一种风电机组数据清洗与增强方法及系统与流程

本技术属于风力发电领域，具体涉及一种风电机组数据清洗与增强方法及系统。

背景技术：

1、随着风力发电技术的快速发展，大型风电机组在广袤的复杂地形及极端气候区域，如高寒、冰冻等环境得到广泛部署。为了保障风电机组的安全稳定运行与全生命周期管理，风电场普遍配置了多源在线监测系统，能够实时采集海量的气象参数、机械振动响应以及运行工况等多维时间序列数据。在常规状态下，运维人员与智能诊断系统主要依赖这些现场采集的监测数据进行长期的健康状况评估与故障预警。因此，对多源监测数据进行基础采集、传输与常规信号平滑处理，构成了当前风电场智能化运维与数据分析体系的重要组成部分。

2、然而，在极寒及恶劣气象环境下，风电机组长期面临严苛的物理考验，现有的常规数据处理与运维监测手段暴露出明显的局限性。一方面，低温导致的物理特性变化常引发传感器产生系统性测量漂移，且恶劣气候引起的通信中断或测风装置冰冻失效会经常造成监测序列出现大面积缺失或非线性畸变，严重破坏了时间序列的完整性与时序连续性；另一方面，复杂工况下机械传动链的高频机械噪声与环境变动引起的低频趋势干扰相互交织，常规的信号滤波手段难以有效剥离各类杂音，极易将底层微弱的故障敏感特征掩盖。上述数据失真、断层以及信噪比低的问题，导致基于现场监测数据的状态评估与故障诊断结果往往存在较大误差，难以满足极端工况下风电机组高可靠性运维的实际工程需求。

技术实现思路

1、本技术针对极端环境下风电机组监测数据存在传感器测量漂移、数据断层缺失及复杂噪声干扰的技术问题，提供一种风电机组数据清洗与增强方法及系统。

2、为了实现上述目的，本技术采用以下技术方案予以实现：

3、第一方面，一种风电机组数据清洗与增强方法，包括：

4、获取目标风电机组在极端环境下的多源监测数据；

5、利用预先构建的物理机理模型对所述多源监测数据进行测量偏差计算与自适应校准，得到漂移校正数据；

6、识别所述漂移校正数据中的缺失数据段与异常数据段，对所述缺失数据段与所述异常数据段进行插值填补与序列重构，得到连续时间序列；

7、对所述连续时间序列进行多频段分解与去噪处理，得到增强监测数据。

8、在一些实施方式中，所述多源监测数据包括环境温度序列和通信状态日志。

9、在一些实施方式中，所述利用预先构建的物理机理模型对所述多源监测数据进行测量偏差计算与自适应校准，得到漂移校正数据，包括：

10、基于所述环境温度序列构建设备热力学补偿模型，根据所述设备热力学补偿模型，计算当前温度梯度下的传感器热惯性补偿变量；

11、将所述传感器热惯性补偿变量作为控制输入量引入卡尔曼滤波算法中，计算当前时刻的最优状态估计值；

12、利用所述最优状态估计值修正所述多源监测数据中的基准偏移误差，生成所述漂移校正数据。

13、在一些实施方式中，所述识别所述漂移校正数据中的缺失数据段与异常数据段，包括：

14、根据所述通信状态日志中的断连记录，识别所述漂移校正数据的缺失区间，作为所述缺失数据段；

15、利用预设异常检测算法对所述漂移校正数据进行扫描，识别非线性零值畸变区间或恒值死区区间，作为所述异常数据段。

16、在一些实施方式中，所述对所述缺失数据段与所述异常数据段进行插值填补与序列重构，得到连续时间序列，包括：

17、采用时空克里金插值算法提取目标风电场内邻近机组的空间相关性特征，以及所述目标风电机组的历史时序特征，根据所述空间相关性特征和历史时序特征，生成覆盖所述缺失数据段与所述异常数据段的基础趋势序列；

18、将所述基础趋势序列输入至预先训练的生成对抗网络中，生成高频非线性波动分量；

19、将所述基础趋势序列与所述高频非线性波动分量进行叠加融合，得到所述连续时间序列。

20、在一些实施方式中，所述对所述连续时间序列进行多频段分解与去噪处理，得到增强监测数据，包括：

21、采用经验模态分解算法将所述连续时间序列分解为多个本征模态函数分量；

22、计算各所述本征模态函数分量与所述连续时间序列的皮尔逊相关系数，剔除相关系数低于预设阈值的本征模态函数分量，得到中高频本征模态函数分量；

23、采用小波包去噪算法对所述中高频本征模态函数分量进行噪声阈值量化与高频滤除，得到所述增强监测数据。

24、第二方面，一种风电机组数据清洗与增强系统，包括：

25、数据获取模块，用于获取目标风电机组在极端环境下的多源监测数据；

26、漂移校正模块，用于利用预先构建的物理机理模型对所述多源监测数据进行测量偏差计算与自适应校准，得到漂移校正数据；

27、重构模块，用于识别所述漂移校正数据中的缺失数据段与异常数据段，对所述缺失数据段与所述异常数据段进行插值填补与序列重构，得到连续时间序列；

28、去噪模块，用于对所述连续时间序列进行多频段分解与去噪处理，得到增强监测数据。

29、第三方面，一种计算机设备，包括：处理器和计算机可读存储介质；

30、处理器，适于执行计算机程序；

31、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的一种风电机组数据清洗与增强方法。

32、第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如所述的一种风电机组数据清洗与增强方法。

33、第五方面，一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如所述的一种风电机组数据清洗与增强方法。

34、与现有技术相比，本技术具有以下有益效果：

35、本技术提供一种风电机组数据清洗与增强方法，通过获取目标风电机组在极端环境下的多源监测数据，利用预先构建的物理机理模型对多源监测数据进行测量偏差计算与自适应校准得到漂移校正数据，识别漂移校正数据中的缺失数据段与异常数据段并对其进行插值填补与序列重构得到连续时间序列，对连续时间序列进行多频段分解与去噪处理得到增强监测数据，克服了极端环境下风电机组监测数据因传感器漂移、数据断层和噪声干扰导致的失真难题。

36、进一步地，通过基于环境温度序列构建设备热力学补偿模型，根据该模型计算当前温度梯度下的传感器热惯性补偿变量，将该补偿变量作为控制输入量引入卡尔曼滤波算法中计算当前时刻的最优状态估计值，并利用最优状态估计值修正多源监测数据中的基准偏移误差以生成漂移校正数据，能够从物理机理层面精准消除极端低温下传感器产生的系统性测量漂移，确保校正后的基准数据真实可靠。

37、进一步地，通过根据通信状态日志中的断连记录识别漂移校正数据的缺失区间作为缺失数据段，利用预设异常检测算法对漂移校正数据进行扫描并识别非线性零值畸变区间或恒值死区区间作为异常数据段，能够精准隔离硬缺失与特定畸变，避免盲目插值带来的数据污染，保证后续重构的数据靶向性。

38、进一步地，通过采用时空克里金插值算法提取目标风电场内邻近机组的空间相关性特征与目标风电机组的历史时序特征，并生成覆盖缺失与异常段的基础趋势序列，将基础趋势序列输入至预先训练的生成对抗网络中生成高频非线性波动分量，最后将基础趋势序列与高频非线性波动分量进行叠加融合得到连续时间序列，既恢复了宏观基础趋势，又还原了机械真实运行工况的高频非线性波动细节，彻底解决了长序列数据断层带来的重构失真问题。

39、进一步地，通过采用经验模态分解算法将连续时间序列分解为多个本征模态函数分量，计算各本征模态函数分量与连续时间序列的皮尔逊相关系数，并剔除相关系数低于预设阈值的本征模态函数分量得到中高频本征模态函数分量，进而采用小波包去噪算法对中高频本征模态函数分量进行噪声阈值量化与高频滤除得到增强监测数据，能够逐级剥离非平稳杂音，在保留故障敏感特征的同时实现深度去噪，大幅提升了数据的信噪比。