CN114297908A - 风电机组能效状态异常检测方法及系统 - Google Patents
风电机组能效状态异常检测方法及系统 Download PDFInfo
- Publication number
- CN114297908A CN114297908A CN202111376238.0A CN202111376238A CN114297908A CN 114297908 A CN114297908 A CN 114297908A CN 202111376238 A CN202111376238 A CN 202111376238A CN 114297908 A CN114297908 A CN 114297908A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- efficiency state
- wind turbine
- turbine generator
- operation data
- 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
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及风电机组能效状态异常检测方法及系统，所述方法包括：获取预处理后的风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并确定当前时刻的能效状态运行数据和历史时段内的能效状态运行数据对应的偏离度矩阵，将所述当前时刻及历史时段内对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分，基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达。本发明提供的技术方案，提高了风电机组能效状态异常检测的精度，同时使得异常检测更加方便，也降低了异常检测成本。
Description
技术领域
本发明涉及人工智能、深度学习、神经网络、新能源及风电机组能效状态异常检测领域，具体涉及风电机组能效状态异常检测方法及系统。
背景技术
伴随风电大规模化的发展，风电设备日常维护，包括不限于机组能效状态、故障预警等运行维护面临的挑战。因此如何提高风电机组效能状态的日常监控效率这一解决方案，随着自然语言处理NLP在风力发电广泛应用，且受到工业界、学术界的关注，传统方法对风电机组能效状态异常检测如机器学习方法、统计概率、单一神经网络模型等，这些方法伴随人工智能技术的发展存在局限性。首先，风电机组运行具有动态性特性；其次，风电场SCADA系统数据异常较易被自身波动覆盖，导致利用传感器即SCADA系统数据进行风电机组能效状态异常检测时精确度较低，因此，亟需提出一种利用SCADA系统数据对风电机组能效状态进行精确异常检测的方法及系统。
发明内容
本申请提供风电机组能效状态异常检测方法及系统，以至少解决相关技术中不能够精确检测风电机组能效状态异常的技术问题。
本申请第一方面实施例提出一种风电机组能效状态异常检测方法，所述方法包括：
获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
其中，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
本申请第二方面实施例提出一种风电机组能效状态异常检测系统，所述系统包括：
获取模块，用于获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
计算模块，用于基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
矩阵模块，用于分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
得分模块，用于将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
检测模块，用于基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
其中，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
本申请第三方面实施例提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如本申请第一方面的预测方法。
本申请第四方面实施例提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请第一方面的预测方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本发明提供的风电机组能效状态异常检测方法及系统，其中，所述方法包括：获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达。本发明提供的技术方案，提高了风电机组能效状态异常检测的精度，同时使得异常检测更加方便，也降低了异常检测成本。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请一个实施例提供的一种风电机组能效状态异常检测方法的流程图；
图2是根据本申请一个实施例提供的一种风电机组能效状态异常检测方法的具体流程图；
图3是根据本申请一个实施例提供的风电机组能效状态异常检测系统的结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的风电机组能效状态异常检测方法及系统，其中，所述方法包括：获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达。本发明提供的技术方案，提高了风电机组能效状态异常检测的精度，同时使得异常检测更加方便，也降低了异常检测成本。
实施例1
图1为本公开实施例提供的一种风电机组能效状态异常检测方法的流程图，如图1所示，所述方法包括：
步骤1：获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
在本公开实施例中，所述获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理，包括：
剔除所述获取的风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据中的异常数据。
步骤:2：基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
步骤3：分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
步骤4：将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
需要说明的是，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
需要说明的是，所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
在本公开实施例中，所述将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分，包括：
步骤F1:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型的教师模块中，得到当前时刻能效状态运行数据对应的注意力图；
步骤F2:将所述注意力图迁移到预先训练好的风电机组能效状态异常检测模型的学生模块中；
步骤F3:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入完成迁移的所述预先训练好的风电机组能效状态异常检测模型的学生模块中，得到所述风电机组当前时刻数据对应的文本特征；
步骤F4:将所述风电机组当前时刻数据对应的文本特征输入预先训练好的风电机组能效状态异常检测模型的全连接模块中并采用Softmax函数计算，得到当前时刻所述风电机组能效状态的异常检测得分。
需要说明的是，所述风电机组能效状态异常检测模型的学生模块包括：多通道卷积神经网络CNN层和BiLSTM+dropout层。
在本公开实施例中，所述风电机组能效状态异常检测模型的教师模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据；
将所述训练集样本数据输入初始的风电机组能效状态异常检测模型的教师模块，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的教师模块，其中，所述教师模块采用Bert模型。
在本公开实施例中，所述风电机组能效状态异常检测模型的学生模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据并将所述教师模块训练完成时对应的注意力图迁移到所述初始的风电机组能效状态异常检测模型的学生模块中；
将所述训练集样本数据输入迁移注意力图后的初始风电机组能效状态异常检测模型的教师学生模块的多通道卷积神经网络CNN层和BiLSTM+dropout层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的学生模块。
需要说明的是，采用激活函数ReLU函数作为教师模型和学生模型的激活函数。
步骤5：基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
在本公开实施例中，所述基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达，包括：
检测所述异常检测得分是否在预设的异常分数范围内，若是，则所述风电机组能效状态异常，否则，所述风电机组能效状态正常；
将所述检查结果进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
结合上述风电机组能效状态异常检测方法对本申请的具体方法进行举例说明：
如图2所示提供风电机组能效状态异常检测方法的具体流程图，所述方法包括：
步骤F1：采集数据101与数据预处理102，分别对SCADA系统实时监测数据和历史数据进行采集和预处理，考虑到异常数据会存入SCADA系统，则筛选因传感器错误、空值、缺失值等处理后的异常数据进行数据预处理，并结合风电机组的运行依赖风速，因此选择非/驱动方向发电机轴承温度、发电机绕组温度、齿轮箱轴承温度、齿轮箱油温、风电机组的变桨电机1温度、2温度、3温度构成偏离度矩阵作为模型输入，事先完成输入数据的基准值计算、偏离度计算构成偏离度矩阵，选择有功功率优劣作为标签，然后利用训练后的学生模型对测试集进行分类任务而得到风电机组能效状态异常检测。
步骤F2：完成教师模块103预训练得到最优的模块。对真实数据构成的偏离矩阵输入至教师模块103，对教师模块进行预训练得到最优的注意力图，包括网络模型调整及优化损失函数，这里选择历史数据近1年的真实数据构成大模型训练。
步骤F3：完成学生模块105预训练得到最优的模块，利用相同真实数据硬标签和教师模块输出注意图104迁移至学生模块105进行预训练，采用多通道卷积CNN+BiLSTM+dropout，进一步得知时空、最优的文本特征，包括优化损失函数，还有BiLSTM擅长捕获长距离依赖的文本序列信息，因此最优的模型可以获得最优上下文信息的高层文本特征。
步骤F4：利用带有全连接层Softmax106计算异常检测结果，对真实数据输入至学生模型进行异常检测结果预测，用激活函数ReLU函数作为教师模型和学生模型的激活函数。
步骤F5：对风电机组能效状态异常检测进行触达和结果展示107，其中，触达方式具体包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
综上所述，本实施例提供的风电机组能效状态异常检测方法，提高了风电机组能效状态异常检测的精度，同时使得异常检测更加方便，也降低了异常检测成本。
实施例2
图3为本公开实施例提供的风电机组能效状态异常检测系统的结构图，如图3所示，所述系统包括：
获取模块，用于获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
计算模块，用于基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
矩阵模块，用于分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
得分模块，用于将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
检测模块，用于基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
其中，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
在本公开实施例中，所述获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理，包括：
剔除所述获取的风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据中的异常数据。
在本公开实施例中，所述将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分，包括：
步骤T1:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型的教师模块中，得到当前时刻能效状态运行数据对应的注意力图；
步骤T2:将所述注意力图迁移到预先训练好的风电机组能效状态异常检测模型的学生模块中；
步骤T3:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入完成迁移的所述预先训练好的风电机组能效状态异常检测模型的学生模块中，得到所述风电机组当前时刻数据对应的文本特征；
步骤T4:将所述风电机组当前时刻数据对应的文本特征输入预先训练好的风电机组能效状态异常检测模型的全连接模块中并采用Softmax函数计算，得到当前时刻所述风电机组能效状态的异常检测得分。
在本公开实施例中，，所述风电机组能效状态异常检测模型的学生模块包括：多通道卷积神经网络CNN层和BiLSTM+dropout层。
需要说明的是，所述风电机组能效状态异常检测模型的教师模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据；
将所述训练集样本数据输入初始的风电机组能效状态异常检测模型的教师模块，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的教师模块；
其中，所述教师模块采用Bert模型。
需要说明的是，所述风电机组能效状态异常检测模型的学生模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据并将所述教师模块训练完成时对应的注意力图迁移到所述初始的风电机组能效状态异常检测模型的学生模块中；
将所述训练集样本数据输入迁移注意力图后的初始风电机组能效状态异常检测模型的教师学生模块的多通道卷积神经网络CNN层和BiLSTM+dropout层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的学生模块。
在本公开实施例中，所述基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达，包括：
检测所述异常检测得分是否在预设的异常分数范围内，若是，则所述风电机组能效状态异常，否则，所述风电机组能效状态正常；
将所述检查结果进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
综上所述，本实施例提供的风电机组能效状态异常检测系统，提高了风电机组能效状态异常检测的精度，同时使得异常检测更加方便，也降低了异常检测成本。
实施例3
为了实现上述实施例，本公开还提出一种计算机设备。
本实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现实施例1中的方法。
实施例4
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质。
本实施例提供的计算机设备，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风电机组能效状态异常检测方法，其特征在于，所述方法包括：
获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
其中，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
2.如权利要求1所述的方法，其特征在于，所述获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理，包括：
剔除所述获取的风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据中的异常数据。
3.如权利要求1所述的方法，其特征在于，所述将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分，包括：
步骤F1:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型的教师模块中，得到当前时刻能效状态运行数据对应的注意力图；
步骤F2:将所述注意力图迁移到预先训练好的风电机组能效状态异常检测模型的学生模块中；
步骤F3:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入完成迁移的所述预先训练好的风电机组能效状态异常检测模型的学生模块中，得到所述风电机组当前时刻数据对应的文本特征；
步骤F4:将所述风电机组当前时刻数据对应的文本特征输入预先训练好的风电机组能效状态异常检测模型的全连接模块中并采用Softmax函数计算，得到当前时刻所述风电机组能效状态的异常检测得分。
4.如权利要求1所述的方法，其特征在于，所述风电机组能效状态异常检测模型的学生模块包括：多通道卷积神经网络CNN层和BiLSTM+dropout层。
5.如权利要求4所述的方法，其特征在于，所述风电机组能效状态异常检测模型的教师模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据；
将所述训练集样本数据输入初始的风电机组能效状态异常检测模型的教师模块，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的教师模块；
其中，所述教师模块采用Bert模型。
6.如权利要求5所述的方法，其特征在于，所述风电机组能效状态异常检测模型的学生模块的训练过程包括：
获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历史时段内的有功功率优劣标签构成训练集样本数据并将所述教师模块训练完成时对应的注意力图迁移到所述初始的风电机组能效状态异常检测模型的学生模块中；
将所述训练集样本数据输入迁移注意力图后的初始风电机组能效状态异常检测模型的教师学生模块的多通道卷积神经网络CNN层和BiLSTM+dropout层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电机组能效状态异常检测模型的学生模块。
7.如权利要求1所述的方法，其特征在于，所述基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达，包括：
检测所述异常检测得分是否在预设的异常分数范围内，若是，则所述风电机组能效状态异常，否则，所述风电机组能效状态正常；
将所述检查结果进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
8.一种风电机组能效状态异常检测系统，其特征在于，所述系统包括：
获取模块，用于获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态运行数据，并对所述数据进行预处理；
计算模块，用于基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、偏离度和历史时段内的能效状态运行数据对应的基准值和偏离度；
矩阵模块，用于分别基于所述当前时刻能效状态运行数据对应的基准值、偏离度构成当前时刻能效状态运行数据对应的偏离度矩阵，基于历史时段内能效状态运行数据对应的基准值、偏离度构成历史时段内能效状态运行数据对应的偏离度矩阵；
得分模块，用于将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型中，得到当前时刻所述风电机组能效状态的异常检测得分；
检测模块，用于基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状态是否异常，并将检测结果进行信息触达；
其中，所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得到的；
所述预先训练好的风电机组能效状态异常检测模型包括：教师模块、学生模块和全连接模块。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111376238.0A CN114297908A (zh) | 2021-11-19 | 2021-11-19 | 风电机组能效状态异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111376238.0A CN114297908A (zh) | 2021-11-19 | 2021-11-19 | 风电机组能效状态异常检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297908A true CN114297908A (zh) | 2022-04-08 |
Family
ID=80966274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111376238.0A Pending CN114297908A (zh) | 2021-11-19 | 2021-11-19 | 风电机组能效状态异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994441A (zh) * | 2022-06-06 | 2022-09-02 | 重庆伏特猫科技有限公司 | 一种智能电力能效监测装置 |
-
2021
- 2021-11-19 CN CN202111376238.0A patent/CN114297908A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994441A (zh) * | 2022-06-06 | 2022-09-02 | 重庆伏特猫科技有限公司 | 一种智能电力能效监测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN106168539A (zh) | 基于卷积神经网络的滚动轴承故障诊断方法及系统 | |
| CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
| US8639454B2 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
| CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
| CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
| CN114993669B (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
| CN111878322B (zh) | 风力发电机装置 | |
| CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
| CN111581888A (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
| Kim et al. | Design of wind turbine fault detection system based on performance curve | |
| CN114297908A (zh) | 风电机组能效状态异常检测方法及系统 | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
| Bangalore et al. | Self evolving neural network based algorithm for fault prognosis in wind turbines: A case study | |
| Qian et al. | Condition monitoring of wind turbines based on extreme learning machine | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| CN115238918A (zh) | 一种基于边缘计算的海上风电场智能运维方法 | |
| CN114153889A (zh) | 一种发电站监控系统、方法、可读介质及电子设备 | |
| CN114330494A (zh) | 一种融合BiLSTM与注意力的发电设备异常预测方法及系统 | |
| Gawali et al. | Fault prediction model in wind turbines using deep learning structure with enhanced optimisation algorithm | |
| Adams et al. | One-class support vector machines for structural health monitoring on wave energy converters | |
| Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
| Jaikrishna M et al. | Transfer learning-based fault detection in wind turbine blades using radar plots and deep learning models |
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 |