本文主要研究内容
作者陈伟,王敏,裴喜平（2019）在《一种风电场风速异常数据预处理的新方法》一文中研究指出：针对风电场采集到的历史风速数据中存在异常值的问题,为保证风速数据的准确性和有效性,提出了一种运用差分自回归滑动平均(auto regressive integrated moving average,ARIMA)、小波分解(wavelet decomposition,WD)和隐马尔科夫(hidden Markov model,HMM)组合算法对异常风速数据进行挖掘的方法.采用ARIMA模型挖掘异常风速数据的潜在特征,得到反映风速值异常情况的残差序列;为进一步提高检测精度和降低系统误差的干扰,采用小波分解方法捕获残差序列中的粗大误差特征;借助HMM算法的双重随机过程检测异常风速值并剔除,将剔除异常值后的数据运用粒子群优化最小二乘支持向量机方法进行重构,保证风速序列的完整性.实际算例结果表明了所提方法的有效性和可行性.
Abstract
zhen dui feng dian chang cai ji dao de li shi feng su shu ju zhong cun zai yi chang zhi de wen ti ,wei bao zheng feng su shu ju de zhun que xing he you xiao xing ,di chu le yi chong yun yong cha fen zi hui gui hua dong ping jun (auto regressive integrated moving average,ARIMA)、xiao bo fen jie (wavelet decomposition,WD)he yin ma er ke fu (hidden Markov model,HMM)zu ge suan fa dui yi chang feng su shu ju jin hang wa jue de fang fa .cai yong ARIMAmo xing wa jue yi chang feng su shu ju de qian zai te zheng ,de dao fan ying feng su zhi yi chang qing kuang de can cha xu lie ;wei jin yi bu di gao jian ce jing du he jiang di ji tong wu cha de gan rao ,cai yong xiao bo fen jie fang fa bu huo can cha xu lie zhong de cu da wu cha te zheng ;jie zhu HMMsuan fa de shuang chong sui ji guo cheng jian ce yi chang feng su zhi bing ti chu ,jiang ti chu yi chang zhi hou de shu ju yun yong li zi qun you hua zui xiao er cheng zhi chi xiang liang ji fang fa jin hang chong gou ,bao zheng feng su xu lie de wan zheng xing .shi ji suan li jie guo biao ming le suo di fang fa de you xiao xing he ke hang xing .
论文参考文献
论文详细介绍
论文作者分别是来自兰州理工大学学报的陈伟,王敏,裴喜平，发表于刊物兰州理工大学学报2019年05期论文，是一篇关于异常数据识别论文,时间序列论文,小波分解论文,隐马尔科夫模型论文,兰州理工大学学报2019年05期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自兰州理工大学学报2019年05期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：异常数据识别论文; 时间序列论文; 小波分解论文; 隐马尔科夫模型论文; 兰州理工大学学报2019年05期论文;