中国南方电网电力调度控制中心 邓韦斯,戴仲覆,王皓怀,等:一种基于DBSCAN+LAR的风电场数据清洗方法

学术   科技   2024-10-10 17:10   北京  

祝贺《电力信息与通信技术》

蝉联中国科技核心期刊 

引文信息


邓韦斯,戴仲覆,王皓怀,等.一种基于DBSCAN+LAR的风电场数据清洗方法[J].电力信息与通信技术,202422(6)66-72

DENG Weisi,DAI Zhongfu,WANG Haohuai,et al.A data cleansing method for wind power farm based on DBSCAN+LAR[J].Electric Power Information and Communication Technology,2024,22(6):66-72(in Chinese)



01

研究背景


高质量的风电场运行数据是风电有效消纳的重要保证。由于受到弃风限电、表计误差、环境气候等因素影响,在风电场数据采集与监视控制(supervisory control and data acquisition,SCADA)系统实际采集的运行工况数据中往往含有异常值和缺失值,这将会降低风电功率预测的准确性和可靠性。因此,在预测风电功率前,对风电场实测数据进行清洗以去除其中的异常值、补充缺失值,将对提高风电场功率预测精度具有积极作用。


02

主要创新点



1)基于DBSCAN算法聚类簇组数设置简便、LAR方法拟合曲线时抗干扰能力强的特点,本节采用DBSCAN+LAR的方法分别清洗分散型异常数据和堆积型异常数据。DBSCAN+LAR方法步骤如图1所示。
图1  DBSCAN+LAR方法步骤
2)最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。
①Pearson相关系数。对比基于DBSCAN、LAR、DBSCAN+LAR 3种清洗方法和清洗前的Pearson相关系数,结果如表1所示。由表1可知,DBSCAN+LAR方法清洗后的风速-功率数据的Pearson相关系数较未清洗、DBSCAN法和LAR法均有不同程度提高。
表1  数据清洗前后的Pearson相关系数
风电功率预测模型。采用表1中3种方法清洗前后的数据分别训练BP神经网络,从表2和图2可以看出,经过DBSCAN+LAR清洗后数据训练的预测模型,其预测结果RMSE比清洗前、仅DBSCAN法和仅LAR法小,进一步验证了所提方法的有效性。
表2  数据清洗前后测试集的RMSE

图2  数据清洗前后预测指标的RMSE


03
解决的问题和意义

针对因风电场异常数据导致的风电功率预测精度下降问题,本文基于风电场数据特点,利用DBSCAN的易分类和LAR的抗干扰能力强的特点,提出对分散型和堆积型异常数据分别进行清洗的方法。在阐述DBSCAN+LAR方法原理的基础上,利用某风电场站实测数据,从Pearson相关系数和BP神经网络预测模型两方面对所提方法进行了仿真验证。说明所提方法的有效性,并将对提升风电功率预测精度具有积极作用。




作者介绍

邓韦斯

邓韦斯(1990),女,博士,高级工程师,研究方向为新能源预测、新能源调度运行、电力市场、电力系统分析等。 

戴仲覆(1985),男,硕士,高级工程师,研究方向为新能源预测,电力系统规划与运行等。

王皓怀(1984),男,博士,正高级工程师,研究方向为新能源、新型储能调度运行管理等。

周保荣(1974),男,博士,正高级工程师,研究方向为新能源发电、高压直流输电、电力系统规划等。

张洋宁(2001),男,硕士,高级工程师,通信作者,研究方向为新能源预测,419700247@qq.com。


电力信息与通信技术
发布期刊信息及论文
 最新文章