基于组合算法的风电机组功率曲线异常数据处理方法

风电机组在运行过程中受计划外停机、限负荷运行、极端天气等因素影响,功率曲线存在大量的横向、离散分布的异常数据,而现有数据清洗方法受算法自身条件限制,在单独应用过程中无法准确识别局部分散堆积型数据,或受限于样本数据特征,算法不能直接应用。为此,通过将基于密度的聚类算法与拉依达准则优势组合,提出一种适用于风电机组功率曲线异常数据清洗的方法。实例验证表明,该方法可高质量识别风机处于异常工况下的离散数据,泛化能力较强,在风电机组功率曲线数据清洗方面有较好应用。可作为风电机组数据分析与数据挖掘的基础,为后续高效利用风能,开展风电机组提质增效、策略优化等一系列工作提供有效数据保障。

电子档案信息化数据自适应无迹卡尔曼滤波降噪算法

针对降噪过程极易丢失原始数据,产生粗大误差后数据的噪声协方差初始值偏差的问题,研究了电子档案信息化数据自适应无迹卡尔曼(Kalman)滤波降噪算法。电子档案信息化架构包含数据层、业务层、用户层,数据层根据用户层的用户数据请求,完成电子档案信息化数据预处理、决策、监测、分析等,通过拉以达(Laida)准则对电子档案信息化数据提出假设,获取标准偏差概率,确定区间剔除粗大误差,应用Sage-Husa滤波器估计剔除粗大误差后数据的噪声协方差、抑制初始值偏差,最大限度地保留其原始数据,利用无迹卡尔曼算法,实时估计电子档案信息化数据的未知噪声特性,完成电子档案信息化数据降噪,并通过虚拟感应服务连接数据层、用户层、业务层,在业务层呈现用户所需电子档案信息。实验结果表明,该算法能够有效去除电子档案信息化数据的多种噪声,并保留有效数据。

GNSS-RTK形变监测实时数据处理方法研究

针对GNSS-RTK技术应用于形变监测时数据结果不佳导致无法进行有效监测的问题,提出了一种基于形变数据的数据预处理和异常状态识别方法。首先采用改进拉依达准则进行粗差剔除,然后采用小波去噪处理,最后根据形变数据异常模型构建休哈特均值控制图。结果表明,改进拉依达准则可以实现对实测形变数据的实时粗差剔除,根据最优小波系数设置的小波去噪可以有效提高形变数据精度,休哈特均值控制图结合改进拉依达准则可以实现对形变数据的无误警有效监控。

基于机器学习的水电趋势预警系统设计

针对水电机组传统的温度限值预警方法,设计一个基于机器学习的水电趋势预警系统。通过人工神经网络对大量的历史数据进行训练,从而搭建模型。本系统同时提供模型管理和发布功能,并利用最新发布的模型进行温度预测。最后,利用现场实际采集水电机组上导瓦温度数据,验证神经网络模型预测的准确度,从而证明基于机器学习的趋势预警系统可以有效地对水电机组异常运行状态进行预警。

基于正态分布的三维建筑物变化检测高度差阈值确定方法

针对现有三维建筑物变化检测中高度差阈值确定方法存在主观性强、阈值通用性差的问题,本文提出了一种基于正态分布的高度差阈值确定方法。借鉴二维变化检测中变化和未变化像元差值服从正态分布的理论,首先,假设2期DSM高度差服从或近似服从正态分布,并分析了变化和未变化区域高度差的分布;然后,基于拉依达准则提出了利用期望和标准差计算高度差阈值的方法;最后,利用滑动窗口动态计算待检测区域高度差阈值。在2个试验区内,基于本文阈值方法的建筑物变化检测结果较经验阈值方法在完整率、正确率和检测质量上分别平均提高了7.2%、1.5%和7.8%,说明该方法具有较好的通用性。

基于拉伊达准则的GNSS变形监测异常数据识别算法

对采集的变形体的监测数据进行检验,准确地识别数据中的变形信息,这对于变形体的形变监测具有重要的意义。针对累积和控制图(Cumulative Sum, CUSUM)对大偏移变形数据检验时误报率较高的问题,笔者将拉伊达准则应用到检验变形监测数据的异常值中来。通过实验充分验证了拉伊达准则的检验能力,二者可以互为补充,更好地检验异常数据。实验结果表明,在检验数据的小偏移变形方面, CUSUM的检验效果较好。拉伊达准则适用于对3倍标准差以上的连续大偏移变形数据的检验,且可以较为真实地反映出检测数据的变化趋势,进而能够有效地分析监测数据的变形信息。

基于拉依达准则的DEH调阀流量特性曲线建模

DEH调阀流量特性曲线作为阀门的重要量化特征,必须能够准确表现阀门的工作特性,以保证DEH调节系统的稳定性要求。通过拉以达准则,对散点式的试验数据进行筛选拟合,获得调节阀流量特性曲线,进而依据最小二乘法建立DEH调节阀流量特性曲线的数学模型。调门流量特性曲线校正后,阀门动作情况明显改善,波动幅度由改进前的±10%下降到改进后的2%。