一种风力发电机组多维特征向量数据松耦合提取的方法与流程

1.本发明涉及多维特征向量数据松耦合融合提取的方法，尤其涉及一种风力发电机组多维特征向量数据松耦合提取的方法。


背景技术：

2.风电监控系统中，同类风机设备对象有多种型号，各型号所具备的特征测量点不同，故系统无法按照风机对象类型固化测量点语义特征；在数据中心，同一风机对象的不同特征数据来源于不同的子系统，且需兼容后续新接入的子系统数据，其语义特征也无法固化。同时，对于特定风机对象，不同应用场景中用到的特征维度也不同。鉴于以上原因，在监控系统和数据中心，一般对每个特征测量点采用分散存储的方式，每个采样时刻的每个特征测量点值单独作为一条记录来存储。但在面向对象的应用场景中，需要风机对象不同维度的特征向量数据，风机特征测量点一般有上百个之多，但在风机的发电机散热分析和变桨电机散热分析应用中，会使用不同维度的一部分特征。如何基于分散存储的数据按需提取出不同维度的特征向量数据集，是丞待解决的技术问题。


技术实现要素：

3.发明目的：本发明的目的是提供一种根据具体需求配置所需的对象多维特征，把分散存储的数据融合提取为相应的特征向量数据集的对象多维特征向量数据松耦合提取的方法。
4.技术方案：本发明的多维特征向量数据松耦合提取的方法，包括步骤如下：
5.(1)根据每台风机的测量点数据存储格式，建立预测目标的多维特征与分散存储的测量点数据存储信息之间的映射体系，所述每台风机的测量点数据均存储在历史表中；
6.(2)根据预测目标配置映射信息表，并在预测目标与映射信息表之间建立一一对应关系；
7.(3)根据预测目标、每台风机id、开始时间、结束时间和时间间隔，获取风力发电机组预测目标的多维特征向量数据集合。
8.进一步，所述步骤(1)中，每台风机的测量点数据存储的历史表名称由表模型名称和分表时间组成；所述表模型名称由具体应用在确保表名不冲突情况下自行命名；所述分表时间是按年/月/日的周期构建新表，把不同时段的应用数据存储到不同的历史表中。
9.进一步，所述步骤(2)中，根据每个预测目标的需求，配置风机对象维度及数据源；在每个预测目标的需求下，风机对象多维特征与分散存储的测量点历史数据存储表之间的映射信息表名称不同但结构相同；按照具体预测目标需求下每个风机对象所需的特征维数，在映射信息表中配置特征及特征对应的测量点的数值信息。
10.进一步，所述步骤(3)中，所述预测目标以映射信息表名称的方式体现，获取风机对象多维特征向量数据集合的步骤如下：
11.(31)根据传入的映射信息表名和风机对象id，到映射信息表中获取风机对象所有
的特征及特征对应的测量点数据信息；
12.(32)根据每个特征的测量点数据信息，获取该特征在查询时间范围内的数据，组织出查询关系库查询语句；
13.(33)重复步骤(32)，获取风机对象所有特征的时序数据；
14.(34)把每个特征的时序数据以时间为索引做横向合并，形成以时间为行索引、以维度为列索引的二维数据集合，所述二维数据集合为所需的风机对象多维特征向量数据集合。
15.本发明与现有技术相比，其显著效果如下：1、根据具体需求配置所需的风机对象多维特征，把分散存储的数据融合提取为相应的特征向量数据集，提供了一种通用的多维特征向量数据集提取框架；2、将风电应用业务中各类应用场景所需的对象建模与数据源定义融为一体，解决了数据存储层“特征测量点分散存储”与应用层“需要语义化的多维特征向量数据集”之间的矛盾，便利了应用功能的实现。
附图说明
16.图1为本发明的数据流向图。
具体实施方式
17.下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
18.本发明是以风电领域的多维特征向量数据松耦合提取为例，如图1所示，根据具体需求配置所需的对象多维特征，把分散存储的数据融合提取为相应的特征向量数据集；从测量点历史数据存储的格式特点出发，提出了一套风机对象多维语义特征与分散存储的测量点历史数据存储信息之间的映射体系，并据此设计了一套风机对象多维特征按需定义及数据提取流程，具体包括以下三部分：
19.(1)从测量点数据存储格式出发，建立一套风机对象多维语义特征与分散存储的测量点历史数据存储信息之间的映射体系；
20.(2)基于该映射体系，在具体的应用场景中配置具体的映射信息表，并在应用场景与映射信息集合之间建立一一对应关系；
21.(3)在数据提取环节，根据应用场景、风机对象id、开始时间、结束时间和时间间隔获取风机对象多维特征向量数据集合，用于面向对象的数据处理。
22.首先，从测量点数据存储格式出发，建立了一套风机对象多维语义特征与分散存储的测量点历史数据存储表之间的映射体系。生产环境中，风机测量点数据存储的历史表名称由表模型名称 分表时间组成，其中表模型名称由具体应用在确保表名不冲突情况下自行命名，分表时间是为了避免随时间的累积，单个数据表条目数过多影响操作效率，而按年/月/日等周期构建新表，把不同时段的数据存储到不同的历史表中。比如，风机测量点历史采样记录的表模型名称为analog，按月分表，则实际分散存储的历史数据表名为analog202001、analog202002、
…
。风机测量点历史表格式包含的主要属性，格式示例见表1；设计风机对象多维语义特征与分散存储的风机测量点历史数据存储表之间的映射关系见表2。
23.表1风机测量点数据表属性示例
24.属性含义是否主键风机测量点idy数据时标y数据值 25.表2风机对象多维语义特征与测量点历史数据存储表之间的映射关系定义
[0026][0027]
其次，本发明可以根据每个高级应用场景的需求，灵活配置本场景下的风机对象维度及数据源。在每个场景下，风机对象多维语义特征与分散存储的测量点历史数据存储表之间的映射信息表(下文称映射信息表)名称不同，但表结构相同(为表2的表结构)。可以按照具体场景下每个风机对象所需的特征维数，在映射信息表中配置特征及其对应的测量点的存储信息，应用场景层面和风机对象层面都没有对特征维数做限制，可以在具体应用场景的风机对象粒度下做松耦合的特征定义及其测量点数值来源定义，把应用对象建模和数据源定义融为一体。
[0028]
以某风场内某型号风机的变流器散热智能预警为例，以测量点“电机侧逆变器温度”作为预测目标，周期循环预测其未来30分钟的温度值，以便在温度超限之前提前预警。该型号风机测量点共有110个，经业务和数据分析，与该预测目标相关的测量点见表3，其为该型号风机变流器散热预测的特征向量；各风机测量点采样历史数据格式示例见表4，每台风机的每个测量点在监控系统中有1个唯一标识id；基于以上数据构建出各风机变流器散热智能预警的特征向量与测量点之间的映射关系见表5。
[0029]
表3某型号风机变流器散热预测自变量(特征向量)与因变量
[0030]
序号测量点变量类型1网侧逆变器温度自变量2网侧电抗器温度自变量3变流器制动单元温度自变量4变流器环境温度自变量5风速自变量6变流器有功功率自变量
7机舱温度自变量8水冷出阀水温自变量9水冷进阀水温自变量10电机侧逆变器温度因变量
[0031]
表4风机测量点采样历史数据格式示例
[0032][0033]
表5风机变流器散热智能预警的特征向量与测量点之间的映射关系
[0034][0035]
最后，在数据提取环节，根据应用场景、对象id、开始时间、结束时间和时间间隔获取风机对象多维特征向量数据集，用于面向对象的数据处理。其中，应用场景以映射信息表名的方式体现。设定上述风机变流器散热智能预警案例中，表5映射关系表名称为convdisheat_info_cfg，对于#3风机对象(id为3)，取开始时间＝2021年4月9日00点00分，结束时间＝2021年4月19日00点00分，时间间隔＝900秒，获取对象多维特征向量数据集的步骤如下：
[0036]
步骤31，根据传入的映射信息表和风机对象id，到该映射信息表中获取该风机对象所有的特征及特征对应的测量点数据信息。
[0037]
步骤32，根据每个特征的测量点数据信息，获取该特征在查询时间范围内的数据，以检索表5中风机对象3的特征维度1为例，可组织出查询关系库查询语句，sql语句示意格
式如下：
[0038]
select fvalue from analog202104where attr_oid＝101and attr_time>＝“2021
‑4‑9[0039]
00:00:00”and attr_time<＝“2021
‑4‑
19 00:00:00”[0040]
查询出的数据为以600秒为间隔的时序数据，再按插值/重采样方式转换为900秒为间隔的时序数据。
[0041]
步骤33，按照步骤32相同的方式，获取风机对象1特征1和特征2的时序数据。
[0042]
步骤34，把该风机对象每个特征的时序数据以时间为索引做横向合并，形成以时间为行索引、以维度为列索引的二维数据集合，示例格式见表6，即为高级应用场景所需的数据集合。
[0043]
表6#3风机多维特征向量数据集合示例
[0044]
indexdim1
…
dim6
…
dim102021/4/9 00:0051.2 1300 58.52021/4/9 00:15xx xx xx2021/4/9 00:30xx xx xx
……ꢀ…ꢀ…
2021/4/18 23:45xx xx xx2021/4/19 00:00xx xx xx