风电机组状态异常识别方法及装置与流程

摘要: 本公开涉及数据处理,尤其涉及一种风电机组状态异常识别方法及装置。背景技术:1、风力发电机组作为可再生能源发电的核心装备,其运行状态监测与智能运维技术对于保障电力...
风电机组状态异常识别方法及装置与流程

本公开涉及数据处理,尤其涉及一种风电机组状态异常识别方法及装置。

背景技术:

1、风力发电机组作为可再生能源发电的核心装备,其运行状态监测与智能运维技术对于保障电力系统稳定性及降低运维成本至关重要。相关技术中,机组通常配置温度、振动、转速等物理传感器,通过数据采集与监视控制(scada)系统获取关键运行参数,并基于固定阈值或单变量统计方法进行异常识别。

2、现有的风电机组状态监测方法中,直接采用物理传感器获取有限参数,导致关键状态量监测缺失且改造成本高昂,影响对早期微弱异常的捕捉灵敏度,难以满足复杂机电液耦合系统下多变量非线性关系的深度挖掘需求。

技术实现思路

1、本公开提供了一种风电机组状态异常识别方法及装置。

2、根据本公开的第一方面,提供了一种风电机组状态异常识别方法,其中,包括:

3、获取风电机组的多源运行状态数据并对所述多源运行状态数据进行预处理,得到标准化时间序列数据集;

4、基于所述标准化时间序列数据集,利用深度学习模型构建与目标参量物理机理关联的虚拟测量;其中,所述虚拟测量用于表征无法通过传感器直接获取的机组内部状态参量;

5、将所述标准化时间序列数据集中的物理观测变量与所述虚拟测量进行融合,构建多维联合特征向量,并基于所述多维联合特征向量建立正常状态下的关联重构模型;

6、基于所述关联重构模型对当前运行状态进行重构以获取重构残差,根据所述重构残差构建一致性偏离度指标,并基于动态阈值对所述一致性偏离度指标进行异常判定,输出异常识别结果。

7、可选的,所述对所述多源运行状态数据进行预处理包括:

8、通过风电机组的监控与数据采集系统获取连续的运行历史数据及实时观测数据以构建原始变量集合,对所述原始变量集合中不同采样频率的数据进行时间对齐处理,基于异常检测模型剔除离群数据点,并通过插值方法对缺失数据进行补全,输出所述标准化时间序列数据集。

9、可选的,所述基于异常检测模型剔除离群数据点包括:

10、基于所述原始变量集合构建孤立森林模型,通过递归分割方式生成多个孤立树结构,计算每个数据点的异常得分,将所述异常得分超过预设阈值的数据点识别为离群数据点并予以剔除。

11、可选的,所述利用深度学习模型构建虚拟测量包括:

12、选取与所述目标参量物理机理强相关的一组可观测变量作为输入向量,构建基于长短期记忆网络的深度学习映射模型,通过健康历史数据训练所述深度学习映射模型,得到在无物理传感器条件下表征所述机组内部状态参量的所述虚拟测量。

13、可选的,所述深度学习映射模型的映射关系为:

14、基于预设时间窗口内的历史输入序列,通过训练收敛后的非线性映射函数,结合网络权重矩阵及偏置项,输出所述虚拟测量。

15、可选的,所述基于所述多维联合特征向量建立正常状态下的关联重构模型包括:

16、采用自编码器对所述多维联合特征向量进行编码映射至低维隐空间并解码重构,以正常运行状态数据训练所述自编码器,建立所述关联重构模型并输出重构特征向量。

17、可选的,所述根据所述重构残差构建一致性偏离度指标包括:

18、计算实际联合特征向量与重构特征向量之间的重构残差向量,基于所述重构残差向量及健康历史数据残差的协方差矩阵,利用马氏距离方法构建所述一致性偏离度指标。

19、可选的,所述基于动态阈值对所述一致性偏离度指标进行异常判定包括:

20、采用非参数概率密度估计方法对健康状态下的所述一致性偏离度指标的分布进行拟合,设定显著性水平以确定动态报警阈值;

21、采用滑动窗口判别机制,在预设长度的时间窗口内,若所述一致性偏离度指标超过所述动态报警阈值的数据点占比超过预设置信比例,则触发异常报警。

22、可选的,所述输出异常识别结果包括:

23、根据所述重构残差向量中各维度的贡献度占比,确定导致异常的核心关联变量,以辅助判定异常类型。

24、根据本公开的第二方面,提供了一种风电机组状态异常识别装置,包括:

25、获取单元,用于获取风电机组的多源运行状态数据并对所述多源运行状态数据进行预处理,得到标准化时间序列数据集;

26、构建单元,用于基于所述标准化时间序列数据集,利用深度学习模型构建与目标参量物理机理关联的虚拟测量;其中,所述虚拟测量用于表征无法通过传感器直接获取的机组内部状态参量;

27、融合单元,用于将所述标准化时间序列数据集中的物理观测变量与所述虚拟测量进行融合,构建多维联合特征向量,并基于所述多维联合特征向量建立正常状态下的关联重构模型;

28、判定单元,用于基于所述关联重构模型对当前运行状态进行重构以获取重构残差,根据所述重构残差构建一致性偏离度指标,并基于动态阈值对所述一致性偏离度指标进行异常判定,输出异常识别结果。

29、可选的,所述获取单元还用于:

30、通过风电机组的监控与数据采集系统获取连续的运行历史数据及实时观测数据以构建原始变量集合,对所述原始变量集合中不同采样频率的数据进行时间对齐处理,基于异常检测模型剔除离群数据点,并通过插值方法对缺失数据进行补全,输出所述标准化时间序列数据集。

31、可选的,所述获取单元还用于:

32、基于所述原始变量集合构建孤立森林模型,通过递归分割方式生成多个孤立树结构,计算每个数据点的异常得分,将所述异常得分超过预设阈值的数据点识别为离群数据点并予以剔除。

33、可选的,所述构建单元还用于:

34、选取与所述目标参量物理机理强相关的一组可观测变量作为输入向量,构建基于长短期记忆网络的深度学习映射模型,通过健康历史数据训练所述深度学习映射模型,得到在无物理传感器条件下表征所述机组内部状态参量的所述虚拟测量。

35、可选的,所述构建单元还用于:

36、所述深度学习映射模型的映射关系为:基于预设时间窗口内的历史输入序列,通过训练收敛后的非线性映射函数,结合网络权重矩阵及偏置项,输出所述虚拟测量。

37、可选的,所述融合单元还用于:

38、采用自编码器对所述多维联合特征向量进行编码映射至低维隐空间并解码重构,以正常运行状态数据训练所述自编码器,建立所述关联重构模型并输出重构特征向量。

39、可选的,所述判定单元还用于:

40、计算实际联合特征向量与重构特征向量之间的重构残差向量,基于所述重构残差向量及健康历史数据残差的协方差矩阵,利用马氏距离方法构建所述一致性偏离度指标。

41、可选的,所述判定单元还用于:

42、采用非参数概率密度估计方法对健康状态下的所述一致性偏离度指标的分布进行拟合,设定显著性水平以确定动态报警阈值;

43、采用滑动窗口判别机制,在预设长度的时间窗口内,若所述一致性偏离度指标超过所述动态报警阈值的数据点占比超过预设置信比例,则触发异常报警。

44、可选的,所述判定单元还用于:

45、根据所述重构残差向量中各维度的贡献度占比,确定导致异常的核心关联变量,以辅助判定异常类型。

46、根据本公开的第三方面,提供了一种电子设备,包括:

47、至少一个处理器;以及

48、与所述至少一个处理器通信连接的存储器;其中,

49、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法。

50、根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。

51、根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。

52、本公开提供的风电机组状态异常识别方法及装置,通过本技术,由于利用深度学习模型从现有传感数据中挖掘物理机理关联,构建表征内部状态参量的虚拟测量,无需新增硬件即可补全关键监测盲区,并结合物理观测变量建立多维关联重构模型,以重构残差驱动动态阈值进行异常判别,能够深度刻画复杂机电液耦合系统的非线性关系并灵敏捕捉早期微小偏差,因此,可以解决现有方法中关键状态量监测缺失、加装传感器改造成本高昂、早期微弱异常捕捉灵敏度低以及多变量非线性关系难挖掘的技术问题,达到在不增加硬件投入的前提下实现风电机组内部状态全面感知与早期异常精准识别的技术效果。

53、应当理解,本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征,也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。