基于大数据特征提取的海上风电机组监测数据处理方法技术

本发明专利技术公开了一种基于大数据特征提取的海上风电机组监测数据处理方法，包括步骤：S1：将海上风电机组的实时监测数据分为振动类、机械类、电气类、环境类监测数据四种；S2：对数据进行预处理，将振动类监测数据和电气类监测数据进行融合，得到振动

【技术实现步骤摘要】
基于大数据特征提取的海上风电机组监测数据处理方法


[0001]本专利技术涉及风力发电
，具体涉及一种基于大数据特征提取的海上风电机组监测数据处理方法。

技术介绍

[0002]由于海上气候条件相对陆上更加恶劣，海上风电机组故障率更高，运维成本也更大，尽早发现故障是降低运维成本的关键。如今，每台海上风电机组上均装有丰富监测装置，可以采集大量的监测数据。这些监测数据中往往隐含着风力发电机组健康状态，通过对这些监测数据进行分析，可以筛查出海上风电机组的早期故障，便于海上风电机组的运维。
[0003]现有的，公开号为CN114564981A的中国专利技术申请公开了一种用于风电机组特征信号提取的改进变分模态分解方法，根据信号经变分模态处理后得到的固有模态函数的特性，从相关系数，波峰幅值和中心频率这三个方面确定最优分解参数，提升了准确性和可靠性。公告号为CN106682814B的中国专利技术专利公开了一种基于故障知识库的风电机组故障智能诊断方法，利用风电场故障知识库构建故障识别模型，对风电机组故障进行智能诊断，避免了风电场维护人员不具备专家经验时无法正确识读风电机组监测信息的弊端。
[0004]然而，现有的监测处理方法未对监测数据进行有效的分类，没有精准分析风电机组的运行特征。往往无法有效提取海量监测数据的特征，从而无法及时发现海上风电机组的故障，错过故障处理的最佳时机。
[0005]因此，现有技术还有待于改进和发展。

技术实现思路

[0006]本专利技术提供一种基于大数据特征提取的海上风电机组监测数据处理方法，旨在于解决现有风电机组的监测处理方法未能够对监测数据进行有效的分类，以及不能准确识别出海上风电机组的早期故障的技术问题。
[0007]本专利技术的目的通过以下技术方案实现：本专利技术提供一种基于大数据特征提取的海上风电机组监测数据处理方法，其特征在于，具有如下步骤：S1：为精准分析风电机组的运行特征，将海上风电机组的实时监测数据分为振动类监测数据、机械类监测数据、电气类监测数据和环境类监测数据；S2：根据拉伊达准则剔除异常数据，并对振动监测数据进行去噪；将振动类监测数据和电气类监测数据进行融合，得到振动
‑
电气融合监测数据；S3：根据主成分分析法分别对机械类监测数据、环境类监测数据和振动
‑
电气融合监测数据进行降维，并将降维后的三种数据进行融合，得到风电机组融合监测数据；S4：针对S3得到的风电机组融合监测数据，采用基于主成分分析的特征重构模型对融合的数据特征进行重构，判断重构误差是否超过阈值，若超过，则判定为故障状态，否则为正常状态。
[0008]进一步地，在步骤S2中，采用拉伊达准则判定异常数据，即根据以下公式分别计算出样本数据的平均值和标准差：出样本数据的平均值和标准差：其中，n为样本数，为第i种监测数据第j个样本的输入特征，为第i种监测数据的均值，为第i种监测数据的标准差；若满足以下公式，则视为异常数据进行剔除，否则视为正常数据：。
[0009]进一步地，在步骤S2中，针对振动监测数据，利用经验模态分解分解得到不同频率固有模态函数，并筛选出能够表征故障特征频率的固有模态函数，以重构故障特征信号突出故障特征，再利用自相关分析去除重构信号中噪声的影响。
[0010]进一步地，在步骤S3中，采用主成分分析法，分别保留使得累计贡献率大于或等于95%的前、和个特征向量，从而将机械类监测数据、环境类监测数据和振动
‑
电气融合监测数据分别降至、和维。
[0011]进一步地，在步骤S4中， 根据已有的包含正常状态和故障状态的风电机组融合监测数据，训练基于主成分分析的特征重构模型。将已有风电机组融合监测数据分为训练集和测试集，其中80%的正常状态的风电机组融合数据作为训练集，剩余20%的正常状态的风电机组融合数据和故障状态的风电机组融合数据作为测试集。
[0012] 进一步地，在步骤S4中， 采用主成分分析法，对训练集进行降维，保留使得累计贡献率大于或等于95%的前个特征向量，构成矩阵。根据以下公式对特征进行重构：其中，为风电机组融合监测数据的输入特征矩阵，为重构后的风电机组融合监测数据的特征矩阵。
[0013]进一步地，步骤S4中，重构误差采用以下公式进行计算：其中，为风电机组融合监测数据的维数，为第h种风电机组融合监测数据的输入特征，为重构后的第h种风电机组融合监测数据的输入特征，为重构误差。
[0014]进一步地，步骤S4中，重构误差的阈值采用以下公式进行确定：
其中，为重构误差阈值，为训练集平均重构误差，为训练集重构误差的标准差。
[0015]本专利技术提出了一种基于大数据特征提取的海上风电机组监测数据处理方法，将海上风电机组的实时监测数据分为振动类监测数据、机械类监测数据、电气类监测数据和环境类监测数据四种，分别进行预处理，以便于对风电机组的特性精确的分析；将振动类监测数据和电气类监测数据进行融合，得到振动
‑
电气融合监测数据，从而更好的表征风电机组的振动特性，便于发现振动类故障；根据主成分分析法分别对机械类监测数据、环境类监测数据和振动
‑
电气融合监测数据进行降维，剔除冗余的数据特征，并将降维后的三种数据进行融合；针对融合后的数据，采用基于主成分分析的特征重构模型对融合的数据特征进行重构，并根据重构误差判断是否存在故障。本专利技术中对监测数据的处理，可以有效的提取风电机组中振动类、机械类、电气类、环境类数据的特征，从而能够准确识别出海上风电机组的早期故障，降低海上风电机组运维成本。
附图说明
[0016]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0017]图1是本专利技术的流程图。
具体实施方式
[0018]下面将结合说明书附图和实施例，对本专利技术中的技术方案进行完整、清楚地描述，显然，所述实施例仅仅是本专利技术一部分实施例，本专利技术的保护范围不局限于所述实施例。
[0019]结合图1所示，本专利技术提供一种基于大数据特征提取的海上风电机组监测数据处理方法，其包括如下步骤：S1：为精准分析风电机组的运行特征，将海上风电机组的实时监测数据分为振动类监测数据、机械类监测数据、电气类监测数据和环境类监测数据。
[0020] S2：根据拉伊达准则剔除异常数据，并对振动监测数据进行去噪；将振动类监测数据和电气类监测数据进行融合，得到振动
‑
电气融合监测数据。
[0021]具体地，分别对振动类监测数据、机械类监测数据、电气类监测数据和环境类监测数据进行预处理，采用拉伊达准则剔除异常数据。根据以下公式分别计算出四类数据各个特征量的平均值和标准差：
其中，n为样本数，为第i种监测数据第j个样本的输入特征，为第i种监测数据的均值，为第i种监测数据的标准差；若满足以下公式，则视为异常数据进行剔除，否本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据特征提取的海上风电机组监测数据处理方法，其特征在于，具有如下步骤：S1：为精准分析风电机组的运行特征，将海上风电机组的实时监测数据分为振动类监测数据、机械类监测数据、电气类监测数据和环境类监测数据；S2：根据拉伊达准则剔除异常数据，并对振动监测数据进行去噪；将振动类监测数据和电气类监测数据进行融合，得到振动
‑
电气融合监测数据；S3：根据主成分分析法分别对机械类监测数据、环境类检测数据和振动
‑
电气融合监测数据进行降维，并将降维后的三种数据进行融合，得到风电机组融合监测数据；S4：针对S3得到的风电机组融合监测数据，采用基于主成分分析的特征重构模型对融合的数据特征进行重构，判断重构误差是否超过阈值，若超过，则判定为故障状态，否则为正常状态。2.如权利要求1所述的基于大数据特征提取的海上风电机组监测数据处理方法，其特征在于，在步骤S2中，采用拉伊达准则判定异常数据，即根据以下公式分别计算出样本数据的平均值和标准差：的平均值和标准差：其中，n为样本数，为第i种监测数据第j个样本的输入特征，为第i种监测数据的均值，为第i种监测数据的标准差；若满足以下公式，则视为异常数据进行剔除，否则视为正常数据：。3.如权利要求1所述的基于大数据特征提取的海上风电机组监测数据处理方法，其特征在于，在步骤S2中，针对振动监测数据，利用经验模态分解分解得到不同频率固有模态函数，并筛选出能够表征故障特征频率的固有模态函数，以重构故障特征信号突出故障特征，再利用自相关分析去除重构信号中噪声的影响。4.如权利要求1所述的基于大数据特征提取的海上风电机组监测数据处理方法，其特...

【专利技术属性】
技术研发人员：杨苹，吴宇航，唐玉烽，刘泽健，郑群儒，吴天文，
申请(专利权)人：深圳华工能源技术有限公司，
类型：发明
国别省市：