CN107392304A - 一种风电机组异常数据识别方法及装置 - Google Patents

Abstract

本发明涉及一种风电机组异常数据识别方法及装置，包括：以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；所述BP神经网络模型根据电机组的风速数据进行构建。本发明提供的技术方案，能够准确的识别获取风电机组的异常数据，有效解决了风电机组故障以及异常数据识别困难的问题，使得异常数据的检测具有较高的准确性；从而为计算风电机组和风电场理论功率提供支撑。

Description

一种风电机组异常数据识别方法及装置

技术领域

本发明属于储能技术领域,具体涉及一种风电机组异常数据识别方法及装置。

背景技术

近年来，全球可再生能源利用年增长率达到25％.可再生能源的利用将以电力行业为主导，非水力可再生能源的发电比例将扩大两倍。据统计，2002年可再生能源的消费虽约14亿t油当量，2030年将超过22亿t油当量。风能发电作为除水力发电外技术最成熟的一种可再生能源发电，风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机的工作原理比较简单，风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。

风电机组数据对风力发电相关技术研究和弃风统计具有十分重要的意义。我国新能源发展速度快，风电2006年至2015年装机容量增长了约10倍，使得我国当前风电场站数量达到了1500余座，风电机组超过1万台，当前针对发电单元数据的采集频次至少为15min，由此产生了海量的单机数据，当数据发生异常时，尤其是个别数据发生异常时，缺乏有效的识别和预警手段。

发明内容

为了弥补上述技术空白，本发明提供一种风电机组异常数据识别方法及装置，结合BP神经网络对风电机组的异常数据进行有效识别，为准确计算风电机组和风电场理论功率提供支撑。

本发明的目的是采用下述技术方案实现的：

一种风电机组异常数据识别方法，所述方法包括：

以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；

所述BP神经网络模型根据电机组的风速数据进行构建。

优选的，所述BP神经网络模型根据电机组的风速数据进行构建，包括：

根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

定义风电机组异常数据的目标参量，并对其进行归一化处理；

以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

进一步地，所述分析数据集根据风电机组运行状态数据进行确定，包括：若风电机组运行区间处于切入风速与额定风速之间，通过{S_I}＝{S|d_I}确定分析数据集；

若风电机组运行区间处于额定风速与切除风速之间，通过{S_C}＝{S|d_C}确定分析数据集；

式中，{S}表示预设风电机组实际运行数据样本集，d_额定≤d_I＜d_切除；d_I表示风电机组运行区间处于切入风速d_切入与额定风速d_额定之间的风速水平，d_C表示风电机组运行区间处于额定风速d_额定与切除风速d_切除之间的风速水平；d_I和d_C满足d_切入＜d_I＜d_额定。

进一步地，通过下式确定分析数据集中的输入参量：[x_i,t-3,x_i,t-2,x_i,t-1,x_i,t]^T

式中，x_i,t-3,x_i,t-2,x_i,t-1,x_i,t分别为在采样t时刻输入参量x_i的临近数据，x_i(x_i∈R^d)，i＝1,…,n；R为分析数据集的风速数据，i为风机编号，n为风电机组台数，d为数据取值的运行区间。

进一步地，所述对风速数据中的输入参量进行归一化处理，构建训练样本，如下式所示：

S₁'＝{(s_i,t-3)}；s_i,t-3∈{S₁}

S₂'＝{(s_i,t-2)}；s_i,t-2∈{S₂}

S₃'＝{(s_i,t-1)}；s_i,t-1∈{S₃}

S₄'＝{(s_i,t)}；s_i,t∈{S₄}

其中，S₁,S₂,S₃,S₄分别为所述分类数据集中缺数、死数、错数和重数的数据样本集；S₁',S₂',S₃',S₄'分别为所述分类数据集中输入参量x_i,t-3,x_i,t-2,x_i,t-1,x_i,t的异常数据中缺数、死数、错数和重数的归一化后的数据集；s_i,t-3,s_i,t-2,s_i,t-1,s_i,t分别为所述分类数据集中输入参量的风速数据的缺数、死数、错数和重数的归一化后的数据。

进一步地，所述定义风电机组的异常数据为目标参数，并对其进行归一化处理，包括：

定义风电机组的异常数据中缺数、死数、错数和重数的目标参数分别为1、2、3和4；

以4对风电机组的异常数据中缺数、死数、错数和重数的目标参数进行归一化处理，获取风电机组的异常数据的目标参量归一化值为1。

优选的，所述根据所述BP神经网络模型输出的目标参数，判断风电机组的异常数据，包括：

当所述BP神经网络模型输出的目标参数S_i，t为0时，表示风电机组运行正常，当所述BP神经网络模型输出的目标参数S_i，t为1时，则表示风电机组在运行过程中存在异常数据。

优选的，所述BP神经网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。

一种风电机组异常数据识别装置，所述装置包括：

输入模块，用于以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

识别模块，用于根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；所述BP神经网络模型根据电机组的风速数据进行构建。

进一步地，所述输入模块包括：

获取单元，用于根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

第一处理单元，用于选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

第二处理单元，用于定义风电机组异常数据的目标参量，并对其进行归一化处理；

训练单元，用于以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

与最接近的现有技术相比，本发明的有益效果为：

本发明方案提出一种风电机组异常数据识别方法及装置，以风电机组风速数据为测试样

本，输入预先构建的BP神经网络模型；根据所述BP神经网络模型输出的目标参数，判

断风电机组的异常数据，能够有效解决风电机组故障以及异常数据识别困难的问题，使

得异常数据的检测具有较高的准确性；为异常数据恢复、异常数据处理提供重要的信息；

从而为计算风电机组和风电场理论功率提供支撑。

附图说明

图1为本发明实施例中提供的一种风电机组异常数据识别装置示意图；

图2为本发明实施例中提供的BP神经网络结构示意图；

图3为本发明实施例中提供的BP神经网络的完整训练流程图；

图4为本发明实施例中提供的风电机组异常数据识别模型示意图；

具体实施方式：

下面结合附图对本发明的具体实施方式作详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

为了弥补当风电机组风速数据发生异常时，尤其是个别数据发生异常时，缺乏有效的识别和预警手段。本发明提供一种风电机组异常数据识别方法及装置，结合BP神经网络对风电机组的异常数据进行有效识别，为准确计算风电机组和风电场理论功率提供支撑。

其中，所涉及的BP神经网络的基本原理及算法包括：

BP神经网络(Back Propagation Neural Network)是指基于误差反向传播算法的多层前向神经网络，采用有导师的训练方式。它是D.E.Rumelhart和J.L.McCelland及其研究小组在1986年研究并设计出来的。BP神经网络具有如下特点：(1)能够以任意精度逼近任何非线性映射，实现对复杂***建模；(2)可以学习和自适应未知信息，如果***发生了变化可以通过修改网络的联接值而改变预测效果；(3)分布式信息存储与处理结构，具有一定的容错性，因此构造出来的***具有较好的鲁棒性；(4)多输入、多输出的模型结构，适合处理复杂问题。

BP网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。BP网络整体算法成熟，其信息处理能力来自于对简单非线性函数的多次复合。BP神经网络一般结构如图2所示。

BP算法的数学模型是求解如下函数的最优解问题：

其中，x为训练样本，y_k(t)为网络的实际输出，y_k(t)为网络的期望输出，w_ij为输入层节点i到隐含层节点j的权值，v_jk为隐含层节点j到输出层节点k的权值，θ_j为隐含层节点j处的阈值，γ_t为输出节点t处的阈值，f(x)为激活函数。要实现全局误差函数E在曲面上按梯度下降，采用梯度规则，求E对输出层和隐含层的连接权和阈值的负梯度：

按梯度下降原则，即连接权和阈值的变化正比于负梯度，故有：

其中，η为学习率，且0＜η＜1，i＝1,2,…,m，t＝1,2,…,n，j＝1,2,…,p，b_j为中间层各神经元的输出，s_j为神经元运算的中间结果。

调整后的网络连接权值和阈值如下：

其中，l表示训练次数。

BP神经网络的完整训练过程如图3所示：

只要隐含层神经元的个数充分多，则隐含层神经元激活函数为线性函数的三层神经网络可以逼近任何函数。BP神经网络通过简单非线性处理单元的复合映射，可以获得复杂的非线性处理能力。

神经网络的训练过程实际上是网络对训练样本内在规律的学习过程，而对网络进行训练的目的主要是为了让网络对训练样本以外的数据具有正确的映射能力。神经网络的泛化能力是指神经网络对训练样本以外的新样本的适应能力，也称为神经网络的推广能力，被认为是衡量神经网络性能的重要指标，具有泛化能力的神经网络可以在实际中应用，否则不具备应用价值。

神经网络的泛化能力由以下几个因素影响：

1)样本的特性

只有当训练样本足以表征所研究的问题的主要特征时，网络通过合理的学习机制可以使其具有泛化能力，合理的采样结构是神经网络具有泛化能力的必要条件。

2)网络自身的因素

如网络的结构、初始值及网络的学习算法等。网络的结构主要包括网络的隐层数、隐层节点的个数和隐层节点的激活函数。

当隐层节点函数有界，三层前向网络具有以任意精度逼近定义在紧致子集上的任意非线性函数的能力。这说明采用三层BP神经网络，隐层节点函数为Sigmoid函数，输出节点函数采用线性函数，完全可以达到网络逼近的要求。“过拟合”现象是网络隐层节点过多的必然结果，影响网络的泛化能力，同时认为在满足精度的要求下，逼近函数的阶数越少越好，低阶逼近可以有效防止“过拟合现象”，从而提高网络的预测能力。

神经网络初始值的选择也影响网络的泛化能力。一般随机给定一组权值，然后采用一定的学习规则，在训练中逐步调整，最终得到一组较好的权值分布。由于BP算法是基于梯度下降方法，不同的初始权值可能会导致不同的结果。如果取值不当，可能引起震荡不收敛，即使收敛也会导致训练时间增长，或陷入局部极值点，得不到合适的权值分布，影响网络的泛化能力。

所述方法包括以下步骤：

S1以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；如图4所示。

S2根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；

所述BP神经网络模型根据电机组的风速数据进行构建,包括：

根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

定义风电机组异常数据的目标参量，并对其进行归一化处理；

以输入参量为风电机组的异常数据的判断输入参数，以目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

分析数据集根据风电机组运行区间进行确定，包括：若风电机组运行区间处于切入风速与额定风速之间，通过{S_I}＝{S|d_I}确定分析数据集；

若风电机组运行区间处于额定风速与切除风速之间，通过{S_C}＝{S|d_C}确定分析数据集；

式中，{S}表示预设风电机组实际运行数据样本集，d_额定≤d_I＜d_切除；d_I表示风电机组运行区间处于切入风速d_切入与额定风速d_额定之间的风速水平，d_C表示风电机组运行区间处于额定风速d_额定与切除风速d_切除之间的风速水平；d_I和d_C满足d_切入＜d_I＜d_额定。

通过下式确定分析数据集中的输入参量：[x_i,t-3,x_i,t-2,x_i,t-1,x_i,t]^T

式中，x_i,t-3,x_i,t-2,x_i,t-1,x_i,t分别为在采样t时刻输入参量x_i的临近数据，x_i(x_i∈R^d)，i＝1,…,n；R为分析数据集的风速数据，i为风机编号，n为风电机组台数，d为数据取值的运行区间。

对风速数据中的输入参量进行归一化处理，构建训练样本，如下式所示：

S₁'＝{(s_i,t-3)}；s_i,t-3∈{S₁}

S₂'＝{(s_i,t-2)}；s_i,t-2∈{S₂}

S₃'＝{(s_i,t-1)}；s_i,t-1∈{S₃}

S₄'＝{(s_i,t)}；s_i,t∈{S₄}

其中，S₁,S₂,S₃,S₄分别为所述分类数据集中缺数、死数、错数和重数的数据样本集；S₁',S₂',S₃',S₄'分别为所述分类数据集中输入参量x_i,t-3,x_i,t-2,x_i,t-1,x_i,t的异常数据中缺数、死数、错数和重数的归一化后的数据集，即训练样本；s_i,t-3,s_i,t-2,s_i,t-1,s_i,t分别为所述分类数据集中输入参量的风速数据的缺数、死数、错数和重数的归一化后的数据。其中，缺数是指在给定的采样时刻，数据实际采集结果为空的情况；

死数是指连续非0m/s风速状态下，数据参量不变连续超过4个采样点，或0m/s风速状态，数据参量连续不变超过96个采样点的情况；

错数是指风速采集结果小于0m/s或大于50m/s的情况；

重数是指风速数据采样结果分布不自然、相邻采样点风速变化率固定的异常情况。

对于输入数据存在的常规异常情况，如错数、死数等，方法可正常计算，但缺数，如nan，将使BP神经网络的迭代计算发生错误，因而将缺数以不产生正常干扰的约定值进行代替，如以99代替。

定义风电机组的异常数据为目标参数，并对其进行归一化处理，包括：

定义风电机组的异常数据中缺数、死数、错数和重数的目标参数分别为1、2、3和4；

以4对风电机组的异常数据中缺数、死数、错数和重数的目标参数进行归一化处理，获取风电机组的异常数据的目标参量归一化值为1。

S2中，根据所述BP神经网络模型输出的目标参数，判断风电机组的异常数据，包括：

当BP神经网络模型输出的目标参数S_i，t为0时，表示风电机组运行正常，当BP神经网络模型输出的目标参数S_i，t为1时，则表示风电机组在运行过程中存在异常数据。

由于数据量庞大，异常数据状态的判断为复杂的非线性映射，隐含层神经元个数可适当增加，必要时可采用多层隐含层。BP神经网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。

采用本专利所提出的风电机组异常数据识别方法，用于训练模型的样本数据应足够丰富，数据量建议在20000组以上。可实现风电场内多风电机组同类异常数据的实时识别，经测试，识别准确性达到99.99％。

基于同一发明构思，本发明还提供一种风电机组异常数据识别装置，如图1所示，包括：

输入模块，用于以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

识别模块，用于根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；BP神经网络模型根据电机组的风速数据进行构建。

其中，输入模块包括：

获取单元，用于根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

第一处理单元，用于选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

第二处理单元，用于定义风电机组异常数据的目标参量，并对其进行归一化处理；

训练单元，用于以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (10)

1.一种风电机组异常数据识别方法，其特征在于，所述方法包括：

以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

根据所述BP神经网络模型输出的目标参数，判断风电机组的异常数据；

所述BP神经网络模型根据电机组的风速数据进行构建。

2.如权利要求1所述的方法，其特征在于，所述BP神经网络模型根据电机组的风速数据进行构建，包括：

根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

定义风电机组异常数据的目标参量，并对其进行归一化处理；

以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

3.如权利要求2所述的方法，其特征在于，所述分析数据集根据风电机组运行状态数据进行确定，包括：若风电机组运行区间处于切入风速与额定风速之间，通过{S_I}＝{S|d_I}确定分析数据集；

若风电机组运行区间处于额定风速与切除风速之间，通过{S_C}＝{S|d_C}确定分析数据集；

式中，{S}表示预设风电机组实际运行数据样本集，d_额定≤d_I＜d_切除；d_I表示风电机组运行区间处于切入风速d_切入与额定风速d_额定之间的风速水平，d_C表示风电机组运行区间处于额定风速d_额定与切除风速d_切除之间的风速水平；d_I和d_C满足d_切入＜d_I＜d_额定。

4.如权利要求2所述的方法，其特征在于，通过下式确定分析数据集中的输入参量：[x_i,t-3,x_i,t-2,x_i,t-1,x_i,t]^T

式中，x_i,t-3,x_i,t-2,x_i,t-1,x_i,t分别为在采样t时刻输入参量x_i的临近数据，x_i(x_i∈R^d)，i＝1,…,n；R为分析数据集的风速数据，i为风机编号，n为风电机组台数，d为数据取值的运行区间。

5.如权利要求4所述的方法，其特征在于，所述对风速数据中的输入参量进行归一化处理，构建训练样本，如下式所示：

S₁'＝{(s_i,t-3)}；s_i,t-3∈{S₁}

S₂'＝{(s_i,t-2)}；s_i,t-2∈{S₂}

S₃'＝{(s_i,t-1)}；s_i,t-1∈{S₃}

S₄'＝{(s_i,t)}；s_i,t∈{S₄}

其中，S₁,S₂,S₃,S₄分别为所述分类数据集中缺数、死数、错数和重数的数据样本集；S₁',S₂',S₃',S₄'分别为所述分类数据集中输入参量x_i,t-3,x_i,t-2,x_i,t-1,x_i,t的异常数据中缺数、死数、错数和重数的归一化后的数据集；s_i,t-3,s_i,t-2,s_i,t-1,s_i,t分别为所述分类数据集中输入参量的风速数据的缺数、死数、错数和重数的归一化后的数据。

6.如权利要求2所述的方法，其特征在于，所述定义风电机组的异常数据为目标参数，并对其进行归一化处理，包括：

定义风电机组的异常数据中缺数、死数、错数和重数的目标参数分别为1、2、3和4；

以4对风电机组的异常数据中缺数、死数、错数和重数的目标参数进行归一化处理，获取风电机组的异常数据的目标参数归一化值为1。

7.如权利要求1所述的方法，其特征在于，所述根据所述BP神经网络模型输出的目标参数，判断风电机组的异常数据，包括：

当所述BP神经网络模型输出的目标参数S_i，t为0时，表示风电机组运行正常，当所述BP神经网络模型输出的目标参数S_i，t为1时，则表示风电机组在运行过程中存在异常数据。

8.如权利要求1所述的方法，其特征在于，所述BP神经网络模型的隐含层选取n个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。

9.一种风电机组异常数据识别装置，其特征在于，所述装置包括：

输入模块，用于以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

识别模块，用于根据所述BP神经网络模型输出的目标参数，判断风电机组异常状况；

所述BP神经网络模型根据电机组的风速数据进行构建。

10.如权利要求9所述的装置，其特征在于，所述输入模块包括：

获取单元，用于根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

第一处理单元，用于选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

第二处理单元，用于定义风电机组异常数据的目标参量，并对其进行归一化处理；

训练单元，用于以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。