风电数据三阶段复合异常值识别：结合物理规则、回归学习与数学形态学

现有风速-功率数据异常值识别研究常面临异常值复杂且不规则分布的挑战，尤其是某些异常值密集堆叠且接近正常数据，可能降低其识别的可靠性和鲁棒性。为此，本文构建了三阶段复合异常值识别方法，通过系统性整合三种互补技术：物理规则驱动的预处理、回归学习驱动的检测、数学形态学驱动的细化。首先，利用一组简洁高效的物理规则对原始风速-功率数据进行预处理，以过滤明显违反实际风力机物理运行规律的异常值。其次，构建基于随机抽样一致性算法的鲁棒风速-功率回归学习模型，通过采用四分位范围方法自动设置的自适应阈值，可靠检测大多数异常值。最后，将风速-功率数据分布表示为二维图像，应用数学形态学操作，从数据分布视角进行细化异常值识别。该技术可识别前两阶段未能有效检测的异常值，包括密集堆叠于正常数据点附近的异常值。通过整合上述三种技术，整个方法能够可靠且自适应地识别各种类型异常值。基于实际风力机获取的风电数据集和仿真环境中的数值测试结果广泛表明，所提方法优于现有方法，并在提升风力预测方面具有潜力。