楊 茂，白玉瑩

（東北電力大學(xué) 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，吉林 吉林132012）

0 引言

風(fēng)電場(chǎng)歷史數(shù)據(jù)主要包括測(cè)風(fēng)塔氣象數(shù)據(jù)和風(fēng)機(jī)實(shí)際功率數(shù)據(jù)，測(cè)風(fēng)塔氣象數(shù)據(jù)包含風(fēng)速、風(fēng)向、氣壓、溫度、濕度等信息，可用來(lái)計(jì)算理論發(fā)電量。將風(fēng)電場(chǎng)的理論發(fā)電量與實(shí)際發(fā)電量進(jìn)行對(duì)比分析，有利于對(duì)風(fēng)電場(chǎng)的實(shí)際發(fā)電情況及發(fā)電效率進(jìn)行檢測(cè)和監(jiān)察。風(fēng)速具有間歇性、波動(dòng)性和隨機(jī)性[1]～[4]，在實(shí)際的風(fēng)電場(chǎng)運(yùn)營(yíng)中，因數(shù)據(jù)采集通道擁堵或測(cè)量環(huán)節(jié)故障導(dǎo)致風(fēng)電場(chǎng)數(shù)據(jù)異常、失真甚至丟失。若直接使用異常數(shù)據(jù)進(jìn)行研究，會(huì)導(dǎo)致預(yù)測(cè)結(jié)果產(chǎn)生較大誤差，嚴(yán)重影響評(píng)估結(jié)果的準(zhǔn)確度[5]。因此，須對(duì)測(cè)風(fēng)塔歷史風(fēng)速數(shù)據(jù)進(jìn)行篩選識(shí)別，并剔除歷史數(shù)據(jù)中的異常值，為后續(xù)風(fēng)電功率預(yù)測(cè)研究提供優(yōu)質(zhì)可靠的數(shù)據(jù)源。

在異常數(shù)據(jù)識(shí)別與補(bǔ)齊方面，文獻(xiàn)[6]提出了組合預(yù)測(cè)與Bayesian后驗(yàn)比的異常值檢測(cè)方法，并利用ARIMA方法修正異常風(fēng)速值，但該方法需要先對(duì)風(fēng)速序列建立組合預(yù)測(cè)模型，計(jì)算過(guò)程較復(fù)雜。文獻(xiàn)[7]分析了異常功率數(shù)據(jù)產(chǎn)生原因及特點(diǎn)，建立了四分位模型，對(duì)異常值進(jìn)行剔除，根據(jù)臨近風(fēng)電場(chǎng)出力具有相似性的特點(diǎn)，采用三次樣條多點(diǎn)插值方法補(bǔ)齊缺失數(shù)據(jù)。但用四分位法識(shí)別異常數(shù)據(jù)，會(huì)出現(xiàn)大量被錯(cuò)誤識(shí)別的數(shù)據(jù)，且三次樣條多點(diǎn)插值方法對(duì)數(shù)據(jù)進(jìn)行重構(gòu)精度并不高。文獻(xiàn)[8]通過(guò)虛擬測(cè)風(fēng)塔技術(shù)對(duì)測(cè)風(fēng)塔數(shù)據(jù)進(jìn)行預(yù)處理，但利用了天氣預(yù)報(bào)數(shù)據(jù)，可能會(huì)出現(xiàn)誤差累積，并且沒(méi)有加入校正環(huán)節(jié)，誤識(shí)別率較高。

本文充分考慮了測(cè)風(fēng)塔異常風(fēng)速數(shù)據(jù)產(chǎn)生原因及特點(diǎn)，提出了一種新型測(cè)風(fēng)塔異常風(fēng)速數(shù)據(jù)識(shí)別與補(bǔ)齊的方法。該方法首先對(duì)4個(gè)高度的異常風(fēng)速數(shù)據(jù)進(jìn)行最小二乘濾波處理，得到風(fēng)速濾波誤差后，對(duì)其進(jìn)行肖維勒異常數(shù)據(jù)識(shí)別。由于測(cè)風(fēng)塔不同高度的風(fēng)速數(shù)據(jù)都具有一定的關(guān)聯(lián)性，選擇相應(yīng)高度的風(fēng)速數(shù)據(jù)對(duì)識(shí)別結(jié)果進(jìn)行校正，從而提高識(shí)別精度，減少誤識(shí)別率。本文定義了測(cè)風(fēng)塔不同高度風(fēng)速的屬性重要度，按各高度風(fēng)速的補(bǔ)齊缺失數(shù)據(jù)，并選擇基于馬氏距離的相似片段方法，對(duì)缺失數(shù)據(jù)進(jìn)行重構(gòu)。實(shí)驗(yàn)結(jié)果表明，本文所提出的異常數(shù)據(jù)識(shí)別與補(bǔ)齊方法較常規(guī)方法識(shí)別率更高，補(bǔ)齊效果更好，對(duì)不同風(fēng)電場(chǎng)有一定的通用性，并且使用處理過(guò)的風(fēng)速數(shù)據(jù)能夠提高功率補(bǔ)齊模型的精度。

1 基于最小二乘濾波和肖維勒的異常數(shù)據(jù)識(shí)別方法

1.1 最小二乘濾波

最小二乘濾波法是將輸入的原始信號(hào)與一個(gè)預(yù)先假設(shè)的含有非周期分量、基波分量和某些整次諧波分量的函數(shù)依據(jù)最小二乘原則進(jìn)行擬合[9]。其擬合函數(shù)為

式中：XRn為n次諧波信號(hào)的實(shí)部；XIn為n次諧波信號(hào)的虛部，即XRn=Xncosθn，XIn=Xnsinθn；Xn為信號(hào)的幅值；θn為信號(hào)的初相角；X0為衰減非周期分量的初始值；Td為時(shí)間常數(shù)。

考慮到風(fēng)速序列極少會(huì)出現(xiàn)陡升陡降的情況，本文引入最小二乘濾波來(lái)平滑原始風(fēng)速數(shù)據(jù)，其濾波誤差可準(zhǔn)確刻畫(huà)風(fēng)速驟變的情況，便于后續(xù)研究。

1.2 肖維勒異常數(shù)據(jù)識(shí)別

肖維勒異常數(shù)據(jù)識(shí)別準(zhǔn)則是指在n次測(cè)量實(shí)驗(yàn)中，計(jì)算數(shù)據(jù)點(diǎn)誤差不可能出現(xiàn)的概率值。其誤差不可能出現(xiàn)的概率為

式中：ωn為肖維勒系數(shù)，可根據(jù)式（2）右端的已知值n，利用標(biāo)準(zhǔn)正態(tài)函數(shù)表查出。針對(duì)某數(shù)據(jù)xd有：

式中：Vd為數(shù)據(jù)xd的殘差；σ為樣本標(biāo)準(zhǔn)差。

肖維勒準(zhǔn)則應(yīng)先計(jì)算出待處理數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，根據(jù)可疑值與平均值之間的差值，選擇正態(tài)分布函數(shù)表，計(jì)算給定值處于可疑值的概率，將此概率乘上所選用的數(shù)據(jù)總數(shù)，如果結(jié)果小于0.5，則丟棄可疑值。由式（2）可以看出，若采用肖維勒識(shí)別方法處理異常數(shù)據(jù)，該數(shù)據(jù)應(yīng)符合正態(tài)分布。本文利用該方法，對(duì)風(fēng)速濾波后得到的濾波誤差進(jìn)行肖維勒處理，將超過(guò)閾值的部分判定為異常數(shù)據(jù)，并進(jìn)行剔除。

1.3 考慮風(fēng)速波動(dòng)關(guān)聯(lián)特性的識(shí)別結(jié)果校正

本文中異常數(shù)據(jù)識(shí)別是在風(fēng)速不會(huì)陡升陡降的前提下，對(duì)濾波誤差進(jìn)行肖維勒異常數(shù)據(jù)識(shí)別，但由于肖維勒閾值的設(shè)定較為固定，并且難以準(zhǔn)確刻畫(huà)出數(shù)據(jù)本身產(chǎn)生的劇烈波動(dòng)，易被誤識(shí)為風(fēng)速數(shù)據(jù)。

考慮到測(cè)風(fēng)塔不同高度的風(fēng)速數(shù)據(jù)都具有一定的關(guān)聯(lián)性，若同一時(shí)刻只有50m高度的風(fēng)速出現(xiàn)了陡升或者陡降的情況，而其他3個(gè)高度處于平穩(wěn)波動(dòng)狀態(tài)，則該時(shí)刻50m高度的風(fēng)速數(shù)據(jù)為異常數(shù)據(jù)。本文選擇相應(yīng)高度的風(fēng)速數(shù)據(jù)進(jìn)行識(shí)別結(jié)果校正，其表達(dá)式為

式中：Eai為待處理高度處第i時(shí)刻風(fēng)速濾波誤差；Ebi為對(duì)比高度處第i時(shí)刻風(fēng)速濾波誤差；wi為濾波差值。

若wi在某一范圍內(nèi)，說(shuō)明該時(shí)刻其他3個(gè)高度的風(fēng)速也有陡升或者陡降的現(xiàn)象，且波動(dòng)幅度處于正常范圍內(nèi)，則此時(shí)的風(fēng)速數(shù)據(jù)屬于正常波動(dòng)情況。若超出范圍，說(shuō)明只有當(dāng)前處理高度的風(fēng)速出現(xiàn)了陡升陡降，其他3個(gè)高度都處于平穩(wěn)波動(dòng)狀態(tài)，則判定該處理高度第i時(shí)刻的風(fēng)速數(shù)據(jù)異常。

2 基于屬性重要度和相似片段的數(shù)據(jù)補(bǔ)齊方法

2.1 屬性重要度

2.1.1 基于屬性依賴度的屬性重要度

文獻(xiàn)[11]利用刪除前后屬性集的依賴度差，計(jì)算屬性重要度，即表征了該屬性對(duì)于整個(gè)集合分類能力的貢獻(xiàn)大小。其表達(dá)式為

式中：sig（c）為屬性C的相對(duì)依賴度；card為集合的勢(shì)；γ為屬性的依賴程度；R為所有條件屬性的集合，條件屬性C∈R；RX為X的近似集。

2.1.2 本文的屬性重要度定義

本文屬性重要度的計(jì)算方法如下。令Si=KKi，i=1，2，3，4，K代表該組數(shù)據(jù)的最佳聚類數(shù)，選取Calinski-Harabasz準(zhǔn)則作為確定最佳聚類數(shù)的方法，VRCK為準(zhǔn)則的量化指標(biāo)，其表達(dá)式為

式中：N為該組數(shù)據(jù)總數(shù)；SSB為聚類分組后組與組之間的平方和誤差；SSW為聚類分組后組內(nèi)平方和誤差。

由式（7）可以看出，如果組內(nèi)平方和SSW越小、組間平方和SSB越大，那么聚類效果就會(huì)越好，即VRCK值越大，聚類效果越好。確定好最佳聚類數(shù)K后，計(jì)算Si，按Si大小排序，確定4類數(shù)據(jù)的屬性重要度順序，Si越大，該類屬性對(duì)整體數(shù)據(jù)越重要，影響度越大，則優(yōu)先補(bǔ)齊該類屬性。

2.2 補(bǔ)齊步驟

基于屬性重要度的相似片段補(bǔ)齊法，核心思想是按某列數(shù)據(jù)對(duì)整體數(shù)據(jù)的重要性分先后順序進(jìn)行補(bǔ)齊，本文所提識(shí)別與補(bǔ)齊算法的流程圖如圖1所示。

圖1 識(shí)別與補(bǔ)齊算法流程圖Fig.1 Flow chartof identification and completion algorithm

3 評(píng)價(jià)指標(biāo)

本文利用總識(shí)別率R，正確識(shí)別率r與誤識(shí)別率w 3種指標(biāo)來(lái)對(duì)比不同方法的異常數(shù)據(jù)識(shí)別效果。R表示識(shí)別出的數(shù)據(jù)量占總數(shù)據(jù)量的比值；r表示能夠準(zhǔn)確識(shí)別出的異常數(shù)據(jù)占總異常數(shù)據(jù)的比例，能夠反映數(shù)據(jù)識(shí)別的效率；w表示誤識(shí)別的數(shù)據(jù)個(gè)數(shù)占總識(shí)別數(shù)據(jù)的比例，能夠反映數(shù)據(jù)識(shí)別的準(zhǔn)確率。3種評(píng)價(jià)指標(biāo)為

式中：nall為算法全部識(shí)別出的數(shù)據(jù)個(gè)數(shù)；N為數(shù)據(jù)總數(shù)；njud為準(zhǔn)確識(shí)別出的異常數(shù)據(jù)個(gè)數(shù)；n為實(shí)際的異常數(shù)據(jù)個(gè)數(shù)；nfau為錯(cuò)誤識(shí)別的數(shù)據(jù)個(gè)數(shù)。

對(duì)于風(fēng)速數(shù)據(jù)補(bǔ)齊效果，每個(gè)位置的補(bǔ)齊值及其絕對(duì)誤差不同，所以將各個(gè)補(bǔ)齊位置的絕對(duì)誤差取絕對(duì)值后再求平均值，即選擇平均絕對(duì)誤差（MAE）進(jìn)行評(píng)估，其表達(dá)式為

式中：Vr，i為i位置的真實(shí)風(fēng)速；Vc，i為i位置的補(bǔ)齊風(fēng)速；n為實(shí)際異常數(shù)據(jù)個(gè)數(shù)。

4 算例分析

為驗(yàn)證本文所提出的測(cè)風(fēng)塔異常風(fēng)速數(shù)據(jù)識(shí)別與補(bǔ)齊方法的有效性，以東北某兩個(gè)風(fēng)電場(chǎng)的測(cè)風(fēng)塔歷史風(fēng)速數(shù)據(jù)為研究對(duì)象，相關(guān)信息見(jiàn)表1。其中：A風(fēng)電場(chǎng)選取2014年2月測(cè)風(fēng)塔4個(gè)高度在同一時(shí)間段的1 000×4個(gè)歷史風(fēng)速數(shù)據(jù)作為研究樣本；B風(fēng)電場(chǎng)選取2010年10月測(cè)風(fēng)塔4個(gè)高度在同一時(shí)間段的1 000×4個(gè)歷史風(fēng)速數(shù)據(jù)作為研究樣本?？紤]到測(cè)風(fēng)塔本身異常數(shù)據(jù)特性，在每一個(gè)高度的1 000個(gè)數(shù)據(jù)中選擇100個(gè)隨機(jī)置0作為異常數(shù)據(jù)。

表1 風(fēng)電場(chǎng)基本信息Table 1 Basic wind farm information sheet

4.1 異常風(fēng)速數(shù)據(jù)識(shí)別

本文利用所提模型，對(duì)兩個(gè)風(fēng)電場(chǎng)測(cè)風(fēng)塔異常風(fēng)速數(shù)據(jù)進(jìn)行識(shí)別。圖2為A風(fēng)電場(chǎng)濾波前后10m風(fēng)速數(shù)據(jù)及識(shí)別結(jié)果對(duì)比圖。

圖2 最小二乘濾波前后A風(fēng)電場(chǎng)測(cè)風(fēng)塔10m風(fēng)速和識(shí)別結(jié)果對(duì)比Fig.2 Comparison of 10m wind speed and identification results ofwind farm A wind farm wind tower before and after least square filtering

由圖2可見(jiàn)，采用最小二乘濾波對(duì)原始數(shù)據(jù)進(jìn)行處理后，新序列更加平滑，未出現(xiàn)大范圍的陡升陡降，方便后續(xù)使用數(shù)據(jù)。在識(shí)別剔除異常數(shù)據(jù)時(shí)，由于風(fēng)速數(shù)據(jù)并不符合正態(tài)分布[12]，直接對(duì)其進(jìn)行肖維勒處理，會(huì)出現(xiàn)很多被誤識(shí)別的數(shù)據(jù)。本文提出對(duì)濾波后得到的濾波誤差分布進(jìn)行擬合，其效果比直接對(duì)風(fēng)速數(shù)據(jù)進(jìn)行肖維勒處理好，誤識(shí)別率低。

4.2 識(shí)別結(jié)果校正

本文利用A風(fēng)電場(chǎng)歷史測(cè)風(fēng)塔4個(gè)高度的風(fēng)速數(shù)據(jù)，可得到各個(gè)高度與其對(duì)比高度的濾波差值范圍，數(shù)據(jù)計(jì)算結(jié)果見(jiàn)表2。

表2 A風(fēng)電場(chǎng)各校正高度濾波差值范圍Table 2 Range of filter difference for each correction height ofwind farm A

觀察wi可知，A風(fēng)電場(chǎng)中，10～50m和65～80 m風(fēng)速之間的波動(dòng)關(guān)聯(lián)度較強(qiáng)，所以本文A風(fēng)電場(chǎng)選擇10m與50m風(fēng)速數(shù)據(jù)，65m與80m風(fēng)速數(shù)據(jù)互相進(jìn)行校正。B風(fēng)電場(chǎng)計(jì)算同理，選擇10m與30m風(fēng)速數(shù)據(jù)，50m與70m風(fēng)速數(shù)據(jù)互相進(jìn)行校正。

由圖2可知，與濾波前對(duì)比，異常點(diǎn)絕大部分都被識(shí)別出來(lái)，只存在兩個(gè)誤識(shí)別點(diǎn)和一個(gè)異常點(diǎn)未被識(shí)別。觀察兩個(gè)誤識(shí)別點(diǎn)的位置（箭頭所指位置）都處于大范圍陡升陡降區(qū)間內(nèi)，可能因?yàn)閿?shù)據(jù)本身存在陡升陡降，其余高度也有陡升陡降，但校正環(huán)節(jié)計(jì)算的濾波差值剛好在區(qū)間范圍內(nèi)，所以校正時(shí)沒(méi)有發(fā)現(xiàn)；未被識(shí)別出的異常點(diǎn)可能是因?yàn)樵擖c(diǎn)數(shù)據(jù)本身存在錯(cuò)誤或者陡升陡降不明顯，濾波誤差較小，導(dǎo)致異常值未識(shí)別出來(lái)。表3是對(duì)兩個(gè)風(fēng)電場(chǎng)風(fēng)速異常數(shù)據(jù)進(jìn)行識(shí)別剔除后的結(jié)果。由表可以看出，濾波誤差進(jìn)行肖維勒處理后，比直接對(duì)風(fēng)速數(shù)據(jù)進(jìn)行肖維勒處理準(zhǔn)確率高，且加入校正環(huán)節(jié)之后大大降低了誤識(shí)別率。

表3 異常風(fēng)速數(shù)據(jù)識(shí)別結(jié)果Table 3 Evaluation table of abnormalwind speed data identification results

4.3 缺失數(shù)據(jù)補(bǔ)齊

以A風(fēng)電場(chǎng)為例，利用方差比準(zhǔn)則計(jì)算出的最佳聚類數(shù)k，根據(jù)k值得到風(fēng)速數(shù)據(jù)屬性重要度排序：80 m，65 m，10 m，50 m，即80 m風(fēng)速對(duì)數(shù)據(jù)集的影響最大。相似片段長(zhǎng)度設(shè)定根據(jù)歷史數(shù)據(jù)試驗(yàn)得出，長(zhǎng)度為9時(shí)效果最好。同理，B風(fēng)電場(chǎng)計(jì)算風(fēng)速數(shù)據(jù)屬性重要度排序：70 m，50 m，10 m，30 m，相似片段長(zhǎng)度為7時(shí)，補(bǔ)齊效果最好。將本文補(bǔ)齊方法與持續(xù)法、不考慮屬性重要度的相似片段補(bǔ)齊法和灰色關(guān)聯(lián)方法作對(duì)比，以A風(fēng)電場(chǎng)10 m風(fēng)速為例，利用本文方法的補(bǔ)齊效果如圖3所示。

圖3 本文方法補(bǔ)齊A風(fēng)電場(chǎng)10m風(fēng)速數(shù)據(jù)效果圖Fig.3 Thismethod complements the effectmap ofwind speed data of 10m in A wind farm

表4是針對(duì)兩個(gè)風(fēng)電場(chǎng)，選擇相似片段補(bǔ)齊法、灰色關(guān)聯(lián)補(bǔ)齊方法和持續(xù)法與本文所提補(bǔ)齊方法作對(duì)比得到的平均絕對(duì)誤差。 由表4可以看出，對(duì)較低的兩個(gè)高度風(fēng)速數(shù)據(jù)補(bǔ)齊的誤差普遍要比較高的兩個(gè)高度風(fēng)速數(shù)據(jù)補(bǔ)齊的誤差大，這是因?yàn)檩^低的兩個(gè)高度風(fēng)速波動(dòng)較大，曲線毛刺多，而較高的兩個(gè)高度風(fēng)速曲線較平滑，用持續(xù)法效果也很好。以待補(bǔ)齊時(shí)刻為中心，與找相似片段補(bǔ)齊相比，只以一個(gè)時(shí)刻進(jìn)行灰色關(guān)聯(lián)補(bǔ)齊效果好；若采用相似片段法進(jìn)行補(bǔ)齊，應(yīng)優(yōu)先補(bǔ)齊對(duì)整體風(fēng)速數(shù)據(jù)影響較大的某高度風(fēng)速，從而減小補(bǔ)齊過(guò)程中的誤差累積。從兩個(gè)風(fēng)電場(chǎng)補(bǔ)齊結(jié)果來(lái)看，A風(fēng)電場(chǎng)平均絕對(duì)誤差均小于B風(fēng)電場(chǎng)，從數(shù)據(jù)本身分析，其主要原因是A風(fēng)電場(chǎng)測(cè)風(fēng)數(shù)據(jù)質(zhì)量較好。但對(duì)于兩個(gè)風(fēng)電場(chǎng)，本文補(bǔ)齊方法效果均優(yōu)于單一方法。

表4 各補(bǔ)齊方法結(jié)果Table 4 Evaluationmethod for each complementmethod

4.4 應(yīng)用分析

為驗(yàn)證對(duì)測(cè)風(fēng)塔風(fēng)速數(shù)據(jù)進(jìn)行處理的工程實(shí)用價(jià)值，本文利用Python平臺(tái)的Keras深度學(xué)習(xí)框架，以Theano為后端構(gòu)建基于LSTM的考慮測(cè)風(fēng)塔信息的整場(chǎng)功率數(shù)據(jù)補(bǔ)齊模型，數(shù)據(jù)來(lái)源選擇黑龍江某風(fēng)電場(chǎng)測(cè)風(fēng)塔數(shù)據(jù)和整場(chǎng)功率數(shù)據(jù)，采樣間隔15min，功率數(shù)據(jù)總量為2 000，缺失率5%，缺失值設(shè)置為-200。模型參數(shù)如下：模型網(wǎng)絡(luò)層數(shù)為3，各層節(jié)點(diǎn)數(shù)分別為7，17和1，迭代次數(shù)設(shè)置為80。

圖4為選取一段功率數(shù)據(jù)直觀分析補(bǔ)齊結(jié)果。表5為3種補(bǔ)齊方法的MAE值。選擇式（11）中的MAE作為評(píng)價(jià)指標(biāo)，其中：方法一指使用本文方法處理過(guò)的測(cè)風(fēng)塔數(shù)據(jù)作為L(zhǎng)STM輸入進(jìn)行缺失功率補(bǔ)齊，模型輸入為包含缺失值的風(fēng)電場(chǎng)功率數(shù)據(jù)、歸一化后的測(cè)風(fēng)塔10，30，50m和70 m高度風(fēng)速及對(duì)應(yīng)風(fēng)向，模型輸出為功率數(shù)據(jù)的補(bǔ)齊值。方法二為未處理過(guò)的測(cè)風(fēng)塔數(shù)據(jù)作為L(zhǎng)STM模型的輸入。方法三為持續(xù)法補(bǔ)齊。

圖4 部分功率數(shù)據(jù)補(bǔ)齊效果圖Fig.4 Partial power data fill effectmap

表5 不同輸入數(shù)據(jù)功率補(bǔ)齊結(jié)果Table 5 Different input data power completion result evaluation form

由圖4和表5可知，使用處理后的測(cè)風(fēng)塔數(shù)據(jù)作為模型輸入，補(bǔ)齊功率缺失數(shù)據(jù)，可有效提高補(bǔ)齊精度，為后續(xù)風(fēng)電研究提供優(yōu)質(zhì)可靠的數(shù)據(jù)源。

5 結(jié)論

風(fēng)電場(chǎng)測(cè)風(fēng)數(shù)據(jù)能夠真實(shí)客觀地反映該區(qū)域的風(fēng)能資源情況，且數(shù)據(jù)質(zhì)量的好壞對(duì)于計(jì)算理論發(fā)電量有重要意義。本文根據(jù)異常風(fēng)速數(shù)據(jù)產(chǎn)生原因及特點(diǎn)對(duì)異常風(fēng)速數(shù)據(jù)進(jìn)行識(shí)別剔除，并在此基礎(chǔ)上根據(jù)屬性重要度和相似片段的方法對(duì)缺失的風(fēng)速數(shù)據(jù)進(jìn)行重構(gòu)。主要結(jié)論如下。①提出一種基于最小二乘濾波-肖維勒組合的異常風(fēng)速數(shù)據(jù)識(shí)別算法，并利用測(cè)風(fēng)塔不同高度風(fēng)速數(shù)據(jù)具有波動(dòng)關(guān)聯(lián)性這一特點(diǎn)，對(duì)待剔除數(shù)據(jù)進(jìn)行校正，能夠提高識(shí)別率，減小誤識(shí)別率。②在數(shù)據(jù)缺失的情況下，提出一種基于屬性重要度-相似片段的數(shù)據(jù)補(bǔ)齊方法，優(yōu)先補(bǔ)齊對(duì)整體風(fēng)速數(shù)據(jù)影響較大的某高度風(fēng)速，減小誤差累積，重構(gòu)精度高。③算例將本文所提方法與幾種常見(jiàn)的異常數(shù)據(jù)識(shí)別與重構(gòu)方法進(jìn)行比較，結(jié)果表明，本文提出的方法可有效識(shí)別異常數(shù)據(jù)，重構(gòu)缺失數(shù)據(jù)，對(duì)不同風(fēng)電場(chǎng)有較強(qiáng)的通用性，并且使用處理過(guò)的風(fēng)速數(shù)據(jù)能夠提高功率補(bǔ)齊模型的精度，具有一定的工程實(shí)用價(jià)值。