监测风电机组状态的方法及系统技术方案

本发明专利技术提供一种用于监测风电机组异常状态的方法。该方法包括：对风电数据进行离散化预处理，以生成排序的数据集，该排序的数据集包括根据所述风电数据的属性划分的多个区间；将排序的数据集存储为频繁模式树的形式；遍历频繁模式树以查找最大子空间集；利用多维聚类方法将最大子空间集中的风电数据划分为多个聚类簇；以及将多个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。通过本发明专利技术的方法，可以对包括多维属性的风电数据的异常点进行挖掘，具有较高的异常状态识别率。

Method and system for monitoring the state of a wind turbine

The present invention provides a method for monitoring an abnormal state of a wind turbine. The method includes: wind power discrete data preprocessing, to generate the sorted data set, the data set includes sorting based on multiple attribute interval dividing the wind power data; the sorted data set is stored as a frequent pattern tree; frequent pattern tree traversal to find the maximal subspace set the use of multidimensional clustering method divides; maximum wind power data subspace concentrated into multiple clusters; and a plurality of clusters is divided into normal and abnormal clusters of clusters, to monitor the state of wind turbine. By using the method of the invention, the abnormal points of wind power data including multidimensional attributes can be excavated, and the recognition rate of the abnormal state is higher.

【技术实现步骤摘要】
监测风电机组状态的方法及系统
本专利技术属于风力发电
，尤其涉及一种监测风电机组状态的方法及系统。
技术介绍
风能作为一种清洁的可再生能源，不仅有利于改善环境污染问题而且可以有效的调节能源结构，受到世界各国越来越多的重视，风力发电是目前电力领域发展最快的发电方式之一。监测风电机组(风机)的状态有利于用户及时了解风机的运行，从而根据其状态进行控制。例如，当风机处于异常状态时，可以控制风电机组的最大出风力，从而提高风电机组的效率，节约成本。然而，在现有技术中，风机异常状态的监测以识别处偏离正常功率曲线范围的数据为目标，将该部分数据定义为异常点，并监测正常数据和异常数据的整体数据分布以评估风机的异常状态。这种方法具有片面性和不准确性，这主要体现在以下方面：其一，这种方法主要以分析功率-风速二维属性的数据分布形式，没有充分考虑其他属性与异常数据的关联性，例如，强风、雨雪等气候因素以及风机自身的偏航系统和变浆系统等，而这些因素导致实际输出功率和预期的输出功率之间存在偏差，使正常数据范围内分布着杂乱的异常点。因此，导致异常状态识别率低，尤其对于大量的风电数据，由于其它属性所决定的异常点变多，更进一步降低异常状态的识别率；其二，对于风电数据中的异常数据挖掘，在现有技术中，通常采用APRIORI自连接方式寻找最大子空间，在每个子空间中遍历连通的密集网格单元作为聚类簇，这种方式需要多次访问风电数据库，并且时间复杂度较高，此外，现有技术中采用的例如K-Means等聚类方法，聚类结果精度不高，尤其是在数据属性不断增加时，在多维空间下数据分布稀疏，无法有效的进行多维聚类，因此，不能识别某些特定的数据分布状态。因此，需要对现有技术进行改进，以解决上述至少一个问题。
技术实现思路
本专利技术的目的是解决上述现有技术中的缺陷，提供一种的新的监测风电机组状态的方法。根据本专利技术的一个方面，提供了一种监测风电机组状态的方法，该方法包括：步骤1：对风电数据进行离散化预处理，以生成排序的数据集，所述排序的数据集包括根据所述风电数据的属性划分的多个区间；步骤2：将所述排序的数据集存储为频繁模式树的形式；步骤3：遍历所述频繁模式树以查找最大子空间集；步骤4：利用多维聚类方法将所述最大子空间集中的风电数据划分为多个聚类簇；以及步骤5：将所述多个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。优选地，其中，所述风电数据的属性包括风电机组的功率、风速、环境温度、叶片对风的角度、齿箱温度中的一种或多种。优选地，步骤1包括：将所述风电数据划分为多个不相交的区间并计算每个区间的频繁度；选择高于频繁度阈值的区间；以及计算所选择的区间的频繁度并按照频繁度从高到低的顺序排序，以形成排序的数据集。优选地，在步骤3中，采用从左至右，从下向上的顺序来遍历所述频繁模式树。优选地，在步骤4中，对于所述最大子空间集中的每个子空间执行以下步骤：定义K个混合高斯模型；对于所述每个子空间中的风电数据计算由K个高斯模型产生的概率；基于计算的概率将所述每个子空间中的风电数据划分到K个聚类簇中。优选地，基于所述风电数据的属性的数量和/或所述每个子空间中风电数据的数量调整K的取值。优选地，步骤5还包括将所述正常簇和异常簇分别相加来去除冗余数据。根据本专利技术的第二方面，提供了一种监测风电机组状态的系统。该系统包括：用于对风电数据进行离散化预处理，以生成排序的数据集的单元，所述排序的数据集包括根据所述风电数据的属性划分的多个区间；用于将所述排序的数据集存储为频繁模式树的形式的单元；用于遍历所述频繁模式树以查找最大子空间集的单元；用于利用多维聚类方法将所述最大子空间集中的风电数据划分为多个聚类簇的单元；以及用于将所述多个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态的单元。优选地，所述风电数据的属性包括风电机组的功率、风速、环境温度、叶片对风的角度、齿箱温度中的一种或多种。优选地，基于所述风电数据的属性的数量和/或所述每个子空间中风电数据的数量调整聚类簇的数量。与现有技术相比，本专利技术的优点在于：可以针对多维属性的风电数据进行聚类，从而提高了风电机组状态监测的有效性；通过多维聚类方法对风电数据进行多维聚类，能够有效的挖掘风电数据的特征，进一步提高了风电机组状态监测的准确率；利用频繁模式树的存储结构有利于向处理大数据扩展。附图说明以下参照附图对本专利技术实施例作进一步说明，其中：图1示出了根据本专利技术一个实施例的监测风机状态的方法的流程图。图2示出了根据本专利技术一个实施例的对风电数据预处理之后的示意图。图3示出了根据本专利技术一个实施例的采用FP-tree存储风电数据的示意图。图4(a)至图4(c)示出了根据本专利技术一个实施例的遍历FP-tree的过程示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现参照附图对本专利技术提出的监测风电机组状态的方法进一步详细说明图1示出了根据本专利技术一个实施例的监测风机状态的方法的流程图。1)步骤S110，对风电数据进行离散化预处理，以生成排序的数据集，所述排序的数据集包括根据所述风电数据的属性划分的多个区间。在一个实施例中，离散化预处理可以包括将风电数据划分为多个不相交的区间并计算每个区间的频繁度；选择高于频繁度阈值的区间；以及计算所选择的区间的频繁度并按照频繁度从高到低的顺序排序，以形成排序的数据集。下面以数据采集与监视控制系统(SCADA,SupervisoryControlAndDataAcquisition)采集的风电数据为例介绍预处理的过程。该SCADA数据中包含不同采集时刻下风机的功率、风速、环境温度等多个属性。步骤1a)：将采集的风电数据的每一维属性下的值域划分为范围相等的多个区间，对于同一属性下的不同区间以当前属性名标识，并且不同区间以数字标序。通过这种方式可以将整个风电数据集划分为多个不相交的区间，将落在同一区间的数据点以该区间标识表示。具体而言，以风速属性对应的数据集U＝{x1,x2,.....xi}为例，首先，将值域范围(例如，风速的值域范围可以是0-16米/秒)划分为ε个间隔{wind1,wind2,......windε}，如果x1在wind1对应的值域范围内，则将x1标记为wind1，并将落在wind1区间的数据都记为wind1。类似地，可以根据属性离散化整个风电数据集。图2列出了通过上述方法将风电数据集离散之后的示意图。如图2所示，风电数据中每个属性对应的值域范围均被离散为ε个区间，在图2中，示出了的属性包括风速(wind)、风机的功率(power)、叶片对风的角度(angle)。在另外一个示例中，风电数据的属性可以包括但不限于风机的功率、风速、环境温度、叶片对风的角度、齿箱温度等中的一种或多种。步骤1b)：可以根据频繁度阈值将风电数据划分为高频繁度区间与低频繁度区间，对高频繁度区间中的数据进行存储。在本文中频繁度(frequencydegree)定义为离散后的数据占所有离散数据的百分比。其中，number(I)表示被计算频繁度的离散数据在整个数据集中的数目；number(D)表示整个数据集离散数据数目；frequencydegree(I)为所计算的离散数据在整个离散数据集中所占百分比。例如，如果划分区间后的数本文档来自技高网...

【技术保护点】
一种监测风电机组状态的方法，包括：步骤1：对风电数据进行离散化预处理，以生成排序的数据集，所述排序的数据集包括根据所述风电数据的属性划分的多个区间；步骤2：将所述排序的数据集存储为频繁模式树的形式；步骤3：遍历所述频繁模式树以查找最大子空间集；步骤4：利用多维聚类方法将所述最大子空间集中的风电数据划分为多个聚类簇；步骤5：将所述多个个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。

【技术特征摘要】
1.一种监测风电机组状态的方法，包括：步骤1：对风电数据进行离散化预处理，以生成排序的数据集，所述排序的数据集包括根据所述风电数据的属性划分的多个区间；步骤2：将所述排序的数据集存储为频繁模式树的形式；步骤3：遍历所述频繁模式树以查找最大子空间集；步骤4：利用多维聚类方法将所述最大子空间集中的风电数据划分为多个聚类簇；步骤5：将所述多个个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。2.根据权利要求1所述的方法，其中，所述风电数据的属性包括风电机组的功率、风速、环境温度、叶片对风的角度、齿箱温度中的一种或多种。3.根据权利要求1所述的方法，其中，步骤1包括：将所述风电数据划分为多个不相交的区间并计算每个区间的频繁度；选择高于频繁度阈值的区间；以及计算所选择的区间的频繁度并按照频繁度从高到低的顺序排序，以形成排序的数据集。4.根据权利要求1所述的方法，其中，在步骤3中，采用从左至右，从下向上的顺序来遍历所述频繁模式树。5.根据权利要求1至4中的任一项所述的方法，其中，在步骤4中，对于所述最大子空间集中的每个子空间执行以下步骤：定义K个混合高斯模型；对于所述每个子空...

【专利技术属性】
技术研发人员：娄建楼，曹慧，潘峰，肖继哲，曲朝阳，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22