CN112950403A - 风机多工况数据异常处理的方法、装置及计算机可读存储介质 - Google Patents
风机多工况数据异常处理的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112950403A CN112950403A CN202110127584.9A CN202110127584A CN112950403A CN 112950403 A CN112950403 A CN 112950403A CN 202110127584 A CN202110127584 A CN 202110127584A CN 112950403 A CN112950403 A CN 112950403A
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- fan
- cluster
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008030 elimination Effects 0.000 claims abstract description 22
- 238000003379 elimination reaction Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007621 cluster analysis Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 14
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
Abstract
本发明实施例提供一种风机多工况数据异常处理的方法、装置及计算机可读存储介质。该方法包括:对风机数据进行异常功率点剔除;选定目标变量;确定影响目标变量的关键变量;以关键变量和目标变量为输入进行第一聚类分析,以将剔除后的风机数据划分为k个第一聚类类别;对k个第一聚类类别进行异常数据剔除,以得到剔除之后的k个第一聚类类别;选择与目标变量相关联的至少一个关联变量;针对每个第一聚类类别,选择目标变量和至少一个关联变量中的每个关联变量进行第二聚类分析,以得到m个第二聚类类别;以及对每个第一聚类类别下目标变量和每个关联变量的m个第二聚类类别进行异常数据剔除,从而得到最终清理后的风机数据。
Description
技术领域
本发明实施例涉及风电技术领域,尤其涉及一种风机多工况数据异常处理的方法、装置及计算机可读存储介质。
背景技术
随着煤炭、石油等能源的逐渐枯竭,人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。对于缺水、缺燃料和交通不便的沿海岛屿、草原牧区、山区和高原地带,因地制宜地利用风力发电,非常适合,大有可为。风力发电是指利用风机把风的动能转换为电能。
目前,大型风机的数据主要以SCADA(Supervisory Control And DataAcquisition,监控与数据采集系统)程序收集,而关于异常工况数据的剔除主要是基于主控策略提供的异常报警信息,删除对应的异常工况数据,以此来达到异常数据清理的目的。
然而,现有的异常工况数据剔除方法存在着很严重的弊端,一是主控策略提供的异常信息报警一般针对的是较为严重的异常工况,如果仅仅参考主控的报警记录进行异常剔除会保留过多仍然存在的异常数据;二是删除异常数据的持续时间问题,目前根据主控进行异常数据剔除一般处理方式是根据异常报警时间人为地删除以报警时间为最终往后倒推一段时间,而这段时间具有很大的人为主观性,并且,通常情况下,异常数据并不会持续整个时间段,这种剔除方法实际效果并不大理想;三是风机运行工况太多,主控程序不可能会针对所有异常工况进行报警,无法进行全方位的异常工况数据剔除。
发明内容
本发明实施例的目的在于提供一种风机多工况数据异常处理的方法、装置及计算机可读存储介质,能够针对多个工况的数据进行全方位的划分,可以较为明确地进行风机数据的异常剔除。
本发明实施例的一个方面提供一种风机多工况数据异常处理的方法。所述方法包括:对风机的数据进行异常功率点剔除,以得到剔除后的风机数据;选定需要进行故障诊断的目标变量;确定影响所述目标变量的关键变量;以所述关键变量和选定的所述目标变量为输入进行第一聚类分析,以将所述剔除后的风机数据划分为k个第一聚类类别,其中,k为所述第一聚类分析的类别数;对所述k个第一聚类类别进行异常数据剔除,以得到剔除之后的k个第一聚类类别;选择与所述目标变量相关联的至少一个关联变量;针对所述剔除之后的k个第一聚类类别中的每个第一聚类类别,选择所述目标变量和所述至少一个关联变量中的每个关联变量进行第二聚类分析,以得到m个第二聚类类别,其中,m为所述第二聚类分析的类别数;以及对所述每个第一聚类类别下所述目标变量和所述每个关联变量的m个第二聚类类别进行异常数据剔除,从而得到最终清理后的风机数据。
本发明实施例的另一个方面还提供一种风机多工况数据异常处理的装置,其包括一个或多个处理器,用于实现如上所述的风机多工况数据异常处理的方法。
本发明实施例的又一个方面还提供一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时,实现如上所述的风机多工况数据异常处理的方法。
本发明实施例的风机多工况数据异常处理的方法、装置及计算机可读存储介质可以针对主控程序无法定位的弱异常工况进行剔除,而且,无需根据人为地倒推一段时间的方法进行异常数据剔除。
本发明实施例的风机多工况数据异常处理的方法、装置及计算机可读存储介质能够针对风机多个工况的数据进行全方位的划分,可以较为明确地进行风机数据的异常剔除,不仅能剔除确实是异常的数据,而且还能剔除潜在的异常数据。
附图说明
图1为本发明一个实施例的风机的侧面示意图;
图2为本发明一个实施例的风机多工况数据异常处理的方法的流程图;
图3为本发明一个实施例的风机多工况数据异常处理的方法的具体步骤图;
图4为本发明一个实施例的风机多工况数据异常处理的装置的示意性框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
在本发明实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。除非另作定义,本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出,“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明,而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而且可以包括电性的连接,不管是直接的还是间接的。在本发明说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
图1揭示了本发明一个实施例的风机100的侧面示意图。如图1所示,风机100包括多个叶片101、机舱102、轮毂103及塔架104。塔架104从基础(未图示)向上延伸,机舱102安装在塔架104的顶端,轮毂103安装在机舱102的一端,多个叶片101安装在轮毂103上。
本发明实施例提供了一种风机多工况数据异常处理的方法,其可以应用图1所示的风机100中。图2揭示了本发明一个实施例的风机多工况数据异常处理的方法的流程图。如图2所示,本发明一个实施例的风机多工况数据异常处理的方法可以包括步骤S11至步骤S18。
在步骤S11中,对风机的数据进行异常功率点剔除,以得到剔除后的风机数据。
在一个实施例中,可以基于IEC规范来对风机的数据进行异常功率点的剔除,从而保证只保留主功率带的数据,此处的功率带是指功率-风速功率带,所谓主功率带是指功率-风速的散点图大致会分布在一个集中区域的功率。而偏离该主功率带的数据基本上可以判定为异常工况数据点,因此,将偏离主功率带的数据进行剔除,只保留主功率带的数据。
在步骤S12中,选定需要进行故障诊断的目标变量。
在步骤S13中,确定影响目标变量的关键变量。
关键变量可以基于目标变量的物理机理及相关性分析来确定。相关性分析可以包括各种相关性分析方法,例如可以包括但不限于全局相关系数法或者滑窗相关系数法等。
在步骤S14中,以关键变量和选定的目标变量为输入进行第一聚类分析,以将步骤S11中得到的剔除后的风机数据划分为k个第一聚类类别,其中,k为第一聚类分析的类别数。
在步骤S15中,对步骤S14中得到的k个第一聚类类别进行异常数据剔除,以得到剔除之后的k个第一聚类类别。
在步骤S16中,选择与目标变量相关联的至少一个关联变量。
与目标变量相关联的至少一个关联变量可以基于目标变量的物理机理及相关性分析来确定。相关性分析可以包括各种相关性分析方法,例如可以包括但不限于全局相关系数法或者滑窗相关系数法等。
在步骤S17中,针对步骤S15中得到的剔除之后的k个第一聚类类别中的每个第一聚类类别,选择目标变量和至少一个关联变量中的每个关联变量进行第二聚类分析,以得到m个第二聚类类别,其中,m为第二聚类分析的类别数。
在步骤S18中,对每个第一聚类类别下目标变量和每个关联变量的m个第二聚类类别进行异常数据剔除,从而得到最终清理后的风机数据。
本发明实施例的风机多工况数据异常处理的方法可以针对主控程序无法定位的弱异常工况进行剔除,而且,无需根据人为地倒推一段时间的方法进行异常数据剔除。
本发明实施例的风机多工况数据异常处理的方法能够针对风机多个工况的数据进行全方位的划分,可以较为明确地进行风机数据的异常剔除。
图3揭示了本发明一个实施例的风机多工况数据异常处理的方法的具体步骤图。如图3并配合参照图2所示,风机的数据例如可以存储在SCADA程序31中,首先可以根据IEC规范来对存储在SCADA程序31中的风机的SCADA数据进行异常功率点剔除,以得到剔除后的SCADA数据32。
然后,进行目标变量选定。目标变量例如可以包括但不限于风机的发电机驱动端温度、发电机非驱动端温度、三相定子温度等等。以下将以目标变量为发电机驱动端温度为例进行示意性说明。
在一些实施例中,影响目标变量的关键变量例如可以包括但不限于有功功率。例如,在目标变量为发电机驱动端温度的情况下,则影响发电机驱动端温度的关键变量包括有功功率。
在影响目标变量的关键变量为有功功率的情况下,则步骤S14的以关键变量和选定的目标变量为输入进行第一聚类分析,以将剔除后的SCADA数据32划分为k个第一聚类类别可以包括:以有功功率和选定的目标变量为输入进行第一聚类分析以将剔除后的SCADA数据32划分为k个功率带33。
例如,以目标变量为发电机驱动端温度为例,则可以按照输入为有功功率和发电机驱动端温度来进行第一聚类分析。
在一些实施例中,第一聚类分析可以包括kmeans聚类分析。
因此,在步骤S14中,如图3所示,以关键变量和选定的目标变量为输入进行kmeans聚类分析,将步骤S11中得到的剔除后的SCADA数据32进行kmeans功率带划分,从而得到划分后的k个功率带33。
kmeans聚类分析的类别数k值的选择将会直接影响到聚类的效果,其中,k值越大,则聚类效果越好。为了确保更好的聚类效果,可以对kmeans聚类分析的类别数k不断地反复迭代,例如可以按照手肘(elbow)法或贝叶斯(BIC)信息准则法来确定最优的k值。
在一些实施例中,可以根据百分位数法来对得到的k个功率带33的异常数据进行剔除,以得到剔除之后的k个功率带34。具体地,可以有功功率为自变量,对目标变量的数据进行百分位数法去除异常,其中,数据里出现在密集地方的数据点则为正常,而在稀疏的地方出现的数据点则为异常,清除掉稀疏地方的数据点,从而得到剔除之后的k个功率带34。
此时,通过百分位数法对异常数据进行了二次剔除。
对目标变量进行相关性分析,确定与目标变量相关联的至少一个关联变量,例如n个关联变量35。至少一个关联变量例如可以包括但不限于环境温度。
然后,针对剔除之后的k个功率带34中的每个功率带,选择目标变量和n个关联变量35中的每个关联变量进行第二聚类分析和异常剔除。
在一些实施例中,第二聚类分析可以包括高斯混合模型聚类分析。
例如,在剔除之后的k个功率带中的第i个功率带下,其中,i=[1,k],选择目标变量和n个关联变量中的第j个关联变量进行高斯混合模型聚类分析和异常剔除36,其中,j=[1,n]。
具体地,在第i个功率带下,选择目标变量和n个关联变量中的第j个关联变量进行高斯混合模型聚类分析,得到m个高斯混合模型。
同样地,高斯混合模型聚类分析的类别数m值的选择将会直接影响到聚类的效果。为了确保更好的聚类效果,对高斯混合模型聚类分析的类别数m也可以不断地反复迭代,例如可以按照手肘法或贝叶斯信息准则法来确定最优的m值。
然后,根据极大似然估计法来得到第i个功率带下目标变量和第j个关联变量的m个高斯混合模型的似然函数值,以该似然函数值为阈值来对第i个功率带下目标变量和第j个关联变量的m个高斯混合模型进行异常数据剔除。
在第i个功率带下目标变量和第j个关联变量进行高斯混合聚类分析和异常剔除36之后,接着对第i个功率带下目标变量和第j+1个关联变量进行类似的高斯混合聚类分析和异常剔除36,直到j=m。在完成第i个功率带之后,接着对第i+1个功率带重复进行上面的步骤,直到i=k,从而得到最终清理后的SCADA数据37。
此时,通过高斯混合模型聚类对异常数据进行了三次剔除,从而可以剔除其他干扰因素,例如可以剔除环境温度等干扰因素对目标变量的影响。
本发明实施例的风机多工况数据异常处理的方法不仅能剔除确实是异常的数据,而且还能剔除潜在的异常数据,即虽是异常但是异常还没发展到主控报警程度的数据。
本发明实施例的风机多工况数据异常处理的方法能够比主控更加精细地剔除异常工况数据,并且由于数据工况干扰因素太多,本发明实施例的风机多工况数据异常处理的方法通过进行更加细致的工况划分,能够更进一步地剔除异常工况数据。
本发明实施例还提供了一种风机多工况数据异常处理的装置200。如图4所示,风机多工况数据异常处理的装置200包括一个或多个处理器201,用于实现上述任一实施例所述的风机多工况数据异常处理的方法。在一些实施例中,风机多工况数据异常处理的装置200可以包括计算机可读存储介质202,计算机可读存储介质可以存储有可被处理器201调用的程序,可以包括非易失性存储介质。在一些实施例中,风机多工况数据异常处理的装置200可以包括内存203和接口204。在一些实施例中,本发明实施例的风机多工况数据异常处理的装置200还可以根据实际应用包括其他硬件。
本发明实施例的风机多工况数据异常处理的装置具有与上面所述的风机多工况数据异常处理的方法相类似的有益技术效果,故在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质。计算机可读存储介质上存储有程序,该程序被处理器执行时,实现上述任一实施例所述的风机多工况数据异常处理的方法。
本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于:相变存储器/阻变存储器/磁存储器/铁电存储器(PRAM/RRAM/MRAM/FeRAM)等新型存储器、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上对本发明实施例所提供的风机多工况数据异常处理的方法、装置及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明实施例的风机多工况数据异常处理的方法、装置及计算机可读存储介质进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想,并不用以限制本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明的精神和原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。
Claims (14)
1.一种风机多工况数据异常处理的方法,其特征在于:所述方法包括:
对风机的数据进行异常功率点剔除,以得到剔除后的风机数据;
选定需要进行故障诊断的目标变量;
确定影响所述目标变量的关键变量;
以所述关键变量和选定的所述目标变量为输入进行第一聚类分析,以将所述剔除后的风机数据划分为k个第一聚类类别,其中,k为所述第一聚类分析的类别数;
对所述k个第一聚类类别进行异常数据剔除,以得到剔除之后的k个第一聚类类别;
选择与所述目标变量相关联的至少一个关联变量;
针对所述剔除之后的k个第一聚类类别中的每个第一聚类类别,选择所述目标变量和所述至少一个关联变量中的每个关联变量进行第二聚类分析,以得到m个第二聚类类别,其中,m为所述第二聚类分析的类别数;以及
对所述每个第一聚类类别下所述目标变量和所述每个关联变量的m个第二聚类类别进行异常数据剔除,从而得到最终清理后的风机数据。
2.如权利要求1所述的方法,其特征在于:所述对风机的数据进行异常功率点剔除包括:
基于IEC规范来对所述风机的数据进行异常功率点剔除。
3.如权利要求1所述的方法,其特征在于:所述关键变量包括有功功率,所述以所述关键变量和选定的所述目标变量为输入进行第一聚类分析,以将所述剔除后的风机数据划分为k个第一聚类类别包括:
以有功功率和选定的所述目标变量为输入进行第一聚类分析以将所述剔除后的风机数据划分为k个功率带。
4.如权利要求3所述的方法,其特征在于:所述第一聚类分析包括kmeans聚类分析。
5.如权利要求4所述的方法,其特征在于:对所述kmeans聚类分析的类别数不断地反复迭代,按照手肘法或贝叶斯信息准则法来确定最优的k值。
6.如权利要求4所述的方法,其特征在于:所述对所述k个第一聚类类别进行异常数据剔除,以得到剔除之后的k个第一聚类类别包括:
根据百分位数法对所述k个功率带的异常数据进行剔除,以得到剔除之后的k个功率带。
7.如权利要求6所述的方法,其特征在于:所述第二聚类分析包括高斯混合模型聚类分析,所述针对所述剔除之后的k个第一聚类类别中的每个第一聚类类别,选择所述目标变量和所述至少一个关联变量中的每个关联变量进行第二聚类分析,以得到m个第二聚类类别包括:
针对所述剔除之后的k个功率带中的每个功率带,选择所述目标变量和所述至少一个关联变量中的每个关联变量进行高斯混合模型聚类分析,以得到m个高斯混合模型。
8.如权利要求7所述的方法,其特征在于:对所述高斯混合模型聚类分析的类别数不断地反复迭代,按照手肘法或贝叶斯信息准则法来确定最优的m值。
9.如权利要求7所述的方法,其特征在于:所述对所述每个第一聚类类别下所述目标变量和所述每个关联变量的m个第二聚类类别进行异常数据剔除包括:
根据极大似然估计法来对每个功率带下的所述目标变量和所述每个关联变量的m个高斯混合模型进行异常数据剔除。
10.如权利要求1所述的方法,其特征在于:所述至少一个关联变量包括环境温度。
11.如权利要求1所述的方法,其特征在于:所述关键变量及所述至少一个关联变量基于所述目标变量的物理机理及相关性分析来确定。
12.如权利要求11所述的方法,其特征在于:所述相关性分析包括全局相关系数法或者滑窗相关系数法。
13.一种风机多工况数据异常处理的装置,其特征在于,包括一个或多个处理器,用于实现如权利要求1-12中任一项所述的风机多工况数据异常处理的方法。
14.一种计算机可读存储介质,其特征在于,其上存储有程序,所述程序被处理器执行时,实现如权利要求1-12中任一项所述的风机多工况数据异常处理的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127584.9A CN112950403A (zh) | 2021-01-29 | 2021-01-29 | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127584.9A CN112950403A (zh) | 2021-01-29 | 2021-01-29 | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112950403A true CN112950403A (zh) | 2021-06-11 |
Family
ID=76239818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127584.9A Pending CN112950403A (zh) | 2021-01-29 | 2021-01-29 | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930933A (zh) * | 2016-04-26 | 2016-09-07 | 华北电力科学研究院有限责任公司 | 风电场理论功率曲线确定方法及装置 |
CN109086527A (zh) * | 2018-08-03 | 2018-12-25 | 合肥工业大学 | 一种基于风电机组运行状态的实用化等值建模方法 |
CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
CN110674120A (zh) * | 2019-08-09 | 2020-01-10 | 国电新能源技术研究院有限公司 | 一种风电场数据清洗方法及装置 |
CN111291032A (zh) * | 2020-01-23 | 2020-06-16 | 福州大学 | 一种组合型风电场数据清洗方法 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112085115A (zh) * | 2020-09-16 | 2020-12-15 | 华北电力大学 | 高维空间异常数据优化识别方法 |
-
2021
- 2021-01-29 CN CN202110127584.9A patent/CN112950403A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930933A (zh) * | 2016-04-26 | 2016-09-07 | 华北电力科学研究院有限责任公司 | 风电场理论功率曲线确定方法及装置 |
CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
CN109086527A (zh) * | 2018-08-03 | 2018-12-25 | 合肥工业大学 | 一种基于风电机组运行状态的实用化等值建模方法 |
CN110674120A (zh) * | 2019-08-09 | 2020-01-10 | 国电新能源技术研究院有限公司 | 一种风电场数据清洗方法及装置 |
CN111291032A (zh) * | 2020-01-23 | 2020-06-16 | 福州大学 | 一种组合型风电场数据清洗方法 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112085115A (zh) * | 2020-09-16 | 2020-12-15 | 华北电力大学 | 高维空间异常数据优化识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110685857A (zh) | 一种基于集成学习的山地风电机组行为预测模型 | |
CN107798462A (zh) | 一种风电场风力发电机组运行异常监测与性能评估系统 | |
CN112115999B (zh) | 一种时空多尺度神经网络的风电机组故障诊断方法 | |
CN107291927B (zh) | 一种用于风电机组风速相关性分析的风速数据清洗方法 | |
CN112950403A (zh) | 风机多工况数据异常处理的方法、装置及计算机可读存储介质 | |
Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
CN108460228B (zh) | 一种基于多目标优化算法进行风电场等值的方法 | |
Kumar et al. | Prospects of wind energy production in the western Fiji—An empirical study using machine learning forecasting algorithms | |
CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
Dong et al. | Optimised yaw model for adaptive wind direction characteristic based on a data‐driven approach | |
Zafarani et al. | Assessing the utility of weather data for photovoltaic power prediction | |
Souhaila et al. | Ensemble methods comparison to predict the power produced by photovoltaic panels | |
CN114065618A (zh) | 一种基于微分进化的参数模型拟合风机功率曲线的方法 | |
CN115510043A (zh) | 一种风电功率曲线异常数据剔除方法 | |
CN113884705A (zh) | 簇群风机风速计的监测方法及其系统及计算机可读存储介质 | |
Hu et al. | A novel fault diagnostic technique for photovoltaic systems based on cascaded forest | |
Alhaddad et al. | An Overview of Wind-Solar System Output Power | |
Bhuiyan et al. | A deep neural network based robust intelligent strategy for microgrid fault diagnosis | |
Hajjaj et al. | Review of Recent Works on Internet of Things-enabled Small-scale Wind energy Portable Turbines (IoT-SWEPT) for Wind Energy | |
CN111894815B (zh) | 风力发电机组功率曲线的确定方法及其装置及计算机可读存储介质 | |
Yesilbudak et al. | kNN Classifier Applications in Wind and Solar Energy Systems | |
CN110334951A (zh) | 一种风电机组高温降容状态的智能评估方法及系统 | |
CN109742810A (zh) | 风电集中监控管理系统及管理方法 | |
Mattsson | Learning by modeling energy systems | |
Nemes et al. | Reliability consideration on wind farms energy production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |