一种基于GAN的风机轮毂测风缺失数据的插补方法技术

本发明专利技术提供一种基于GAN的风机轮毂测风缺失数据的插补方法，涉及风机故障诊断技术领域。本发明专利技术通过从风场SCADA系统获取初始风速数据集，删除初始风速数据集中的异常数据，并按照风机编号构成风速数据集；在进行不同风机之间的风速数据相关性分析后，得出相关系数矩阵；采用蚁群算法对不同风机的风速数据进行排序；构建生成对抗网络训练时所需的训练样本、构建生成对抗网络的生成器模型及对抗器模型；将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。本发明专利技术对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；该方法能够进行较长时间的数据插补。

【技术实现步骤摘要】
一种基于GAN的风机轮毂测风缺失数据的插补方法
本专利技术涉及风机故障诊断
，尤其涉及一种基于GAN的风机轮毂测风缺失数据的插补方法。
技术介绍
随着全球风力发电能力持续增长和风电场的快速扩张、风机的不断应用，机组机舱体积随之增大，轮毂位置也更高，风机安全运行的挑战越来越大。风机不同部位故障皆有可能引起风机停电，即使是一些微小的故障的维修，都会带来昂贵的成本，风机的维护面临着众多挑战。研究表明，对风机进行预防性维护，可以大大降低风机故障后维修的成本。可靠的风机轮毂测风数据在风电功率预测、风电场安全运行评估、风电数值预报等方向应用广泛，有利于风机的安全运行维护，也是确定风电场荷载、有效利用风能的基础；但其数据的缺测、偏离等常困扰和影响着应用的可靠性和效果。因此，对风电场的风机轮毂测风数据的缺失部分进行补偿，其重要性不言而喻。对风电场测风数据的缺失情况，有多种插补方法，包括最小二乘法、卡尔曼滤波插补法、BP神经网络法、ARIMA插补方法等。以任意一台风机为例，设计插补方案，经过使用多种方法研究对比，最小二乘法插补效果不佳，卡尔曼滤波插补在时间序列上插补局限性较大；BP神经网络法插补仅适用于平稳天气条件下的插补，对天气变化把握较差；ARIMA插补方法是一种自适应、高效的风速插补方法，但是不能够进行较长时间的风速插补。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于GAN的风机轮毂测风缺失数据的插补方法，对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度，与此同时，该方法能够进行较长时间的数据插补。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于GAN的风机轮毂测风缺失数据的插补方法，具体步骤如下：步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；步骤2：删除初始风速数据集中的异常数据，将风速数据按照风机编号构成风速数据集D；所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；步骤3：进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；步骤4：采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本D；步骤5：根据风速数据样本构建生成对抗网络训练时所需的训练样本；步骤6：构建生成对抗网络的生成器模型MG及对抗器模型MD；步骤7：将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。所述步骤3具体步骤如下：步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；步骤3.2：计算风场不同的风机风速样本之间的MIC系数，建立MIC相关系数向量；步骤3.3：将PCC相关系数向量设置为变量A,将MIC相关系数设置为变量B，构成相关系数矩阵P(A,B)；步骤3.4：对相关系数矩阵P(A,B)进行归一化处理,计算变量A及变量B的信息熵值；步骤3.5：根据计算所得的信息熵值计算变量A的及变量B的权重；步骤3.6：根据计算所得的权重得出最终的相关性系数矩阵C。所述步骤4具体步骤如下：步骤4.1：根据相关系数矩阵C，构建风机之间的连接集合U；步骤4.2：设置蚁群算法的初始化参数，蚁群蚂蚁数量h，信息素强度程度因子δ，信息素挥发因子ρ，最大迭代次数l，相关性系数矩阵C；步骤4.3：根据蚁群算法开始进行训练；随机将蚂蚁置于风机出发点，按照状态转移规则让每个蚂蚁访问每个风机点一次且仅一次，直至每只蚂蚁访问完每个风机点；；步骤4.4：计算各蚂蚁经过的路径长度L，记录当前迭代的最优解，同时对路径上的信息素浓度进行更新；骤4.5：至迭代次数完成，输出风机风速数据的的排列顺序，得出排序后的风速数据样本所述步骤5具体步骤如下：步骤5.1：生成对抗网络训练所需的真实数据样本采用步骤5.2：构建生成对抗网络的缺失风机风速数据样本Dm；其中，dmn代表风机m的第n个数，Rg代表第g行皆为0的矩阵，Dr及Rg之间进行点乘运算；运算结果Dm代表第g行值全为0的矩阵，代表第g个风机风速数据是缺失的，待进行插补；步骤5.3：根据RGB值将Dm及Dr,转化为图片形式。所述步骤6中生成器模型MG的输入为风速缺失图像，输出为补全后的风速图像；所述对抗器的输入参数包括补全后的风速图像及真实的风速图像，其输出为当前图像信息的一个映射值。所述步骤7具体步骤如下：步骤7.1：设置生成模型MG的目标函数中，加入L1距离及L2距离；目标函数设置为：L(MG)＝[log(MD(Dm)]+[||Dr-Dm||1+||Dr-Dm||2](2)步骤7.2：设置对抗模型MD的目标函数；L(MD)＝[log(MD(Dr)]+[log(1-MD(Dm)](3)步骤7.3：生成器模型及对抗器模型的目标函数，均采用Adamoptimizer函数进行梯度下降训练，不断更改生成网络及对抗网络模型的训练参数，获取目标函数的最优值；步骤7.4：迭代训练完成后，输出插补后的风速图像，还原成风机风速数据。采用上述技术方案所产生的有益效果在于：本专利技术提供的一种基于GAN的风机轮毂测风缺失数据的补偿方法，本方法建立的风机风速数据插补模型，仅涉及风速的采集，模型具有通用型，可以适用于任何风场；并对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；本方法能够进行较长时间的数据恢复，在生成对抗网络的目标函数的构建过程中，加入了L1距离以及L2距离，能够加快风机图片数据的训练速度，并且数据插补的精度。附图说明图1为本专利技术实施例提供的基于GAN的风机轮毂测风数据的插补方法的流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本实施例的方法如下所述：首先从风电场的SCADA系统中将不同风机的风速数据进行提取，获取初始的风速数据集；之后进行数据清洗，将不同风机的风速数据进行编号；然后，对不同风机的风速数据进行相关性分析，利用蚁群算法根据相关性系数大小进行风机风速数据的排序，并将排序后的数据转化为图片形式；构建风机风速图像训练样本后，将训练样本输入到生成对抗网络中进行训练，训练完成后，将缺失的风速补偿完毕。如图1所示，一种轮毂测风数据的缺失数据插补方法，包括如下步骤：步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；步骤2：删除风速数据集中的异常数据，所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；将风速数据按照风机编号，处理后风速数据集样本为D；步骤3：采用相关系数进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；具体实施时，计算过程如下：步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；PCC皮尔森相关系数计算公式如下：其中，x及y分别对应不同的风机风速数据样本，E(x)及E(y)分别代表风机样本x及y的数学期望，E(xy)代表样本x及y的联合数学期望；步骤3.2：计算风场不同的风机风速样本本文档来自技高网...

【技术保护点】
1.一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：包括以下步骤：步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；步骤2：删除初始风速数据集中的异常数据，将风速数据按照风机编号构成风速数据集D；所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；步骤3：进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；步骤4：采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本

【技术特征摘要】
1.一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：包括以下步骤：步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；步骤2：删除初始风速数据集中的异常数据，将风速数据按照风机编号构成风速数据集D；所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；步骤3：进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；步骤4：采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本步骤5：根据风速数据样本构建生成对抗网络训练时所需的训练样本；步骤6：构建生成对抗网络的生成器模型MG及对抗器模型MD；步骤7：将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。2.权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤3具体步骤如下：步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；步骤3.2：计算风场不同的风机风速样本之间的MIC系数，建立MIC相关系数向量；步骤3.3：将PCC相关系数向量设置为变量A,将MIC相关系数设置为变量B，构成相关系数矩阵P(A,B)；步骤3.4：对相关系数矩阵P(A,B)进行归一化处理,计算变量A及变量B的信息熵值；步骤3.5：根据计算所得的信息熵值计算变量A的及变量B的权重；步骤3.6：根据计算所得的权重得出最终的相关性系数矩阵C。3.权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤4具体步骤如下：步骤4.1：根据相关系数矩阵C，构建风机之间的连接集合U；步骤4.2：设置蚁群算法的初始化参数，蚁群蚂蚁数量h，信息素强度程度因子δ，信息素挥发因子ρ，最大迭代次数l，相关性系数矩阵C；步骤4.3：根据蚁群算法开始进行训练；随机...

【专利技术属性】
技术研发人员：刘金海，洪晓伟，汪刚，马大中，卢森骧，张化光，冯健，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21