摘要:本文使用多參數(shù)機(jī)器學(xué)習(xí)方法，對風(fēng)電場實際數(shù)據(jù)中的異常點進(jìn)行智能判別與還原，利用此方法可以精準(zhǔn)計算風(fēng)電場損失電量，為風(fēng)電場相關(guān)人員詳細(xì)分風(fēng)電利用小時變化原因，提供精確的數(shù)據(jù)支持與技術(shù)支持，達(dá)到提升風(fēng)電場管理水平，從而提高風(fēng)電場發(fā)電量的目的。

引言在實際情況中，風(fēng)電機(jī)組在日常運行時會出現(xiàn)故障、電網(wǎng)限電與受自然因素出力受限等出力達(dá)不到正常水平的情況，在沒有精準(zhǔn)的數(shù)據(jù)分析前提下，風(fēng)電場在擁有良好的風(fēng)資源條件時，難以達(dá)到應(yīng)有的發(fā)電水平。通常使用的風(fēng)電機(jī)組標(biāo)準(zhǔn)功率曲線有著明顯缺點。風(fēng)電機(jī)組標(biāo)準(zhǔn)功率曲線使用數(shù)據(jù)和曲線擬合方法采用的為實驗室數(shù)據(jù)或模擬數(shù)據(jù)，環(huán)境信息單一且為風(fēng)電機(jī)組在理論條件下的發(fā)電數(shù)據(jù)。在實際情況中，風(fēng)電機(jī)組受溫濕壓等大氣條件影響，實際與理論條件不一致，風(fēng)電機(jī)組排布等因素均可能導(dǎo)致機(jī)組出力受到影響。我們希望通過機(jī)器學(xué)習(xí)的方法描述機(jī)組實際數(shù)據(jù)與理論數(shù)據(jù)之間的關(guān)系，減少異常點影響，真實合理地計算風(fēng)電場損失電量，幫助風(fēng)電場分析每一臺機(jī)組的出力情況，從而提高風(fēng)場發(fā)電量的目的。1、風(fēng)場概況本次測量地點選擇西北地區(qū)某陸上風(fēng)場，風(fēng)場內(nèi)均為平坦地形，海拔約1000m，無明顯植被影響，一天乃至四季溫度變化明顯，故障多，出力受限明顯。風(fēng)機(jī)參數(shù)如表1。

2、背景技術(shù)2.1背景風(fēng)能是一種對環(huán)境無污染的再生能源，作為未來能源的主要形式，對今后人類的生活方式、生存和發(fā)展都具有重要意義。為了有效地利用風(fēng)能資源，大型風(fēng)電場的并網(wǎng)運行都需要智能的電量分析系統(tǒng)。精確的電量分析系統(tǒng)需要足量的歷史數(shù)據(jù)與智能算法的支持。本人采用現(xiàn)流行的多參數(shù)機(jī)器學(xué)習(xí)算法，結(jié)合風(fēng)電預(yù)測實際數(shù)據(jù)特征，提出了一套針對風(fēng)能分析的有效算法。由于風(fēng)電機(jī)組受到場內(nèi)或場外影響，實際功率與可發(fā)電功率之間具有差距。這種情況在西北風(fēng)場尤為嚴(yán)重。在算法中，對出力降容點做出了一些處理，用以提高電量分析的精確度。2.2模型介紹2.2.1

正態(tài)分布（Normaldistribution），最早由棣莫弗（AbrahamdeMoivre）在求二項分布的漸近公式中得到。C.F.高斯在研究測量誤差時從另一個角度導(dǎo)出了它。P.S.拉普拉斯和高斯研究了它的性質(zhì)。是一個在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要的概率分布。3σ準(zhǔn)則是建立在正態(tài)分布的等精度重復(fù)測量基礎(chǔ)上而造成奇異數(shù)據(jù)的干擾或噪聲難以滿足正態(tài)分布。如果一組測量數(shù)據(jù)中某個測量值的殘余誤差的絕對值大于3σ，則該測量值為壞值，應(yīng)剔除.通常把等于±3σ的誤差作為極限誤差,對于正態(tài)分布的隨機(jī)誤差，落在±3σ以外的概率只有0.27%,它在有限次測量中發(fā)生的可能性很小，故存在3σ準(zhǔn)則。3σ準(zhǔn)則是最常用的一種判別準(zhǔn)則。2.2.2

隨機(jī)森林（RandomForest），在以決策樹為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進(jìn)一步在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇。具體來說，傳統(tǒng)決策樹在選擇劃分屬性時是在當(dāng)前結(jié)點的屬性集合中選擇一個最優(yōu)屬性；而在隨機(jī)森林中，對基決策樹的每個結(jié)點，先從該結(jié)點的屬性集合中隨機(jī)選擇一個包含k個屬性的子集，然后再從這個子集中選擇一個最優(yōu)屬性用于劃分。這里的參數(shù)k控制了隨機(jī)性的引入程度：若令k=全部屬性個數(shù)d，則基決策樹的構(gòu)建與傳統(tǒng)決策樹相同；若令k=1，則是隨機(jī)選擇一個屬性用于劃分。隨機(jī)森林簡單、容易實現(xiàn)、計算開銷小，可以在恩多現(xiàn)實任務(wù)中展現(xiàn)出強(qiáng)大的性能。3

算法概述3.1模型判別由于受場內(nèi)或場外受累影響，導(dǎo)致風(fēng)場歷史數(shù)據(jù)中存在大量的異常點，本文設(shè)計實現(xiàn)了一種異常點檢測以及還原的算法。該算法綜合考慮風(fēng)電場中功率與數(shù)值氣象數(shù)據(jù)、數(shù)值環(huán)境信息之間的關(guān)系、結(jié)合本身的數(shù)據(jù)分布特點，以及各數(shù)值項之間的方差以及均值。在擁有足量的歷史數(shù)據(jù)時，通過分組的方式將不同風(fēng)速區(qū)間的數(shù)據(jù)進(jìn)行檢測判別。3.2數(shù)據(jù)還原還原算法以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)。數(shù)據(jù)判別算法中作為第一步處理，獲得異常點數(shù)據(jù)，之后作為輸入，結(jié)合氣象數(shù)據(jù)NWD，輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的機(jī)器學(xué)習(xí)模型，進(jìn)行數(shù)據(jù)還原，進(jìn)而提高電量分析精準(zhǔn)度。再根據(jù)損失電量的定義，構(gòu)筑風(fēng)電場的損失電量分析系統(tǒng)。算法整體流程如圖所示。3、數(shù)據(jù)展示3.1模型訓(xùn)練歷史數(shù)據(jù)采用一年的風(fēng)電場風(fēng)速、功率、數(shù)值氣象數(shù)據(jù)和固定的風(fēng)電場信息數(shù)據(jù)，以風(fēng)速、功率為核心，得到不同參數(shù)下的風(fēng)電場風(fēng)速-功率模型曲線。模型擬合曲線與訓(xùn)練數(shù)據(jù)模型散點圖如下圖3、圖4所示。3.2模型測試計算測試集選擇風(fēng)電場近一個月的實際數(shù)據(jù)進(jìn)行計算，基于實際數(shù)據(jù)的實際參數(shù)，帶入不同的模型model-i中，得到原始數(shù)據(jù)與還原數(shù)據(jù)的數(shù)據(jù)集合與散點圖。3.3模型結(jié)果根據(jù)數(shù)據(jù)智能還原結(jié)果，得知該風(fēng)電場在近一個月數(shù)據(jù)中應(yīng)發(fā)30047MWh，實發(fā)27881MWh，由于各項原因，共損失電量為2165MWh，折合標(biāo)準(zhǔn)單位為2,165,000KWh，各項損失共占比7.2%。4、結(jié)論本文提出一種風(fēng)電場異常數(shù)據(jù)智能判別與還原方法，通過展示算法概述及數(shù)據(jù)處理結(jié)果，表明了通過機(jī)器學(xué)習(xí)方法，可以達(dá)到對風(fēng)電場歷史或?qū)?/p>