(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111604438.7 (22)申请日 2021.12.24 (71)申请人 国网江苏省电力有限公司盐城供电 分公司 地址 224000 江苏省盐城市解 放南路189号 (72)发明人 沙骏　周洪益　胥峥　冯定东　 邵林　柏晶晶　 (74)专利代理 机构 苏州市港澄专利代理事务所 (普通合伙) 32304 代理人 浦蓉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于组合识别和空间相关性的新能源出力 异常校正方法 (57)摘要 本发明公开了基于组合识别和空间相关性 的新能源出力异常校正方法， 包括： 采用四分位 法和基于密度的离群点检测法对新能源出力数 据进行异常值识别； 基于卡尔曼滤波获取异常数 据初步校正结果； 基于互信息计算新能源电站出 力间的空间相关性， 为各新能源电站选择多个相 关的电站， 基于所选电站出力的加权和对异常数 据进行二次校正， 将初步校正和二次校正结果的 平均值作为最终异常数据修正值。 本发明基于组 合异常识别法， 充分找出新能源出力的异常数 据， 并在异常校正过程中考虑新能源 出力间的空 间相关性， 获得更加符合新能源电站真实历史自 然条件的校正结果， 有助于提高新能源出力预测 精度， 进而提升新能源消纳水平， 保障新能源发 电持久发展。 权利要求书4页 说明书10页 附图2页 CN 114372616 A 2022.04.19 CN 114372616 A 1.基于组合识别和 空间相关性的新能源出力异常校正方法， 其特征在于， 包括以下步 骤： (1)采用四分位法和基于密度的离群点检测法对新能源出力数据进行异常值识别； (2)基于卡尔曼 滤波获取异常数据初步校正结果； (3)基于互信息计算新能源电站出力间的空间相关性， 为各新能源电站选择多个相关 的电站； (4)基于所选电站出力的加权和对异常数据进行二次校正； (5)将初步校正和二次校正结果的平均值作为 最终的异常数据修 正值。 2.根据权利要求1所述的基于组合识别和空间相关性的新能源出力异常校正方法， 其 特征在于， 步骤(1)中， 所述的四分位法为： a)假设数据长度为n， 将新能源出力数据按照从小到大的顺序进行排列， 经过排序后的 数据为： X＝[x1,x2,...,xn] 其中， xi为升序排列中第i个新能源出力值， i ＝1,2,...,n； b)将改组数据平均分成4份， 每份序列占总序列的25 ％， 共有3个分界点， 由小到大依次 为下四分位数Q1， 中位数Q2， 上四分位数Q3， 其中， 第2个四分位数计算公式如下： c)下四分位数和上四分位数的计算公式如下： 当n＝2k(k＝1,2, …)时， 从Q2处将样本X分为两部分， 且Q2不包含在 两部分数据内， 分别 计算两部分的中位数Q ′2和Q″2(Q′2<Q″2)， 则Q1＝Q′2， Q3＝Q″2； 当n＝4k+3(k＝0,1,2, …)时， 有： 当n＝4k+1(k＝0,1,2, …)时， 有： d)根据上 下四分位数计算四分位距： IQR＝Q3‑Q1； e)根据四分位距， 确定数据样本中异常值的内限[Fl,Fu]为 其中， Fl表示内限的下限值， Fu表示内线的上限值； 处于内限以外的数据均判为异常值。 3.根据权利要求1所述的基于组合识别和空间相关性的新能源出力异常校正方法， 其 特征在于， 步骤(1)中， 所述的基于密度的离群点检测法为： 给定一个n维样本数据集S＝{s1,...sn}， 每个样本si＝{p1,...pm}si∈S是一个m维数权　利　要　求　书 1/4 页 2 CN 114372616 A 2据， 局部离群点算法的基本 定义如下： f)对象si的k‑距离用distk(si)表示， 是对象si和sj之间的距离dist(si,sj),si∈S， 其中 dist(si,sj)采用欧氏距离公式计算， sj∈S， 且sj满足以下 条件： 1)至少有k个对象s ′l∈S\{si}， 使得dist(si,s′l)≤dist(si,sj)； 2)至多有k－1个对象s ″l∈S\{si}， 使得dist(si,s″l)≤dist(si,sj)； 其中， S\{si}表示数据集S除样本si以外的子集； dist(si,s′l)表示对象si和s′l间的距 离； dist(si,s″l)表示对象si和s″l间的距离； dist(si,sj)表示对象si和sj间的距离； g)对象si的k‑邻域用Nk(si)表示， 该邻域包含数据集中所有与si的距离不大于k ‑距离 distk(si)的对象， 是一个集 合： Nk(si)＝{so|so∈S\{si},dist(si,so)≤distk(si)} 式中， dist(si,so)表示对象si和so间的距离； distk(si)表示对象si的k‑距离； h)对象si相对于对象so的可达距离用reac h_distk(si,so)表示， 计算公式如下： reach_distk(si,so)＝max{dist(si,so),distk(si)} 式中， dist(si,so)表示对象si和so间的距离； distk(si)表示对象si的k‑距离； i)对象si的局部可达密度用lrd(si)表示， 计算公式如下： 式中， |Nk(si)|表示邻域所含元素 的绝对值之和； reach_distk(si,so)表示对象si相对 于对象so的可达距离； j)对象si的局部离群因子用LOFk(si)表示： 式中， |Nk(si)|表示邻域所含元 素的绝对值之和； lrd(si)表示对象si的局部可达密度； 对数据集S中每个数据对象重复步骤f)至j)计算出局部离群因子， 将这些值按照从大 到小降序排列， 将离群因子较大的z个数据对 象视为数据集S的离群点集合； 将采用四分位 法和基于密度的离群点检测法识别出的异常值取并集作为 最终的异常识别结果。 4.根据权利要求1所述的基于组合识别和空间相关性的新能源出力异常校正方法， 其 特征在于， 所述 步骤(2)中， 基于卡尔曼 滤波的异常数据初步校正法为： 2.1卡尔曼 滤波算法中的状态方程和量测方程分别为： xk＝Fkxk‑1+ωk yk＝Hkxk+vk 式中， xk为未知过程在k时刻的状态向量； yk为k时刻的观测向量； Fk为k时刻的状态转移 矩阵； Hk为k时刻的输出转移矩阵； ωk和vk分别为k时刻系统噪声向量和量测噪声向量， 均假 定满足高斯白噪声且相互独立； 2.2假定当前时刻为k时刻， 则现有系统状态为xk， 则在上一时刻状态xk‑1及其协方差矩 阵Pk‑1的基础上， 得到k时刻的预测状态向量xk|(k‑1)及相应协方差矩阵Pk|(k‑1)： xk|(k‑1)＝Fkxk‑1权　利　要　求　书 2/4 页 3 CN 114372616 A 3