【技术实现步骤摘要】
本专利技术涉及风电机组领域，具体涉及一种基于lstm自动编码器的风力发电机组异常检测方法。
技术介绍
1、随着风电平价时代的到来，主机厂和运营方都面临巨大的成本压力。同时，随着机组的大型化和海上风电的大力发展，单台机组故障所带来损失也越来越难以承受。这就对机组的稳定运行提出了更高要求。而机组的早期异常识别就成为重要的降本手段之一。
2、自动编码器是一种无监督学习模型，用于学习输入数据的低维表示。它由编码器和解码器两部分组成，其中编码器将输入数据映射到一个隐藏层表示，解码器则将隐藏层表示映射回原始输入空间。而lstm自动编码器则是在编码器和解码器的网络结构中引入了lstm单元，以增强模型对序列数据的建模能力。传统的主控、监控系统基于固定阈值的报警监测手段，不能针对单台机组给出定制化的报警参数，也无法有效识别早期异常。
技术实现思路
1、本专利技术目的在于：针对上述存在的问题，提供一种基于lstm自动编码器的风力发电机组异常检测方法。
2、本专利技术采用的技术方案如下：
3、一种基于lstm自动编码器的风力发电机组异常检测方法，包括以下步骤：
4、s1：通过前端设备获取需要的风电机组数据，并对其进行处理；
5、s2：基于lstm搭建自动编码器，使用筛选和处理后的数据训练模型，训练好的模型在训练集上形成一组重构误差；
6、s3：将实际数据送入训练好的模型，同样得到重构误差，与步骤s2中得到的重构误差进行比较，从而判断
7、进一步的，步骤s1中首先确定想要进行异常识别的部件或变量，通过经验和相关性分析选择与被检测对象相关的若干变量。
8、进一步的，步骤s1中利用单台机组刚投运一年的运行数据。
9、进一步的，运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据。
10、进一步的，步骤s1中根据不同研究对象的特性，选定时间窗口，须保证一个时间序列数据段内时间连续，将连续时间内的数据制作成时间序列集合。
11、进一步的，步骤s2模型训练中网络层数、每层包含的神经元数，迭代次数作为优化参数，基于大量案例数据搜寻最佳网络参数组合。
12、进一步的，步骤s2中将训练集上的重构误差进行排序，选择前1％和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界。
13、进一步的，步骤s3中当前重构误差小于初级异常边界值，则认为状态正常；若大于初级异常但小于严重异常边界，则认为存在初级异常；若大于严重异常边界，则认为存在严重隐患，应尽快安排现场检查处理。
14、进一步的，一种基于lstm自动编码器，包括：
15、数据预处理模块：用于获取风电机组运行数据，并对其进行预处理；
16、编码器构建模块：用于构建并训练基于lstm的编码器；
17、重构误差进行对照模块：用于将实际重构误差与训练集上的重构误差进行比较。
18、进一步的，包括存储器和处理器；存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现如权利要求1-8任一项的一种基于lstm自动编码器的风力发电机组异常检测方法。
19、综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
20、1、本专利技术适用于目前大部分风电机组系统，可以差异化且直观地对每一台机组各部件进行状态评估和早期异常检测；
21、2.本专利技术可以提前发现设备早期异常，如果能及时处理，将能有效减少机组故障停机、减少大部件下架带来的巨大损失；
22、3本专利技术基于大数据和简单机理的时序数据关联性分析思路，扩展性较好，不同品牌的的机组均可使用本方法。
本文档来自技高网...【技术保护点】
1.一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：包括以下步骤：
2.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S1中首先确定想要进行异常识别的部件或变量，通过经验和相关性分析选择与被检测对象相关的若干变量。
3.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S1中利用单台机组刚投运一年的运行数据。
4.根据权利要求3中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据。
5.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S1中根据不同研究对象的特性，选定时间窗口，须保证一个时间序列数据段内时间连续，将连续时间内的数据制作成时间序列集合。
6.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S2模型训练中网
7.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S2中将训练集上的重构误差进行排序，选择前1％和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界。
8.根据权利要求7中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤S3中当前重构误差小于初级异常边界值，则认为状态正常；若大于初级异常但小于严重异常边界，则认为存在初级异常；若大于严重异常边界，则认为存在严重隐患，应尽快安排现场检查处理。
9.一种基于LSTM自动编码器，其特征在于：包括：
10.根据权利要求9中所述的一种基于LSTM自动编码器，其特征在于：包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-8任一项所述的一种基于LSTM自动编码器的风力发电机组异常检测方法。
...【技术特征摘要】
1.一种基于lstm自动编码器的风力发电机组异常检测方法，其特征在于：包括以下步骤：
2.根据权利要求1中所述的一种基于lstm自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤s1中首先确定想要进行异常识别的部件或变量，通过经验和相关性分析选择与被检测对象相关的若干变量。
3.根据权利要求1中所述的一种基于lstm自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤s1中利用单台机组刚投运一年的运行数据。
4.根据权利要求3中所述的一种基于lstm自动编码器的风力发电机组异常检测方法，其特征在于：所述运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据。
5.根据权利要求1中所述的一种基于lstm自动编码器的风力发电机组异常检测方法，其特征在于：所述步骤s1中根据不同研究对象的特性，选定时间窗口，须保证一个时间序列数据段内时间连续，将连续时间内的数据制作成时间序列集合。
6.根据权利要求1中所述的一种基于lstm自动编码器的风力发电机组异常检测方法，...
【专利技术属性】
技术研发人员：程远建，高若愚，王斌，张世杰，安煌，
申请(专利权)人：东方电气新能科技成都有限公司，
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。