针对风速-功率曲线拟合过程中风电机组风速-功率异常数据与正常数据难以准确分离的难题,且现有方法识别准确度低、分析过程复杂、异常数据清洗效率低、处理时间长等问题,提出了1种基于卷积神经网络(Convolutional Neural Network,CNN)...针对风速-功率曲线拟合过程中风电机组风速-功率异常数据与正常数据难以准确分离的难题,且现有方法识别准确度低、分析过程复杂、异常数据清洗效率低、处理时间长等问题,提出了1种基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆(Bidirectional Long Short Term Memory,Bi-LSTM)相结合的CNN-BiLSTM异常数据识别模型,其中CNN用于提取风速-功率数据的高维特征,Bi-LSTM用于提取时间序列特征,CNN模型中的输出神经元Sigmoid函数对异常数据进行分类预测。首先对风速和功率数据的时间序列数据进行预处理;其次,基于CNN和Bi-LSTM建立异常数据识别模型;最后,利用贵州电网风电场实际数据集对提出方法的有效性与准确性进行验证。实测结果表明,所提方法能有效实现不同风电场情况下异常数据准确检测和清洗,相比现有方法,具有更高准确度和清洗效果。展开更多
文摘针对风速-功率曲线拟合过程中风电机组风速-功率异常数据与正常数据难以准确分离的难题,且现有方法识别准确度低、分析过程复杂、异常数据清洗效率低、处理时间长等问题,提出了1种基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆(Bidirectional Long Short Term Memory,Bi-LSTM)相结合的CNN-BiLSTM异常数据识别模型,其中CNN用于提取风速-功率数据的高维特征,Bi-LSTM用于提取时间序列特征,CNN模型中的输出神经元Sigmoid函数对异常数据进行分类预测。首先对风速和功率数据的时间序列数据进行预处理;其次,基于CNN和Bi-LSTM建立异常数据识别模型;最后,利用贵州电网风电场实际数据集对提出方法的有效性与准确性进行验证。实测结果表明,所提方法能有效实现不同风电场情况下异常数据准确检测和清洗,相比现有方法,具有更高准确度和清洗效果。