Xun Shen · IEEE Transactions on Sustainable Energy · 2024年9月

精确的风电机组功率曲线对风电状态监测与出力预测至关重要。然而，实际数据集中存在大量因通信故障等因素导致的异常数据，直接影响模型拟合性能。本文提出一种统一的集值回归方法，同步实现异常数据检测与曲线拟合。采用区间神经网络建模，通过构建机会约束优化问题进行训练，并提出基于样本的Sigmoid逼近法求解，证明了逼近方法的收敛性与概率可行性。所得区间可界定正常数据范围用于异常检测，其中心则构成拟合曲线。实验验证表明该方法优于现有方法。

解读: 该集值回归方法对阳光电源的风电变流器和储能系统具有重要应用价值。首先，可集成到iSolarCloud平台的智能诊断模块，提升风电机组功率曲线的拟合精度和异常检测能力。其次，该方法的区间神经网络建模思路可应用于ST系列储能变流器的功率预测和调度优化，特别是在风储联合运行场景中。此外，文中的机会约束优化...