【技術實現步驟摘要】
本專利技術涉及數據處理，具體涉及一種基于時序預測的風電機組運行異常預警方法。
技術介紹
1、風電機組是指多臺風力發電機組成的發電設備系統，利用風能產生清潔能力，具備環保、可再生與低排放的特點；由于風電機組運行工作時的異常情況會對風電機組的安全和可靠性造成影響，未能及時檢測或延時發現的設備故障可能導致更大范圍的損失，因此及時對風電機組的運行數據進行監測非常關鍵。
2、對于含有噪聲數據的時序監測數據通常使用時序擬合處理方法進行曲線擬合，生成符合風電機組運行狀態的趨勢變化特征，根據趨勢變化對風電機組的運行狀態進行預警。時序擬合處理方法通常使用現有的加權移動平均算法，主要思想為利用過去一段時間內的數據估計未來數值，平滑時序數據并捕捉到長期趨勢和周期性變化。但該算法在擬合過程中難以區分異常數據和噪聲數據，導致異常數據的特征被削弱；難以突出風電機組的異常運行特征，影響風電機組的運行狀態預警準確性。
技術實現思路
1、為了解決上述通過加權移動平均算法對時序監測數據的擬合難以突出風電機組的異常運行特征，導致預警準確性低的技術問題，本專利技術的目的在于提供一種基于時序預測的風電機組運行異常預警方法，所采用的技術方案具體如下：
2、獲取監測風電機組的運行狀態時間序列；根據運行狀態時間序列中的狀態時刻與相鄰狀態時刻之間的差異特征獲得狀態時刻的鄰域狀態差異值；
3、根據運行狀態時間序列的預設擬合窗口中的所述鄰域狀態差異值的分布特征獲得整體狀態差異值；根據所述鄰域狀態差異
4、根據疑似異常狀態點所在的預設擬合窗口中的數據差異特征獲得疑似異常狀態點的偏離程度；根據疑似異常狀態點所在的預設擬合窗口中其他疑似異常狀態點的數量特征獲得疑似異常狀態點的鄰域異常頻率；根據疑似異常狀態點的所述偏離程度和所述鄰域異常頻率獲得異常置信度和最終異常狀態點；
5、根據所述最終異常狀態點和加權移動平均算法獲得自適應權重和擬合預測序列；根據所述擬合預測序列監測風電機組運行狀態。
6、進一步地，所述根據運行狀態時間序列中的狀態時刻與相鄰狀態時刻之間的差異特征獲得狀態時刻的鄰域狀態差異值的步驟包括：
7、計算所述狀態時刻與相鄰狀態時刻之間的數據差值絕對值，獲得狀態時刻的所述鄰域狀態差異值。
8、進一步地，所述根據運行狀態時間序列的預設擬合窗口中的所述鄰域狀態差異值的分布特征獲得整體狀態差異值的步驟包括：
9、計算運行狀態時間序列的預設擬合窗口中的所述鄰域狀態差異值的平均值，獲得預設擬合窗口的所述整體狀態差異值。
10、進一步地，所述根據所述鄰域狀態差異值與所述整體狀態差異值的差異特征獲得狀態時刻的疑似異常狀態指數和疑似異常狀態點的步驟包括：
11、對于所述預設擬合窗口中的任意狀態時刻，計算預設擬合窗口中的所述任意狀態時刻的鄰域狀態差異值與所述整體狀態差異值的差值并負相關映射，獲得差異表征值；計算預設常數與所述差異表征值的差值，獲得所述任意狀態時刻的所述疑似異常狀態指數；當所述疑似異常狀態指數超過預設閾值時，所述任意狀態時刻為疑似異常狀態點。
12、進一步地，所述根據疑似異常狀態點所在的預設擬合窗口中的數據差異特征獲得疑似異常狀態點的偏離程度的步驟包括：
13、計算所述疑似異常狀態點所在的預設擬合窗口中所有狀態時刻的數值平均值，獲得疑似異常狀態點的窗口表征值；計算疑似異常狀態點的數值與所述窗口表征值的差值絕對值并歸一化，獲得疑似異常狀態點的所述偏離程度。
14、進一步地，所述根據疑似異常狀態點所在的預設擬合窗口中其他疑似異常狀態點的數量特征獲得疑似異常狀態點的鄰域異常頻率的步驟包括：
15、計算疑似異常狀態點所在的預設擬合窗口中其他疑似異常狀態點與預設擬合窗口的數量比值并負相關映射，獲得疑似異常狀態點的鄰域異常頻率。
16、進一步地，所述根據疑似異常狀態點的所述偏離程度和所述鄰域異常頻率獲得異常置信度和最終異常狀態點的步驟包括：
17、計算預設第一系數和所述偏離程度的乘積，獲得第一置信度；計算預設第二系數和所述鄰域異常頻率的乘積，獲得第二置信度；計算所述第一置信度和所述第二置信度的和值，獲得疑似異常狀態點的異常置信度；當所述異常置信度超過預設異常閾值時，所述疑似異常狀態點為最終異常狀態點。
18、進一步地，所述根據所述最終異常狀態點和加權移動平均算法獲得自適應權重和擬合預測序列的步驟包括：
19、根據加權移動平均算法獲得所述狀態時刻的預設擬合窗口中不同的擬合權重，計算預設擬合窗口中所述最終異常狀態點的擬合權重和預設第一常數的乘積，獲得最終異常狀態點的自適應權重；根據加權移動平均算法、擬合權重和自適應權重獲得所述狀態時刻的擬合值，根據狀態時刻的擬合值獲得擬合預測序列。
20、本專利技術具有如下有益效果：
21、在本專利技術實施例中，獲取狀態時刻的鄰域狀態差異值能夠表征相鄰狀態時刻之間的差異特征和整體狀態差異值，進而通過鄰域狀態差異值確定狀態時刻是否為疑似異常狀態指數和疑似異常狀態點，提高了最終數據擬合的準確性。獲得疑似異常狀態點的偏離程度和鄰域異常頻率能夠進一步確定是否為異常數據，確定最終異常狀態點，提高最終數據擬合的準確性。獲得最終異常狀態點的自適應權重能夠對異常數據進一步縮放，凸顯數據擬合后的異常數據特征。最終獲得擬合預測序列，提高了數據擬合的準確性以及凸顯異常數據特征；根據擬合預測序列監測風電機組運行狀態，提高了風電機組運行狀態預警的準確性。
本文檔來自技高網...【技術保護點】
1.一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據運行狀態時間序列中的狀態時刻與相鄰狀態時刻之間的差異特征獲得狀態時刻的鄰域狀態差異值的步驟包括：
3.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據運行狀態時間序列的預設擬合窗口中的所述鄰域狀態差異值的分布特征獲得整體狀態差異值的步驟包括：
4.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據所述鄰域狀態差異值與所述整體狀態差異值的差異特征獲得狀態時刻的疑似異常狀態指數和疑似異常狀態點的步驟包括：
5.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據疑似異常狀態點所在的預設擬合窗口中的數據差異特征獲得疑似異常狀態點的偏離程度的步驟包括：
6.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據疑似異常狀態點所在的
7.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據疑似異常狀態點的所述偏離程度和所述鄰域異常頻率獲得異常置信度和最終異常狀態點的步驟包括：
8.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據所述最終異常狀態點和加權移動平均算法獲得自適應權重和擬合預測序列的步驟包括：
...【技術特征摘要】
1.一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據運行狀態時間序列中的狀態時刻與相鄰狀態時刻之間的差異特征獲得狀態時刻的鄰域狀態差異值的步驟包括：
3.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據運行狀態時間序列的預設擬合窗口中的所述鄰域狀態差異值的分布特征獲得整體狀態差異值的步驟包括：
4.根據權利要求1所述的一種基于時序預測的風電機組運行異常預警方法，其特征在于，所述根據所述鄰域狀態差異值與所述整體狀態差異值的差異特征獲得狀態時刻的疑似異常狀態指數和疑似異常狀態點的步驟包括：
5.根據權利要求1所述的一種...
【專利技術屬性】
技術研發人員：馬少立，李桂民，
申請(專利權)人：深圳前海慧聯科技發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。