【技術實現步驟摘要】
本專利技術涉及風力發電，特別是涉及一種風力發電異常數據分析方法及系統。
技術介紹
1、隨著可再生能源的發展和應用，風力發電作為一種清潔能源形式，已經成為全球范圍內的重要能源來源。然而，風力發電設備在運行過程中可能會出現各種異常情況，包括設備故障、性能下降、氣象條件變化等。因此，對風力發電異常數據進行分析和監測，可以幫助提高風電設備的可靠性、安全性和運行效率。
2、然而，傳統異常數據分析方法通常依賴于人工經驗和規則來識別異常情況，容易受到人為主觀因素的影響，導致了處理效率低和準確性差的問題，并且傳統方法只依靠簡單的統計分析來識別異常情況，無法全面地分析和理解數據中的異常模式，同時，傳統方法難以對異常情況進行精細全面的評估，難以確定風力發電的異常情況。
技術實現思路
1、為了解決上述技術問題，本專利技術提供了一種風力發電異常數據分析方法及系統。
2、本專利技術第一方面提供了一種風力發電異常數據分析方法，包括：
3、獲取風力發電站過往的歷史風力發電數據，并對歷史風力發電數據進行預處理；
4、對預處理后的歷史風力發電數據進行分析，確定歷史風力發電數據中存在異常的異常參數數據；
5、提取異常參數數據的數據特征，并根據數據特征確定異常參數數據的異常類型數據；
6、基于異常參數數據對應的異常類型數據和數據特征建立風力發電站的異常分類模型，并根據異常分類模型確定風力發電站當前的異常類型；
7、確定異常類型的異常評估
8、根據異常程度值確定風力發電站的異常等級。
9、進一步的，所述對歷史風力發電數據進行預處理，包括：
10、對歷史風力發電數據進行數據清洗，刪除或修正數據中的錯誤值、缺失值和重復值；
11、對清洗后的歷史風力發電數據進行平滑處理和歸一化處理。
12、進一步的，所述對預處理后的歷史風力發電數據進行分析，確定歷史風力發電數據中存在異常的異常參數數據，包括：
13、將預處理后的歷史風力發電數據按照監測參數類型劃分為多個參數數據集，并分別計算每個參數數據集中的數據平均值；
14、計算每個參數數據集中的每個數據與數據平均值的差值，將差值大于預設閾值的數據篩選出來作為異常參數數據。
15、進一步的，所述提取異常參數數據的數據特征，并根據數據特征確定異常參數數據的異常類型數據，包括：
16、分析歷史風力發電數據中異常參數數據與正常數據的區別，根據區別從異常參數數據中提取數據特征；
17、基于k均值聚類算法對對提取的數據特征進行聚類，根據異常參數數據的類型確定聚類中心個數，根據聚類結果識別和確定異常參數數據中不同的異常類型。
18、進一步的，所述基于異常參數數據對應的異常類型數據和數據特征建立風力發電站的異常分類模型，并根據異常分類模型確定風力發電站當前的異常類型，包括：
19、將異常參數數據對應的異常類型作為標簽，將數據特征作為輸入特征，并根據標簽和輸入特征對應的數據建立數據集；
20、基于數據集和預設神經網絡模型構建風力發電站的異常分類模型；
21、將數據集按照一定比例劃分為訓練集和測試集，并將訓練集和測試集輸入至異常分類模型中，對異常分類模型進行訓練和測試，直至異常分類模型滿足預設的收斂條件；
22、獲取風力發電站當前的實時風力發電數據，并將實時風力發電數據輸入至訓練好的異常分類模型中，由異常分類模型確定實時風力發電數據所對應的異常類型。
23、進一步的，所述確定異常類型的異常評估指標，并通過異常評估指標對異常類型進行異常程度評估，得到異常類型的異常程度值，包括：
24、分別設定不同異常類型的若干個異常評估指標，分析異常評估指標的重要度，并根據異常評估指標的重要度確定異常類型的權重系數；
25、根據若干個異常評估指標分別對相應的異常類型進行評估取值，得到異常類型的異常評估值；
26、通過加權平均法對異常類型的權重系數和異常評估值進行綜合計算，得到異常類型的異常程度值，表達式為：
27、
28、其中，s為異常類型的異常程度值，αi為第i個異常類型的權重系數，x?i為第i個異常類型的異常評估值。
29、進一步的，所述分析異常評估指標的重要度，并根據異常評估指標的重要度確定異常類型的權重系數，包括：
30、由專家賦值法對異常評估指標進行賦值打分，得到多位專家的分值，計算所有分值的平均值得到異常評估指標的重要度，并根據異常評估指標的重要度確定異常類型的權重系數，表達式為：
31、
32、其中，α為異常類型的權重系數，tc為異常評估指標的重要度，ts為所有異常評估指標的平均重要度，exp表示自然指數函數。
33、進一步的，所述根據異常程度值確定風力發電站的異常等級，包括：
34、預設有若干異常程度區間-異常等級映射表，若干異常程度區間-異常等級對應關系針對風力發電站的每一異常程度區間，均關聯若干異常等級；
35、獲取風力發電站的異常程度值，并基于異常程度值所處的異常程度區間在預設的異常程度區間-異常等級映射表中的映射關系，確定風力發電站的異常等級；
36、若異常程度值處于第一異常程度區間，則風力發電站為一級異常等級；
37、若異常程度值處于第二異常程度區間，則風力發電站為二級異常等級；
38、若異常程度值處于第三異常程度區間，則風力發電站為三級異常等級。
39、本專利技術第二方面還提供了一種風力發電異常數據分析系統，包括：
40、獲取模塊，用于獲取風力發電站過往的歷史風力發電數據，并對歷史風力發電數據進行預處理；
41、分析模塊，用于對預處理后的歷史風力發電數據進行分析，確定歷史風力發電數據中存在異常的異常參數數據；
42、處理模塊，用于提取異常參數數據的數據特征，并根據數據特征確定異常參數數據的異常類型數據；
43、預測模塊，用于基于異常參數數據對應的異常類型數據和數據特征建立風力發電站的異常分類模型，并根據異常分類模型確定風力發電站當前的異常類型；
44、評估模塊，用于確定異常類型的異常評估指標，并通過異常評估指標對異常類型進行異常程度評估，得到異常類型的異常程度值；
45、確定模塊，用于根據異常程度值確定風力發電站的異常等級。
46、本專利技術提供的一種風力發電異常數據分析方法及系統與現有技術相比，其有益效果在于：
47、本專利技術通過建立異常分類模型來確定當前異常類型，由異常評估指標來計算異常程度值，并根據異常程度值確定風力發電站的異常等級，可以準確全面地分析出異常嚴重程度。
本文檔來自技高網...【技術保護點】
1.一種風力發電異常數據分析方法，其特征在于，包括：
2.根據權利要求1所述的一種風力發電異常數據分析方法，其特征在于，所述對歷史風力發電數據進行預處理，包括：
3.根據權利要求2所述的一種風力發電異常數據分析方法，其特征在于，所述對預處理后的歷史風力發電數據進行分析，確定歷史風力發電數據中存在異常的異常參數數據，包括：
4.根據權利要求3所述的一種風力發電異常數據分析方法，其特征在于，所述提取異常參數數據的數據特征，并根據數據特征確定異常參數數據的異常類型數據，包括：
5.根據權利要求1所述的一種風力發電異常數據分析方法，其特征在于，所述基于異常參數數據對應的異常類型數據和數據特征建立風力發電站的異常分類模型，并根據異常分類模型確定風力發電站當前的異常類型，包括：
6.根據權利要求5所述的一種風力發電異常數據分析方法，其特征在于，所述確定異常類型的異常評估指標，并通過異常評估指標對異常類型進行異常程度評估，得到異常類型的異常程度值，包括：
7.根據權利要求6所述的一種風力發電異常數據分析方法，其特征在于，所
8.根據權利要求6所述的一種風力發電異常數據分析方法，其特征在于，所述根據異常程度值確定風力發電站的異常等級，包括：
9.一種風力發電異常數據分析系統，其特征在于，包括：
...【技術特征摘要】
1.一種風力發電異常數據分析方法，其特征在于，包括：
2.根據權利要求1所述的一種風力發電異常數據分析方法，其特征在于，所述對歷史風力發電數據進行預處理，包括：
3.根據權利要求2所述的一種風力發電異常數據分析方法，其特征在于，所述對預處理后的歷史風力發電數據進行分析，確定歷史風力發電數據中存在異常的異常參數數據，包括：
4.根據權利要求3所述的一種風力發電異常數據分析方法，其特征在于，所述提取異常參數數據的數據特征，并根據數據特征確定異常參數數據的異常類型數據，包括：
5.根據權利要求1所述的一種風力發電異常數據分析方法，其特征在于，所述基于異常參數數據對應的異常類型數據和數據特征...
【專利技術屬性】
技術研發人員：張可，石冠海，董曦薇，米子靜，張雪琪，延衛忠，任瑞紅，崔巍，馬輝，
申請(專利權)人：中國華能集團有限公司，
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。