【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种基于时序预测的风电机组运行异常预警方法。
技术介绍
1、风电机组是指多台风力发电机组成的发电设备系统，利用风能产生清洁能力，具备环保、可再生与低排放的特点；由于风电机组运行工作时的异常情况会对风电机组的安全和可靠性造成影响，未能及时检测或延时发现的设备故障可能导致更大范围的损失，因此及时对风电机组的运行数据进行监测非常关键。
2、对于含有噪声数据的时序监测数据通常使用时序拟合处理方法进行曲线拟合，生成符合风电机组运行状态的趋势变化特征，根据趋势变化对风电机组的运行状态进行预警。时序拟合处理方法通常使用现有的加权移动平均算法，主要思想为利用过去一段时间内的数据估计未来数值，平滑时序数据并捕捉到长期趋势和周期性变化。但该算法在拟合过程中难以区分异常数据和噪声数据，导致异常数据的特征被削弱；难以突出风电机组的异常运行特征，影响风电机组的运行状态预警准确性。
技术实现思路
1、为了解决上述通过加权移动平均算法对时序监测数据的拟合难以突出风电机组的异常运行特征，导致预警准确性低的技术问题，本专利技术的目的在于提供一种基于时序预测的风电机组运行异常预警方法，所采用的技术方案具体如下：
2、获取监测风电机组的运行状态时间序列；根据运行状态时间序列中的状态时刻与相邻状态时刻之间的差异特征获得状态时刻的邻域状态差异值；
3、根据运行状态时间序列的预设拟合窗口中的所述邻域状态差异值的分布特征获得整体状态差异值；根据所述邻域状态差异
4、根据疑似异常状态点所在的预设拟合窗口中的数据差异特征获得疑似异常状态点的偏离程度；根据疑似异常状态点所在的预设拟合窗口中其他疑似异常状态点的数量特征获得疑似异常状态点的邻域异常频率；根据疑似异常状态点的所述偏离程度和所述邻域异常频率获得异常置信度和最终异常状态点；
5、根据所述最终异常状态点和加权移动平均算法获得自适应权重和拟合预测序列；根据所述拟合预测序列监测风电机组运行状态。
6、进一步地，所述根据运行状态时间序列中的状态时刻与相邻状态时刻之间的差异特征获得状态时刻的邻域状态差异值的步骤包括：
7、计算所述状态时刻与相邻状态时刻之间的数据差值绝对值，获得状态时刻的所述邻域状态差异值。
8、进一步地，所述根据运行状态时间序列的预设拟合窗口中的所述邻域状态差异值的分布特征获得整体状态差异值的步骤包括：
9、计算运行状态时间序列的预设拟合窗口中的所述邻域状态差异值的平均值，获得预设拟合窗口的所述整体状态差异值。
10、进一步地，所述根据所述邻域状态差异值与所述整体状态差异值的差异特征获得状态时刻的疑似异常状态指数和疑似异常状态点的步骤包括：
11、对于所述预设拟合窗口中的任意状态时刻，计算预设拟合窗口中的所述任意状态时刻的邻域状态差异值与所述整体状态差异值的差值并负相关映射，获得差异表征值；计算预设常数与所述差异表征值的差值，获得所述任意状态时刻的所述疑似异常状态指数；当所述疑似异常状态指数超过预设阈值时，所述任意状态时刻为疑似异常状态点。
12、进一步地，所述根据疑似异常状态点所在的预设拟合窗口中的数据差异特征获得疑似异常状态点的偏离程度的步骤包括：
13、计算所述疑似异常状态点所在的预设拟合窗口中所有状态时刻的数值平均值，获得疑似异常状态点的窗口表征值；计算疑似异常状态点的数值与所述窗口表征值的差值绝对值并归一化，获得疑似异常状态点的所述偏离程度。
14、进一步地，所述根据疑似异常状态点所在的预设拟合窗口中其他疑似异常状态点的数量特征获得疑似异常状态点的邻域异常频率的步骤包括：
15、计算疑似异常状态点所在的预设拟合窗口中其他疑似异常状态点与预设拟合窗口的数量比值并负相关映射，获得疑似异常状态点的邻域异常频率。
16、进一步地，所述根据疑似异常状态点的所述偏离程度和所述邻域异常频率获得异常置信度和最终异常状态点的步骤包括：
17、计算预设第一系数和所述偏离程度的乘积，获得第一置信度；计算预设第二系数和所述邻域异常频率的乘积，获得第二置信度；计算所述第一置信度和所述第二置信度的和值，获得疑似异常状态点的异常置信度；当所述异常置信度超过预设异常阈值时，所述疑似异常状态点为最终异常状态点。
18、进一步地，所述根据所述最终异常状态点和加权移动平均算法获得自适应权重和拟合预测序列的步骤包括：
19、根据加权移动平均算法获得所述状态时刻的预设拟合窗口中不同的拟合权重，计算预设拟合窗口中所述最终异常状态点的拟合权重和预设第一常数的乘积，获得最终异常状态点的自适应权重；根据加权移动平均算法、拟合权重和自适应权重获得所述状态时刻的拟合值，根据状态时刻的拟合值获得拟合预测序列。
20、本专利技术具有如下有益效果：
21、在本专利技术实施例中，获取状态时刻的邻域状态差异值能够表征相邻状态时刻之间的差异特征和整体状态差异值，进而通过邻域状态差异值确定状态时刻是否为疑似异常状态指数和疑似异常状态点，提高了最终数据拟合的准确性。获得疑似异常状态点的偏离程度和邻域异常频率能够进一步确定是否为异常数据，确定最终异常状态点，提高最终数据拟合的准确性。获得最终异常状态点的自适应权重能够对异常数据进一步缩放，凸显数据拟合后的异常数据特征。最终获得拟合预测序列，提高了数据拟合的准确性以及凸显异常数据特征；根据拟合预测序列监测风电机组运行状态，提高了风电机组运行状态预警的准确性。
本文档来自技高网...【技术保护点】
1.一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据运行状态时间序列中的状态时刻与相邻状态时刻之间的差异特征获得状态时刻的邻域状态差异值的步骤包括：
3.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据运行状态时间序列的预设拟合窗口中的所述邻域状态差异值的分布特征获得整体状态差异值的步骤包括：
4.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据所述邻域状态差异值与所述整体状态差异值的差异特征获得状态时刻的疑似异常状态指数和疑似异常状态点的步骤包括：
5.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据疑似异常状态点所在的预设拟合窗口中的数据差异特征获得疑似异常状态点的偏离程度的步骤包括：
6.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据疑似异常状态点所在的
7.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据疑似异常状态点的所述偏离程度和所述邻域异常频率获得异常置信度和最终异常状态点的步骤包括：
8.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据所述最终异常状态点和加权移动平均算法获得自适应权重和拟合预测序列的步骤包括：
...【技术特征摘要】
1.一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据运行状态时间序列中的状态时刻与相邻状态时刻之间的差异特征获得状态时刻的邻域状态差异值的步骤包括：
3.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据运行状态时间序列的预设拟合窗口中的所述邻域状态差异值的分布特征获得整体状态差异值的步骤包括：
4.根据权利要求1所述的一种基于时序预测的风电机组运行异常预警方法，其特征在于，所述根据所述邻域状态差异值与所述整体状态差异值的差异特征获得状态时刻的疑似异常状态指数和疑似异常状态点的步骤包括：
5.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：马少立，李桂民，
申请(专利权)人：深圳前海慧联科技发展有限公司，
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。