[发明专利]一种风力发电机的异常识别方法

权利要求书

1.一种风力发电机的异常识别方法，其特征在于，包括以下步骤：

步骤1：从风场SCADA系统采集多组包含多种风机属性的风机数据，构成初始风机数据集；

步骤2：删除初始风机数据集中的异常数据，以获得完整风机数据集，所述异常数据包括：某组大量缺失风机属性的风机数据；风机数据中某种每日、每月或每年都恒定不变的风机属性，处理后风机属性个数为n；

步骤3：采用小波阈值法对完整风机数据集进行降噪处理；

步骤4：采用k-means的聚类方法对降噪后的整个风机数据集中的风机属性分类，聚类后使得类内属性相似，类间属性相离；

步骤5：采用t-SNE算法对聚类处理后的风机数据集进行降维处理；

步骤6：将降维后的数据进行皮尔森相关系数的计算分析，把数据按照相关系数的大小进行排列，风机数据集组织为具有相同尺寸的图像，所述步骤6具体包括：

步骤6-1：对排序后的K组数据进行皮尔森相关系数计算；

其中cov(M，N)代表从风机数据集Y中的K个类别中取出不同的类别M和类别N进行协方差系数计算，σ_M代表类别M的标准差，σ_N代表类别N的标准差；

步骤6-2：将计算完成的皮尔森相关系数按照大小进行两两比较排序，组合成具有连贯性的图像；

步骤7：将进行皮尔森相关系数分析后组成的图像送到卷积神经网络，并进行风机的异常识别；

步骤8：确定风机发生异常后，通过准则判定发生异常的风机属性所属的类别，所述步骤8具体包括：

步骤8-1：以天为单位计算降维后的健康状态的风机数据集中的3个属性的均值，分别记作a，b，c；

步骤8-2：改进经典公式推论：

进而推出：

步骤8-3：设m＝a+b+c；通过训练计算每天的和m_2max的最值，找寻m₁的最小值记作找寻m₂的最大值记作进而得出风机正常状态下m的范围为若m超出此范围，则判定风机该类属性异常；

步骤9：通过对风机属性异常的识别，验证该风力发电机异常识别方法的有效性。

2.如权利要求1所述风力发电机的异常识别方法，其特征在于，步骤3中所述小波为db5，分解层数为5。

3.如权利要求1所述风力发电机的异常识别方法，其特征在于，所述步骤4具体包括：

步骤4-1：将风机数据集中的元素根据下式进行归一处理：

其中，V_i表示任意元素，max(A)代表该风机属性的元素最大值，min(A)代表该风机属性的元素最小值，V是该风机属性的任意元素归一后的值；

步骤4-2：最大聚类数依据式确定，其中k_max为最大聚类数，n为风机属性的个数；

步骤4-3：经过步骤4-2计算，可将风机属性划分为2到类，通过下式确定聚类数目：

其中，SC表示轮廓系数，a_i表示一个元素X_i与同一分类中所有其他元素之间的平均距离，a_i用于量化内部集中度；b_i用于量化集群之间的分离度，在上述元素X_i之外选择一个分类b，计算该元素X_i和分类b中所有元素之间的平均距离b_i，遍历所有其他分类，找到最近的平均距离b_i，SC在-1到+1之间，值越大表示聚类效果越好，选取轮廓系数最大时对应的聚类数K。