吴布托
- 作品数：3 被引量：17H指数：2
- 供职机构：兰州理工大学电气工程与信息工程学院更多>>
- 发文基金：国家自然科学基金甘肃省自然科学基金更多>>
- 相关领域：电气工程更多>>
- 基于深层玻尔兹曼机的风电场异常风速值自适应检测预处理方法被引量：2
- 2018年
- 为提高现有风电场数据采集系统的准确性和可利用性,提出了深层玻尔兹曼机(DBM)、经验模态分解(EMD)和隐马尔科夫(HMM)组合算法处理运行数据含有少量异常风速值的自适应检测方法。针对风速序列的随机多变性,采用DBM预测方法挖掘异常风速值的潜在特征,得到反映风速值异常情况的残差序列;进一步提高检测精度和降低系统误差的干扰,采用EMD方法捕获残差序列中粗大误差的特征;借助HMM算法的双重随机过程自适应地并剔除检测异常风速点,避免了传统阈值检测方法难以准确识别异常值的问题;最后,为了得到完整的风速序列,对检测出的异常点运用加权双向ARMA算法修正数据。RBF预测结果验证表明,经预处理后风速质量得到了提高,所提方法与传统小波异常值检测方法相比具有更精确的辨识能力,进一步提高了短期风速的预测精度。
- 林洁吴布托陈伟
- 关键词：经验模态分解隐马尔科夫模型
- 改进Bayesian后验比的异常风速值检测方法被引量：2
- 2017年
- 风电场运行数据中含有异常风速值,为了优化风电数据的质量,提出了组合预测与Bayesian后验比的异常值检测方法。为了降低预测误差,先对风速序列建立Adaboost-BP网络和EMD-LV-SVM的组合预测模型,利用预测值与测量值的偏差得到含有粗大误差的残差序列;为了提高检测方法的可靠性,采用Bayesian后验比的检验方法识别残差序列中粗大误差,从而确定异常风速值的位置,并利用ARIMA方法修正异常风速值。RBF预测结果表明,所提方法能准确识别异常值,从而提高了风电场短期风速预测精度。
- 陈伟吴布托裴喜平王懿喆
- 风电机组异常数据预处理的分类多模型算法被引量：13
- 2018年
- 针对风电机组异常风速-功率数据的产生原因和分布特点进行分析,提出一种异常数据分类多模型算法。对不同类别异常数据建立弃风、4分位和模糊C均值数据处理模型,识别弃风产生数据、离群孤立点数据、偏差簇数据,并利用3次样条方法修正异常风速点。运用该方法对甘肃酒泉风电场和美国Wisconsin州Butler Ridge风电场历史数据进行数据预处理,采用RBF网络对处理前后的数据进行风速预测。预测结果表明,经过识别并剔除异常风电机组数据后风速预测精度可提高1%~3%,说明该方法有效剔除了风电场异常数据,对风电场风速预测有一定的应用价值。
- 陈伟吴布托裴喜平
- 关键词：异常数据数据预处理模糊C均值风速预测RBF神经网络
