式中： k通过统计小概率事件确定， 通过设置k和α对数据进行异常判断， 当x t 满足公式（2） 时， 可以判断当前数据为正常值， 否则为异常进行滤除。 选取k=3和α=0.3对功率数据进行处理， 滤除结果如图2所示。
图2 风电机组功率数据预处理
2.2 神经网络输入参数选择
对于风电场的SCADA数据， 神经网络选取输入参数， 大多通过主观经验判断或者参数之间的相关性来决定。 由于风电场SCADA参数之间存在相关性， 使用参数相关性选取神经网络输入参数的方法， 当选择输入参数存在高度相关时， 会造成参数的重复使用和数据冗余的问题。 而通过主观经验法选择神经网络输入参数， 由于影响风机部件的参数比较多， 存在选择参数不准确， 导致神经网络效率低， 选择参数过少， 精度不够等问题。我们采取逐步回归 [10-11] 解决这一问题， 逐步回归分析具体步骤如下所示：
第一步： 输入SCADA参数样本X(m,n)， 有n个参数x 1 ,x 2 ,x 3 ,…,x n ， 所有参数的维度为m。
第二步： 故障预警部件参数设为x n 计算所有参数的平均值ix 、 离均差平方和s ii 、 协方差矩阵S=(s ij ) n×n\' 和相关系数矩阵R=(r ij ) n×n\' 。
其中i,j=1,2,3,…,n－1,n。
第三步： 判断可选入参数个数是否大于2， 选入参数数量当大于2继续下一步， 否则结束。
第四步： 计算各参数的方差贡献， 以l（l≥1） 步为例， 计算偏回归平方和V l p 。
第五步： 选入参数的显著性检验。 检验时， 先选定信度a， 查表得到F a ， 挑选未入选的模型中方差贡献最大的参数，计算：
若F 1 ＞F a ， 说明该参数对y作用显著， 应该选入参数， 同时对相关系数矩阵R做变换， 否则结束。
第六步： 判断选入参数的数量是否大于2， 当数量大于2则继续下一步， 否则执行第四步。
第七步： 做剔除参数的显著性检验。 挑选入选模型中方差贡献最小的变量， 计算：