xi为所得出的新数据序列的第i个数据点，xi为原始数据序列中的第i个数据点，xmin为原始数据序列中最小的数据点，xnax为原始数据序列中最大的数据点。
(2)根据步骤(1)计算得出新的数据序列X1,X2,X3,……Xn，再计算新数据序列的方差，计算公式为：
上式中，Vi(Xi,Xi+1)表示新数据序列中的第i个数据点与第i+1个数据点之间的方差，Xi表示新数据序列中的第i个数据点，Xi+1表示新数据序列中的第i+1个数据点。
根据方差计算公式得到方差序列为：V1,V2,V3,……Vn-1，Vi表示第i个数据点和第i+1个数据点之间的方差值。
(3)采用中位数绝对偏差方法检测方差序列中的变化点，具体通过下式计算得出：
MAD＝median|Vi-median(Vi)|
上式中，MAD表示中位数绝对偏差，median表示中位数，median(Vi)表示方差Vi的中位数。
计算得到MAD值后，使用拒绝标准来检测方差变化点，拒绝标准为：
median(Vi)-c×MAD<Vi<median(Vi)+c×MAD
上式中，c取值为2或2.5或3，本实施例优选c＝3，由于方差是一个始终大于或等于0的指标，所以只需使用上限标准即可，符合上限标准的为最终确定的方差变化点。
S102、通过检测异常方差值是否是连续的，进行单点异常值、连续异常值的识别。
具体地说，当检测到两个相邻的异常方差值时，即Vj-1和Vj均为方差异常值时，判断xj为该单点异常值；或只检测到一个异常方差值时，即Vj为方差异常值时，可能xj或xj+1为单点异常值，此时根据强相关性数据确定异常值，具体将xj和xj+1分别与对应的强相关性数据作差，差值较大的数据认为是异常值。
当检测到两个方差异常点，为Vi和Vj，同时这两个方差异常点之间的方差值都为0，则判断对应的原始数据出现了连续异常值。
S103、进行相关性分析，由于***正常运行情况下，某些数据异常但是属于正常范围内，不应该被清洗，例如天气变化也会导致光伏数据发生异常，天气变化导致的异常值是不应当清晰地，所以通过方差变化点得到的异常数据中可能存在因为某些不可避免的自然因素导致的异常值，因此需要进一步确定数据集中的异常数据是否需要清洗。
具体地说，由于考虑到时间序列间潜在的相关性，可以使用关联性强的时间序列准确识别异常数据；例如，光伏阵列发出的功率与太阳辐照度基本成正比，两者具有很强的相关性，正常情况下，光伏功率与辐照度具有一致的变化趋势，可根据对应辐照度数据来确定异常值是否可清洗，当光伏功率与辐照度数据的异常情况不一致时，表示所检测到的异常值需要清洗。
S2、进行异常数据修复，将异常数据视为缺失值，通过数据之间的线性回归模型，使用正常数据修复功率异常值。具体通过下述进行修复：
将该日的异常值去除，通过最小二乘法拟合得到该日光伏功率与辐照度之间的单变量线性回归模型以及拟合最优度，根据该模型计算异常值处的修复值。
S3、对S1、S2步骤进行可行性测试，以含大规模充电桩的虚拟电厂为测试对象，具体包括以下步骤：
S301、对原始光伏功率数据、辐照度数据进行数据压缩，将原始光伏功率数据、辐照度数据中的零值全部去除，由于光伏设备一天中几乎有一半的时间不能工作，所以夜间、凌晨采集到的大量零值数据可以去除，有利于节省存储空间，简化数据分析计算的工作量，同时原始数据中的有用信息能够被完全保留，压缩数据更便于计算处理，图2为有零值的原始数据，图3为去零值后的原始数据。
S302、对每日的功率数据按照时间顺序分别标上序号，通过计算得到光伏功率和对应辐照度数据的方差值，如图4、图5所示，图4是连续9日的光伏功率数据方差值变化曲线，图5是连续9日辐照度数据方差值变化曲线，如图5所示，光伏功率和辐照度相邻数据点方差值变化幅度平缓，都在0.02以下变化，使用中位数绝对偏差法并未检测到方差变化点，因此，连续9日的光伏功率和辐照度数据正常，设定所选取的原始光伏功率数据和辐照度数据为正常数据，如果选取的原始数据检测到了方差变化点，则选取其他日期的原始数据，直至选取到正常数据。
S303、在图3的正常光伏功率设置模拟异常值，本实施例中，在7月16日、7月18日、7月19日、7月21日、7月22日、7月23日、7月24日光伏功率中设置单点异常值，在7月17日、7月20日中设置连续异常值，如图6所示。
S304、进行单点异常值清洗及修复，以7月16日为例说明单点异常值清洗过程，7月18日、7月19日、7月21日、7月22日、7月23日、7月24日的单点异常值清洗过程参考7月16日单点异常值清洗过程，在此不再说明，如图7所示为该日设置单点异常值后的光伏功率变化曲线和正常的辐照度变化曲线，通过S1步骤中的方法计算得到光伏功率以及辐照度方差序列，如图8所示，再利用中位数绝对偏差法检测到光伏功率的方差变化点序列为(V3,V4,V6,V7,V10)，其中V3和V4、V6和V7属于连续的方差变化点，功率数据中的第4、7个点出现了单点异常，V7和V10为不连续的方差变化点，且V7和V10之间的方差值不等于0，因此光伏功率数据中没有连续异常值，功率数据中的第10或第11个点存在异常，因为第10个功率数据与对应的辐照度数据差值小于第11个点，第11个功率数据为异常值，辐照度方差序列在第3、4、6、7、10点处并未出现异常，确定光伏功率数据中的第4、7、11个数据是可清洗的单点异常值。
采用S2步骤中的修复方法对可清洗的单点异常值进行修复，所得到的线形回归模型(如图9所示)为：
Y＝1.1734×X
R2＝0.9409
上式中，Y表示光伏功率，X表示辐照度，R2表示拟合最优度，拟合最优度的值越接近1表明拟合模型越好，根据上述模型计算修复值，修复结果如表1所示：
表1 7月16日单点异常值修复结果
| 异常值序号 | 正常值 | 修复值 | 相对误差(％) |
| 4 | 895.20 | 772.48 | 13.71 |
| 7 | 1120.80 | 1059.32 | 5.48 |
| 11 | 448.80 | 622.56 | 38.71 |
根据表1可知，该日第4、7个点的相对误差在误差允许范围内，误差允许范围是[-15％～15％]，但是第11个点的相对误差稍大，超出误差允许范围，可能因为实际的光伏功率与辐照度并不是严格的正比关系，功率变化也会受到其他因素的影响，如温度、积尘、组件品质等，使用辐照度数据修复异常值的优势是能获得光伏功率变化的基本趋势，因此，线性回归模型修复的值是有参考价值的。
S305、进行连续异常值清洗及修复，下面以7月17日为例进行说明连续异常值的清洗过程，7月20日的连续异常值的清洗过程同7月17日的连续异常点清洗过程，在此不再说明，图10为该日设置连续异常值后的光伏功率变化曲线和正常的辐照度变化曲线。通过S1步骤的方法计算该日光伏功率和辐照度方差，结果如图11所示，再利用中位数绝对偏差检测到光伏功率的方差变化点序列为(V2,V6)，同时检测到V3＝V4＝V5＝0，光伏功率数据中第3、4、5、6个数据是可清洗的异常值。
然后将该日的异常值去除，建立该日光伏功率与辐照度之间的线形回归模型，图12是该日正常光伏功率与辐照度数据的对应关系图，根据图12建立线形回归模型：
Y＝1.0836×X
R2＝0.9424
根据模型计算修复值，如表2所示：
表2 7月17日连续点异常值修复结果
| 异常值序号 | 正常值 | 修复值 | 相对误差％ |
| 3 | 661.20 | 532.77 | 19.42 |
| 4 | 784.80 | 722.40 | 7.96 |
| 5 | 954.00 | 824.74 | 13.55 |
| 6 | 1034.40 | 839.79 | 18.81 |
根据表2可知，异常值序号为3、4、5、6的修复值的相对误差都在误差允许范围内，可作为修复值使用。
通过S3步骤的方法检测除了正常数据中随机设置的全部异常数据，证明了方法的可行性，最后异常值修复结果如图13所示，如图13中可以看出利用光伏功率与辐照度之间的线性回归模型修复后的曲线符合原始数据的基本趋势，可以证明该修复方法可行。
最后应当说明的是，以上内容仅用以说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种光伏异常功率数据清洗方法，其特征在于，包括以下步骤：
S1、采用方差变化点并结合相关性分析识别异常数据的类型，再根据不同类型所对应的方法进行异常数据的检测，异常数据类型包括单点异常值和连续异常值；
S2、采用相关数据之间的线形回归模型进行异常数据修复；
S3、对S1、S2步骤的可行性进行测试。
2.根据权利要求1所述的一种光伏异常功率数据清洗方法，其特征在于，S2步骤的具体方法为：将异常数据视为缺失值，将缺失值去除，并建立光伏功率与辐照度之间的线性回归模型，根据所建立的线性回归模型计算异常数据点处的修复值。
3.根据权利要求1所述的一种光伏异常功率数据清洗方法，其特征在于，步骤S1具体包括以下步骤：
S101、计算方差变化点；
S102、根据所计算的方差变化点进行单点异常值、连续异常值的识别；具体说：当检测到的异常方差点为两个且相邻或只检测到一个异常值时，确定为单点异常值，然后转入S103步骤进行异常数据检测；当检测到的异常方差点为两个且不相邻，并且这两个异常方差点之间的方差值都为0时，确定为连续异常值，然后转入S104步骤进行异常数据检测；
S103、当检测到两个相邻的异常方差点时，确定所对应大序号的数据点为单点异常值；当只检测到一个异常方差点时，将该异常方差点所对应序号的数据点以及比该序号大且相邻序号所对应的数据点选出，并将这两个数据点分别与对应的具有强相关性的数据作差，差值大的数据为单点异常值；
S104、确定两个所检测到的不相邻的异常方差点序号之间的所有序号的数据点为连续异常值；
S105、利用光伏功率与辐照度之间的强相关性确定最终需要清洗的异常值，当单点异常值或连续异常值的异常情况与其对应的辐照度异常情况不一致时，确认该异常值为最终确认的需清洗的异常值。
4.根据权利要求3所述的一种光伏异常功率数据清洗方法，其特征在于，S101步骤具体包括以下步骤：
(1)设定原始数据序列为x1,x2,x3,…xn，记xi为第i个数据点，i＝1,2,3，，…，n，采用极差标准化对原始数据进行归一化处理，计算公式为：
上式中，Xi为所得出的新数据序列中的第i个数据点，xi为原始数据序列中的第i个数据点，xmin为原始数据序列中最小的数据点，xmax为原始数据序列中最大的数据点；
(2)根据步骤(1)计算得出新的数据序列X1,X2,X3,……Xn，计算新数据序列的方差，计算公式为：
上式中，Vi表示新数据序列中的第i个数据点与第i+1个数据点之间的方差，Xi表示新数据序列中的第i个数据点，Xi+1表示新数据序列中的第i+1个数据点；
根据方差计算公式得到方差序列为：V1,V2,V3,……Vn-1；
(3)采用中位数绝对偏差方法检测方差序列中的变化点。
5.根据权利要求4所述的一种光伏异常功率数据清洗方法，其特征在于，采用中位数绝对偏差方法检测方差序列中变化点的具体方法为：
(1)计算每个方差的MAD，通过下式计算得出：
MAD＝median|Vi-median(Vi)|
上式中，MAD表示中位数绝对偏差，median表示中位数，median(Vi)表示方差Vi的中位数；
(2)使用拒绝标准来检测方差变化点，拒绝标准为：
Vi<median(Vi)+c×MAD
上式中，c取值为2或2.5或3，满足拒绝标准的方差值为检测出的方差变化点。
6.根据权利要求5所述的一种光伏异常功率数据清洗方法，其特征在于，步骤S3具体包括以下步骤：
S301、选取原始光伏功率数据和对应的辐照度数据，并对每日的光伏功率数据按照时间顺序标上序号；
S302、采用S101步骤计算光伏功率数据、辐照度数据的方差并采用中位数绝对偏差法检测方差变化点，当未检测到方差变化点时，设定所选取的数据为正常数据；当检测到方差变化点，选取其他日期的数据再进行方差变化点检测，直至选取到正常数据；
S303、在正常数据中设置模拟异常值，并根据S1、S2步骤进行异常值的检测和修复，当所设定的全部异常值都被检测到，并且检测到的异常值的修复值与原始数据的正常值之差在误差允许范围内时，证明S1、S2步骤具有可行性。
7.根据权利要求6所述的一种光伏异常功率数据清洗方法，其特征在于，修复值的误差允许范围是[-15％～15％]。
8.根据权利要求6所述的一种光伏异常功率数据清洗方法，其特征在于，在对原始光伏功率数据、辐照度数据计算方差之前，先进行数据压缩，即将原始光伏功率数据、辐照度数据中的零值全部去除，对压缩后的数据进行方差计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308062.4A CN117290666A (zh) | 2023-10-10 | 2023-10-10 | 一种光伏异常功率数据清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308062.4A CN117290666A (zh) | 2023-10-10 | 2023-10-10 | 一种光伏异常功率数据清洗方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117290666A true CN117290666A (zh) | 2023-12-26 |
Family
ID=89251568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308062.4A Pending CN117290666A (zh) | 2023-10-10 | 2023-10-10 | 一种光伏异常功率数据清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117290666A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491938A (zh) * | 2023-12-29 | 2024-02-02 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
-
2023
- 2023-10-10 CN CN202311308062.4A patent/CN117290666A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491938A (zh) * | 2023-12-29 | 2024-02-02 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
| CN117491938B (zh) * | 2023-12-29 | 2024-03-01 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
| CN110224673B (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
| CN117290666A (zh) | 一种光伏异常功率数据清洗方法 | |
| CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| CN111522808B (zh) | 一种风电机组异常运行数据处理方法 | |
| CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN117008479B (zh) | 基于生物质气化炉的负碳排放优化控制方法及*** | |
| CN112488427A (zh) | 基于arima模型的中长期光伏可用电量预测方法 | |
| CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及*** | |
| CN116451035A (zh) | 一种提高分布式光伏预测精度的数据特征工程处理方法 | |
| CN115374091A (zh) | 一种分布式新能源出力数据质量提升方法和*** | |
| CN108268963B (zh) | 一种自修正检验的光伏功率短期预测方法 | |
| Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN117077866A (zh) | 一种发电设备时间序列数据的预测方法 | |
| CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、***、设备和介质 | |
| CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
| CN114281846A (zh) | 一种基于机器学习的新能源发电预测方法 | |
| CN114090559A (zh) | 一种光伏电站异常数据清洗的方法 | |
| Jiao et al. | Photovoltaic Power Abnormal Data Cleaning Based on Variance Change Point and Correlation Analysis | |
| CN112749205A (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取***及方法 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及*** | |
| CN117613856A (zh) | 一种母线负荷自适应预测方法、***、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |