CN116756597A - 基于人工智能的风电机组谐波数据实时监测方法 - Google Patents

Abstract

本说明书实施例公开了一种基于人工智能的风电机组谐波数据实时监测方法，涉及数据处理技术领域，该方法包括：获取风电机组运行过程中的电压数据；通过离散傅里叶变换对所述电压数据进行计算，得到所述电压数据的频谱图；根据所述频谱图确定谐波电压，并基于所述谐波电压构成所述风电机组的谐波数据集，所述谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对；计算所述谐波数据的分布特征所对应的谐波异常密度指数；根据所述谐波异常密度指数计算截断距离；基于密度峰值聚类算法和所述截断距离对所述谐波数据进行聚类，得到所述谐波数据的聚类结果；基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测。

Description

基于人工智能的风电机组谐波数据实时监测方法

技术领域

本申请涉及数据处理技术领域，特别涉及一种基于人工智能的风电机组谐波数据实时监测方法。

背景技术

随着传统能源的不断减少，清洁能源的应用越来越被重视。近几年来，风力发电产业不断发展进步，尤其是对海上风力发电的发展。

由于海上风能充足稳定，在海上建立风力发电站可以更好地利用风力进行发电，但海上工作环境与陆地上相比更加恶劣，相应地，对海上风力发电设备的维护成本也会相对更高。目前，可以对海上风力发电组的谐波数据进行采集，然后通过对采集的谐波数据进行分析，从而诊断和预测风电系统的运行异常和安全风险。但是，采用传统的密度峰值聚类算法对风电机组的谐波数据进行分析时，存在对参数截断距离选取敏感、聚类中心的选取不够高效等缺陷，会使得风电机组的谐波数据聚类效果较差，最终导致对风电机组谐波数据的监测精度较低。

基于此，有必要研究一种更加精准的数据监测方法来对海上风力发电机组的谐波数据进行实时监测。

发明内容

本说明书实施例提供一种基于人工智能的风电机组谐波数据实时监测方法，该方法包括：

获取风电机组运行过程中的电压数据；

通过离散傅里叶变换对所述电压数据进行计算，得到所述电压数据的频谱图；

根据所述频谱图确定谐波电压，并基于所述谐波电压构成所述风电机组的谐波数据集，所述谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对；

计算所述谐波数据的分布特征所对应的谐波异常密度指数；

根据所述谐波异常密度指数计算截断距离；

基于密度峰值聚类算法和所述截断距离对所述谐波数据进行聚类，得到所述谐波数据的聚类结果；

基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测。

在一些实施例中，所述计算所述谐波数据的分布特征所对应的谐波异常密度指数，包括：

基于所述谐波数据对应的谐波频率以及所述风电机组正常运行时的电压数据的期望基波频率，确定每一个所述谐波数据所对应的谐波频率的离群程度；

采用K近邻算法对所述谐波数据进行处理，得到每个所述谐波数据所对应的K近邻数据序列；

根据K近邻数据序列中相邻周期内相同时刻所对应的数据确定每一个所述谐波数据对应的幅值偏移度；

基于所述离群程度和所述幅值偏移度，确定每一个所述谐波数据对应的谐波离散率；

根据每个所述谐波数据的谐波离散率得到谐波离散数据集合，并采用高斯拟合对所述谐波离散数据集合中的数据进行拟合，得到第一高斯拟合模型；

对所述谐波数据集中的数据进行高斯拟合得到第二高斯拟合模型；

基于所述第一高斯拟合模型和所述第二高斯拟合模型之间的KL散度，以及所述谐波数据的频率和幅值的熵，得到所述风电机组的谐波数据对应的谐波异常密度指数。

在一些实施例中，所述谐波数据所对应的谐波频率的离群程度基于如下公式计算：

；

其中，表示所述谐波数据集中第/>个数据对应的谐波频率的离群程度，/>表示所述谐波数据集中第/>个数据对应的谐波频率，/>为所述风电机组正常运行时的电压数据的期望基波频率，/>表示对/>的计算结果向下取整。

在一些实施例中，所述谐波数据对应的幅值偏移度基于如下公式计算：

；

其中，表示第/>个谐波数据对应的幅值偏移度，/>表示所述谐波数据中第/>个周期内第/>个数据所对应的K近邻数据序列中的第/>个值， />和/>表示相邻周期相同时刻的谐波数据对应的K近邻数据序列中的第/>个值，k为所述K近邻数据序列中的数据总量，表示归一化运算。

在一些实施例中，所述谐波数据对应的谐波离散率基于如下公式计算：

；

其中，表示第/>个谐波数据对应的谐波离散率，/>表示所述谐波数据集中第i个谐波数据的幅值，/>表示取/>和/>的最小值。

在一些实施例中，所述谐波数据对应的谐波异常密度指数基于如下公式计算：

；

其中，表示所述谐波数据对应的谐波异常密度指数，/>表示所述第二高斯拟合模型，/>表示所述第一高斯拟合模型，/>和/>分别表示所述谐波数据的频率和幅值的熵，/>表示采用KL散度计算所述第一高斯拟合模型与第二高斯拟合模型之间的相似度。

在一些实施例中，所述截断距离基于如下公式计算：

；

其中，表示所述截断距离，/>为调节参数，/>表示归一化运算。

在一些实施例中，所述基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测，包括：

基于所述聚类结果，计算每个聚类簇内的谐波数据的幅值变化，并通过所述谐波数据的幅值变化分析所述谐波数据的异常情况。

在一些实施例中，所述通过所述谐波数据的幅值变化分析所述谐波数据的异常情况，包括：

计算每个聚类簇内的谐波数据的幅值的标准差；

基于异常筛选阈值和所述标准差筛选得到异常数据，并基于所述异常数据得到异常数据集合；

基于所述异常数据集合中的谐波数据的幅值，以及相同采样时刻未出现异常时的谐波数据的幅值，计算所述风电机组的谐波数据的异常指数；

在所述异常指数大于谐波异常监测阈值时，判定所述风电机组的谐波数据异常。

在一些实施例中，所述谐波数据的异常指数基于如下公式计算：

；

其中，表示所述谐波数据的异常指数，/>表示所述异常数据集合内第/>个谐波数据的幅值，/>为相同采样时刻未出现异常时的谐波数据的幅值，/>表示所述异常数据集合内的异常数据的数量。

本说明书实施例所提供的基于人工智能的风电机组谐波数据实时监测方法可能带来的有益效果至少包括：（1）通过实时采集风电机组的谐波数据，基于该谐波数据的离群程度和幅值偏移度构建谐波离散率，并根据该谐波离散率计算谐波数据所对应的谐波异常密度指数，可以更准确地表征该谐波数据的异常影响范围；（2）通过基于该谐波数据的离群程度和幅值偏移度来计算谐波离散率，可以同时考虑谐波数据幅值和频率信息同步与不同步的异常情况，从而更准确地表征该谐波数据的离散程度；（3）通过前述谐波异常密度指数来计算密度峰值聚类算法中的截断距离的值，可以根据数据的特征选择合适的截断距离参数，从而提高采用密度峰值聚类算法对风电机组谐波数据进行聚类的聚类精度，进而提高风电机组谐波数据的实时检测的准确性。

附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的基于人工智能的风电机组谐波数据实时监测系统的示例性应用场景示意图；

图2是根据本说明书的一些实施例所示的基于人工智能的风电机组谐波数据实时监测系统的示例性模块图；

图3是根据本说明书一些实施例所示的基于人工智能的风电机组谐波数据实时监测方法的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

海上风电机组的工作环境与陆地上相比更为复杂，维护成本也相对更高。通过谐波监测可以诊断和预测风电系统的运行异常和安全风险，及早发现风电机组中的谐波问题，及时对其进行调整和维护，避免因谐波引起的更大的故障，从而在一定程度上降低维护成本。但是，采用传统的密度峰值聚类算法对风电机组的谐波数据进行分析时，存在对参数截断距离选取敏感、聚类中心的选取不够高效等缺陷，会使得风电机组的谐波数据聚类效果较差，最终导致对风电机组谐波数据的监测精度较低。

基于以上技术问题，本说明书提供一种基于人工智能的风电机组谐波数据实时监测方法，该方法通过实时采集风电机组的谐波数据，然后基于该谐波数据的离群程度和幅值偏移度构建谐波离散率，并根据该谐波离散率计算谐波异常密度指数，最后基于该谐波异常密度指数对基于密度峰值的快速聚类算法中的截断距离进行调整，从而使得截断距离的选取更为准确。通过该方法，可以提高对风电机组谐波数据的聚类精度，进而提高风电机组谐波数据的实时检测的准确性。

下面结合附图对本说明书实施例提供的基于人工智能的风电机组谐波数据实时监测方法进行详细说明。

图1是根据本说明书一些实施例所示的基于人工智能的风电机组谐波数据实时监测系统的示例性应用场景示意图。

参照图1，在一些实施例中，基于人工智能的风电机组谐波数据实时监测系统的应用场景100可以包括数据采集装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如，数据采集装置110可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。又例如，存储设备120可以与处理设备130直接连接或通过网络150连接。又例如，终端设备140可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。

数据采集装置110可以用于对风电机组进行电压数据采集。在一些实施例中，数据采集装置110可以包括电压传感器。在一些实施例中，该数据采集装置110可以按照设定的数据采集频率对风电机组进行电压数据采集（例如，每隔1秒采集一次）。在一些实施例中，可以将数据采集装置110采集得到的电压数据按照采集时间的先后顺序进行排列，构成时间序列以用于后续分析。在一些实施例中，该时间序列的长度可以为600（即该时间序列中包含600个电压数据）。在一些实施例中，数据采集装置110可以具有独立的电源，其可以通过有线或无线（例如蓝牙、WiFi等）的方式将采集的电压数据发送给应用场景100中的其他部件（例如，存储设备120、处理设备130、终端设备140）。在一些实施例中，数据采集装置110还可以包括电流传感器，该电流传感器可以用于对风电机组进行电流数据采集，该电流数据可以与前述电压传感器所采集的电压数据一同用于后续分析。

在一些实施例中，数据采集装置110可以通过网络150将其采集的电压数据发送至存储设备120、处理设备130、终端设备140等。在一些实施例中，可以通过处理设备130对数据采集装置110所采集的电压数据进行处理。例如，处理设备130可以基于该电压数据确定风电机组的谐波数据的异常指数。在一些实施例中，该电压数据和/或风电机组的谐波数据的异常指数可以发送至存储设备120进行记录，或者发送至终端设备140以反馈给用户（例如风电机组管理人员）。

网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的至少一个组件（例如，数据采集装置110、存储设备120、处理设备130、终端设备140）可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备130可以通过网络150从数据采集装置110和/或存储设备120获得针对风电机组采集的电压数据。又例如，处理设备130可以通过网络150从终端设备140获得用户操作指令，示例性的操作指令可以包括但不限于调阅电压数据，读取基于该电压数据确定的风电机组的谐波数据的异常指数等。

在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共开关电话网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或其任意组合。在一些实施例中，网络150可以包括至少一个网络接入点，应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。

存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中，存储设备120可以存储从数据采集装置110、处理设备130和/或终端设备140获得的数据。例如，存储设备120可以存储数据采集装置110采集的电压数据；又例如，存储设备120可以存储处理设备130计算得到的风电机组的谐波数据的异常指数。在一些实施例中，存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备120可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件（例如，数据采集装置110、处理设备130、终端设备140）通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中，存储设备120可以与应用场景100中的一个或以上组件（例如，数据采集装置110、终端设备140）直接连接或通信。在一些实施例中，存储设备120可以是数据采集装置110和/或处理设备130的一部分。

处理设备130可以处理从数据采集装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中，处理设备130可以从数据采集装置110、存储设备120或终端设备140中任意一个或多个获得对风电机组采集得到的电压数据，通过对该电压数据进行处理以确定风电机组的谐波数据的异常指数。在一些实施例中，处理设备130可以从存储设备120获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的基于人工智能的风电机组谐波数据实时监测方法。

在一些实施例中，处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备130可以是本地或远程的。例如，处理设备130可以通过网络150从数据采集装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如，处理设备130可以直接连接到数据采集装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中，处理设备130可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。

终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括数据采集装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的风电机组的谐波数据的异常指数等。所述发送的数据可以包括用户（例如风电机组管理人员）的输入数据和指令等。例如，终端设备140可以将用户输入的操作指令通过网络150发送给数据采集装置110，以控制数据采集装置110进行相应的数据采集。又例如，终端设备140可以将用户输入的评估指令通过网络150发送给处理设备130。

在一些实施例中，终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如，移动设备141可以包括移动电话、个人数字助理（PDA）、专用移动终端等或其任意组合。在一些实施例中，终端设备140可以包括输入设备（如键盘、触摸屏）、输出设备（如显示器、扬声器）等。在一些实施例中，处理设备130可以是终端设备140的一部分。

应当注意的是，上述有关应用场景100的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对应用场景100进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，数据采集装置110的可以包括更多或更少的功能组件。

图2是根据本说明书一些实施例所示的基于人工智能的风电机组谐波数据实时监测系统的模块示意图。在一些实施例中，图2所示的基于人工智能的风电机组谐波数据实时监测系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100，例如，可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140，以用于对数据采集装置110所采集的电压数据进行处理，并基于该电压数据确定风电机组的谐波数据的异常指数。

参照图2，在一些实施例中，基于人工智能的风电机组谐波数据实时监测系统200可以包括获取模块210、频谱图确定模块220、谐波数据集确定模块230、谐波异常密度指数确定模块240、截断距离确定模块250、聚类模块260以及异常监测模块270。

获取模块210可以用于获取风电机组运行过程中的电压数据。

频谱图确定模块220可以用于通过离散傅里叶变换对所述电压数据进行计算，得到所述电压数据的频谱图。

谐波数据集确定模块230可以用于根据所述频谱图确定谐波电压，并基于所述谐波电压构成所述风电机组的谐波数据集，所述谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对。

谐波异常密度指数确定模块240可以用于计算所述谐波数据的分布特征所对应的谐波异常密度指数。

截断距离确定模块250可以用于根据所述谐波异常密度指数计算截断距离。

聚类模块260可以用于基于密度峰值聚类算法和所述截断距离对所述谐波数据进行聚类，得到所述谐波数据的聚类结果。

异常监测模块270可以用于基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测。

关于上述各个模块的更多细节可以参照本说明书的其他位置（例如图3部分及其相关描述），此处不再赘述。

应当理解，图2所示的基于人工智能的风电机组谐波数据实时监测系统200及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。

需要注意的是，上述关于基于人工智能的风电机组谐波数据实时监测系统200的描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。可以理解，对于本领域的技术人员来说，可以根据本说明书的描述，在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图2中所述的获取模块210、频谱图确定模块220、谐波数据集确定模块230、谐波异常密度指数确定模块240、截断距离确定模块250、聚类模块260以及异常监测模块270可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。在一些实施例中，前述各个模块可以是处理设备130和/或终端设备140的一部分。

图3是根据本说明书一些实施例所示的基于人工智能的风电机组谐波数据实时监测方法的示例性流程图。在一些实施例中，方法300可以通过处理逻辑来执行，该处理逻辑可以包括硬件（例如，电路、专用逻辑、可编程逻辑、微代码等）、软件（运行在处理设备上以执行硬件模拟的指令）等或其任意组合。在一些实施例中，图3所示的基于人工智能的风电机组谐波数据实时监测方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如，方法300可以以指令的形式存储在存储设备120中，并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。

参照图3，在一些实施例中，基于人工智能的风电机组谐波数据实时监测方法300可以包括：

步骤310，获取风电机组运行过程中的电压数据。在一些实施例中，步骤310可以由获取模块210执行。

海上风电机组的工作环境较为复杂，在风电机组的工作过程中，风能的变化、设备故障或异常运行、电力系统谐波污染等都会使风电机组产生谐波。其中，因环境问题使风电机组的谐波异常的因素有很多。当风电机组监测的谐波数据异常时，会对电力系统的稳定性、可靠性和安全性等方面产生影响，主要表现为电力设备运行不稳定（谐波电压对电力设备产生干扰）、设备寿命缩短（异常谐波电压会加速设备损耗）、系统电网质量受异常谐波电压影响、发生安全事故、造成经济损失等情况，因此，需及时对风电机组的谐波数据进行监测，从而诊断和预测风电系统的运行异常和安全风险，及早发现风电机组中的谐波问题，及时对其进行调整和维护，避免因谐波引起的更大的故障。

根据上述分析可以了解到，异常谐波电压的出现会对风电机组设备产生较大影响，基于此，在本说明书实施例中，主要通过数据采集装置110对风电机组的电压数据进行采集，然后基于该电压数据进行分析以对监测风电机组的谐波数据进行异常监测。

在一些实施例中，数据采集装置110针对风电机组采集的电压数据可以存储在存储设备120中，获取模块210可以从存储设备120获取风电机组运行过程中的电压数据。在一些实施例中，该获取模块210可以与数据采集装置110通信连接，获取模块210可以直接从数据采集装置110获取风电机组运行过程中的电压数据。

步骤320，通过离散傅里叶变换对所述电压数据进行计算，得到所述电压数据的频谱图。在一些实施例中，步骤320可以由频谱图确定模块220执行。

离散傅里叶变换是将时域信号转换为频域信号的数学工具。在一些实施例中，可以使用各种数学软件或编程语言中的DFT（Discrete Fourier Transform）函数来对数据采集装置110采集的电压数据进行离散傅里叶变换。

在进行离散傅里叶变换之前，需要对数据采集装置110采集的电压数据进行采样，以得到离散时间序列。在本说明书的一些实施例中，该时间序列的长度可以为600，具体而言，即该时间序列中可以包含600个由据采集装置110采集得到的电压数据。

通过DFT计算得到的结果是频域上的复数，其中包含了该电压数据所对应的幅值和相位信息。基于该幅值和相位信息，可以绘制幅度谱图，以显示该电压数据在不同频率下的幅度信息。进一步地，可以使用各种绘图软件或编程语言中的绘图函数来绘制得到该电压数据所对应的频谱图。

步骤330，根据所述频谱图确定谐波电压，并基于所述谐波电压构成所述风电机组的谐波数据集，所述谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对。在一些实施例中，步骤330可以由谐波数据集确定模块230执行。

前述频谱图的横纵坐标分别为频率和幅值。在一些实施例中，可以查看频谱图中的峰值，这些峰值对应着不同的频率分量，然后基于该频谱图中的峰值确定谐波频率。在找到谐波频率的峰值后，可以通过读取频谱图上的峰值幅值来计算谐波电压的幅值。

需要注意的是，由于谐波分量通常比基波分量小很多，因此需要对频谱图进行适当的缩放，以便更准确地读取谐波分量的幅值。

在确定谐波电压之后，可以基于该谐波电压构成风电机组的谐波数据集。该谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对。

步骤340，计算所述谐波数据的分布特征所对应的谐波异常密度指数。在一些实施例中，步骤340可以由谐波异常密度指数确定模块240执行。

在传统监测方法中，采用基于密度峰值的快速聚类算法（CFSFDP算法）对风电机组的谐波数据进行聚类处理时，由于截断距离参数选取不合适，会导致对风电机组的谐波数据的聚类效果较差，进一步导致对风电机组的谐波分析误差较大。需要说明的是，截断距离是用于控制聚类算法中形成簇的紧密程度的一个参数，在聚类过程中，当两个点之间的距离大于截断距离（或称为截断阈值）时，就不再将它们归为同一个簇。

在本说明书的一些实施例中，为了提高对风电机组的谐波数据的聚类精度，根据风电机组的谐波数据的分布特征和风电机组产生谐波的原因的分析来计算该截断距离的大小。

具体地，在一些实施例中，谐波异常密度指数确定模块240可以基于前述谐波数据对应的谐波频率以及风电机组正常运行时的电压数据的期望基波频率，确定每一个谐波数据所对应的谐波频率的离群程度；同时，采用K近邻算法对该谐波数据进行处理，得到每个谐波数据所对应的K近邻数据序列，并根据K近邻数据序列中相邻周期内相同时刻所对应的数据确定每一个谐波数据对应的幅值偏移度；然后，基于该离群程度和幅值偏移度，确定每一个谐波数据对应的谐波离散率；根据每个谐波数据的谐波离散率得到谐波离散数据集合，并采用高斯拟合对该谐波离散数据集合中的数据进行拟合，得到第一高斯拟合模型；对前述谐波数据集中的数据进行高斯拟合得到第二高斯拟合模型；最后，基于该第一高斯拟合模型和第二高斯拟合模型之间的KL散度，以及该谐波数据的频率和幅值的熵，得到风电机组的谐波数据对应的谐波异常密度指数。

由于当风电机组的谐波电压数据异常时，通常表现为谐波频率与期望的基波频率有较大差异，以及整体的谐波频率出现异常波动，同时谐波数据异常可能导致其谐波频率与期望的基波频率不再是整数倍关系。基于此，在本说明书的一些实施例中，谐波数据所对应的谐波频率的离群程度可以基于如下公式计算：

；

其中，表示谐波数据集中第/>个数据对应的谐波频率的离群程度，/>表示谐波数据集中第/>个数据对应的谐波频率，/>为风电机组正常运行时的电压数据的期望基波频率，表示对/>的计算结果向下取整。

由于风电机组谐波数据异常时，谐波频率与期望频率可能不再是整数倍关系，因此，可以计算谐波频率与期望频率的比值，然后通过计算/>的值来反映谐波频率与期望频率之间的关系。具体而言，当风电机组运行过程中出现异常谐波数据时，异常谐波数据的谐波频率与期望的基波频率差异较大，即计算/>的值较大；且异常谐波数据与期望基波频率可能不再是整数倍关系，因此计算/>的值相较于正常情况较大；最终得到的数据的离群程度值/>的值也相应较大，表示风电机组的谐波数据的谐波频率出现的异常的程度较大，即该风电机组谐波数据异常的可能性增大。

需要指出的是，由于谐波数据异常时幅值和频率数据信息的异常不是同步的，不同的原因造成的谐波数据异常的特征不同，即在某种故障因素下，会造成谐波数据的幅值信息异常但频率信息未出现异常的情况。

不同原因造成的谐波数据异常，会使得谐波数据的频率信息和/或幅值信息异常，并且，无论频率异常还是幅值异常都有可能造成风电机组设备损坏，因此，在对风电机组谐波数据的异常密集程度进行分析时，可以对异常频率信息和异常幅值信息赋予相同的权重，即两种信息同时或各自异常均在风电机组谐波数据异常的考虑范围内。

具体地，在一些实施例中，可以采用K近邻算法对风电机组的谐波数据进行处理，其中K=10，得到每个谐波数据对应的K近邻数据序列。在一些实施例中，该K近邻数据序列可以根据幅值由大到小进行排序。然后，根据K近邻数据序列中相邻周期内相同时刻所对应的数据确定每一个谐波数据对应的幅值偏移度。

在一些实施例中，该谐波数据对应的幅值偏移度可以基于如下公式计算：

；

其中，表示第/>个谐波数据对应的幅值偏移度，/>表示谐波数据中第/>个周期内第/>个数据所对应的K近邻数据序列中的第/>个值， />和/>表示相邻周期相同时刻的谐波数据对应的K近邻数据序列中的第/>个值，k为所述K近邻数据序列中的数据总量，/>表示归一化运算。需要指出的是，前述第/>个周期指的是所计算的谐波数据所在的谐波周期。第/>-1和第/>+1个周期分别指的是所计算的谐波数据的前一个谐波周期和后一个谐波周期。

在一些实施例中，前述谐波数据对应的谐波离散率可以基于如下公式计算：

；

其中，表示第/>个谐波数据对应的谐波离散率，/>表示所述谐波数据集中第i个谐波数据的幅值，/>表示取/>和/>的最小值。/>表示第/>个谐波数据对应的幅值偏移度，/>表示谐波数据集中第/>个数据对应的谐波频率的离群程度。

当风电机组的谐波数据异常时，谐波数据的幅值和频率信息异常会使和/>的值增大，即计算得到的/>的值增大。并且，该计算方式可以同时考虑谐波数据幅值和频率信息同步与不同步的异常情况，即存在异常的数据的谐波离散率。

进一步地，谐波异常密度指数确定模块240可以基于前述谐波离散率确定谐波数据对应的谐波异常密度指数。

具体而言，在一些实施例中，谐波异常密度指数确定模块240可以根据每个谐波数据的谐波离散率得到谐波离散数据集合，并采用高斯拟合对该谐波离散数据集合/>中的数据进行拟合，得到第一高斯拟合模型/>；同时，对前述谐波数据集（此处假设为/>）中的数据进行高斯拟合得到第二高斯拟合模型/>；然后，基于第一高斯拟合模型和所述第二高斯拟合模型/>之间的KL散度（也可称之为相对熵），以及该谐波数据的频率和幅值的熵，得到风电机组的谐波数据对应的谐波异常密度指数。其中，高斯拟合是一种常见的数据拟合方法，其可以利用高斯分布函数来拟合数据的分布情况。关于高斯拟合的技术内容可以视为公知技术，本说明书中不再对其进行赘述。

在一些实施例中，该谐波数据对应的谐波异常密度指数可以基于如下公式计算：

；

其中，表示谐波数据对应的谐波异常密度指数，/>表示前述第二高斯拟合模型，/>表示前述第一高斯拟合模型，/>和/>分别表示谐波数据的频率和幅值的熵，/>表示采用KL散度计算第一高斯拟合模型/>与第二高斯拟合模型/>之间的相似度。其中，/>和/>可以分别通过谐波数据的频率和幅值的概率分布计算得到，和/>越大，则说明谐波数据频率和幅值的异常波动越大，/>和/>越小，则表示谐波数据频率和幅值的异常波动较小。关于熵值/>和/>的具体计算过程可以视为公知技术，本说明书中不再进行赘述。

当风电机组的谐波数据异常时，计算得到的整体的值增大，的值增大；此时谐波离散数据集合/>和谐波数据集合/>的数据分布特征差异较大，即/>的值较大，相应地，计算得到的风电机组谐波数据的谐波异常密度指数/>的值越大，表示采集得到的风电机组的谐波数据的异常影响范围较大。此时，采用基于密度峰值的快速聚类算法的截断距离应较小，从而使得对风电机组谐波数据的聚类更加细致。

步骤350，根据所述谐波异常密度指数计算截断距离。在一些实施例中，步骤350可以由截断距离确定模块250执行。

在通过上述步骤计算得到风电机组谐波数据的谐波异常密度指数之后，截断距离确定模块250可以基于该谐波异常密度指数/>计算相应的截断距离。

在一些实施例中，该截断距离可以基于如下公式计算：

；

其中，表示截断距离，/>为调节参数，本说明书实施例中取/>，其目的是避免计算得到的截断距离为0而没有意义；/>表示归一化运算。

当风电机组的谐波数据的谐波异常密度指数的值越大时，则计算得到的的值越小，对应的截断距离越小。需要指出的是，在本说明书实施例中，根据数据的谐波异常密度指数/>计算截断距离的大小，可以考虑到采集的风电机组谐波数据的异常信息含量，使截断距离的选取更为准确，进而提高后续过程中对风电机组谐波数据的聚类精度。

步骤360，基于密度峰值聚类算法和所述截断距离对所述谐波数据进行聚类，得到所述谐波数据的聚类结果。在一些实施例中，步骤360可以由聚类模块260执行。

在通过上述步骤计算得到截断距离之后，根据该截断距离/>和输入的谐波数据集/>，采用基于密度峰值的快速聚类算法进行处理，即可得到风电机组谐波数据的聚类结果。

示例性地，在一些实施例中，该聚类过程可以包括：步骤1，计算每个数据点的局部密度和距离；步骤2，根据局部密度和距离计算每个数据点的密度峰值，并选择一部分具有较高密度峰值的点作为簇的种子点；步骤3，以种子点为中心，从密度峰值较高的点开始，递归地向外扩展簇，直到找到所有密度峰值小于当前簇的点；步骤4，重复步骤2和3，直到所有数据点都被分配到某个簇中。在聚类过程中，可以将距离小于前述截断距离的数据点划分到一个簇。

需要说明的是，本说明书实施例所提供的技术方案主要是对聚类过程中所涉及的截断距离的计算方式进行改进，因此，关于聚类过程的更多细节本说明书中不再进行赘述。

步骤370，基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测。在一些实施例中，步骤370可以由异常监测模块270执行。

通过上述步骤进行聚类之后，可以得到多个聚类簇。在一些实施例中，异常监测模块270可以计算每个聚类簇内的谐波数据的幅值变化，并通过该谐波数据的幅值变化分析谐波数据的异常情况。

具体地，在一些实施例中，异常监测模块270可以计算每个聚类簇内的谐波数据的幅值的标准差；然后，基于异常筛选阈值和前述标准差筛选得到异常数据，并基于该异常数据得到异常数据集合（此处假设为H）；进一步地，异常监测模块270可以基于该异常数据集合H中的谐波数据的幅值，以及相同采样时刻未出现异常时的谐波数据的幅值，计算风电机组的谐波数据的异常指数。在一些实施例中，前述异常筛选阈值可以为。

在一些实施例中，该谐波数据的异常指数可以基于如下公式计算：

；

其中，表示谐波数据的异常指数，/>表示异常数据集合H内第/>个谐波数据的幅值，/>为相同采样时刻未出现异常时的谐波数据的幅值，/>表示该异常数据集合内的异常数据的数量。

在通过上述方法计算得到谐波数据的异常指数之后，异常监测模块270可以在该异常指数大于预设的谐波异常监测阈值时，判定风电机组的谐波数据异常。示例性地，在一些实施例中，该谐波异常监测阈值可以为10%。当该谐波数据的异常指数超出前述谐波异常监测阈值时，则表示风电机组的谐波数据存在异常，需及时调整或对风电机组进行维护。

综上所述，本说明书实施例可能带来的有益效果包括但不限于：（1）在本说明书一些实施例所提供的基于人工智能的风电机组谐波数据实时监测方法中，通过实时采集风电机组的谐波数据，基于该谐波数据的离群程度和幅值偏移度构建谐波离散率，并根据该谐波离散率计算谐波数据所对应的谐波异常密度指数，可以更准确地表征该谐波数据的异常影响范围；（2）在本说明书一些实施例所提供的基于人工智能的风电机组谐波数据实时监测方法中，通过基于该谐波数据的离群程度和幅值偏移度来计算谐波离散率，可以同时考虑谐波数据幅值和频率信息同步与不同步的异常情况，从而更准确地表征该谐波数据的离散程度；（3）在本说明书一些实施例所提供的基于人工智能的风电机组谐波数据实时监测方法中，通过前述谐波异常密度指数来计算密度峰值聚类算法中的截断距离的值，可以根据数据的特征选择合适的截断距离参数，从而提高采用密度峰值聚类算法对风电机组谐波数据进行聚类的聚类精度，进而提高风电机组谐波数据的实时检测的准确性。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例中，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于人工智能的风电机组谐波数据实时监测方法，其特征在于，包括：

获取风电机组运行过程中的电压数据；

通过离散傅里叶变换对所述电压数据进行计算，得到所述电压数据的频谱图；

根据所述频谱图确定谐波电压，并基于所述谐波电压构成所述风电机组的谐波数据集，所述谐波数据集中的每一个谐波数据为频率与幅值所组成的数据对；

计算所述谐波数据的分布特征所对应的谐波异常密度指数；

根据所述谐波异常密度指数计算截断距离；

基于密度峰值聚类算法和所述截断距离对所述谐波数据进行聚类，得到所述谐波数据的聚类结果；

基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测。

2.如权利要求1所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述计算所述谐波数据的分布特征所对应的谐波异常密度指数，包括：

基于所述谐波数据对应的谐波频率以及所述风电机组正常运行时的电压数据的期望基波频率，确定每一个所述谐波数据所对应的谐波频率的离群程度；

采用K近邻算法对所述谐波数据进行处理，得到每个所述谐波数据所对应的K近邻数据序列；

根据K近邻数据序列中相邻周期内相同时刻所对应的数据确定每一个所述谐波数据对应的幅值偏移度；

基于所述离群程度和所述幅值偏移度，确定每一个所述谐波数据对应的谐波离散率；

根据每个所述谐波数据的谐波离散率得到谐波离散数据集合，并采用高斯拟合对所述谐波离散数据集合中的数据进行拟合，得到第一高斯拟合模型；

对所述谐波数据集中的数据进行高斯拟合得到第二高斯拟合模型；

基于所述第一高斯拟合模型和所述第二高斯拟合模型之间的KL散度，以及所述谐波数据的频率和幅值的熵，得到所述风电机组的谐波数据对应的谐波异常密度指数。

3.如权利要求2所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述谐波数据所对应的谐波频率的离群程度基于如下公式计算：

；

其中，表示所述谐波数据集中第/>个数据对应的谐波频率的离群程度，/>表示所述谐波数据集中第/>个数据对应的谐波频率，/>为所述风电机组正常运行时的电压数据的期望基波频率，/>表示对/>的计算结果向下取整。

4.如权利要求3所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述谐波数据对应的幅值偏移度基于如下公式计算：

；

其中，表示第/>个谐波数据对应的幅值偏移度，/>表示所述谐波数据中第/>个周期内第个数据所对应的K近邻数据序列中的第/>个值， />和/>表示相邻周期相同时刻的谐波数据对应的K近邻数据序列中的第/>个值，k为所述K近邻数据序列中的数据总量，/>表示归一化运算。

5.如权利要求4所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述谐波数据对应的谐波离散率基于如下公式计算：

；

其中，表示第/>个谐波数据对应的谐波离散率，/>表示所述谐波数据集中第i个谐波数据的幅值，/>表示取/>和/>的最小值。

6.如权利要求5所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述谐波数据对应的谐波异常密度指数基于如下公式计算：

；

其中，表示所述谐波数据对应的谐波异常密度指数，/>表示所述第二高斯拟合模型，/>表示所述第一高斯拟合模型，/>和/>分别表示所述谐波数据的频率和幅值的熵，/>表示采用KL散度计算所述第一高斯拟合模型与第二高斯拟合模型之间的相似度。

7.如权利要求6所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述截断距离基于如下公式计算：

；

其中，表示所述截断距离，/>为调节参数，/>表示归一化运算。

8.如权利要求7所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述基于所述聚类结果对所述风电机组的谐波数据进行实时异常监测，包括：

基于所述聚类结果，计算每个聚类簇内的谐波数据的幅值变化，并通过所述谐波数据的幅值变化分析所述谐波数据的异常情况。

9.如权利要求8所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述通过所述谐波数据的幅值变化分析所述谐波数据的异常情况，包括：

计算每个聚类簇内的谐波数据的幅值的标准差；

基于异常筛选阈值和所述标准差筛选得到异常数据，并基于所述异常数据得到异常数据集合；

基于所述异常数据集合中的谐波数据的幅值，以及相同采样时刻未出现异常时的谐波数据的幅值，计算所述风电机组的谐波数据的异常指数；

在所述异常指数大于谐波异常监测阈值时，判定所述风电机组的谐波数据异常。

10.如权利要求9所述的基于人工智能的风电机组谐波数据实时监测方法，其特征在于，所述谐波数据的异常指数基于如下公式计算：

；

其中，表示所述谐波数据的异常指数，/>表示所述异常数据集合内第/>个谐波数据的幅值，/>为相同采样时刻未出现异常时的谐波数据的幅值，/>表示所述异常数据集合内的异常数据的数量。