基于神经网络的高比例异常数据识别仿真

针对因高比例异常数据的特征种类较多且存在状态转移特性,导致识别误差大的问题,提出一种基于神经网络的高比例异常数据识别算法。根据相邻数据集间具有时间和空间相关性特点,建立数据基础状态映射序列,计算数据样本在不同空间、不同时间点上的初始状态和结束状态,以及上一时刻和当下一时刻的数据空间和时间所属状态,根据前后变化对比得到状态转移概率,计算提取数据在不同时间点的具体特征。采用神经网络建立高比例异常数据识别模型,对待识别样本标准化处理,定义标准样本并提取特征因子,求解样本集中所有数据与标准样本的隶属度,存在正向相关关系为正常样本,反向则为异常数据样本,通过阈值对比实现高比例异常数据的有效识别。实验结果表明,所提算法识别精准度较高,误差率较低,具有一定的实用价值。

基于Copula理论的光伏功率高比例异常数据机器识别算法

目前很多在运光伏电站由于通信故障、设备异常、人为限电等问题导致功率实测数据含高比例异常数据,极大阻碍了电站性能分析和功率数据的深化应用。基于Copula函数建立了描述辐照度与光伏功率间相关关系的概率功率曲线模型,进而针对光伏实测数据分散度、随机性强,异常数据比例高的特点,结合工程经验归纳了三类典型异常数据特征并提出了相应的异常数据机器识别模型。利用实测光伏电站数据和人工生成数据集进行仿真分析表明,采用该异常数据机器识别模型能适应高比例异常数据条件,有效识别各种类型异常数据,具有比常规3-sigma识别法更好的适应性和识别率。