免费下载！
[!--downpath--]风电机组风速功率数据清理是风电机组异常运行数据识别与清理的研究热点。 其中，风力电机的风速-功率数据清理分为三类。 第一类是基于数理统计的清洗方法（如密度、距离、中值、方差、平均值等），但此类方法对于识别密集分布的异常数据效果有限。 例如文献[]采用四分位数法处理异常数据，风电数据中异常数据所占比例较大，四分位数法会剔除大量正常数据； 文献【】采用四分位法和降维分析方法剔除异常数据，但没有给出具体的剔除标准，可能会导致正常数据被删除，对数据处理结果影响较大； 文献[]采用局部异常值因子（local中期风电功率预测，LOF）算法来检查异常值，该算法根据风速-功率曲线，估计曲线周围的相对密度，消除异常值。 第二种是基于数据挖掘的，即通过无监督学习来识别大量数据中具有异常特征的数据，并将其用于数据分析和处理。 这类方法不需要提前建立模型，具有较好的抗干扰性中期风电功率预测，例如文献[]采用LOF与支持向量机相结合，通过LOF值修复异常范围，然后构造结合支持向量机的判断机制，从而判断异常值，有效防止基于距离降维方法的异常值吞噬现象。 文献[]采用最优残差算法实现了分散异常数据的有效识别，但无法有效识别高密度的累积异常数据。 第三类方法是基于数据的分布特征。 该类方法的依据是位于风速-功率曲线之外的数据为异常数据，可以实现多类异常数据的清洗。 例如，如果风速-功率的概率密度偏差服从正态分布，文献[]提出了一种基于“3σ规则”的判断方法来衡量异常值，即位于[0， 3σ]为异常偏差，位于[0,3σ]以内的偏差为正常偏差，从而达到数据清洗的目的。 而且风速-功率的概率密度往往是多峰的，精度不高。 文献[]借助成熟的预测算法获取方差的偏差信息，综合分析偏差概率密度的特征，判断异常信息。 文献[]提出了一种不需要概率密度分布函数的四分位数算法，避免了拟合概率密度的复杂过程。
