【技术实现步骤摘要】
基于深度表示的风电机组异常检测方法
[0001]本专利技术属于风电机异常检测
,具体涉及基于深度表示的风电机组异常检测方法。
技术介绍
[0002]风电机组监控与数据采集(SCADA)系统已经开发了许多智能故障诊断模型,以便有效、准确地处理大量SCADA数据。然而,在这些研究中有一个被忽视的问题,即SCADA数据分布不均衡,异常数据挖掘不足,正常数据的数量远大于异常数据的数量,异常状态信息很容易被正常状态信息淹没,这使得这些模型往往偏向于大多数类别,异常点的检测能力相当弱,导致故障诊断的准确性较差。
技术实现思路
[0003]为解决现有技术中存在的技术问题,本专利技术的目的在于提供基于深度表示的风电机组异常检测方法。
[0004]为实现上述目的,达到上述技术效果,本专利技术采用的技术方案为:
[0005]基于深度表示的风电机组异常检测方法,主要用于风电机组的运行状态监测,首先利用设计的双锚钉损失函数对神经网络进行训练,提取出有效划分正常与异常区域的深度特征表示,最后,利用K近邻方法进行异常检测。
[0006]基于深度表示的风电机组异常检测方法,具体包括以下步骤:
[0007]步骤一、提取SCADA数据变量,包含:风速,风向角,有功功率,风电机转速,桨距角,桨距角直流电,机舱温度,变桨电机温度;
[0008]步骤二、对异常数据与正常数据进行标注,并对异常数据进行重采样;
[0009]步骤三、设计神经网络;
[0010]步骤四、设计新的双锚钉损 ...
【技术保护点】
【技术特征摘要】
1.基于深度表示的风电机组异常检测方法,其特征在于,首先利用设计的双锚钉损失函数对神经网络进行训练,提取出有效划分正常与异常区域的深度特征表示,最后,利用K近邻方法进行异常检测。2.根据权利要求1所述的基于深度表示的风电机组异常检测方法,其特征在于,包括以下步骤:步骤一、提取SCADA数据变量,包含:风速,风向角,有功功率,风电机转速,桨距角,桨距角直流电,机舱温度,变桨电机温度;步骤二、对异常数据与正常数据进行标注,并对异常数据进行重采样;步骤三、设计神经网络;步骤四、设计新的双锚钉损失函数,利用设计的双锚钉损失函数对神经网络进行训练,提取出有效划分正常与异常区域的深度特征表示;步骤五、利用K近邻方法进行风电机组异常检测。3.根据权利要求2所述的基于深度表示的风电机组异常检测方法,其特征在于,步骤一中,提取SCADA数据变量的步骤包括:利用互信息技术对SCADA数据多维变量进行特征选择,选取与发电机异常状态最相关变量作为之后用于异常检测的特征;两个离散事件X、Y的互信息(MI)定义为:其中,p(x,y)表示X、Y的联合概率分布,p1(x)表示X的独立概率分布,p2(y)表示Y的独立概率分布;在风电系统中,设输入特征为Xm,输出特征为Y,对输入特征和输出特征作如下处理:第一步:把输入特征Xm和输出特征Y进行从小到大排序;第二步:把最大的三分之一归为2,最小的三分之一归为0,中间的三分之一归为1。这样处理后每个输入特征和输出特征只有3种可能取值,其独立概率分布和联合概率分布就很容易能找到;第三步:在第二步后每个特征可能取值的独立概率分布都是1/3,输入输出特征之间的联合概率分布如下:联合概率分布如下:其中,i,j=0、1、2;L为样本总数;l为第l个样本;第四步:计算输入输出特征的互信息,处理后互信息MI的计算公式为:这样就使得样本的计算维数大大降低,便能计算出输入输出之间的互信息。采用公式
(4)对SCADA高维变量特征筛选,设置关联度阈值为0.05,低于阈值下的特征集将被去除。经互信息处理后,提取的特征包含:风速,风向角,有功功率,风电机转速,桨距角,桨距角直流电,机舱温度,变桨电机温度。4.根据权利要求2所述的基于深度表示的风电机组异常检测方法,其特征在于,步骤二中,对异常数据与正常数据进行标注,并对异常数据进行重采样的步骤包括:首先构造训练集,将选取的特征作为神经网络模型的输入,神经网络模型的输出需要进行标注,根据SCADA数据的报警与故障信息进行异常值的标注,其余为正常值,由...
【专利技术属性】
技术研发人员:杨继明,翁存兴,刘鹏,张澈,王传鑫,刘聪,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。