风电设备异常时序数据检测方法及系统、电子设备与流程

本申请涉及风电设备检测领域，特别是涉及一种风电设备异常时序数据检测方法及系统、电子设备。

背景技术：

1、随着新能源产业的快速发展，风电项目建设与设备运行的安全管理需求日益迫切。风电设备如履带吊、风机塔筒、机舱等在吊装、运行过程中，受环境干扰、机械磨损、操作不当等因素影响，易出现超载、倾覆、位移超限等安全风险。根据电力规划设计研究院的风电项目安全管理需求，设备监测系统通过重力传感器、倾角传感器、风速传感器等设备，实时采集风速、吊装载荷、机身倾角、基础沉降等时序数据，这些数据的异常变化直接反映设备运行风险。传统异常检测方法如阈值法、统计检验法依赖人工经验设定阈值，难以适应风电设备复杂多变的运行工况；机器学习方法需手动提取特征，对时序数据的长时依赖捕捉能力不足；vae（variational auto-encoder）算法虽能通过无监督学习重构数据分布，但在处理时序数据时，对上下文关联特征挖掘不充分，且固定阈值易导致漏检或误检。

2、时序异常检测方法主要可分为基于统计的方法、传统机器学习方法和深度学习方法三类。基于统计的方法如arima（autoregressive integrated moving average）、滑动窗口标准差等假设数据服从特定分布，但风电设备时序数据分布复杂，难以满足假设；传统机器学习方法如孤立森林、one-classsvm等需手动设计特征，泛化能力有限；深度学习方法通过自动特征提取实现端到端检测，成为异常检测领域的研究热点。变分自编码器作为无监督深度学习模型，通过重构误差识别异常，已应用于设备故障检测，但传统vae采用全连接层，难以捕捉时序数据的序列相关性。

3、综上，现有技术存在对时序数据的长时依赖捕捉能力不足、难以聚焦异常关键特征，且异常判定标准固定、不能自适应复杂工况数据分布，导致风电设备异常检测在多变工况下准确性不足的问题。

技术实现思路

1、本申请的目的是提供一种风电设备异常时序数据检测方法及系统、电子设备，可增强模型对时序数据长期依赖关系的建模能力，实现了对异常关键特征的注意力聚焦；能够根据不同工况下的数据分布自适应调整异常判定标准，增强了对复杂工况的适配性。

2、为实现上述目的，本申请提供了如下方案。

3、第一方面，本申请提供了一种风电设备异常时序数据检测方法，所述方法包括：获取待测风电设备的当前时序数据；所述待测风电设备为风电吊装设备或风机运行设备；所述当前时序数据包括：风电吊装时序数据和风机运行时序数据；构建预处理模块；将bilstm作为变分自编码器的输入层，将多头注意力机制引入变分自编码器的全连接层，构建改进变分自编码器；将lstm作为解码器的时序反演单元，构建得到lstm解码器；利用重构损失、kl散度损失和时序趋势对齐损失加权组合构成总损失函数，并以重构误差作为异常判据，以核密度动态阈值作为决策阈值，构建得到异常决策模块；基于预处理模块、改进变分自编码器、lstm解码器和异常决策模块构建得到adt-vae模型；利用待测风电设备的历史时序数据，以总损失函数最小为目标，对adt-vae模型进行训练，得到训练好的adt-vae模型；基于待测风电设备的当前时序数据，利用训练好的adt-vae模型，对待测风电设备进行异常检测，得到检测结果。

4、第二方面，本申请还提供一种计算机系统，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现以上所述的风电设备异常时序数据检测方法。

5、第三方面，本申请还提供一种电子设备，其上存储有计算机程序，该电子设备执行时实现以上所述的风电设备异常时序数据检测方法。

6、根据本申请提供的具体实施例，本申请公开了以下技术效果。

7、本申请通过获取当前时序数据；构建预处理模块；以bilstm作为输入层并将多头注意力机制引入全连接层，通过bilstm增强时序依赖提取，多头注意力机制聚焦关键特征，实现了对异常关键特征的注意力聚焦，克服了传统vae在时序特征提取方面的不足。构建改进变分自编码器；采用lstm作为解码器的时序反演单元；利用重构损失、kl散度损失和时序趋势对齐损失加权构成总损失函数，以重构误差为判据、核密度动态阈值为决策阈值，构建异常决策模块；通过根据不同工况下的正常数据分布自适应调整异常判定标准，提高了模型对复杂工况的适配性。最后构建并训练adt-vae模型，并以训练好的adt-vae模型对当前时序数据进行异常检测，提高了风机设备异常检测的准确性。

1.一种风电设备异常时序数据检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述风电吊装时序数据包括：吊重、机身倾角、吊臂倾角和基础沉降。

3.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述预处理模块用于进行数据标准化、缺失值处理、时序窗口划分和数据集划分。

4.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述lstm解码器用于以隐空间采样向量作为初始状态，基于lstm的记忆功能，按时间步逐步反演和重构原始时序序列。

5.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述风机运行时序数据包括：机舱振动数据、发电机转速、风速和桨叶角度。

6.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述总损失函数的表达式如下：

7.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，基于待测风电设备的当前时序数据，利用训练好的adt-vae模型，对待测风电设备进行异常检测，得到检测结果，具体包括：

8.根据权利要求1所述的风电设备异常时序数据检测方法，其特征在于，所述异常检测中的检测类型包括：超载、倾角异常、位移超限和风速超限。

9.一种计算机系统，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的风电设备异常时序数据检测方法。

10.一种电子设备，其上存储有计算机程序，其特征在于，该电子设备执行时实现权利要求1-8中任一项所述的风电设备异常时序数据检测方法。