[发明专利]基于增强卷积去噪算法的风电机组数据清洗方法及装置

权利要求书

1.一种基于增强卷积去噪算法的风电机组数据清洗方法，其特征在于，所述方法包括：

基于SCADA系统，采集风电机组的风电数据；

对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类；

对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪；

对去噪处理后的所述风电数据，基于布谷鸟算法进行数据缺失值填补和无效值处理，完成风电机组数据清洗。

2.根据权利要求1所述的方法，其特征在于，所述基于SCADA系统，采集风电机组的风电数据，包括：

以T为采样间隔获取风电机组运行过程中的n个可测变量的N组实际运行数据存入所述SCADA系统，采样数据需尽可能包含风机在不同环境条件、时间尺度、服役时长下的运行请况；

通过主元法筛选所述SCADA系统中各变量数据，最终得到待清洗的m个变量作为数据清洗过程的输入变量{x₁,x₂,…,x_m}。

3.根据权利要求1所述的方法，其特征在于，所述对所述风电机组的风电数据，采用模糊C均值FCM进行数据聚类，包括：

定义如下目标函数(1)：

其中：α为加权模糊性参数，C为聚类数，x_c为聚类中心，为输入X_i相对聚类C的隶属度：

随机初始化x_c并通过下式(3)计算μ_ic：

采用下式(4)更新聚类中心向量x_c：

采用下式(5)计算适应度函数增量：

当Δ小于一个小的预设常值ε时，迭代过程结束，得到全部聚类。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述对聚类处理后的所述风电数据，基于增强卷积神经网络进行数据去噪，包括：

训练数据集的获取：任选一个聚类中数据Xⁱ，基于均值为0，方差为σ²的高斯分布随机生成高斯噪声与Xⁱ各项相加得到带有噪声的数据信号即然后对其余所有聚类重复上述操作，得到包含C个含噪声的聚类的数据集

所构建的方法由路径网络结构相同的去噪通道和提议通道基网络构成；其中去噪通道主要用于训练去噪模型，拟合提议通道则通过基于Xⁱ的编码-解码，生成隐藏层的辅助监督信息，以达到增强原有卷积神经网络性能的效果；

假设每个基网络f(·)由L个隐藏层组成，其中去噪通道和提议通道的网络参数分别表示为Θ＝{θ₁，θ₂，…，θ_L}和第i层前的全部网络参数简记为Θ_1→i＝Θ_i和Φ_1→i＝Φ_i；

采用下式(6)进行提议通道训练：

基于上式(6)求得最优解Φ^*，然后定义损失函数训练去噪通道模型，如下式(7)：

其中：Ω代表根据上述最优解Φ^*计算得到的隐藏层索引集合，为第j层的建议损失；上式求得的最优解记为Θ^*；

增强卷积去噪模型的训练：基于上述两个优化目标，通过下式(8)和(9)所示每层参数的梯度对算法进行优化：

其中：Lⁱ为第i个去噪通道的损失，为第i个和提议通道的损失；

新数据去噪预测：基于训练所得去噪模型对新输入的数据信号进行去噪处理，首先判断该数据所属聚类，然后对相应的去噪数据进行预测。