改進(jìn)Bayesian后驗比的異常風(fēng)速值檢測方法

陳偉，吳布托，裴喜平，王懿喆

（蘭州理工大學(xué)電氣工程與信息工程學(xué)院，甘肅蘭州 730050）

改進(jìn)Bayesian后驗比的異常風(fēng)速值檢測方法

陳偉，吳布托，裴喜平，王懿喆

（蘭州理工大學(xué)電氣工程與信息工程學(xué)院，甘肅蘭州 730050）

風(fēng)電場運行數(shù)據(jù)中含有異常風(fēng)速值，為了優(yōu)化風(fēng)電數(shù)據(jù)的質(zhì)量，提出了組合預(yù)測與Bayesian后驗比的異常值檢測方法。為了降低預(yù)測誤差，先對風(fēng)速序列建立Adaboost-BP網(wǎng)絡(luò)和EMD-LV-SVM的組合預(yù)測模型，利用預(yù)測值與測量值的偏差得到含有粗大誤差的殘差序列；為了提高檢測方法的可靠性，采用Bayesian后驗比的檢驗方法識別殘差序列中粗大

異常風(fēng)速值檢測；組合預(yù)測模型；殘差分析；Bayesian后驗比

風(fēng)電場運行數(shù)據(jù)中的風(fēng)速值是分析監(jiān)測風(fēng)機(jī)運行狀態(tài)和預(yù)測風(fēng)機(jī)出力情況的重要依據(jù)。因傳感器故障和傳輸信道噪聲產(chǎn)生的異常疊加在監(jiān)控終端的數(shù)據(jù)中，由于風(fēng)速特有的間歇性和不確定性[1]，造成異常值在風(fēng)速序列特征信息不明顯，使得異常值辨識困難。

在諸多風(fēng)速功率預(yù)測方法中，如人工神經(jīng)網(wǎng)絡(luò)[2-4]、支持向量機(jī)[5]、卡爾曼濾波[6]和時間序列分析法[7-8]都直接采用測量數(shù)據(jù)進(jìn)行分析計算，對含有異常值的數(shù)據(jù)建模分析勢必會影響預(yù)測精度。因此，分析數(shù)據(jù)前需要對異常數(shù)據(jù)識別與修正。在異常數(shù)據(jù)檢測方面，文獻(xiàn)[9]最早提出了運用統(tǒng)計學(xué)的思想檢測異常值，根據(jù)歷史數(shù)據(jù)設(shè)定一個概率模型，如果數(shù)據(jù)服從同一分布則判定為正常值，反之則為異常數(shù)據(jù)點，該方法的統(tǒng)計量計算復(fù)雜且統(tǒng)計參數(shù)對辨識異常值異常敏感。文獻(xiàn)[10]是基于距離的方法檢測異常值，需要計算每個點之間的距離，通過相似度檢測異常距離，因計算量過大，不適處理大量的風(fēng)速時間序列。文獻(xiàn)[11]提出了小波模極大值的方法辨識異常風(fēng)速值，該方法通過采用閾值和Lipschitz指數(shù)聯(lián)合判定異常風(fēng)速值，由于小波方法不能兼顧時間分辨率和頻率分辨率，易產(chǎn)生漏檢現(xiàn)象。文獻(xiàn)[12]提出了采用Gibbs抽樣算法估計Bayesian參數(shù)并通過閾值檢測異常值，該方法只適用于線性系統(tǒng)不適用于多變的風(fēng)速序列。文獻(xiàn)[13]提出了利用支持向量機(jī)的回歸估計值與實測值之間的殘差來識別測量數(shù)據(jù)中的異常數(shù)，由于擬合殘差的方差異常敏感，方差值決定著辨識粗大誤差的準(zhǔn)確性。

基于以上分析，結(jié)合傳統(tǒng)殘差分析和Bayesian參數(shù)估計方法，本文提出了組合預(yù)測模型和邊緣化后驗比的方法檢測異常風(fēng)速值。首先分別建立Adaboost-BP網(wǎng)絡(luò)和EMD-LS-SVM的單一預(yù)測模型，通過計算每個模型的方差確定組合預(yù)測模型的最優(yōu)權(quán)重系數(shù)，使得到的殘差序列更準(zhǔn)確。為了降低Bayesian后驗概率的未知參數(shù)的數(shù)目，對其參數(shù)邊緣化處理可簡化計算方法，并剔除后驗比值小于檢測閾值的異常風(fēng)速值。最后采用ARIMA方法修正異常風(fēng)速點，從而優(yōu)化了風(fēng)速數(shù)據(jù)的質(zhì)量。通過對仿真數(shù)據(jù)異常點的檢測結(jié)果驗證了本文方法的可行性，并對甘肅酒泉風(fēng)電場的實測運行風(fēng)速序列進(jìn)行異常檢測和修正，預(yù)測結(jié)果表明對風(fēng)速數(shù)據(jù)處理后可提高預(yù)測精度。

1 異常風(fēng)速值檢測算法

由于異常風(fēng)速值在風(fēng)速序列中表征不明顯，用現(xiàn)有的異常檢測方法不易檢測出[14-17]，為了凸顯異常風(fēng)速值的特征信息，本文通過建立風(fēng)速預(yù)測模型計算出預(yù)測值，比較預(yù)測值與測量值之間的差值，得到異常特征明顯的殘差序列。殘差序列是由隨機(jī)誤差、系統(tǒng)誤差和粗大誤差構(gòu)成，而系統(tǒng)誤差受風(fēng)速傳感器測量精度和風(fēng)速預(yù)測精度的影響，系統(tǒng)誤差幅值波動穩(wěn)定，誤差的絕對值小于等于3σ[18]，且服從高斯分布。而粗大誤差是由傳感器故障和數(shù)據(jù)存儲故障產(chǎn)生，具有隨機(jī)性和幅值波動大的特點[19]，其誤差絕對值大于3σ。針對這種特點，本文利用邊緣化后驗比的方法檢測識別粗大誤差點，從而間接地檢測出風(fēng)速序列的異常值。

1.1 預(yù)測模型的選取

常見的風(fēng)速預(yù)測模型包括：持續(xù)法[20]、ARMA預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測法和支持向量機(jī)預(yù)測法。由于風(fēng)速的隨機(jī)性和間歇性，造成單一預(yù)測模型精度不高，預(yù)測模型的系統(tǒng)誤差較大，不利于準(zhǔn)確識別殘差序列中的粗大誤差值。因此，本文選取基于自方差優(yōu)選的組合預(yù)測方法提高預(yù)測精度，盡可能地使系統(tǒng)誤差達(dá)到最小，盡可能地接近真實風(fēng)速時間序列。

1.1.1 Adaboost-BP模型

在BP網(wǎng)絡(luò)建立過程中存在過擬合、泛化能力弱和易陷入局部最優(yōu)的問題，本文引入Adaboost迭代算法改進(jìn)BP算法[21-22]，使其將訓(xùn)練集中不同的弱學(xué)習(xí)器結(jié)合起來搭建成一個穩(wěn)健的強(qiáng)學(xué)習(xí)器。Adaboost迭代算法的基本思想是在訓(xùn)練過程中重視預(yù)測誤差大的樣本和性能好的弱學(xué)習(xí)器，從而提高了BP網(wǎng)絡(luò)的泛化能力和預(yù)測精度。

建立Adaboost-BP模型的過程如下：

1）對訓(xùn)練集進(jìn)行數(shù)據(jù)歸一化處理，然后將數(shù)據(jù)分成N組，每組數(shù)據(jù)中含有n個訓(xùn)練值和m個預(yù)測數(shù)據(jù)。

2）隨機(jī)選取一組數(shù)據(jù)，建立結(jié)構(gòu)為3-6-1的BP網(wǎng)絡(luò)，其中NN（tx）表示第t次構(gòu)建的BP網(wǎng)絡(luò)。在該網(wǎng)絡(luò)下計算每組數(shù)據(jù)的預(yù)測誤差εi和N組數(shù)據(jù)的平均

3）更新樣本權(quán)重Dt其中βt=εt/的歸一化因子，D0（i）=1/N。根據(jù)βt可得到弱學(xué)習(xí)器的權(quán)重為

4）重復(fù)步驟2）和3），直到迭代的次數(shù)T＞10或者預(yù)測平均誤差εt＜10－5跳出循環(huán)。

5）最終得到強(qiáng)學(xué)習(xí)器的Adaboost-BP預(yù)測模型表達(dá)式為

1.1.2 EMD-LS-SVM模型

風(fēng)速序列是一組隨機(jī)性較強(qiáng)的非線性、非穩(wěn)態(tài)的時間序列，單一的模型存在預(yù)測精度低、泛化能力弱的問題。經(jīng)驗?zāi)B(tài)分解[23]EMD常用于處理非線性、非穩(wěn)態(tài)的信號，把信號分解成不同頻率的序列，降低了信號中的不同頻率之間的相互影響。針對不同頻率的分解量固有模態(tài)函數(shù)（IMF）和趨勢量（Res）分別建立LV-SVM回歸模型[24-25]。最后對不同分量進(jìn)行合成重構(gòu)得到預(yù)測結(jié)果。

建立EMD-LS-SVM模型的步驟：

1）輸入訓(xùn)練集數(shù)據(jù)，采用EMD方法對風(fēng)速序列進(jìn)行分解得到多個IMF分量和Res分量的代數(shù)和，即：

式中：M為IMF分量的個數(shù)；IMFi（t）為風(fēng)速時間序列的第i個固有模態(tài)函數(shù)；Res（t）為分解后的趨勢分量。

2）分別對分量IMFi（t）和Res（t）建立LV-SVM回歸模型，構(gòu)造的拉格朗日函數(shù)計算方法算法如下：

式中：c為容錯懲罰系數(shù)，c＞0；ξi為松弛因子，ξi≥0；w為權(quán)向量；b為常數(shù)；αi（i=1，2，…，l）為拉格朗日乘子。本文參考文獻(xiàn)[20]的方法確定超參數(shù)，選取c= 30，σ2=0.22。

通過式（4）計算出LS-SVM回歸函數(shù)表示為

式中：高斯核函數(shù)K（x，xi）=e－‖x－xi‖2/（2σ2）。

3）利用式（4）建立各個分量的模型，并預(yù)測出每個分量的值，對分量結(jié)果進(jìn)行合成重構(gòu)，得到最終的預(yù)測值y2（x）。

1.1.3 建立風(fēng)速組合預(yù)測模型

方差優(yōu)選風(fēng)速組合預(yù)測模型的風(fēng)速輸出y（t/ t－1）為

式中：λ1為在t時刻Adaboost-BP網(wǎng)絡(luò)預(yù)測模型的權(quán)重值；λ2為在t時刻EMD-LS-SVM預(yù)測模型的權(quán)重值，且λ1+λ2=1。y（1t/t－1）為t時刻Adaboost-BP網(wǎng)絡(luò)預(yù)測模型的預(yù)測值；y（2t/t－1）為t時刻EMD-LS-SVM預(yù)測模型的預(yù)測值。

求取最優(yōu)權(quán)重的過程等同為如下優(yōu)化問題：

采用構(gòu)造拉格朗日函數(shù)的方法求解式（7），可以解得：

通過式（10）得到的殘差序列是由預(yù)測模型產(chǎn)生的系統(tǒng)誤差（誤差較小接近于0）和異常風(fēng)速值產(chǎn)生的粗大誤差的代數(shù)和構(gòu)成。隨后通過識別粗大誤差來確定風(fēng)速值的異常情況。

1.2 Bayesian后驗比檢測準(zhǔn)則

由于殘差序列服從高斯分布[26]，因此根據(jù)Bayesian后驗的思想，ALARCON-AQUINO V[27]等人建立檢測窗口和學(xué)習(xí)窗口，其中學(xué)習(xí)窗口中的數(shù)據(jù)用于建立高斯分布，檢測窗口中的數(shù)據(jù)用于檢測該數(shù)據(jù)的異常情況。通過分析2個窗口的殘差序列是否服從同一高斯分布的方法檢測異常數(shù)據(jù)。如果檢測窗口服從學(xué)習(xí)窗口的高斯分布，判為正常（系統(tǒng)誤差）數(shù)據(jù)，反之，則判為異常（粗大誤差）數(shù)據(jù)。

隨著檢測數(shù)據(jù)的不斷增加，學(xué)習(xí)窗口中堆積了大量數(shù)據(jù)使得統(tǒng)計分析復(fù)雜。本文結(jié)合風(fēng)速殘差序列中粗大誤差的分布特點，通過固定學(xué)習(xí)窗口中數(shù)據(jù)的長度L保持不變，并保持檢測窗口只含有一個待檢測的數(shù)據(jù)，利用學(xué)習(xí)窗口和檢測窗口同步滑動實現(xiàn)殘差序列中粗大誤差的檢測與識別。

根據(jù)學(xué)習(xí)窗口中L個數(shù)據(jù)的分布情況得到高斯分布N（0，δ2），讀取檢測窗口t時刻的殘差值et。當(dāng)et服從N（0，δ2）時，則et判為系統(tǒng)誤差數(shù)據(jù)（正常風(fēng)速點）；當(dāng)et不服從N（0，δ2）時，則et判為粗大誤差數(shù)據(jù)（異常風(fēng)速點）。從粗大誤差數(shù)據(jù)得到2個假設(shè)，分別為H0：t時刻的殘差et為正常值；H1：t時刻的殘差et為異常值。

在2個假設(shè)條件下，L+1個殘差數(shù)據(jù)的似然分別為

根據(jù)Bayesian原理[28]得到2個假設(shè)的后驗概率分別為

式中：假設(shè)H0和H1的先驗概率分別為p（H0）和p（H1）；p（e）表示風(fēng)速預(yù)測殘差ei的先驗概率i=t－L，…，t；后驗概率p（H0|e）和p（H1|e）表示在取當(dāng)前殘差值e（ii=t－L，…，t）時，假設(shè)H0和H1成立的概率，可用統(tǒng)計量后驗概率直接描述檢測窗口殘差值的異常情況。因此可以利用2個假設(shè)的后驗概率的大小關(guān)系判斷哪個假設(shè)成立，具體實施采用后驗概率對數(shù)比作為異常判斷準(zhǔn)則：

根據(jù)式（14）可知，如果et為粗大誤差數(shù)據(jù)（v（t）為異常風(fēng)速值），則異常假設(shè)的后驗概率p（H1|遠(yuǎn)大于正常假設(shè)后驗概率p（H0|e），即φ（t）小于η；如果et為系統(tǒng)誤差（v（t）為正常風(fēng)速值），則φ（t）大于η。本文選取檢測閾值η=0.95，即異常值識別水平的可信度為0.95：

對于式（11）和式（12），如果計算假設(shè)H0和H1的似然函數(shù)，需要依據(jù)歷史數(shù)據(jù)擬合概率密度函數(shù)求取高斯分布的方差δ2和δ，由于受到擬合精度的影響，計算出的方差精度不高，方差值的準(zhǔn)確性直接關(guān)乎到檢測異常值的合理性。為了避免因方差估計不準(zhǔn)確造成的檢測異常值不理想，本文引入邊緣化處理的方法[29]，對方差δ2和用積分運算的方式估計出式（11）和式（12）的后驗概率。所以式（13）可換成以下2個公式：

對式（13）采用邊緣化處理后，式（16）和式（17）出現(xiàn)了2個未知分布即方差的先驗密度p（δ2）和p（），引入Jeffreys提出的先驗分布函數(shù)來計算p（δ）2和p（），根據(jù)文獻(xiàn)[30]給出了在高斯分布條件下的先驗計算方法p（t）=1/t，0＜t＜∞，將Jeffreys先驗代入假設(shè)H0的式（16）可得：

式（18）中的被積函數(shù)正好為逆Wishart分布的密度函數(shù)，即。文獻(xiàn)[28]給出了積分項逆Wishart分布的證明過程。因此式（18）化簡為

同理對式（17）采用同樣的推導(dǎo)過程可得出：

推導(dǎo)出的式（19）和式（20）可直接用于計算假設(shè)H0和H1的后驗概率，再根據(jù)異常值判斷準(zhǔn)則式（14）計算出φ（t），通過比較φ（t）和η的大小進(jìn)行檢測殘差序列中的粗大誤差點。

2 異常風(fēng)速值的修正

利用邊緣化后驗比的檢測方法辨識擬合殘差序列中的t時刻的粗大誤差點，同時對該時刻的異常風(fēng)速值剔除。為了進(jìn)一步提高風(fēng)速序列的連續(xù)性和可利用性，需要分兩步對數(shù)據(jù)處理。第一步對異常風(fēng)速序列二階差分處理使其平穩(wěn)化，第二步采用ARMA模型修正異常值。ARIMA算法[31-32]是依據(jù)風(fēng)速序列的時序性和自相關(guān)性建立的，對異常風(fēng)速值修正精度高。其中ARMA模型可以表示為

式中：α1，α2，…，αp為AR模型系數(shù)；β1，β2，…，βq為MA模型系數(shù)；εi為獨立同分布的隨機(jī)變量序列。

由于風(fēng)速序列是非平穩(wěn)序列，需要對其進(jìn)行二階差分平穩(wěn)化，平穩(wěn)化后的風(fēng)速序列采用式（21）的方法建立ARMA模型，修正被剔除異常風(fēng)速值。

3 檢測異常風(fēng)速值的步驟

本文通過組合預(yù)測方法與邊緣化后驗比方法相結(jié)合建立了風(fēng)電場異常風(fēng)速檢測算法，對采集到的運行風(fēng)速值優(yōu)化處理，從而提高數(shù)據(jù)分析的精度。檢測并修正風(fēng)電場運行風(fēng)速值的流程如圖1所示，具體步驟如下所述。

圖1 異常風(fēng)速值檢測流程Fig.1 Flow chart of anomaly w ind speed detection algorithm

1）輸入待檢測的風(fēng)電場運行風(fēng)速數(shù)據(jù)（含有異常風(fēng)速值）。

2）建立單一預(yù)測模型。運用運行風(fēng)速數(shù)據(jù)分別建立Adaboost-BP網(wǎng)絡(luò)預(yù)測模型和EMD-LS-SVM預(yù)測模型，并計算出每個單一預(yù)測模型的預(yù)測誤差e1和e2。

3）建立組合預(yù)測模型。采用拉格朗日的方法求取組合預(yù)測模型的最優(yōu)權(quán)重系數(shù)λ1和λ2，得到組合模型的預(yù)測值y（t/t－1），并計算出含有粗大誤差信息的殘差序列e（t）。

4）計算后驗比φ（t）。針對學(xué)習(xí)窗口中L個殘差序列得到殘差分布，并計算出檢測窗口的殘差值et服從2個假設(shè)H0和H1的后驗概率，利用式（14）計算出后驗比φ（t）。

5）判定異常風(fēng)速值。比較后驗比φ（t）與檢測閾值η，當(dāng)t時刻的后驗比φ（t）小于η時，t時刻的殘差為粗大誤差，即t時刻的風(fēng)速值異常；反之則為正常值。判定后同時滑動學(xué)習(xí)窗口和檢測窗口，重復(fù)步驟4），檢測t+1時刻的異常情況，直至檢測完成。

6）修正異常風(fēng)速值。采用ARIMA修正模型對步驟5）檢測出的異常數(shù)據(jù)點進(jìn)行修正，從而得到正常的風(fēng)速值。

4 案例分析

4.1 案例一

為了驗證本文所提出的組合預(yù)測和邊緣化后驗比算法識別異常值的有效性，采用本文所提方法檢測余弦信號中的異常值，選取長度3 000的余弦信號，為了進(jìn)一步驗證檢測算法的可靠性，在余弦信號再加入信噪比為10 dB的高斯噪聲。前2 000個數(shù)據(jù)用組合預(yù)測模型的建立，后1 000個數(shù)據(jù)中隨機(jī)加入10個異常點。用于異常檢測的余弦信號如圖2所示。

圖2 含有異常值的仿真信號Fig.2 Simulation signalw ith abnormal value

用前2 000個數(shù)據(jù)點得到的組合預(yù)測模型對后1 000個數(shù)據(jù)進(jìn)行預(yù)測，得到的殘差序列如圖3所示。從圖3中可以看出，由預(yù)測系統(tǒng)造成的系統(tǒng)誤差接近0，在殘差序列中10個異常值以粗大誤差的形式全部顯示出。

圖3 仿真信號的殘差序列Fig.3 Residual series of simulation signal

分別建立學(xué)習(xí)窗口和檢測窗口，其中學(xué)習(xí)窗口的長度L為100，檢測窗口為1，取p（H0）=0.95[14]。采用式（14）計算后驗概率比。從圖4中可以看出，殘差序列中的粗大誤差點的后驗對數(shù)比值φ（t）顯然遠(yuǎn)遠(yuǎn)小于其他時刻的比值。當(dāng)φ（t）小于η時，判為異常點；否則殘差序列正常。采用組合預(yù)測模型和后驗概率比的方法全部檢測出10個異常點的位置，證明了本文所提方法的可行性。

圖4 仿真信號數(shù)據(jù)的檢測結(jié)果Fig.4 Detection result of simulation signal

4.2 案例二

對甘肅酒泉風(fēng)電場實際采集的數(shù)據(jù)進(jìn)行異常風(fēng)速檢測，選取2010年5月15日—5月22日中的7 000個風(fēng)速數(shù)據(jù)，其中將含有異常值的4 000個數(shù)據(jù)用于單一和組合模型的搭建，3 000個風(fēng)速數(shù)據(jù)用于預(yù)測并得到殘差序列。

從圖6可以看出粗大誤差點在600～1 000和2 100～2 400之間出現(xiàn)的頻率比較高，而在圖5中該段異常風(fēng)速點很難被觀察識別。組合預(yù)測的方法能有效地凸顯異常風(fēng)速點，為下一步的準(zhǔn)確檢測異常值提供了保障。

圖5 酒泉風(fēng)電場實測風(fēng)速序列Fig.5 M easured w ind speed series from Jiuquan w ind farm s

圖6 酒泉風(fēng)電場的風(fēng)速殘差序列Fig.6 Residual series ofwind speed from Jiuquan wind farms

對殘差序列采用學(xué)習(xí)窗口和檢測窗口滑動的方式檢測粗大誤差點，固定學(xué)習(xí)窗口的長度L=100，統(tǒng)計學(xué)習(xí)窗口內(nèi)的誤差分布參數(shù)，并借助后驗概率的方法在2個假設(shè)H0和H1的條件下計算出學(xué)習(xí)窗口t時刻的后驗對數(shù)比。對比圖6和7，發(fā)現(xiàn)殘差序列中的較大粗大誤差對應(yīng)的后驗對數(shù)比值明顯小于檢測閾值η。

圖7 酒泉風(fēng)速數(shù)據(jù)的檢測結(jié)果Fig.7 Detection result of w ind speed from Jiuquan w ind farm s

采用ARIMA方法修正粗大誤差點所對應(yīng)的異常風(fēng)速值，使其得到正常的風(fēng)速序列，為進(jìn)一步的分析應(yīng)用提供可靠的數(shù)據(jù)質(zhì)量。

為驗證本文識別剔除異常風(fēng)速值的有效性，采用（RBF）神經(jīng)網(wǎng)絡(luò)預(yù)測算法[15-16]對修正后的2 900個風(fēng)速序列進(jìn)行預(yù)測。其中選取2 000個數(shù)據(jù)用于RBF模型的訓(xùn)練，900個數(shù)據(jù)用于預(yù)測結(jié)果的測試。選用平均絕對誤差（MAE）、平均絕對百分誤差（MAPE）、均方根誤差（RMSE）作為預(yù)測結(jié)果評價指標(biāo)。

從表1中的RBF預(yù)測結(jié)果發(fā)現(xiàn)，修正后的風(fēng)速序列與含有異常值的風(fēng)速序列相比，3項預(yù)測指標(biāo)都有不同程度的提升，因此采用修正異常值后的風(fēng)速序列進(jìn)行風(fēng)速預(yù)測可提高預(yù)測精度，為風(fēng)電場風(fēng)速序列的研究提供了可靠保障。

表1 酒泉風(fēng)電場預(yù)測誤差分析Tab.1 Prediction error analysis from Jiuquan w ind farms

5 結(jié)語

由于風(fēng)電場測量風(fēng)速數(shù)據(jù)中存在一些異常風(fēng)速值，不經(jīng)預(yù)處理直接對其進(jìn)行預(yù)測分析嚴(yán)重影響預(yù)測精度，本文提出了Adaboost-BP與EMD-LVSVM的組合預(yù)測和邊緣化后驗比的檢測算法。為了避免殘差序列中的系統(tǒng)誤差與粗大誤差的混疊現(xiàn)象，使系統(tǒng)誤差降低到最低，本文將含有異常值的數(shù)據(jù)采用組合預(yù)測方法獲得訓(xùn)練模型，并得到殘差序列。由于殘差序列中的系統(tǒng)誤差服從高斯分布，因此選用后驗概率對數(shù)比的方法辨識系統(tǒng)誤差與粗大誤差。為了提高估計參數(shù)的魯棒性，對估計參數(shù)邊緣化處理，從而提高了檢測算法的可行性。仿真結(jié)果表明，本文方法能合理地檢測風(fēng)電場異常風(fēng)速值，可為短期風(fēng)速預(yù)測提供可靠的數(shù)據(jù)質(zhì)量。本文方法局限性有以下2點：第一，誤差的大小取決于所建立的預(yù)測模型的精度，在以后的研究中需進(jìn)一步探索合理的預(yù)測方法以降低系統(tǒng)誤差；第二，本文的后驗比檢測方法是建立在誤差服從高斯分布的假設(shè)下，但異常數(shù)據(jù)很難用服從一種單一的分布，今后需探索適用范圍更廣泛的檢測異常值的方法。

[1]王勃，馮雙磊，劉純.考慮預(yù)報風(fēng)速與功率曲線因素的風(fēng)電功率預(yù)測不確定性估計[J].電網(wǎng)技術(shù)，2014，38（2）: 463-468. WANG Bo，F(xiàn)ENG Shuanglei，LIU Chun.Uncertainty estimation of wind power forecasting considering wind speed and power curve factor[J].Power Grid Technology，2014，38（2）:463-468（in Chinese）.

[2]劉興杰，岑添云，鄭文書，等.基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測[J].中國電機(jī)工程學(xué)報，2014，34（19）:3162-3169. LIUXingjie，CEN Tianyun，ZHENGWenshu，etal.Neural network wind speed forecasting based on fuzzy rough set and improved clustering[J].Journal of Chinese Electrical Engineering Science，2014，34（19）:3162-3169（in Chinese）.

[3]艾格林，孫永輝，衛(wèi)志農(nóng).基于MEA_Elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率短期預(yù)測[J].電網(wǎng)與清潔能源，2016，32（4）:119-124. AIGelin，SUN Yonghui，WEIZhinong.Short-term photovolataic power forecasting based on MEA and elman neural network[J].Power System and Clean Energy，2016，32（4）:119-124（in Chinese）.

[4]于群，樸在林，胡博.基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的短期光伏功率預(yù)測模型[J].電網(wǎng)與清潔能源，2016，32（7）: 132-137. YU Qun，PIAO Zailin，HU Bo.A hybridmodel for shortterm photovoltaic power forecasting based on EEMD-BP combined method[J].Power System and Clean Energy，2016，32（7）:132-137（in Chinese）.

[5]陳偉，郭建鵬，裴喜平，等.風(fēng)電場短期風(fēng)速變化區(qū)間與變化趨勢預(yù)測算法[J].電力系統(tǒng)及其自動化學(xué)報，2015，27（9）:47-52. CHENWei，GUO Jianpeng，PEIXiping，et al.Short term wind speed variation range and variation trend prediction algorithm for wind farm[J].Proceedings of the CSU-EPSA，2015，27（9）:47-52（in Chinese）.

[6]修春波，任曉，李艷晴，等.基于卡爾曼濾波的風(fēng)速序列短期預(yù)測方法[J].電工技術(shù)學(xué)報，2014，29（2）:253-259. XIU Chunbo，REN Xiao，LI Yanqing，et al.Short term forecasting method of wind speed series based on calman filter[J].Transactions of China Electrotechnical Society，2014，29（2）:253-259（in Chinese）.

[7]陳道君，李幕，楊楠，等.基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測方法[J].電網(wǎng)與清潔能源，2016，32（4）:99-105. CHEN Daojun，LIMu，YANG Nan，et al.Combination forecastingmethod of wind power based on optimal weight coefficient[J].Power System and Clean Energy，2016，32（4）:99-105（in Chinese）.

[8]田波，樸在林，王慧.基于時間序列建模在風(fēng)力發(fā)電功率短期預(yù)測中的研究[J].電網(wǎng)與清潔能源，2016，32（3）:115-119. TIAN Bo，PIAO Zailin，WANG Hui.Short term prodiction of wind power based on time series modeling[J].Power System and Clean Energy，2016，32（3）:115-119（in Chinese）.

[9]BARNET V，LEWIS T.Outlier in statistical data[M]. Chichester:John Wiley and Sons，1994.

[10]ZHENG Le，MIN Yong.Raw wind data preprocessing:A data-mining approach[J].IEEE Transactions on Sustainable Energy，2015，6（1）:11-19.

[11]李麗，葉林.風(fēng)速數(shù)據(jù)奇異點辨識研究[J].電力系統(tǒng)保護(hù)與控制，2011，39（21）:92-97. LILi，YE Lin.Research on singular point identification of wind speed data[J].Power System Protection and Control，2011，39（21）:92-97（in Chinese）.

[12]尚華，馮牧，張貝貝.基于Bayesian方法的參數(shù)估計和異常值檢測[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2016，28（1）:138-142. SHANG Hua，F(xiàn)ENG Mu，ZHANG Beibei.Parameter estimation and outlier detection based on bayesian method[J].Journal of Chongqing University of Posts and Telecommunications，2016，28（1）：138-142（in Chinese）.

[13]王雷，張瑞青，盛偉，等.基于支持向量機(jī)的回歸預(yù)測和異常數(shù)據(jù)檢測[J].中國電機(jī)工程學(xué)報，2009，29（8）: 92-96. WANG Lei，ZHANG Ruiqing，SHENG Wei，et al. Regression prediction and anomaly data detection based on support vector machine[J].Proceedings of the CSEE，2009，29（8）:92-96（in Chinese）.

[14]張鋒利，陳文獻(xiàn)，賈海英.支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)在水輪發(fā)電機(jī)軸承故障診斷中的應(yīng)用[J].電網(wǎng)與清潔能源，2013，29（4）:62-66. ZHANG Fengli，CHENWenxian，JIA Haiying.Application of support vectormachines and BP neural network in the rolling bearing of hydraulic turbine generator fault diagnosis[J].Power System and Clean Energy，2013，29（4）:62-66（in Chinese）.

[15]張宇航，蘭生.基于廣義神經(jīng)網(wǎng)絡(luò)與模糊聚類的變壓器故障診斷[J].高壓電器，2016，52（5）:116-120. ZHANG Yuhang，LAN Sheng.Transformer fault diagnosis based on GRNN and FCM[J].High Voltage Apparatus，2016，52（5）:116-120（in Chinese）.

[16]苗長新，申坤，鐘世華，等.基于優(yōu)化神經(jīng)網(wǎng)絡(luò)和DGA的變壓器故障診斷[J].高壓電器，2016，52（11）:163-167. MIAO Changxin，SHEN Kun，ZHONG Shihua，et al. Power transformer fault diagnosis based on improved neutral network and DGA[J].High Voltage Apparatus，2016，52（11）:163-167（in Chinese）.

[17]劉太洪，趙永雷.動態(tài)加權(quán)模糊聚類在變壓器故障診斷中的應(yīng)用研究[J].電網(wǎng)與清潔能源，2016，32（4）:89-92. LIU Taihong，ZHAO Yonglei.Application of dynamic weighted fuzzy clustering algorithm to fault diagnosis of transformer[J].Power System and Clean Energy，2016，32（4）:89-92（in Chinese）.

[18]劉輝舟，周開樂，胡小建.基于模糊負(fù)荷聚類的不良負(fù)荷數(shù)據(jù)辨識與修正[J].中國電力，2013，46（10）:29-34. LIU Huizhou，ZHOU Kaile，HU Xiaojian.Identification and correction of bad load data based on fuzzy load clustering[J].Electric Power，2013，46（10）:29-34（in Chinese）.

[19]BRETASN G，BRETAS A S，PIERETIS A.Innovation concept for measurement gross error detection and identification in power system state estimation[J].IETGeneration，Transmission&Distribution，2011，5（6）:603-608.

[20]李麗，葉林.基于改進(jìn)持續(xù)法的短期風(fēng)電功率預(yù)測[J].農(nóng)業(yè)工程學(xué)報，2010，26（12）:182-187. LILi，YE Lin.Short term wind power prediction based on improved continuation method[J].Transactions of the Chinese Society of Agricultural Engineering，2010，26（12）:182-187（in Chinese）.

[21]劉亞南，范立新，徐鋼，等.基于非負(fù)矩陣分解與改進(jìn)極端學(xué)習(xí)機(jī)的變壓器油中溶解氣體濃度預(yù)測模型[J].高壓電器，2016，52（1）:162-169. LIU Yanan，F(xiàn)AN Lixin，XU Gang，et al.Concentration prediction model of dissolved gases in transformer oil based on NMF and improved ELM[J].High Voltage Apparatus，2016，52（1）:162-169（in Chinese）.

[22]柳玉，郭虎全.基于AdaBoost與BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測研究[J].電網(wǎng)與清潔能源，2012，28（2）:80-83. LIU Yu，GUO Huquan.Wind speed prediction based on AdaBoost and BP neural networks[J].Power System and Clean Energy，2012，28（2）:80-83（in Chinese）.

[23]呂帥，張靠社.基于小波變換去噪預(yù)處理的EMD諧波檢測方法[J].電網(wǎng)與清潔能源，2016，32（6）:59-61. Lü Shuai，ZHANG Kaoshe.EMD harmonic detection method of denoising preprocessing based on wavelet transform[J].Power System and Clean Energy，2016，32（6）:59-61（in Chinese）.

[24]鄭港，鄢小虎，謝齊家，等.一種基于螢火蟲支持向量機(jī)的油色譜在線數(shù)據(jù)校正方法[J].高壓電器，2013，49（9）:23-27. ZHENGGang，YAN Xiaohu，XIEQijia，etal.Method for the oil chromatographic on-line data reconciliation based on GSO and SVM[J].High Voltage Apparatus，2013，49（9）:23-27（in Chinese）.

[25]曾杰，張華.基于最小二乘支持向量機(jī)的風(fēng)速預(yù)測模型[J].電網(wǎng)技術(shù)，2009，33（18）:144-147. ZENG Jie，ZHANG Hua.Wind speed forecasting model based on least square support vector machine[J].Power System Technology，2009，33（18）:144-147（in Chinese）.

[26]葉林，任成，趙永寧，等.超短期風(fēng)電功率預(yù)測誤差數(shù)值特性分層分析方法[J].中國電機(jī)工程報，2016，36（3）:692-700. YE Lin，REN Cheng，ZHAO Yongning，etal.Super short term wind power prediction error numerical characteristic analysismethod[J].Journal of Chinese Electrical Engineering Science，2016，36（3）:692-700（in Chinese）.

[27]ALARCON-AQUINO V，BARRIA JA.Anomaly detection in communications[J].IET Journals&Magaines，2001，148（6）:355-362.

[28]GUSTAFSSON F.The marginalized likelihood ratio test for detecting abrupt changes[J].IEEE Transactions on Automatic Control，1996，41（1）:355-362.

[29]蘇衛(wèi)星，朱云龍，胡琨元，等.基于模型的過程工業(yè)時間序列異常值檢測方法[J].儀器儀表報，2012（9）:2080-2087. SUWeixing，ZHU Yunlong，HU Kunyuan，et al.Method for detecting outliers in process industry time series based on model[J].Instrument and Meter，2012（9）：2080-2087（in Chinese）.

[30]BERNARDO JM，SMITH A F M.Bayesian theory[M].

New York:Wiley，1994.

[31]GONG Shuhong，GAO Yifeng，SHI Houbao，et al.A practical MGA-ARIMA model for forecasting real-time dynamic rain-induced attenuation[J].IEEE Transactions on Radio Science，2013，48（3）:208-225.

[32]YUNUS K，THIRINGER T，CHEN Peiyuan.ARIMA-based frequency-decomposedmodeling ofwind speed time series[J].IEEE Transactions on Power Systems，2016，31（4）:2546-2556.

Anomaly W ind Speed Detection M ethod w ith Im proved Bayesian Posterior Ratio

CHENWei，WU Butuo，PEIXiping，WANG Yizhe
（Institute of Electrical Engineering and Information Engineering，Lanzhou University of Technology，Lanzhou 730050，Gansu，China）

As wind speed data contains abnormal values from wind farms，in order to optimize the quality ofwind power data，this paper proposes an outlier detection method with the improved Bayesian posterior ratio.To reduce the prediction error，the paper establishes a combination forecasting model based on BP network and least square support vectormachine. The residual error sequence is obtained by calculating the deviation between the predicted value and themeasured value. The gross errors in the residual series are identified by the test method of Bayesian posterior ratio，and this approach can improve the reliability and determine the location of the abnormal value.Finally，we use the ARIMA method to correct the abnormal wind speed.RBF prediction results show that the proposed method can accurately identify outliers，thus improving the forecasting accuracy ofwind speed.

anomaly wind speed detection method；combined forecasting model；residual analysis；Bayesian posterior ratio

2016-08-15。

陳 偉（1976—），男，博士，教授，博導(dǎo)，主要研究方向為電能質(zhì)量分析和控制、新能源發(fā)電技術(shù)；

（編輯 馮露）

國家重點研發(fā)計劃（2016YFB0601600）；國家自然科學(xué)基金項目（51267012）；甘肅省科技支撐工業(yè)計劃項目（1504GKCA033）。

Project Supported by National Key Research and Development Program（2016YFB060 1600）；the National Natural Science Foundation of China（51267012）；Science and Technology Support Industry Program of Gansu Province（1504GKCA033）.

1674-3814（2017）02-0104-08

TM614

A

誤差，從而確定異常風(fēng)速值的位置，并利用ARIMA方法修正異常風(fēng)速值。RBF預(yù)測結(jié)果表明，所提方法能準(zhǔn)確識別異常值，從而提高了風(fēng)電場短期風(fēng)速預(yù)測精度。

吳布托（1988—），男，碩士研究生，主要研究方向為新能源發(fā)電技術(shù)。