基于参考序列与全卷积网络的风速数据缺失与异常修复方法

王守相; 郭陆阳; 赵倩宇; 杨爱超

doi:10.7500/AEPS20220609006

您当前的位置：

首页 >

文章列表页 >

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

学术研究 | 更新时间：2025-06-16

- 基于参考序列与全卷积网络的风速数据缺失与异常修复方法
- Repair Method for Missed and Abnormal Wind Speed Data Based on Reference Sequence and Full Convolution Network
- 电力系统自动化 2023年47卷第9期页码：129-136
- 作者机构：
  
  1.智能电网教育部重点实验室（天津大学），天津市 300072
  2.天津市电力系统仿真控制重点实验室（天津大学），天津市 300072
  3.国网江西省电力有限公司供电服务管理中心，江西省南昌市 330096
- 作者简介：
  
  王守相(1973—)，男，博士，教授，博士生导师，主要研究方向：分布式发电、微网与智能配电网等。E-mail：sxwang@tju.edu.cn
  郭陆阳(1995—)，男，通信作者，博士研究生，主要研究方向：智能配用电。E-mail：guoluyang@tju.edu.cn
  赵倩宇(1990—)，女，博士，讲师，主要研究方向：智能配用电。E-mail：zhaoqianyu515@126.com
- 基金信息：
  
  国家电网公司科技项目(5700-202025165A-0-0-00)
- DOI：10.7500/AEPS20220609006
  中图分类号：
- 收稿：2022-06-09，
  
  修回：2022-08-08，
  
  网络出版：2022-12-13，
  
  纸质出版：2023-05-10
- 稿件说明：
移动端阅览
王守相,郭陆阳,赵倩宇等.基于参考序列与全卷积网络的风速数据缺失与异常修复方法[J].电力系统自动化,2023,47(9):129-136.

WANG Shouxiang,GUO Luyang,ZHAO Qianyu,et al.Repair Method for Missed and Abnormal Wind Speed Data Based on Reference Sequence and Full Convolution Network[J].Automation of Electric Power Systems,2023,47(9):129-136.
王守相,郭陆阳,赵倩宇等.基于参考序列与全卷积网络的风速数据缺失与异常修复方法[J].电力系统自动化,2023,47(9):129-136. DOI： 10.7500/AEPS20220609006.

WANG Shouxiang,GUO Luyang,ZHAO Qianyu,et al.Repair Method for Missed and Abnormal Wind Speed Data Based on Reference Sequence and Full Convolution Network[J].Automation of Electric Power Systems,2023,47(9):129-136. DOI： 10.7500/AEPS20220609006.

摘要

针对风速缺失与异常数据修复问题，考虑到风速采样网络中的节点数据相关性，提出了一种基于参考序列与全卷积网络的风速数据缺失与异常修复方法。首先，构建了基于全卷积插值网络与全卷积门控网络的数据修复模型。然后，利用全卷积插值网络计算无参考修复数据，利用全卷积门控网络计算无参考修复数据与参考数据的权重系数，并将两种数据带权重求和得到最终修复数据。最后，使用两个风电场数据验证了所提方法的效果。结果表明，与其他无参考修复方法相比，所提方法能够利用相近节点的参考风速数据，提高目标节点的风速时序数据修复精度。

Abstract

Aiming at the repair problem of missed and abnormal wind speed data

considering the correlation of node data in wind speed sampling network

a repair method for missed and abnormal wind speed data based on the reference sequence and full convolution network is proposed. Firstly

a data repair model based on the full convolution interpolation network and full convolution gate control network is constructed. Then

the full convolution interpolation network is used to calculate the non-reference repair data

the full convolution gate control network is used to calculate the weight coefficient of the non-reference repair data and the reference data

and the two kinds of data are weighted and summed to get the final repair data. Finally

the algorithm effect is verified using the data of two wind farms. The results show that

compared with other non-reference repair methods

the proposed method can use the reference wind speed data of similar nodes to improve the repair accuracy of wind speed time-series data of target nodes

关键词

Keywords

references

丁一，加鹤萍，宋永华，等 . 考虑风电与灵活资源互动的智能电网可靠性分析方法评述［J］. 中国电机工程学报， 2016 ， 36 （ 6 ）： 1517 - 1526 .

DING Yi ， JIA Heping ， SONG Yonghua ， et al . Review of reliability evaluation methods for the smart grid considering the interaction between wind power and flexible demand resources ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 6 ）： 1517 - 1526 .

杜程茂，杜雄，樊丽娟，等 . 适用于全风速工作区间稳定性分析的双馈风机二元导纳模型［J］. 中国电机工程学报， 2022 ， 42 （ 14 ）： 5300 - 5312 .

DU Chengmao ， DU Xiong ， FAN Lijuan ， et al . Two-variable admittance model for DFIG stability analysis under the entire wind speed operation range ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 14 ）： 5300 - 5312 .

万书亭，成立峰，绳晓玲 . 基于等效风速的风机功率波动特性分析［J］. 噪声与振动控制， 2016 ， 36 （ 3 ）： 127 - 131 .

WAN Shuting ， CHENG Lifeng ， SHENG Xiaoling . Analysis of wind turbine power oscillation characteristics based on the equivalent wind speed ［J］. Noise and Vibration Control ， 2016 ， 36 （ 3 ）： 127 - 131 .

霍涛 . 风速风向对风机塔筒结构动力响应和疲劳寿命的影响［J］. 建筑结构， 2020 ， 50 （ 18 ）： 26 - 33 .

HUO Tao . Influence of wind speed and wind direction on the dynamic response and fatigue life of wind turbine tower-silo structures ［J］. Building Structure ， 2020 ， 50 （ 18 ）： 26 - 33 .

明煦，曾海燕，张猛，等 . 非平稳性极值风速演化对风机安全性的影响［J］. 电力科学与技术学报， 2018 ， 33 （ 3 ）： 10 - 17 .

MING Xu ， ZENG Haiyan ， ZHANG Meng ， et al . Non-stationary wind extremes' impact on safety of wind turbines over long term scale ［J］. Journal of Electric Power Science and Technology ， 2018 ， 33 （ 3 ）： 10 - 17 .

王姝，胡菊，吕晨，等 . 基于站点逼近气候四维资料同化的全国风资源高分辨率回算数据集［J］. 电网技术， 2019 ， 43 （ 11 ）： 3859 - 3866 .

WANG Shu ， HU Ju ， LÜ Chen ， et al . A hindcast dataset on domestic wind energy resource in fine resolution via observation-nudging climate four-dimension data assimilation method ［J］. Power System Technology ， 2019 ， 43 （ 11 ）： 3859 - 3866 .

HE Y Y ， LI H Y ， WANG S ， et al . Uncertainty analysis of wind power probability density forecasting based on cubic spline interpolation and support vector quantile regression ［J］. Neurocomputing ， 2021 ， 430 ： 121 - 137 .

LIN Q S ， LI C X . Kriging based sequence interpolation and probability distribution correction for Gaussian wind field data reconstruction ［J］. Journal of Wind Engineering and Industrial Aerodynamics ， 2020 ， 205 ： 104340 .

郭秀婷，朱昶胜，张生财，等 . 分形插值在风速时间序列中的应用［J］. 计算机应用， 2020 ， 40 （ 9 ）： 2628 - 2633 .

GUO Xiuting ， ZHU Changsheng ， ZHANG Shengcai ， et al . Application of fractal interpolation in wind speed time series ［J］. Journal of Computer Applications ， 2020 ， 40 （ 9 ）： 2628 - 2633 .

赵洪山，彭轶灏，刘秉聪，等 . 基于边缘注意力生成对抗网络的电力设备热成像超分辨率重建［J］. 中国电机工程学报， 2022 ， 42 （ 10 ）： 3564 - 3573 .

ZHAO Hongshan ， PENG Yihao ， LIU Bingcong ， et al . Super-resolution reconstruction of electric equipment's thermal imaging based on generative adversarial network with edge-attention ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 10 ）： 3564 - 3573 .

STENGEL K ， GLAWS A ， HETTINGER D ， et al . Adversarial super-resolution of climatological wind and solar data ［J］. Proceedings of the National Academy of Sciences of the United States of America ， 2020 ， 117 （ 29 ）： 16805 - 16815 .

TRAN D T ， ROBINSON H ， RASHEED A ， et al . GANs enabled super-resolution reconstruction of wind field ［J］. Journal of Physics： Conference Series ， 2020 ， 1669 （ 1 ）： 012029 .

LIN Q S ， BAO X M ， LI C X . Deep learning based missing data recovery of non-stationary wind velocity ［J］. Journal of Wind Engineering and Industrial Aerodynamics ， 2022 ， 224 ： 104962 .

ZHENG Haitian ， JI Mengqi ， WANG Haoqian ， et al . CrossNet： an end-to-end reference-based super resolution network using cross-scale warping ［EB/OL］. ［ 2022-01-03 ］. http：//arxiv.org/abs/1807 http://arxiv.org/abs/1807 .

凡航，张雪敏，梅生伟，等 . 基于时空神经网络的风电场超短期风速预测模型［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 28 - 35 .

FAN Hang ， ZHANG Xuemin ， MEI Shengwei ， et al . Ultra-short-term wind speed prediction model for wind farms based on spatiotemporal neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 28 - 35 .

LONG J ， SHELHAMER E ， DARRELL T . Fully convolutional networks for semantic segmentation ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 8-10 ， 2015 ， Boston， USA ： 3431 - 3440 .

吕忠麟，顾洁，孟璐 . 基于耦合特征与多任务学习的综合能源系统短期负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 58 - 66 .

LYU Zhonglin ， GU Jie ， MENG Lu . Short-term load forecasting for integrated energy system based on coupling features and multi-task learning ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 58 - 66 .

孙庆凯，王小君，张义志，等 . 基于LSTM和多任务学习的综合能源系统多元负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 63 - 70 .

SUN Qingkai ， WANG Xiaojun ， ZHANG Yizhi ， et al . Multiple load prediction of integrated energy system based on long short-term memory and multi-task learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 63 - 70 .

MA Jiaqi ， ZHAO Zhe ， YI Xinyang . Modeling task relationships in multi-task learning with multi-gate mixture-of-experts ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 4 ）： 640 - 651 .

王守相，郭陆阳，陈海文，等 . 基于特征融合与深度学习的非侵入式负荷辨识算法［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 103 - 110 .

WANG Shouxiang ， GUO Luyang ， CHEN Haiwen ， et al . Non-intrusive load identification algorithm based on feature fusion and deep learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 103 - 110 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

高兴华，李宏，刘洋 . 非线性分数阶常微分方程的分段线性插值多项式方法［J］. 应用数学和力学， 2021 ， 42 （ 5 ）： 531 - 540 .

GAO Xinghua ， LI Hong ， LIU Yang . A piecewise linear interpolation polynomial method for nonlinear fractional ordinary differential equations ［J］. Applied Mathematics and Mechanics ， 2021 ， 42 （ 5 ）： 531 - 540 .

KULESHOV V ， ENAM S Z ， ERMON S . Audio super resolution using neural networks ［EB/OL］. ［ 2022-01-03 ］. http：//arxiv.org/abs/1708 http://arxiv.org/abs/1708 .

DRAXL C ， CLIFTON A ， HODGE B M ， et al . The wind integration national dataset （WIND） toolkit ［J］. Applied Energy ， 2015 ， 151 ： 355 - 366 .

夏伟，蔡文婷，刘阳，等 . 基于联合卡尔曼滤波的配电网多源异构数据融合［J］. 电力系统保护与控制， 2022 ， 50 （ 10 ）： 180 - 187 .

XIA Wei ， CAI Wenting ， LIU Yang ， et al . Multi-source heterogeneous data fusion of a distribution network based on a joint Kalman filter ［J］. Power System Protection and Control ， 2022 ， 50 （ 10 ）： 180 - 187 .

苏晨博，刘崇茹，李至峪，等 . 基于贝叶斯理论的考虑多维风速之间相关性的概率潮流计算［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 157 - 165 .

SU Chenbo ， LIU Chongru ， LI Zhiyu ， et al . Bayesian theory based calculation of probabilistic power flow considering correlation between multi-dimensional wind speed ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 157 - 165 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于KAN的可解释净负荷概率预测方法

基于大语言模型的配电主站日志异常检测

基于改进时空图神经网络的高渗透率有源配电网故障定位

风电经柔直送出系统送端交流故障低电压穿越策略