-
题名基于云分段最优熵算法的风电机组异常数据识别研究
被引量：22
- 1
-
-
作者
杨茂
杨琼琼
-
机构
东北电力大学电气工程学院
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2018年第8期2294-2301,共8页
-
基金
国家重点研发计划项目(2016YFB0900101)~~
-
文摘
风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。
-
关键词
风速–功率曲线
异常数据
云模型
云分段最优熵
-
Keywords
wind-power curve
abnormal data
cloud model
cloud segment optimal entropy
-
分类号
TM614
[电气工程—电力系统及自动化]
-
-
题名基于密度聚类算法的风电机组异常数据点筛选
- 2
-
-
作者
王克挺
-
机构
国家能源集团甘肃电力有限公司
-
出处
《电子设计工程》
2024年第18期127-131,共5页
-
基金
国网甘肃省电力公司科技项目(53262825001B)。
-
文摘
风电机组异常数据点筛选受到大规模高维噪声数据干扰,导致数据点筛选结果不全面。为精准筛选风电机组异常数据点,提出了基于密度聚类算法的风电机组异常数据点筛选方法。根据风电机组异常数据特征密度聚类,将多维向量空间中的数据形式化为特征值邻域,避免高维噪声影响异常数据点筛选过程。计算邻域半径和邻域密度,以反映数据分布紧密程度,确定密度低的点为噪声点。采用云分段最优熵算法,分析风速、功率数据样本关系,并计算信息熵。将样本熵计算结果输入到云发生器中,获取熵所在云序列坐标点,实现异常数据点筛选。由实验结果可知,所提出方法能够精准筛选出1号和2号风电机组异常数据点,为风电机组的安全运行提供精准数据。
-
关键词
密度聚类
风电机组
异常数据点
云分段最优熵
数据点筛选
-
Keywords
density clustering
wind turbine
abnormal data points
cloud segmentation optimal entropy
data point screening
-
分类号
TN914
[电子电信—通信与信息系统]
-
