风电功率异常数据实时检测方法、系统、设备及介质技术方案

本公开实施例中提供了一种风电功率异常数据实时检测方法、系统、设备及介质，属于数据处理技术领域，具体包括：从风电机组对应的历史风电功率数据中选取正常运行时的目标数据；根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型；采集待检测数据更新所述正常数据结构模型，得到目标检测模型；将所述待检测数据输入所述目标检测模型，得到检测结果。通过本公开的方案，选择正常运行时的数据建立稳定的正常数据结构模型，并学习正常数据的结构以更新模型，然后将得到的目标检测模型对待检测数据进行检测，提高了检测效率、操作便捷性和检测精度。作便捷性和检测精度。作便捷性和检测精度。

【技术实现步骤摘要】
风电功率异常数据实时检测方法、系统、设备及介质


[0001]本公开实施例涉及数据处理
，尤其涉及一种风电功率异常数据实时检测方法、系统、设备及介质。

技术介绍

[0002]目前，数据采集与监视控制系统实时收集来自风电机组(Wind Turbine，简称WT)不同传感器的数据。数据采集与监视控制数据可用于功率曲线建模、风速和功率预测、WT控制和风电场性能评估。数据是否可靠直接影响WT状态的分析和评估。但是，在实际运行过程中，由于测量、传输、控制和弃风等因素的影响，数据采集与监视控制系统总是会采集到大量的异常数据。这些异常数据如果不能及时处理，不仅会影响WT状态的实时分析，还会随时间积累在历史数据中。与其他数据相比，风功率数据在时间上随机性更强，异常数据更难检测。因此，研究相关方法迫在眉睫。
[0003]而目前对风功率数据异常检测的研究主要集中在历史数据上，历史数据包括散点数据和时间序列数据，此类方法对数据集的质量要求较高，对于实时检测异常数据来说，它们的数据成本或检测时间都会大大增加。在对风功率异常数据实时检测的研究不足的情况下，其他领域对异常数据的实时检测进行了一些研究。主流方法是根据数据流的趋势来判断异常数据的偏差，但是当一定时期内数据波动较大时，窗口内的数据分布变得分散，检测性能降低，而且当数据的随机性变大时，可能难以判断高维数据是否异常。
[0004]可见，亟需一种高效便捷且检测精度高的风电功率异常数据实时检测方法。

技术实现思路

[0005]有鉴于此，本公开实施例提供一种风电功率异常数据实时检测方法、系统、设备及介质，至少部分解决现有技术中存在操作复杂，检测效率和精准度较差的问题。
[0006]第一方面，本公开实施例提供了一种风电功率异常数据实时检测方法，包括：
[0007]从风电机组对应的历史风电功率数据中选取正常运行时的目标数据；
[0008]根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型；
[0009]采集待检测数据更新所述正常数据结构模型，得到目标检测模型；
[0010]将所述待检测数据输入所述目标检测模型，得到检测结果。
[0011]根据本公开实施例的一种具体实现方式，所述从风电机组对应的历史风电功率数据中选取正常运行时的目标数据的步骤，包括：
[0012]选取所述历史风电功率数据中的多个特征在对应时刻内的特征值，形成所述目标数据。
[0013]根据本公开实施例的一种具体实现方式，所述根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型的步骤，包括：
[0014]对全部所述目标数据完成分割，得到所述完全随机砍伐树；
[0015]将所述完全随机砍伐树中的左节点设置为0，右节点设置为1，得到所述完全随机砍伐树中全部节点的位置向量；
[0016]计算所述完全随机砍伐树中每层节点对应的深度；
[0017]根据每个所述节点对应的位置向量和深度，计算每个所述节点的索引；
[0018]根据全部所述索引建立和初始化所述正常数据结构模型。
[0019]根据本公开实施例的一种具体实现方式，所述采集待检测数据更新所述正常数据结构模型，得到目标检测模型的步骤，包括：
[0020]从所述正常数据结构模型中选取所述待检测数据对应的兄弟节点；
[0021]计算所述待检测数据与所述兄弟节点之间的特征差；
[0022]根据所述特征差更新所述正常数据结构模型，得到所述目标检测模型。
[0023]根据本公开实施例的一种具体实现方式，所述将所述待检测数据输入所述目标检测模型，得到检测结果的步骤，包括：
[0024]将所述待检测数据进行采样并将采样数据插入所述正常数据结构模型并计算所述目标检测模型的复杂度变化；
[0025]根据所述复杂度变化和变化阈值判断所述待检测数据中的全部数据是否异常，输出所述检测结果。
[0026]根据本公开实施例的一种具体实现方式，所述将所述待检测数据输入所述目标检测模型，得到检测结果的步骤之后，所述方法还包括：
[0027]根据所述检测结果剔除所述待检测数据中的异常数据；
[0028]计算所述正常数据结构模型中与剩余的数据最相似数据的特征差，并根据所述特征差和特征阈值确定是否将剩余的数据保留在所述正常数据结构模型。
[0029]第二方面，本公开实施例提供了一种风电功率异常数据实时检测系统，包括：
[0030]选取模块，用于从风电机组对应的历史风电功率数据中选取正常运行时的目标数据；
[0031]建立模块，用于根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型；
[0032]采集模块，用于采集待检测数据更新所述正常数据结构模型，得到目标检测模型；
[0033]检测模块，用于将所述待检测数据输入所述目标检测模型，得到检测结果。
[0034]第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0035]至少一个处理器；以及，
[0036]与该至少一个处理器通信连接的存储器；其中，
[0037]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的风电功率异常数据实时检测方法。
[0038]第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的风电功率异常数据实时检测方法。
[0039]第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括
存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的风电功率异常数据实时检测方法。
[0040]本公开实施例中的风电功率异常数据实时检测方案，包括：从风电机组对应的历史风电功率数据中选取正常运行时的目标数据；根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型；采集待检测数据更新所述正常数据结构模型，得到目标检测模型；将所述待检测数据输入所述目标检测模型，得到检测结果。
[0041]本公开实施例的有益效果为：通过本公开的方案，选择正常运行时的数据建立稳定的正常数据结构模型，并学习正常数据的结构以更新模型，然后将得到的目标检测模型对待检测数据进行检测，提高了检测效率、操作便捷性和检测精度。
附图说明
[0042]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电功率异常数据实时检测方法，其特征在于，包括：从风电机组对应的历史风电功率数据中选取正常运行时的目标数据；根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型；采集待检测数据更新所述正常数据结构模型，得到目标检测模型；将所述待检测数据输入所述目标检测模型，得到检测结果。2.根据权利要求1所述的方法，其特征在于,所述从风电机组对应的历史风电功率数据中选取正常运行时的目标数据的步骤，包括：选取所述历史风电功率数据中的多个特征在对应时刻内的特征值，形成所述目标数据。3.根据权利要求1所述的方法，其特征在于,所述根据所述目标数据得到完全随机砍伐树，并根据所述完全随机砍伐树建立和初始化所述风电机组的正常数据结构模型的步骤，包括：对全部所述目标数据完成分割，得到所述完全随机砍伐树；将所述完全随机砍伐树中的左节点设置为0，右节点设置为1，得到所述完全随机砍伐树中全部节点的位置向量；计算所述完全随机砍伐树中每层节点对应的深度；根据每个所述节点对应的位置向量和深度，计算每个所述节点的索引；根据全部所述索引建立和初始化所述正常数据结构模型。4.根据权利要求1所述的方法，其特征在于,所述采集待检测数据更新所述正常数据结构模型，得到目标检测模型的步骤，包括：从所述正常数据结构模型中选取所述待检测数据对应的兄弟节点；计算所述待检测数据与所述兄弟节点之间的特征差；根据所述特征差更新所述正常数据结构模型，得到所述目标检测模型。5.根据权利要求4所述的方法，其特征在于,所述将所述待检测数据输入所述目标检测模型，得到检测结果的步骤，包括：将所述待检测数...

【专利技术属性】
技术研发人员：宋冬然，孙铭仁，董密，杨建，孙尧，粟梅，
申请(专利权)人：中南大学，
类型：发明
国别省市：