基于增强卷积去噪算法的风电机组数据清洗方法及装置制造方法及图纸

本公开提供一种基于增强卷积去噪算法的风电机组数据清洗方法及装置。所述方法包括：基于SCADA系统，采集风电机组的风电数据；对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类；对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪；对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗。本公开的风电机组数据清洗，为风电机组的状态监测和异常检测以及长短期风电功率预测等奠定了良好的基础。在风机数据去噪中引入了增强卷积神经网络方法，并且在神经网络隐藏层的输出附加辅助监督信息作为正则化约束，可有效提高数据去噪的效率和精确性。高数据去噪的效率和精确性。高数据去噪的效率和精确性。

【技术实现步骤摘要】
基于增强卷积去噪算法的风电机组数据清洗方法及装置


[0001]本公开属于风电机组数据处理
，具体涉及一种基于增强卷积去噪算法的风电机组数据清洗方法及装置。

技术介绍

[0002]可再生能源的开发和利用已成为能源转型下电力行业的核心要务之一。风能作为一种清洁、无污染的可再生能源，其巨大的发展和应用潜力已经引起了全球的广泛关注。近几年中，风电装机容量持续增长，分布范围广泛。然而，绝大多数风力发电厂都位于偏远的山区或海上，此类地区环境恶劣，风机受外界影响的扰动加剧。与此同时，风机的叶片、轴承、齿轮、发电机部件经过长时间的损耗，都容易发生故障，这将给风机的稳定运行带来更多的不确定性因素。
[0003]风电机组的状态监测和异常检测以及长短期风电功率预测等都是提高风机运行安全稳定的必要技术措施。不仅可以保证风机的可靠性，避免灾难性事故的发生。还有利于制定维护计划，为电网调度提供参考，提高风电并网下的电网调节能力，并进一步减少经济损失，促进风电产业的发展。而上述技术措施几乎都依赖于对风电机组运行数据的特征提取和分析。数据采集与监控(SCADA)系统广泛应用于电力、冶金、石油、化工、燃气、铁路等领域。操作设备由SCADA远程监控，包括数据采集、测量、参数调整和各种信号报警。风电机组中的SCADA系统包含基本状态信息，它可以收集大量与运行状态相关的参数，包括部件温度、风速、电流、电压和功率等。然而SCADA系统中收集到的数据一般受环境变化、外界扰动或风机机械磨损的影响，存在数据含有噪声，数据重复以及数据无效等问题。因此需通过数据清洗方法预先对其进行处理。数据清洗一般包括数据一致性检查，噪声去除、缺失值填补和无效值处理等，随着智能算法的发展，数据清洗方法也层出不穷，具有极大的发展空间。

技术实现思路

[0004]本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于增强卷积去噪算法的风电机组数据清洗方法及装置。
[0005]本公开的一方面，提供一种基于增强卷积去噪算法的风电机组数据清洗方法，所述方法包括：
[0006]基于SCADA系统，采集风电机组的风电数据；
[0007]对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类；
[0008]对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪；
[0009]对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗。
[0010]在一些实施方式中，所述基于SCADA系统，采集风电机组的风电数据，包括：
[0011]以T为采样间隔获取风电机组运行过程中的n个可测变量的N组实际运行数据存入所述SCADA系统，采样数据需尽可能包含风机在不同环境条件、时间尺度、服役时长下的运
行请况；
[0012]通过主元法筛选所述SCADA系统中各变量数据，最终得到待清洗的m个变量作为数据清洗过程的输入变量{x1,x2,
…
,x
m
}。
[0013]在一些实施方式中，所述对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类，包括：
[0014]定义如下目标函数(1)：
[0015][0016]其中：α为加权模糊性参数，C为聚类数，x
c
为聚类中心，为输入X
i
相对聚类C的隶属度：
[0017][0018]随机初始化x
c
并通过下式(3)计算μ
ic
：
[0019][0020]采用下式(4)更新聚类中心向量x
c
：
[0021][0022]采用下式(5)计算适应度函数增量：
[0023][0024]当Δ小于一个小的预设常值ε时，迭代过程结束，得到全部聚类。
[0025]在一些实施方式中，所述对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪，包括：
[0026]训练数据集的获取：任选一个聚类中数据X
i
，基于均值为0，方差为σ2的高斯分布随机生成高斯噪声与X
i
各项相加得到带有噪声的数据信号即然后对其余所有聚类重复上述操作，得到包含C个含噪声的聚类的数据集
[0027]所构建的方法由路径网络结构相同的去噪通道和提议通道基网络构成；其中去噪通道主要用于训练去噪模型，拟合提议通道则通过基于X
i
的编码
‑
解码，生成
隐藏层的辅助监督信息，以达到增强原有卷积神经网络性能的效果；
[0028]假设每个基网络f(
·
)由L个隐藏层组成，其中去噪通道和提议通道的网络参数分别表示为Θ＝{θ1,θ2,
…
,θ
L
}和第i层前的全部网络参数简记为Θ1→
i
＝Θ
i
和Φ1→
i
＝Φ
i
；
[0029]采用下式(6)进行提议通道训练：
[0030][0031]基于上式(6)求得最优解Φ
*
，然后定义损失函数训练去噪通道模型，如下式(7)：
[0032][0033]其中：Ω代表根据上述最优解Φ
*
计算得到的隐藏层索引集合，为第j层的建议损失；上式求得的最优解记为Θ
*
；
[0034]增强卷积去噪模型的训练：基于上述两个优化目标，通过下式(8)和(9)所示每层参数的梯度对算法进行优化：
[0035][0036][0037]其中：L
i
为第i个去噪通道的损失，为第i个和提议通道的损失；
[0038]新数据去噪预测：基于训练所得去噪模型对新输入的数据信号进行去噪处理，首先判断该数据所属聚类，然后对相应的去噪数据进行预测。
[0039]在一些实施方式中，所述对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗，包括：
[0040]参数初始化：定义布谷鸟种群规模N
p
，最大迭代次数Max；随机初始化鸟窝的位置和鸟群中每个布谷鸟个体的位置并计算其适应度；
[0041]根据莱维飞行更新布谷鸟个体和相应鸟窝位置并计算更新后的适应度值；
[0042][0043]ξ＝ξ0(x
j,k
‑
x
i,k
)
ꢀꢀ
(11)
[0044]L(β)＝s
×
(x
k
‑
x
best,k
)
ꢀꢀ
(12)
[0045]其中：x
i,k
为布谷鸟个体i在迭代时刻k的位置，ξ为迭代步长系数，ξ0为步长控制量，L(β)为莱维分布，s是服从参数的莱维分布随机数，x
best,k
为当前最优解；
[0046]根据上一步计算所得位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增强卷积去噪算法的风电机组数据清洗方法，其特征在于，所述方法包括：基于SCADA系统，采集风电机组的风电数据；对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类；对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪；对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗。2.根据权利要求1所述的方法，其特征在于，所述基于SCADA系统，采集风电机组的风电数据，包括：以T为采样间隔获取风电机组运行过程中的n个可测变量的N组实际运行数据存入所述SCADA系统，采样数据需尽可能包含风机在不同环境条件、时间尺度、服役时长下的运行请况；通过主元法筛选所述SCADA系统中各变量数据，最终得到待清洗的m个变量作为数据清洗过程的输入变量{x1,x2,
…
,x
m
}。3.根据权利要求1所述的方法，其特征在于，所述对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类，包括：定义如下目标函数(1)：其中：α为加权模糊性参数，C为聚类数，x
c
为聚类中心，为输入X
i
相对聚类C的隶属度：随机初始化x
c
并通过下式(3)计算μ
ic
：采用下式(4)更新聚类中心向量x
c
：采用下式(5)计算适应度函数增量：当Δ小于一个小的预设常值ε时，迭代过程结束，得到全部聚类。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪，包括：训练数据集的获取：任选一个聚类中数据X
i
，基于均值为0，方差为σ2的高斯分布随机生成高斯噪声与X
i
各项相加得到带有噪声的数据信号即然后对其余所有聚类重复上述操作，得到包含C个含噪声的聚类的数据集所构建的方法由路径网络结构相同的去噪通道和提议通道基网络构成；其中去噪通道主要用于训练去噪模型，拟合提议通道则通过基于X
i
的编码
‑
解码，生成隐藏层的辅助监督信息，以达到增强原有卷积神经网络性能的效果；假设每个基网络f(
·
)由L个隐藏层组成，其中去噪通道和提议通道的网络参数分别表示为Θ＝{θ1，θ2，
…
，θ
L
}和第i层前的全部网络参数简记为Θ1→
i
＝Θ
i
和Φ1→
i
＝Φ
i
；采用下式(6)进行提议通道训练：基于上式(6)求得最优解Φ
*
，然后定义损失函数训练去噪通道模型，如下式(7)：其中：Ω代表根据上述最优解Φ
*
计算得到的隐藏层索引集合，为第j层的建议损失；上式求得的最优解记为Θ
*
；增强卷积去噪模型的训练：基于上述两个优化目标，通过下式(8)和(9)所示每层参数的梯度对算法进行优化：的梯度对算法进行优化：其中：L
i
为第i个去噪通道的损失，为第i个和提议通道的损失；新数据去噪预测：基于训练所得去噪模型对新输入的数据信号进行去噪处理，首先判断该数据所属聚类，然后对相应的去噪数据进行预测。5.根据权利要求1至3任一项所述的方法，其特征在于，所述对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗，包括：参数初始化：定义布谷鸟种群规模N
p
，最大迭代次数Max；随机初始化鸟窝的位置和鸟群中每个布谷鸟个体的位置并计算其适应度；根据莱维飞行更新布谷鸟个体和相应鸟窝位置并计算更新后的适应度值；
ξ＝ξ0(x
j，k
‑
x
i，k
)
ꢀꢀ
(11)L(β)＝s
×
(x
k
‑
x
best，k
) (12)其中：x
i，k
为布谷鸟个体i在迭代时刻k的位置，ξ为迭代步长系数，ξ0为步长控制量，L(β)为莱维分布，s是服从参数的莱维分布随机数，x
best，k
为当前最优解；根据上一步计算所得位置更新后的适应度确定当前的最优解，并通过贪婪选择更新全局最优解，并记录当前鸟窝位置；判断是否达到最大迭代次数Max或满足其他终止条件，若满足则输出并记录待辨识的数据关系模型的参数；否则，执行上述步骤继续寻优；将风电机组运行数据输入辨识所得模型，结合...

【专利技术属性】
技术研发人员：麻红波，杨继明，张澈，曹利蒲，陈岩磊，王传鑫，王军，田长风，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：