[发明专利]基于风力曲线图像的异常数据检测与清洗方法

说明书

本发明公开了现代工业中风能行业风力涡轮机的运营与维护技术领域的基于风力曲线图像的异常数据检测与清洗方法，该方法通过将风力曲线图像转化为二值图像，利用数学形态学方法与Hu矩提取代表正常数据的图像主要部分，最小化提取主要部分和参考风力曲线间的差异确定最优结构元尺寸，为验证算法有效性将其与LOF、CA和K均值分类算法比较，经过两个风电场涡轮机数据的实例验证，本发明与另外三种算法相比具有更好的过滤堆叠异常点能力，更好的泛化能力，更快的计算速度，还能提供异常点类别信息，具有实际应用潜力。

技术领域

本发明涉及现代工业中风能行业风力涡轮机的运营与维护技术领域，具体为基于风力曲线图像的异常数据检测与清洗方法。

背景技术

风力涡轮机设计技术与建造的成熟化使其在世界范围内被广泛安装使用。风电场的运营与维护也愈发受到重视。数据监测与采集系统(SCADA)的风力涡轮机数据能体现涡轮机的运行状况，常被用于进行风力涡轮机的状态检测、风力预测等。但由于风力涡轮机故障、弃风、极端天气等原因，会使其出现偏航系统故障、发电机刷磨损等故障。不同的故障使SCADA采集的数据包含多种异常点。风力曲线(WPC)上的异常点将会影响风力涡轮机的状态检测，进而影响风电场的运营与维护。因此异常数据的诊断与清洗对WPC的应用至关重要。

现在对风力曲线图像异常数据诊断与清洗的研究主要分为两类。

第一类利用异常数据与正常数据在统计特性上的不同，例如用数据点密度、距离、方差等指标进行清洗。例如先将数据分类，再用局部异常因子(LOF)检测不合理数据；通过使用加权距离、平方欧式距离、City-Block距离的k最近邻法估计离群值的界限；通过分位数发现离散的异常值，再用基于密度的空间聚类清除堆叠的异常值等方法。

第二类是利用大量的正常数据对风力曲线建模来诊断异常点。例如基于Copula条件分位数方法对风力曲线构建概率模型；基于混合高斯模型与Copula函数结合的方法拟合风力曲线等。

上述现有的诊断风力曲线异常点方法存在以下不足：

(1)基于数据密度或数据间距离的检测方法适用于发现离散的异常值，而堆叠的异常值不能被有效过滤，尤其当数据量较大时；

(2)为了训练出可靠的风力曲线模型，需要大量的正常数据。而当故障出现时大部分数据为异常数据；

(3)模型参数的设定依赖于具体数据，模型的泛化能力受到限制。

基于此，本发明设计了基于风力曲线图像的异常数据检测与清洗方法，以解决上述提到的问题。

发明内容

本发明的目的在于提供基于风力曲线图像的异常数据检测与清洗方法，以解决上述背景技术中提出的问题。

由于现有的风力曲线异常数据诊断技术存在一定的缺陷，本发明提出了一种基于图像的算法，通过WPC图像检测并清洗异常数据。其中WPC图像由SCADA系统采集的数据生成，图像的横坐标为风速，单位m/s；纵坐标为风力，单位为kW。

为实现上述目的，本发明提供如下技术方案：基于风力曲线图像的异常数据检测与清洗方法，将异常点分为3类，负值异常点、离散异常点与堆叠异常点，其中负值异常点指风速大于接通速度且风力小于零的点。产生原因主要包括计划外的维护、风力涡轮机故障和弃风；离散异常点指随机分布在正常点构成的风力曲线周围的点，常服从无规则分布。产生原因包括传感器故障、传感器噪声及一些不可控的随机因素；堆叠异常点经常在一个连续的时间段内出现，堆叠在风力值的某一条线上。当数据量大时常被误认为正常数据。产生原因包括弃风与通信故障等。

本发明技术共分为3步，数据预清洗、正常数据提取和数据标记，具体包括如下步骤：

S1：数据预清理：过滤并删除第一类负值异常点，满足v＝v_cut-in且P0，其中v_cut-in是接通速度；