CN116049658B - 一种风电机组异常数据识别方法、系统、设备及介质 - Google Patents

一种风电机组异常数据识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN116049658B
CN116049658B CN202310329263.6A CN202310329263A CN116049658B CN 116049658 B CN116049658 B CN 116049658B CN 202310329263 A CN202310329263 A CN 202310329263A CN 116049658 B CN116049658 B CN 116049658B
Authority
CN
China
Prior art keywords
data
historical
principal component
matrix
wind turbine
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.)
Active
Application number
CN202310329263.6A
Other languages
English (en)
Other versions
CN116049658A (zh
Inventor
薛建中
王宾
张津
邱起瑞
孙浩沩
贾泽冰
潘乐
柳曦
杨柳
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202310329263.6A priority Critical patent/CN116049658B/zh
Publication of CN116049658A publication Critical patent/CN116049658A/zh
Application granted granted Critical
Publication of CN116049658B publication Critical patent/CN116049658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Wind Motors (AREA)

Abstract

本发明公开了一种风电机组异常数据识别方法、系统、设备及介质，属于风力发电技术领域；方法包括：获取风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure ZY_1
，并进行标准化处理，得到历史正常数据标准化矩阵
Figure ZY_2
；对历史正常数据标准化矩阵
Figure ZY_3
进行主元分析，得到历史PCA主元模型；其中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure ZY_4
；根据历史PCA主元模型，确定历史PCA主元模型的统计量阈值；根据历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果；本发明满足对多个运行数据的异常识别，大大缩短异常数据的识别时间，满足对机组运行性能的准确及时评估。

Description

一种风电机组异常数据识别方法、系统、设备及介质
技术领域
本发明属于风力发电技术领域，涉及一种异常数据识别方法，特别涉及一种风电机组异常数据识别方法、系统、设备及介质。
背景技术
目前，风力发电场内普遍安装有数据采集及监视（Supervisory Control AndData Acquisition，SCADA）系统，利用SCADA系统对风电机组的运行状态数据进行采集和存储；SCADA系统采集到的风电机组的运行状态数据往往存在大量的异常数据，而大量的异常数据将对风电机组的安全运行监控及故障预测结果产生直接影响。
传统的异常数据识别方法大多采用将风电机组的运行状态数据与预设的数据阈值进行直接比较，根据比较结果，获取异常数据的识别结果；但由于风电机组的运行状态数据量庞大，且数据类型复杂，在建立数据阈值信息并进行对比判断时需要花费大量的时间成本，造成获取数据异常识别结果的时间延迟较大，导致无法准确及时评估风电机组的运行性能。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种风电机组异常数据识别方法、系统、设备及介质，以解决传统的异常数据识别方法中，在建立数据阈值信息并进行对比判断时需要花费大量的时间成本，造成获取数据异常识别结果的时间延迟较大，导致无法准确及时评估风电机组的运行性能的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种风电机组异常数据识别方法，包括：
获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_1
；
对所述历史正常数据矩阵
Figure SMS_2
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_3
；
对所述历史正常数据标准化矩阵
Figure SMS_4
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_5
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_6
；
根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；
根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
进一步的，所述风电机组的历史正常运行数据包括风电机组的转速数据、温度数据、压力数据、电流数据及电压数据。
进一步的，获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_7
的过程，具体如下：
从SCADA系统中，获取时间段
Figure SMS_8
内风电机组的/>
Figure SMS_9
个历史正常运行数据；
根据所述时间段
Figure SMS_10
内风电机组的/>
Figure SMS_11
个历史正常运行数据，构建历史正常数据初始矩阵/>
Figure SMS_12
；其中，所述历史正常数据初始矩阵/>
Figure SMS_13
中，每一行代表某个时间点处风电机组的所有类型的历史正常运行状态数据，每一列代表时间段/>
Figure SMS_14
内风电机组的某一类型的历史正常运行数据。
进一步的，对所述历史正常数据标准化矩阵
Figure SMS_15
进行主元分析，得到历史PCA主元模型的过程，具体如下：
求解所述历史正常数据标准化矩阵
Figure SMS_16
的协方差矩阵，得到协方差矩阵/>
Figure SMS_17
；
计算所述协方差矩阵
Figure SMS_18
的特征值及特征向量；
利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure SMS_19
；
将所述协方差矩阵
Figure SMS_20
的特征值按降序方式进行排序，选取前/>
Figure SMS_21
个所述协方差矩阵
Figure SMS_22
的特征值对应的特征向量组成负载矩阵/>
Figure SMS_23
；
将所述历史正常数据矩阵
Figure SMS_24
投影到所述负载矩阵/>
Figure SMS_25
上，得到主元得分矩阵/>
Figure SMS_26
；其中，所述主元得分矩阵/>
Figure SMS_27
即为所述的历史PCA主元模型。
进一步的，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure SMS_28
的过程，具体如下：
从SCADA系统中，获取一组连续的历史运行数据；其中，所述一组连续的历史运行数据包括正常数据和异常数据；
随机设置降维维数
Figure SMS_29
；按照所述降维维数/>
Figure SMS_30
，对所述一组连续的历史运行数据进行降维处理，得到降维后的历史运行数据；
利用SCADA系统，对所述降维后的历史运行数据进行异常数据识别，记录异常数据识别耗时T(v)；
根据所述降维维数
Figure SMS_31
及所述异常数据识别耗时/>
Figure SMS_32
，构建初始种群/>
Figure SMS_33
；其中，所述初始种群/>
Figure SMS_34
，/>
Figure SMS_35
，/>
Figure SMS_36
为所述一组连续的历史运行数据的数据总数；
对所述初始种群
Figure SMS_37
进行变异、交叉迭代，直至降维维数/>
Figure SMS_38
为最优解，所述降维维数/>
Figure SMS_39
的最优解即为历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_40
；其中，迭代终止条件为所述异常数据识别耗时/>
Figure SMS_41
达到最小值。
进一步的，所述历史PCA主元模型的统计量阈值包括
Figure SMS_42
统计量阈值和/>
Figure SMS_43
统计量阈值；
其中，所述
Figure SMS_44
统计量阈值为：
Figure SMS_45
其中，
Figure SMS_48
为/>
Figure SMS_49
统计量阈值；/>
Figure SMS_50
为第一自由度；/>
Figure SMS_51
为第二自由度；/>
Figure SMS_52
为带有/>
Figure SMS_53
和
Figure SMS_54
个自由度、置信度为/>
Figure SMS_46
的/>
Figure SMS_47
分布值；
所述
Figure SMS_55
统计量阈值为：
Figure SMS_56
Figure SMS_57
Figure SMS_58
其中，
Figure SMS_60
为/>
Figure SMS_61
统计量阈值；/>
Figure SMS_63
为服从置信度为/>
Figure SMS_64
的正态分布值；/>
Figure SMS_67
为协方差矩阵/>
Figure SMS_68
的第/>
Figure SMS_70
个特征值；/>
Figure SMS_59
为协方差矩阵/>
Figure SMS_62
的特征值的求和值，/>
Figure SMS_65
；/>
Figure SMS_66
为简化计算式；/>
Figure SMS_69
为协方差矩阵/>
Figure SMS_71
的特征值总个数。
进一步的，根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果的过程，具体如下：
获取风电机组的实时运行数据，并根据所述风电机组的实时运行数据，构建实时数据矩阵；
对所述实时数据矩阵进行标准化处理，得到实时数据标准化矩阵；
按所述历史PCA主元模型中主元子空间内的主元个数
Figure SMS_72
，对所述实时数据标准化矩阵进行主元分析，得到实时PCA主元模型；
根据所述实时PCA主元模型，确定所述实时PCA主元模型的统计量；
将所述实时PCA主元模型的统计量与所述历史PCA主元模型的统计量阈值进行比较，得到风电机组异常数据识别结果。
本发明还提供了一种风电机组异常数据识别系统，包括：
历史数据模块，用于获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_73
；
历史数据标准化模块，用于对所述历史正常数据矩阵
Figure SMS_74
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_75
；
主元分析模块，用于对所述历史正常数据标准化矩阵
Figure SMS_76
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_77
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_78
；
统计量阈值模块，用于根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；
在线识别模块，用于根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
本发明还提供了一种风电机组异常数据识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述一种风电机组异常数据识别方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述一种风电机组异常数据识别方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了一种风电机组异常数据识别方法及系统，通过对风电机组的历史正常运行数据进行主元分析，其中利用差分进化算法确定历史PCA主元模型中主元子空间内的主元个数，获得历史PCA主元模型，实现了数据整体信息的极大保留，收敛速度快，同时避免了数据降维过程产生的信息损失；确定并利用历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，满足同时对多个运行数据的异常识别要求，大大缩短了异常数据的识别时间，满足对风电机组运行性能的准确及时评估；具有方法过程简单、时间成本低以及异常识别效率较高的特点，并能够有效地避免数据信息单一造成的误差，确保了异常识别结果的精确性。
附图说明
图1为本发明所述的风电机组异常数据识别方法的流程图；
图2为本发明所述的风电机组异常数据识别系统的结构框图；
图3为本发明所述的风电机组异常数据识别设备的结构框图；
图4为实施例中实时PCA主元模型的
Figure SMS_79
统计量图；
图5为实施例中实时PCA主元模型的
Figure SMS_80
统计量图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如附图1所示，本发明提供了一种风电机组异常数据识别方法，包括以下步骤：
步骤1、获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_81
。所述风电机组的历史正常运行数据包括风电机组的转速数据、温度数据、压力数据、电流数据及电压数据。
其中，根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_82
的过程，具体如下：
步骤11、从SCADA系统中，获取时间段
Figure SMS_83
内风电机组的/>
Figure SMS_84
个历史正常运行数据。
步骤12、根据所述时间段
Figure SMS_85
内风电机组的/>
Figure SMS_86
个历史正常运行数据，构建历史正常数据初始矩阵/>
Figure SMS_87
；其中，所述历史正常数据初始矩阵/>
Figure SMS_88
中，每一行代表某个时间点处风电机组的所有类型的历史正常运行状态数据，每一列代表时间段/>
Figure SMS_89
内风电机组的某一类型的历史正常运行数据。
步骤2、对所述历史正常数据矩阵
Figure SMS_90
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_91
。具体的，利用Z-Sore方法，对所述历史正常数据矩阵/>
Figure SMS_92
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_93
。
步骤3、对所述历史正常数据标准化矩阵
Figure SMS_94
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_95
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_96
。
具体的，对所述历史正常数据标准化矩阵
Figure SMS_97
进行主元分析，得到历史PCA主元模型的过程，包括以下步骤：
步骤31、求解所述历史正常数据标准化矩阵
Figure SMS_98
的协方差矩阵，得到协方差矩阵/>
Figure SMS_99
。
步骤32、计算所述协方差矩阵
Figure SMS_100
的特征值及特征向量。
步骤33、利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure SMS_101
。其中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_102
的过程，具体包括以下步骤：
步骤331、从SCADA系统中，获取一组连续的历史运行数据；其中，所述一组连续的历史运行数据包括正常数据和异常数据。
步骤332、随机设置降维维数
Figure SMS_103
；按照所述降维维数/>
Figure SMS_104
，对所述一组连续的历史运行数据进行降维处理，得到降维后的历史运行数据。
步骤333、利用SCADA系统，对所述降维后的历史运行数据进行异常数据识别，记录异常数据识别耗时
Figure SMS_105
。
步骤334、根据所述降维维数
Figure SMS_106
及所述异常数据识别耗时/>
Figure SMS_107
，构建初始种群/>
Figure SMS_108
；其中，所述初始种群/>
Figure SMS_109
，/>
Figure SMS_110
，/>
Figure SMS_111
为所述一组连续的历史运行数据的数据总数。
步骤335、对所述初始种群
Figure SMS_112
进行变异、交叉迭代，直至降维维数/>
Figure SMS_113
为最优解，所述降维维数/>
Figure SMS_114
的最优解即为历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_115
；其中，迭代终止条件为所述异常数据识别耗时/>
Figure SMS_116
达到最小值。
步骤34、将所述协方差矩阵
Figure SMS_117
的特征值按降序方式进行排序，选取前/>
Figure SMS_118
个协方差矩阵/>
Figure SMS_119
的特征值对应的特征向量组成负载矩阵/>
Figure SMS_120
。
步骤35、将所述历史正常数据矩阵
Figure SMS_121
投影到所述负载矩阵/>
Figure SMS_122
上，得到主元得分矩阵/>
Figure SMS_123
；其中，所述主元得分矩阵/>
Figure SMS_124
即为所述的历史PCA主元模型。
步骤4、根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值。
其中，所述历史PCA主元模型的统计量阈值包括
Figure SMS_125
统计量阈值和/>
Figure SMS_126
统计量阈值；所述/>
Figure SMS_127
统计量阈值即为霍特林统计量阈值，所述/>
Figure SMS_128
统计量阈值即为误差平方和统计量阈值。
具体的，所述
Figure SMS_129
统计量阈值为：
Figure SMS_130
其中，
Figure SMS_131
为/>
Figure SMS_133
统计量阈值；/>
Figure SMS_135
为第一自由度；/>
Figure SMS_136
为第二自由度；/>
Figure SMS_137
为带有/>
Figure SMS_138
和
Figure SMS_139
个自由度、置信度为/>
Figure SMS_132
的/>
Figure SMS_134
分布值。
所述
Figure SMS_140
统计量阈值为：
Figure SMS_141
Figure SMS_142
Figure SMS_143
其中，
Figure SMS_146
为/>
Figure SMS_148
统计量阈值；/>
Figure SMS_149
为服从置信度为/>
Figure SMS_152
的正态分布值；/>
Figure SMS_154
为协方差矩阵/>
Figure SMS_155
的第/>
Figure SMS_156
个特征值；/>
Figure SMS_144
为协方差矩阵/>
Figure SMS_145
的特征值的求和值，/>
Figure SMS_147
；/>
Figure SMS_150
为简化计算式；/>
Figure SMS_151
为协方差矩阵/>
Figure SMS_153
的特征值总个数。
步骤5、根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
其中，根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果的过程，具体包括以下步骤：
步骤51、获取风电机组的实时运行数据，并根据所述风电机组的实时运行数据，构建实时数据矩阵。
步骤52、对所述实时数据矩阵进行标准化处理，得到实时数据标准化矩阵。
步骤53、按所述历史PCA主元模型中主元子空间内的主元个数
Figure SMS_157
，对所述实时数据标准化矩阵进行主元分析，得到实时PCA主元模型。
步骤54、根据所述实时PCA主元模型，确定所述实时PCA主元模型的统计量；其中，所述实时PCA主元模型的统计量包括所述实时PCA主元模型的
Figure SMS_158
统计量和/>
Figure SMS_159
统计量。
步骤55、将所述实时PCA主元模型的统计量与所述历史PCA主元模型的统计量阈值进行比较，得到风电机组异常数据识别结果。
如附图2所示，本发明还提供了一种风电机组异常数据识别系统，包括历史数据模块、历史数据标准化模块、主元分析模块、统计量阈值模块及在线识别模块；所述历史数据模块，用于获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_160
；所述历史数据标准化模块，用于对所述历史正常数据矩阵/>
Figure SMS_161
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_162
；所述主元分析模块，用于对所述历史正常数据标准化矩阵/>
Figure SMS_163
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_164
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_165
；所述统计量阈值模块，用于根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；所述在线识别模块，用于根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
如附图3所示，本发明还提供了一种风电机组异常数据识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述一种风电机组异常数据识别方法的步骤。所述附图3中的通讯接口，用于接入外部设备，以获取数据。
所述处理器执行所述计算机程序时实现上述风电机组异常数据识别方法的步骤，例如：获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_166
；对所述历史正常数据矩阵/>
Figure SMS_167
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_168
；对所述历史正常数据标准化矩阵/>
Figure SMS_169
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_170
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_171
；根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：历史数据模块，用于获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_172
；历史数据标准化模块，用于对所述历史正常数据矩阵/>
Figure SMS_173
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_174
；主元分析模块，用于对所述历史正常数据标准化矩阵/>
Figure SMS_175
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵
Figure SMS_176
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_177
；所述统计量阈值模块，用于根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；在线识别模块，用于根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述风电机组异常数据识别设备中的执行过程。例如，所述计算机程序可以被分割成：历史数据模块、历史数据标准化模块、主元分析模块、统计量阈值模块及在线识别模块；其中，上述各模块的具体功能如下：所述历史数据模块，用于获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure SMS_178
；所述历史数据标准化模块，用于对所述历史正常数据矩阵X进行标准化处理，得到历史正常数据标准化矩阵/>
Figure SMS_179
；所述主元分析模块，用于对所述历史正常数据标准化矩阵/>
Figure SMS_180
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure SMS_181
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_182
；所述统计量阈值模块，用于根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；所述在线识别模块，用于根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果。
所述风电机组异常数据识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述风电机组异常数据识别设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述附图3仅仅是风电机组异常数据识别设备的示例，并不构成对风电机组异常数据识别设备的限定，可以包括比图示更多的部件，或者组合某些部件，或者不同的部件，例如所述风电机组异常数据识别设备还可以包括输入输出设备、网络接入设备及总线。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述风电机组异常数据识别设备的控制中心，利用各种接口和线路连接整个风电机组异常数据识别设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述风电机组异常数据识别设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（SmartMediaCard,SMC），安全数字（SecureDigital,SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种风电机组异常数据识别方法的步骤。
所述风电机组异常数据识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
基于这样的理解，本发明实现上述风电机组异常数据识别方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述风电机组异常数据识别方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
实施例
本实施例以某风电机组的异常数据识别过程为例。
本实施例提供了一种风电机组异常数据识别方法，具体包括以下步骤：
步骤1、从SCADA系统中，获取时间段0s-800s内风电机组的4000个历史正常运行数据；其中，历史正常运行数据包括风电机组的转速数据、温度数据、压力数据、电流数据及电压数据。
步骤2、根据所述时间段0s-800s内风电机组的4000个历史正常运行数据，构建历史正常数据初始矩阵
Figure SMS_183
；其中，所述历史正常数据初始矩阵/>
Figure SMS_184
的矩阵规模为800*5；所述历史正常数据初始矩阵/>
Figure SMS_185
中，每一行代表某个时间点处风电机组的所有类型的历史正常运行状态数据，每一列代表时间段0s-800s内风电机组的某一类型的历史正常运行数据。
步骤3、利用Z-Sore方法，对所述历史正常数据初始矩阵进行标准化处理，得到历史正常数据标准化矩阵
Figure SMS_186
。
步骤4、对所述历史正常数据标准化矩阵
Figure SMS_187
进行主元分析，得到历史PCA主元模型；具体的，对所述历史正常数据标准化矩阵Z进行主元分析，得到历史PCA主元模型的过程，包括以下步骤：
步骤41、求解所述历史正常数据标准化矩阵
Figure SMS_188
的协方差矩阵，得到协方差矩阵/>
Figure SMS_189
。
步骤42、计算所述协方差矩阵
Figure SMS_190
的特征值及特征向量。
步骤43、利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure SMS_191
；其中，差分进化算法的过程，具体如下：
从SCADA系统中，获取一组连续的历史运行数据；其中，所述一组连续的历史运行数据包括正常数据和异常数据；
随机设置降维维数
Figure SMS_192
；按照所述降维维数/>
Figure SMS_193
，对所述一组连续的历史运行数据进行降维处理，得到降维后的历史运行数据；
利用SCADA系统，对所述降维后的历史运行数据进行异常数据识别，记录异常数据识别耗时
Figure SMS_194
；
根据所述降维维数
Figure SMS_195
及所述异常数据识别耗时/>
Figure SMS_196
，构建初始种群/>
Figure SMS_197
；其中，所述初始种群/>
Figure SMS_198
，/>
Figure SMS_199
，/>
Figure SMS_200
为所述一组连续的历史运行数据的数据总数；
对所述初始种群
Figure SMS_201
进行变异、交叉迭代；其中，设置缩放因子和交叉概率对于群体进行评价，计算初始条件下每组群体的适应度值，并将迭代终止条件设置为异常数据识别耗时/>
Figure SMS_202
达到最小值；直至降维维数/>
Figure SMS_203
为最优解，所述降维维数/>
Figure SMS_204
的最优解即为历史PCA主元模型中主元子空间内的主元个数/>
Figure SMS_205
，此时异常数据识别耗时最短。
步骤44、将所述协方差矩阵
Figure SMS_206
的特征值按从大到小进行排序，选取前/>
Figure SMS_207
个所述协方差矩阵/>
Figure SMS_208
的特征值对应的特征向量组成负载矩阵/>
Figure SMS_209
。
步骤45、将所述历史正常数据矩阵
Figure SMS_210
投影到所述负载矩阵/>
Figure SMS_211
上，得到主元得分矩阵/>
Figure SMS_212
；其中，所述主元得分矩阵/>
Figure SMS_213
即为所述的历史PCA主元模型。
步骤5、根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；其中，所述历史PCA主元模型的统计量阈值包括
Figure SMS_214
统计量阈值和/>
Figure SMS_215
统计量阈值；所述/>
Figure SMS_216
统计量阈值用于表征所述PCA主元模型内部变化的一种测度，所述/>
Figure SMS_217
统计量阈值用于表征测量值偏离所述PCA主元模型的距离。
其中，所述T 2统计量阈值为：
Figure SMS_218
其中，
Figure SMS_220
为/>
Figure SMS_222
统计量阈值；/>
Figure SMS_223
为第一自由度；/>
Figure SMS_224
为第二自由度；/>
Figure SMS_225
为带有/>
Figure SMS_226
和
Figure SMS_227
个自由度、置信度为/>
Figure SMS_219
的/>
Figure SMS_221
分布值。
所述
Figure SMS_228
统计量阈值为：
Figure SMS_229
Figure SMS_230
Figure SMS_231
其中，
Figure SMS_233
为/>
Figure SMS_234
统计量阈值；/>
Figure SMS_236
为服从置信度为/>
Figure SMS_238
的正态分布值；/>
Figure SMS_240
为协方差矩阵/>
Figure SMS_242
的第/>
Figure SMS_244
个特征值；/>
Figure SMS_232
为协方差矩阵/>
Figure SMS_235
的特征值的求和值，/>
Figure SMS_237
；/>
Figure SMS_239
为简化计算式；/>
Figure SMS_241
为协方差矩阵/>
Figure SMS_243
的特征值总个数。
步骤6、根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果；其中，具体包括以下步骤：
步骤61、从SCADA系统中，获取风电机组的实时运行数据，并根据所述风电机组的实时运行数据，构建实时数据矩阵。
步骤62、对所述实时数据矩阵进行标准化处理，得到实时数据标准化矩阵。
步骤63、按所述历史PCA主元模型中主元子空间内的主元个数
Figure SMS_245
，对所述实时数据标准化矩阵进行主元分析，得到实时PCA主元模型；其中，对所述实时数据标准化矩阵进行主元分析，得到实时PCA主元模型的过程，与上述步骤4的操作过程相同，此处不再赘述。
步骤64、根据所述实时PCA主元模型，确定所述实时PCA主元模型的统计量；其中，所述实时PCA主元模型的统计量包括所述实时PCA主元模型的
Figure SMS_246
统计量和/>
Figure SMS_247
统计量。
具体的，所述实时PCA主元模型的
Figure SMS_248
统计量为：
Figure SMS_249
Figure SMS_250
其中，
Figure SMS_251
为实时PCA主元模型的/>
Figure SMS_252
统计量；/>
Figure SMS_253
为实时数据矩阵的主元得分矩阵；/>
Figure SMS_254
为实时数据矩阵的协方差矩阵的特征值；/>
Figure SMS_255
为实时数据矩阵的协方差矩阵的特征值组成的对角矩阵。
所述实时PCA主元模型的
Figure SMS_256
统计量为：
Figure SMS_257
其中，
Figure SMS_258
为实时PCA主元模型的/>
Figure SMS_259
统计量；/>
Figure SMS_260
为实时数据矩阵；/>
Figure SMS_261
为单位矩阵；/>
Figure SMS_262
为实时数据矩阵对应的负载矩阵。
步骤65、将所述实时PCA主元模型的统计量与所述历史PCA主元模型的统计量阈值进行比较，得到风电机组异常数据识别结果；其中，具体包括以下步骤：
当所述实时PCA主元模型的
Figure SMS_263
统计量超出所述历史PCA主元模型的/>
Figure SMS_264
统计量阈值，以及所述实时PCA主元模型的/>
Figure SMS_265
统计量超出所述历史PCA主元模型的/>
Figure SMS_266
统计量阈值时，则出现异常数据；否则，未出现异常数据。
如附图4-5所示，附图4中给出了实时PCA主元模型的
Figure SMS_268
统计量图，附图5中给出了实时PCA主元模型的/>
Figure SMS_269
统计量图；从附图4-5中可以看出，实时PCA主元模型的/>
Figure SMS_270
统计量及/>
Figure SMS_271
统计量在第1s至第100s时间段内始终未超限，则风电机组正常运行；在100s处时，所述实时PCA主元模型的/>
Figure SMS_272
统计量及/>
Figure SMS_273
统计量分别超出所述历史PCA主元模型的/>
Figure SMS_274
统计量阈值及所述历史PCA主元模型的/>
Figure SMS_267
统计量阈值，则说明风电机组的实时运行数据出现异常。
本实施例所述风电机组异常数据识别方法，包括离线建模阶段和在线识别阶段；其中，所述离线建模阶段，具体为：利用SCADA系统采集并储存的风电机组的历史正常运行数据，基于数据驱动方式，通过引入差分进化算法的主元分析方法，获得历史PCA主元模型；并计算所述历史PCA主元模型的
Figure SMS_276
统计量阈值和/>
Figure SMS_277
统计量阈值；所述在线识别阶段，具体为：从SCADA系统中获取风电机组的实时运行数据，通过对所述风电机组的实时运行数据进行标准化及主元分析处理，获得实时PCA主元模型，并计算得到所述实时PCA主元模型的/>
Figure SMS_278
统计量和/>
Figure SMS_279
统计量；将所述实时PCA主元模型的/>
Figure SMS_280
统计量和/>
Figure SMS_281
统计量分别与所述历史PCA主元模型的/>
Figure SMS_282
统计量阈值和/>
Figure SMS_275
统计量阈值进行比较，即可得到风电机组异常数据识别结果。
本实施例中，采用主元分析方法对数据集进行降维，且降维过程中采用差分进化算法对于主元分析方法中的降维维数进行优化；通过比较实时PCA主元模型的
Figure SMS_283
统计量与历史PCA主元模型的/>
Figure SMS_284
统计量阈值的大小以及比较实时PCA主元模型的/>
Figure SMS_285
统计量与历史PCA主元模型的/>
Figure SMS_286
统计量阈值的大小来判断是否发生数据异常，有效地避免数据信息单一造成的误差，并使得异常识别时间大大缩短。
本实施例提供的风电机组异常数据识别系统、设备及介质中相关部分的说明可以参见本实施例所述的一种风电机组异常数据识别方法中对应部分的详细说明，在此不再赘述。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。

Claims (8)

1.一种风电机组异常数据识别方法，其特征在于，包括：
获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure QLYQS_1
；
对所述历史正常数据矩阵
Figure QLYQS_2
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure QLYQS_3
；
对所述历史正常数据标准化矩阵
Figure QLYQS_4
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure QLYQS_5
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure QLYQS_6
；
根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；
根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果；
对所述历史正常数据标准化矩阵
Figure QLYQS_7
进行主元分析，得到历史PCA主元模型的过程，具体如下：
求解所述历史正常数据标准化矩阵
Figure QLYQS_8
的协方差矩阵，得到协方差矩阵/>
Figure QLYQS_9
；
计算所述协方差矩阵
Figure QLYQS_10
的特征值及特征向量；
利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure QLYQS_11
；
将所述协方差矩阵
Figure QLYQS_12
的特征值按降序方式进行排序，选取前/>
Figure QLYQS_13
个所述协方差矩阵/>
Figure QLYQS_14
的特征值对应的特征向量组成负载矩阵/>
Figure QLYQS_15
；
将所述历史正常数据矩阵
Figure QLYQS_16
投影到所述负载矩阵/>
Figure QLYQS_17
上，得到主元得分矩阵/>
Figure QLYQS_18
；其中，所述主元得分矩阵/>
Figure QLYQS_19
即为所述的历史PCA主元模型；
利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure QLYQS_20
的过程，具体如下：
从SCADA系统中，获取一组连续的历史运行数据；其中，所述一组连续的历史运行数据包括正常数据和异常数据；
随机设置降维维数
Figure QLYQS_21
；按照所述降维维数/>
Figure QLYQS_22
，对所述一组连续的历史运行数据进行降维处理，得到降维后的历史运行数据；
利用SCADA系统，对所述降维后的历史运行数据进行异常数据识别，记录异常数据识别耗时T(v)；
根据所述降维维数
Figure QLYQS_23
及所述异常数据识别耗时/>
Figure QLYQS_24
，构建初始种群/>
Figure QLYQS_25
；其中，所述初始种群/>
Figure QLYQS_26
，/>
Figure QLYQS_27
，/>
Figure QLYQS_28
为所述一组连续的历史运行数据的数据总数；
对所述初始种群
Figure QLYQS_29
进行变异、交叉迭代，直至降维维数/>
Figure QLYQS_30
为最优解，所述降维维数
Figure QLYQS_31
的最优解即为历史PCA主元模型中主元子空间内的主元个数/>
Figure QLYQS_32
；其中，迭代终止条件为所述异常数据识别耗时/>
Figure QLYQS_33
达到最小值。
2.根据权利要求1所述的一种风电机组异常数据识别方法，其特征在于，所述风电机组的历史正常运行数据包括风电机组的转速数据、温度数据、压力数据、电流数据及电压数据。
3.根据权利要求1所述的一种风电机组异常数据识别方法，其特征在于，获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure QLYQS_34
的过程，具体如下：
从SCADA系统中，获取时间段
Figure QLYQS_35
内风电机组的/>
Figure QLYQS_36
个历史正常运行数据；
根据所述时间段
Figure QLYQS_37
内风电机组的/>
Figure QLYQS_38
个历史正常运行数据，构建历史正常数据初始矩阵
Figure QLYQS_39
；其中，所述历史正常数据初始矩阵/>
Figure QLYQS_40
中，每一行代表某个时间点处风电机组的所有类型的历史正常运行状态数据，每一列代表时间段/>
Figure QLYQS_41
内风电机组的某一类型的历史正常运行数据。
4.根据权利要求1所述的一种风电机组异常数据识别方法，其特征在于，所述历史PCA主元模型的统计量阈值包括
Figure QLYQS_42
统计量阈值和/>
Figure QLYQS_43
统计量阈值；
其中，所述
Figure QLYQS_44
统计量阈值为：
Figure QLYQS_45
其中，
Figure QLYQS_47
为/>
Figure QLYQS_49
统计量阈值；/>
Figure QLYQS_52
为第一自由度；/>
Figure QLYQS_48
为第二自由度；/>
Figure QLYQS_50
为带有/>
Figure QLYQS_53
和/>
Figure QLYQS_54
个自由度、置信度为/>
Figure QLYQS_46
的/>
Figure QLYQS_51
分布值；
所述
Figure QLYQS_55
统计量阈值为：
Figure QLYQS_56
Figure QLYQS_57
Figure QLYQS_58
其中，
Figure QLYQS_61
为/>
Figure QLYQS_65
统计量阈值；/>
Figure QLYQS_68
为服从置信度为/>
Figure QLYQS_60
的正态分布值；/>
Figure QLYQS_66
为协方差矩阵/>
Figure QLYQS_69
的第/>
Figure QLYQS_71
个特征值；/>
Figure QLYQS_59
为协方差矩阵/>
Figure QLYQS_63
的特征值的求和值，/>
Figure QLYQS_67
；/>
Figure QLYQS_70
为简化计算式；/>
Figure QLYQS_62
为协方差矩阵/>
Figure QLYQS_64
的特征值总个数。
5.根据权利要求1所述的一种风电异常数据识别方法，其特征在于，根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果的过程，具体如下：
获取风电机组的实时运行数据，并根据所述风电机组的实时运行数据，构建实时数据矩阵；
对所述实时数据矩阵进行标准化处理，得到实时数据标准化矩阵；
按所述历史PCA主元模型中主元子空间内的主元个数
Figure QLYQS_72
，对所述实时数据标准化矩阵进行主元分析，得到实时PCA主元模型；
根据所述实时PCA主元模型，确定所述实时PCA主元模型的统计量；
将所述实时PCA主元模型的统计量与所述历史PCA主元模型的统计量阈值进行比较，得到风电机组异常数据识别结果。
6.一种风电机组异常数据识别系统，其特征在于，包括：
历史数据模块，用于获取风电机组的历史正常运行数据，并根据所述风电机组的历史正常运行数据，构建历史正常数据矩阵
Figure QLYQS_73
；
历史数据标准化模块，用于对所述历史正常数据矩阵
Figure QLYQS_74
进行标准化处理，得到历史正常数据标准化矩阵/>
Figure QLYQS_75
；
主元分析模块，用于对所述历史正常数据标准化矩阵
Figure QLYQS_76
进行主元分析，得到历史PCA主元模型；其中，对所述历史正常数据标准化矩阵/>
Figure QLYQS_77
进行主元分析，得到历史PCA主元模型的过程中，利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数/>
Figure QLYQS_78
；
统计量阈值模块，用于根据所述历史PCA主元模型，确定历史PCA主元模型的统计量阈值；
在线识别模块，用于根据所述历史PCA主元模型的统计量阈值，对风电机组的实时运行数据进行异常识别，得到风电机组异常数据识别结果；
对所述历史正常数据标准化矩阵
Figure QLYQS_79
进行主元分析，得到历史PCA主元模型的过程，具体如下：
求解所述历史正常数据标准化矩阵
Figure QLYQS_80
的协方差矩阵，得到协方差矩阵/>
Figure QLYQS_81
；
计算所述协方差矩阵
Figure QLYQS_82
的特征值及特征向量；
利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure QLYQS_83
；
将所述协方差矩阵
Figure QLYQS_84
的特征值按降序方式进行排序，选取前/>
Figure QLYQS_85
个所述协方差矩阵/>
Figure QLYQS_86
的特征值对应的特征向量组成负载矩阵/>
Figure QLYQS_87
；
将所述历史正常数据矩阵
Figure QLYQS_88
投影到所述负载矩阵/>
Figure QLYQS_89
上，得到主元得分矩阵/>
Figure QLYQS_90
；其中，所述主元得分矩阵/>
Figure QLYQS_91
即为所述的历史PCA主元模型；
利用差分进化算法，确定历史PCA主元模型中主元子空间内的主元个数
Figure QLYQS_92
的过程，具体如下：
从SCADA系统中，获取一组连续的历史运行数据；其中，所述一组连续的历史运行数据包括正常数据和异常数据；
随机设置降维维数
Figure QLYQS_93
；按照所述降维维数/>
Figure QLYQS_94
，对所述一组连续的历史运行数据进行降维处理，得到降维后的历史运行数据；
利用SCADA系统，对所述降维后的历史运行数据进行异常数据识别，记录异常数据识别耗时T(v)；
根据所述降维维数
Figure QLYQS_95
及所述异常数据识别耗时/>
Figure QLYQS_96
，构建初始种群/>
Figure QLYQS_97
；其中，所述初始种群/>
Figure QLYQS_98
，/>
Figure QLYQS_99
，/>
Figure QLYQS_100
为所述一组连续的历史运行数据的数据总数；
对所述初始种群
Figure QLYQS_101
进行变异、交叉迭代，直至降维维数/>
Figure QLYQS_102
为最优解，所述降维维数
Figure QLYQS_103
的最优解即为历史PCA主元模型中主元子空间内的主元个数/>
Figure QLYQS_104
；其中，迭代终止条件为所述异常数据识别耗时/>
Figure QLYQS_105
达到最小值。
7.一种风电机组异常数据识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1-5任一项所述一种风电机组异常数据识别方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述一种风电机组异常数据识别方法的步骤。
CN202310329263.6A 2023-03-30 2023-03-30 一种风电机组异常数据识别方法、系统、设备及介质 Active CN116049658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310329263.6A CN116049658B (zh) 2023-03-30 2023-03-30 一种风电机组异常数据识别方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310329263.6A CN116049658B (zh) 2023-03-30 2023-03-30 一种风电机组异常数据识别方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116049658A CN116049658A (zh) 2023-05-02
CN116049658B true CN116049658B (zh) 2023-07-14

Family

ID=86129910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310329263.6A Active CN116049658B (zh) 2023-03-30 2023-03-30 一种风电机组异常数据识别方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116049658B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116538654A (zh) * 2023-07-06 2023-08-04 中国航空工业集团公司金城南京机电液压工程研究中心 一种自适应空间热环境智能控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529079A (zh) * 2016-11-29 2017-03-22 上海电机学院 一种基于故障相关主成分空间的化工过程故障检测方法
WO2020140022A1 (en) * 2018-12-27 2020-07-02 Guruprasad Srinivasan System and method for fault detection of components using information fusion technique

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635358A (zh) * 2018-11-20 2019-04-16 天津大学 一种基于滑动窗口多尺度主元分析的机组故障检测方法
US20200341833A1 (en) * 2019-04-23 2020-10-29 Vmware, Inc. Processes and systems that determine abnormal states of systems of a distributed computing system
CN110705785A (zh) * 2019-09-29 2020-01-17 首钢集团有限公司 一种连铸机结晶器热状态的监测方法及装置
CN110751217A (zh) * 2019-10-22 2020-02-04 南京工程学院 基于主元分析的设备能耗占比预警分析方法
CN111913475A (zh) * 2020-08-07 2020-11-10 清华大学 动态系统中故障检测方法、检测器以及存储介质
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
US11761427B2 (en) * 2021-06-29 2023-09-19 Aspentech Corporation Method and system for building prescriptive analytics to prevent wind turbine failures
CN115270464A (zh) * 2022-07-28 2022-11-01 中国电子科技集团公司电子科学研究院 一种大规模数据模型优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529079A (zh) * 2016-11-29 2017-03-22 上海电机学院 一种基于故障相关主成分空间的化工过程故障检测方法
WO2020140022A1 (en) * 2018-12-27 2020-07-02 Guruprasad Srinivasan System and method for fault detection of components using information fusion technique

Also Published As

Publication number Publication date
CN116049658A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN109034244B (zh) 基于电量曲线特征模型的线损异常诊断方法及装置
WO2017076154A1 (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN109670213B (zh) 一种风电场多机等值建模方法及装置
CN116049658B (zh) 一种风电机组异常数据识别方法、系统、设备及介质
CN109521292B (zh) 一种模块化多电平换流器的电容器组寿命评估方法与装置
CN109633448B (zh) 识别电池健康状态的方法、装置和终端设备
CN110795690A (zh) 风电场运行异常数据检测方法
CN112598172A (zh) 一种风电机组轴承温度预警方法
CN111625399A (zh) 一种计量数据恢复方法及系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN111626498B (zh) 设备运行状态预测方法、装置、设备及存储介质
CN114091783A (zh) 一种企业用电预警方法、装置、计算机设备和存储介质
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN115794578A (zh) 一种电力系统的数据管理方法、装置、设备及介质
CN116992274B (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN116307059A (zh) 配电网区域故障预测模型构建方法及装置、电子设备
Assis et al. Unsupervised machine learning techniques applied to composite reliability assessment of power systems
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN114139803A (zh) 一种风电场站短期功率的预测方法、系统、设备和介质
CN110716101B (zh) 电力线路故障定位方法、装置、计算机和存储介质
CN111563543A (zh) 一种风电机组的风速-发电功率数据的清洗方法及装置
CN111612302A (zh) 一种集团级数据管理方法和设备
CN109149655A (zh) 一种风电消纳水平的计算方法、装置与存储介质
CN111476493B (zh) 机组经济持留行为的检测方法、装置和计算机设备

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
GR01 Patent grant
GR01 Patent grant