System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及异常数据识别,特别涉及一种海上风电异常功率数据自动识别方法及系统。
技术介绍
1、随着物联网技术、大数据技术的飞速发展,通过多个传感器记录海上发电机组的工作状态指标,并通过服务器集群实时处理这些海量状态数据已经成为了可能。对海量实时数据进行挖掘和分析,从数据中探索设备运行状态的规律,能够一定程度上帮助监控风电机组运行状态,进而及时排除故障,降低资产损失,保障电网安全。
2、在数据挖掘领域中,异常值检测作为最重要的研究课题之一,对数据分析及模式识别来说非常重要。在风力发电机的运行过程中产生的数据序列,可以根据风速的不同分为三类。1)风速上升阶段:风速按某一斜率升高,当超过切入风速后,风机输出功率也随着风速升高;2)风力短期暂降:风速在某一时刻出现突然下降,并立即回升,风机输出功率出现短期的下降并在不久后回到正常状态;3)阵风:风速在某一时刻突然上升后回降,风机输出功率出现突然的上升后回到正常状态。
3、目前对于海上风电机组的数据异常检测与预警的研究较少,存在数据处理过于粗糙,不够准确等问题。于傲等(专利公布号cn 116975532 a):提出了一种处理多弃风情况下的风机异常数据清洗方法及装置,但该方法没有结合深度学习模型,无法对未来数据进行预测。陶永辉和王勇(doi:10.19652/j.cnki.femt.2304738)基于改进的k-means方法对风电机异常数据进行检测,但未考虑数据清洗及标注。
4、当前对时序数据的异常检测主要有以下缺点:1)当前的异常值识别模型主要是单一
技术实现思路
1、本专利技术要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供一种海上风电功率异常数据自动标注方法及系统,以达到提高数据准确性的目的。
2、为此,本专利技术采取以下技术方案。
3、一种海上风电异常功率数据自动识别方法,包括;
4、数据采集,对隶属区域海上风电数据进行采集汇总,获得海上风电实时数据集,其中,所述海上风电实时数据集包括风力风速监测数据、电站功率监测数据和气象观测数据;
5、异常数据标注,采用多种异常数据识别模型对海上风电实时数据集进行异常数据类型识别并自动标注;
6、数据清洗,对所述海上风电数据集进行数据清洗,基于标记对异常数据进行修正或剔除操作;
7、数据库扩充,将标注、清洗之后的数据输入到历史数据库中,对历史数据库进行扩充;
8、深度学习模型训练,采用历史数据库中数据进行多个深度学习模型的训练,获得对应异常值预测模型;多个深度学习模型包括lstm模型、cnn模型、rnn模型、gru模型、transformer模型、informer模型以及多元模型;
9、异常值自动识别,将采集到的实时数据异常标注、清洗后作为异常值预测模型的输入特征,获取各深度学习模型的预测结果,确定各个深度学习模型的权重占比,并根据所述权重对预测结果进行加权平均计算以获得该预测结果异常的概率值,然后判断所述概率值是否达到预警阈值,若是,则发出预警,若否,则不发出预警。
10、优选地,各个深度学习模型的权重占比确定步骤如下:
11、(1)随机初始化,在开始训练模型之前,需要对权重进行随机初始化;使用从均值为0,方差为1的正态分布中随机选择的值;
12、(2)预训练权重,预训练权重用于加快训练速度和提高模型的泛化能力,预训练的权重来自之前已经训练好的模型;
13、(3)学习率调整,用于帮助模型更快地收敛,根据训练过程中的性能来动态调整学习率;
14、(4)正则化,用于帮助控制权重的大小,防止过拟合。
15、优选地,所述所述异常数据识别模型包括通用规范特征学习和依赖异常测量的特征学习两类,所述通用规范特征学习包括自编码器、生成对抗网络、预测性建模和自监督分类器等四种通用规范特征学习模型;
16、依赖异常测量的特征学习包括基于距离测算模型、单分类测算模型和基于聚类测算模型。
17、优选地,所述数据清洗主要包括剔除停机点的数据、剔除离群点的数据、修正错误数据和检查标记数据类型是否正确。
18、优选地,所述异常数据类型基于shapelet函数来定义产生的三种异常类型,包括异常的局部子序列、异常周期性的的局部子序列和异常趋势的局部子序列;
19、异常的局部子序列:
20、异常的局部子序列是指基本单元与正常单元不同的子序列,其中,s是衡量两个子序列之间相似性的函数,是待检测子序列的基本形状单元,ρ(.)为正常子序列的基本形状单元,δ为阈值;
21、异常周期性的局部子序列:
22、异常周期性的局部子序列是指与整体周期性相比具有异常周期性的子序列,它们具有相似的基本形状单元和趋势,但周期性明显不同,其中,是待检测子序列的周期性规律,ω为正常子序列的周期性规律,δ为阈值;
23、异常趋势的局部子序列:
24、异常趋势的局部子序列表示明显改变时间序列趋势的子序列,导致数据均值的永久性偏移,这类离群值保留了正常的基本形状单元和周期性,但趋势的斜率发生了剧烈变化,其中,是待检测子序列的趋势函数,τ(.)是描述正常子序列总体方向的趋势函数。
25、一种海上风电异常功率数据自动识别方法的系统,包括:
26、数据采集模块,用于对隶属区域海上风电数据进行采集汇总,获得海上风电实时数据集,其中,所述海上风电实时数据集包括风力风速监测数据、电站功率监测数据和气象观测数据;
27、异常数据标注模块,用于采用多种异常数据识别模型对海上风电实时数据集进行异常数据类型识别并自动标注;
28、数据清洗模块,用于对所述海上风电数据集进行数据清洗,基于标记对异常数据进行修正或剔除操作;
29、数据库扩充模块,用于将标注、清洗之后的数据输入到历史数据库中,对历史数据库进行扩充;
30、深度学习模型训练模块,用于采用历史数据库中数据进行多个深度学习模型的训练,获得对应异常值预测模型;多个深度学习模型包括lstm模型、cnn模型、rnn模型、gru模型、transformer模型、informer模型以及多元模型;
31、异本文档来自技高网...
【技术保护点】
1.一种海上风电异常功率数据自动识别方法,其特征在于,包括:
2.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于,各个深度学习模型的权重占比确定步骤如下:
3.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于:所述所述异常数据识别模型包括通用规范特征学习和依赖异常测量的特征学习两类,所述通用规范特征学习包括自编码器、生成对抗网络、预测性建模和自监督分类器等四种通用规范特征学习模型;
4.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于:所述数据清洗主要包括剔除停机点的数据、剔除离群点的数据、修正错误数据和检查标记数据类型是否正确。
5.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于:所述异常数据类型基于shapelet函数来定义产生的三种异常类型,包括异常的局部子序列、异常周期性的的局部子序列和异常趋势的局部子序列;
6.应用权利要求1-5任一所述的一种海上风电异常功率数据自动识别方法的系统,其特征在于:
【技术特征摘要】
1.一种海上风电异常功率数据自动识别方法,其特征在于,包括:
2.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于,各个深度学习模型的权重占比确定步骤如下:
3.根据权利要求1所述的一种海上风电异常功率数据自动识别方法,其特征在于:所述所述异常数据识别模型包括通用规范特征学习和依赖异常测量的特征学习两类,所述通用规范特征学习包括自编码器、生成对抗网络、预测性建模和自监督分类器等四种通用规范特征学习模型;
4.根据权利要求...
【专利技术属性】
技术研发人员:林信,蒙文川,于明,杨再敏,周春丽,周恒旺,饶志,潘珍,罗启登,覃晖,唐彬,梁沁沁,黄丽娟,黎立丰,李爽,王冰林,
申请(专利权)人:广西电网有限责任公司,
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。