CN118228165A - 一种基于人工智能风电场的等值建模异常分析方法及*** - Google Patents

Abstract

本发明公开了一种基于人工智能风电场的等值建模异常分析方法及***，涉及风电场领域。所述方法包括：交互目标风电场的传感器监测阵列，获得N个风电场监测数据集；对N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集；对P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；进行集中趋势分析，根据分析结果构建目标风电场模型；提取实时监测数据，获得N个实时监测数据；基于目标风电场模型对N个实时监测数据进行异常分析，获得异常分析结果。解决了现有技术中风电场监测数据准确性和可靠性较差的技术问题，达到了提高风电场监测数据的质量和可用性的技术效果。

Description

一种基于人工智能风电场的等值建模异常分析方法及***

技术领域

本发明涉及风电场领域，具体涉及一种基于人工智能风电场的等值建模异常分析方法及***。

背景技术

随着可再生能源的快速发展，风力发电在全球范围内得到了广泛的应用。风电场规模的不断扩大，使得风电场的管理和维护变得日益重要。然而，风电场的运行受到多种因素的影响，如风速、风向、温度、湿度等，这些因素使得风电场的输出功率具有很大的不确定性。为了更好地管理和维护风电场，需要对风电场进行建模和分析。传统的方法中难以实时监测和分析数据，导致收集的风电场监测数据准确性和可靠性较差。

发明内容

本申请实施例提供了一种基于人工智能风电场的等值建模异常分析方法及***，解决了现有技术中风电场监测数据准确性和可靠性较差的技术问题。

鉴于上述问题，本申请实施例提供了一种基于人工智能风电场的等值建模异常分析方法及***。

本申请实施例的第一个方面，提供了一种基于人工智能风电场的等值建模异常分析方法，所述方法包括：

交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。

本申请实施例的第二个方面，提供了一种基于人工智能风电场的等值建模异常分析***，所述***包括：

获得模块，所述获得模块用于交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

第一分析模块，所述第一分析模块用于对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

处理模块，所述处理模块用于对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

第二分析模块，所述第二分析模块用于基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

提取模块，所述提取模块用于提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

异常分析模块，所述异常分析模块用于基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

交互目标风电场的传感器监测阵列，并获得N个风电场监测数据集，其中每个数据集都具有位置标识。针对这些数据集，进行数据缺失度分析，通过分析确定了P个异常风电场监测数据集和Q个常规风电场监测数据集，其中常规数据集和异常数据集的总数等于N。接下来，对P个异常风电场监测数据集进行等值建模处理，以修正这些异常数据集，得到了P个修正风电场监测数据集。基于Q个常规风电场监测数据集和P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建了目标风电场模型。同时，从传感器监测阵列中提取实时监测数据，得到了N个实时监测数据。最后，基于构建的目标风电场模型，对这N个实时监测数据进行异常分析，得到了异常分析结果，并且能够通过异常定位标识指示异常出现的位置。解决了现有技术中风电场监测数据准确性和可靠性较差的技术问题，达到了提高风电场监测数据的质量和可用性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于人工智能风电场的等值建模异常分析方法流程示意图；

图2为本申请实施例提供的一种基于人工智能风电场的等值建模异常分析***结构示意图。

附图标记说明：获得模块11，第一分析模块12，处理模块13，第二分析模块14，提取模块15，异常分析模块16。

具体实施方式

本申请实施例通过提供一种基于人工智能风电场的等值建模异常分析方法及***，解决了现有技术中风电场监测数据准确性和可靠性较差的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请实施例提供了一种基于人工智能风电场的等值建模异常分析方法，其中，方法包括：

交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

传感器监测阵列用来收集风电场的实时监测数据。交互目标风电场的传感器监测阵列能够获得N个风电场监测数据集，每个数据集都具有位置标识。风电场监测数据集包含来自风电场各个部位的监测数据，例如风机叶片、塔筒、齿轮箱和发电机等。同时，风电场监测数据集可以提供关于风电场运行状态、风速、温度、湿度和振动等信息。

对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

在对N个风电场监测数据集进行数据缺失度分析时，可以识别出P个异常风电场监测数据集和Q个常规风电场监测数据集，其中常规数据集和异常数据集的总数等于N，并且满足Q+P＝N。数据缺失度分析是指对监测数据集中的缺失情况进行评估和处理的过程。在这个过程中，会检查每个数据集中是否存在缺失数据或者数据异常的情况。如果某个数据集中的数据缺失度较高或者出现了异常值，将其归类为异常风电场监测数据集；相反，如果数据集中的数据缺失度较低且没有明显的异常值，将其归类为常规风电场监测数据集。通过这样的分析，可以对风电场监测数据集的质量和完整性进行评估，并为后续的数据处理和分析提供基础。

进一步而言，对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，方法包括：

分别对所述N个风电场监测数据集进行空白值提取，获得N个空白监测数据集，其中，所述N个空白监测数据集具有时间标识；

对所述N个空白监测数据集进行数据缺失度分析，获得N个数据缺失度；

分别将所述N个数据缺失度与N个数据缺失度之和进行作比，将比值位于前P位的数据缺失度对应的风电场监测数据集作为P个异常风电监测数据集。

空白值通常是指监测数据集中不存在数据或者数据缺失的情况。通过对N个风电场监测数据集进行空白值提取，可以将这些空白值提取出来，并生成N个空白监测数据集。空白监测数据集包含所有的空白值信息，并且具有时间标识，可以帮助用户更加准确地定位异常情况。数据缺失度是指监测数据集中缺失数据的比例。通过对N个空白监测数据集进行数据缺失度分析，可以计算出每个监测数据集的数据缺失度，并获得N个数据缺失度结果。这些数据缺失度结果可以帮助用户评估监测数据集的质量和完整性，并为后续的数据处理和分析提供基础。通过将N个数据缺失度与N个数据缺失度之和进行作比，可以计算出每个监测数据集的数据缺失度比例。然后，按照这些数据缺失度比例从小到大进行排序，并选取比值位于前P位的数据缺失度对应的风电场监测数据集作为P个异常风电监测数据集。这些异常数据集通常表示监测数据集中可能存在的问题或错误，并需要进一步分析和调整。

进一步而言，方法还包括：

基于时间标识和N个空白监测数据集提取异常时间窗口；

判断所述异常时间窗口是否满足预设异常时间窗口，若满足，则获得第一预警指令；

并将所述第一预警指令发送至用户端。

使用时间标识，可以确定每个空白监测数据集中缺失数据的时间范围。将这些时间范围提取出来，即可得到异常时间窗口。异常时间窗口表示监测数据集中存在连续的时间段，其中数据缺失或出现异常。预设异常时间窗口是根据特定的监测需求或者业务规则事先设定的时间段。判断所述异常时间窗口是否满足预设异常时间窗口，需要比较异常时间窗口与预设异常时间窗口之间的差异。如果异常时间窗口与预设异常时间窗口相符或者满足特定的条件，即可认为异常时间窗口符合预设。如果异常时间窗口满足预设异常时间窗口，即符合预警条件，***可以生成第一预警指令。第一预警指令可以包含异常时间窗口的具体信息、异常情况的描述以及建议的处理措施等内容。然后，***将该预警指令发送至用户端，供用户参考和采取相应的行动。

对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

等值建模是一种通过分析异常数据的特征和模式，利用已有的监测数据来填补或修正异常数据的方法。根据风电场监测数据集的特点，从中提取关键特征。例如，可以提取风速、温度、湿度等气象因素的特征，以及电流、电压、功率等电气因素的特征。根据提取的特征，选择回归模型、时序模型、神经网络模型等建模方法来建立模型。使用已有的正常监测数据作为训练集，将模型应用于异常风电场监测数据集进行训练。通过模型训练，可以得到一个可以预测和修正异常数据的模型。利用训练好的模型，对异常风电场监测数据集中的异常数据进行修正。通过以上步骤，可以获得修正后的P个风电场监测数据集，这些修正数据集可以更准确地反映实际情况，并且可以用于后续的分析、预测和决策等任务。

进一步而言，方法包括：

利用反距离加权插值法对所述P个异常风电监测数据集进行数据网格化处理，获得P个异常风电监测网格数据集；

构建等值建模处理网络层；

基于所述等值建模处理网络层对所述P个异常风电监测网格数据集进行等值建模处理，获得P个修正风电场监测数据集。

根据异常风电监测数据集的空间分布和分辨率，确定网格的范围和分辨率。利用反距离加权插值法对每个网格内的异常风电监测数据进行插值。反距离加权插值法是一种根据样本点与目标点之间距离的倒数来进行权重计算的插值方法。选择神经网络、决策树、支持向量机等合适的机器学习算法作为网络层的基础模型。使用正常风电场监测数据作为训练集，对网络层模型进行训练。通过训练，网络层可以学习到异常数据的特征和模式，并能够对异常数据进行预测和修正。将网格化后的异常风电监测数据集输入到等值建模处理网络层中。根据网络层的预测能力，将网格化后的异常风电监测数据集进行等值建模处理，得到修正的风电场监测数据集。

进一步而言，方法还包括：

获取多个样本异常风电监测网格数据集和多个样本修正风电场监测数据集作为训练数据；

将所述训练数据按比例划分为训练集和验证集；

利用训练集对基于卷积神经网络构建的框架进行训练，并在训练过程中利用验证集进行监督，直至输出满足要求，获得训练完成的所述等值建模处理网络层。

从多个样本异常风电监测网格数据集和多个样本修正风电场监测数据集中获取训练数据。确保数据集包含足够的样本和标签，以便进行训练和验证。按比例将训练数据划分为训练集和验证集。通常，80％的数据用于训练，20％的数据用于验证。确保训练集和验证集的数据分布相似，以保证模型在不同数据上的泛化能力。选择CNN卷积神经网络框架来进行等值建模处理。使用训练集对网络模型进行训练。通过反向传播算法和优化器(如梯度下降法、Adam优化器等)，调整网络参数以最小化损失函数。在训练过程中，利用验证集监督模型的性能，避免过拟合。根据验证集的性能指标，调整网络结构、超参数和训练策略，以获得更好的模型性能。当模型的性能满足要求时，即可完成训练。此时，已经获得了训练完成的等值建模处理网络层，可以用于进行异常风电场监测数据的修正。

基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

对于每个风电场监测数据集，计算各个特征的中心趋势指标，如均值、中位数、众数等，这些指标可以反映数据的整体水平和主要趋势。根据集中趋势分析的结果，选择对目标风电场模型建设有意义的特征。根据选定的特征，选择机器学习算法(如线性回归、决策树、支持向量机等)或深度学习算法(如神经网络、卷积神经网络等)建模方法来构建目标风电场模型。

进一步而言，方法包括：

分别对所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集中监测数据出现的频次进行统计，获得Q个数据频次集合和P个数据频次集合；

遍历所述Q个数据频次集合和P个数据频次集合筛选频次位于前k位的数据频次对应的监测数据，获得Q个筛选常规风电场监测数据集和P个筛选修正风电场监测数据集；

对所述Q个筛选常规风电场监测数据集和所述P个筛选修正风电场监测数据集进行均值处理，获得Q个目标常规风电场监测数据和P个目标修正风电场监测数据；

基于所述Q个目标常规风电监测数据和P个目标修正风电场监测数据进行建模获得所述目标风电场模型。

对于Q个常规风电场监测数据集和P个修正风电场监测数据集中的监测数据，统计每个数据出现的频次。得到Q个数据频次集合和P个数据频次集合。遍历Q个数据频次集合和P个数据频次集合，筛选出频次位于前k位的数据对应的监测数据。对于筛选出的Q个常规风电场监测数据集和P个修正风电场监测数据集，进行均值处理。计算每个特征的均值，作为该特征的目标常规风电场监测数据和目标修正风电场监测数据。基于所得到的Q个目标常规风电场监测数据和P个目标修正风电场监测数据，进行建模。选择适当的建模方法，如机器学习算法或深度学习算法，根据具体任务需求和数据特点构建目标风电场模型。

提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。

从传感器监测阵列中提取实时监测数据，获得N个实时监测数据。将所述N个实时监测数据输入到目标风电场模型中，对N个实时监测数据进行异常检测。根据模型学习到的正常状态，判断实时数据是否偏离了正常范围。如果检测到异常，根据模型学习到的特征权重或关联性，可以对异常进行定位。通过分析异常数据与各个传感器或位置之间的关系，确定导致异常的具体传感器或区域。将异常分析结果输出，包括异常的类型、时间戳、异常程度等信息，以及异常定位标识。异常定位标识可以是传感器ID、位置坐标或其他唯一标识符，用于指示导致异常的具体传感器或区域。

进一步而言，方法包括：

将所述N个实时监测数据与所述目标风电场模型进行相似度计算，获得N个相似度计算结果；

判断N个相似度计算结果是否小于预设相似度，若是，则将N个相似度计算结果对应的N个实时监测数据添加进所述异常分析结果中。

将N个实时监测数据与目标风电场模型进行相似度计算，并获得N个相似度计算结果。然后判断N个相似度计算结果是否小于预设相似度阈值，如果是，则将这些相似度计算结果对应的N个实时监测数据添加到异常分析结果中。具体来说，使用目标风电场模型，将每个实时监测数据与模型进行相似度计算，如使用余弦相似度、欧氏距离等。对于每个实时监测数据，判断其相似度计算结果是否小于预设相似度阈值。如果小于阈值，则将该实时监测数据视为异常数据。将符合条件的异常数据添加到异常分析结果中。包括异常数据本身的信息，例如时间戳、数值等，以及异常定位标识。

综上所述，本申请实施例至少具有如下技术效果：

交互目标风电场的传感器监测阵列，并获得N个风电场监测数据集，其中每个数据集都具有位置标识。针对这些数据集，进行数据缺失度分析，通过分析确定了P个异常风电场监测数据集和Q个常规风电场监测数据集，其中常规数据集和异常数据集的总数等于N。接下来，对P个异常风电场监测数据集进行等值建模处理，以修正这些异常数据集，得到了P个修正风电场监测数据集。基于Q个常规风电场监测数据集和P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建了目标风电场模型。同时，从传感器监测阵列中提取实时监测数据，得到了N个实时监测数据。最后，基于构建的目标风电场模型，对这N个实时监测数据进行异常分析，得到了异常分析结果，并且能够通过异常定位标识指示异常出现的位置。解决了现有技术中风电场监测数据准确性和可靠性较差的技术问题，达到了提高风电场监测数据的质量和可用性的技术效果。

实施例二

基于与前述实施例中一种基于人工智能风电场的等值建模异常分析方法相同的发明构思，如图2所示，本申请提供了一种基于人工智能风电场的等值建模异常分析***，本申请实施例中的***与方法实施例基于同样的发明构思。其中，***包括：

获得模块11，所述获得模块11用于交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

第一分析模块12，所述第一分析模块12用于对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

处理模块13，所述处理模块13用于对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

第二分析模块14，所述第二分析模块14用于基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

提取模块15，所述提取模块15用于提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

异常分析模块16，所述异常分析模块16用于基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。

进一步的，所述第一分析模块12用于执行如下方法：

分别对所述N个风电场监测数据集进行空白值提取，获得N个空白监测数据集，其中，所述N个空白监测数据集具有时间标识；

对所述N个空白监测数据集进行数据缺失度分析，获得N个数据缺失度；

分别将所述N个数据缺失度与N个数据缺失度之和进行作比，将比值位于前P位的数据缺失度对应的风电场监测数据集作为P个异常风电监测数据集。

进一步的，所述第一分析模块12用于执行如下方法：

基于时间标识和N个空白监测数据集提取异常时间窗口；

判断所述异常时间窗口是否满足预设异常时间窗口，若满足，则获得第一预警指令；

并将所述第一预警指令发送至用户端。

进一步的，所述处理模块13用于执行如下方法：

利用反距离加权插值法对所述P个异常风电监测数据集进行数据网格化处理，获得P个异常风电监测网格数据集；

构建等值建模处理网络层；

基于所述等值建模处理网络层对所述P个异常风电监测网格数据集进行等值建模处理，获得P个修正风电场监测数据集。

进一步的，所述处理模块13用于执行如下方法：

获取多个样本异常风电监测网格数据集和多个样本修正风电场监测数据集作为训练数据；

将所述训练数据按比例划分为训练集和验证集；

利用训练集对基于卷积神经网络构建的框架进行训练，并在训练过程中利用验证集进行监督，直至输出满足要求，获得训练完成的所述等值建模处理网络层。

进一步的，所述第二分析模块14用于执行如下方法：

分别对所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集中监测数据出现的频次进行统计，获得Q个数据频次集合和P个数据频次集合；

遍历所述Q个数据频次集合和P个数据频次集合筛选频次位于前k位的数据频次对应的监测数据，获得Q个筛选常规风电场监测数据集和P个筛选修正风电场监测数据集；

对所述Q个筛选常规风电场监测数据集和所述P个筛选修正风电场监测数据集进行均值处理，获得Q个目标常规风电场监测数据和P个目标修正风电场监测数据；

基于所述Q个目标常规风电监测数据和P个目标修正风电场监测数据进行建模获得所述目标风电场模型。

进一步的，所述异常分析模块16用于执行如下方法：

将所述N个实时监测数据与所述目标风电场模型进行相似度计算，获得N个相似度计算结果；

判断N个相似度计算结果是否小于预设相似度，若是，则将N个相似度计算结果对应的N个实时监测数据添加进所述异常分析结果中。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基于人工智能风电场的等值建模异常分析方法，其特征在于，所述方法包括：

交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。

2.如权利要求1所述的方法，其特征在于，对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，所述方法还包括：

分别对所述N个风电场监测数据集进行空白值提取，获得N个空白监测数据集，其中，所述N个空白监测数据集具有时间标识；

对所述N个空白监测数据集进行数据缺失度分析，获得N个数据缺失度；

分别将所述N个数据缺失度与N个数据缺失度之和进行作比，将比值位于前P位的数据缺失度对应的风电场监测数据集作为P个异常风电监测数据集。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

基于时间标识和N个空白监测数据集提取异常时间窗口；

判断所述异常时间窗口是否满足预设异常时间窗口，若满足，则获得第一预警指令；

并将所述第一预警指令发送至用户端。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

利用反距离加权插值法对所述P个异常风电监测数据集进行数据网格化处理，获得P个异常风电监测网格数据集；

构建等值建模处理网络层；

基于所述等值建模处理网络层对所述P个异常风电监测网格数据集进行等值建模处理，获得P个修正风电场监测数据集。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

获取多个样本异常风电监测网格数据集和多个样本修正风电场监测数据集作为训练数据；

将所述训练数据按比例划分为训练集和验证集；

利用训练集对基于卷积神经网络构建的框架进行训练，并在训练过程中利用验证集进行监督，直至输出满足要求，获得训练完成的所述等值建模处理网络层。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

分别对所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集中监测数据出现的频次进行统计，获得Q个数据频次集合和P个数据频次集合；

遍历所述Q个数据频次集合和P个数据频次集合筛选频次位于前k位的数据频次对应的监测数据，获得Q个筛选常规风电场监测数据集和P个筛选修正风电场监测数据集；

对所述Q个筛选常规风电场监测数据集和所述P个筛选修正风电场监测数据集进行均值处理，获得Q个目标常规风电场监测数据和P个目标修正风电场监测数据；

基于所述Q个目标常规风电监测数据和P个目标修正风电场监测数据进行建模获得所述目标风电场模型。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

将所述N个实时监测数据与所述目标风电场模型进行相似度计算，获得N个相似度计算结果；

判断N个相似度计算结果是否小于预设相似度，若是，则将N个相似度计算结果对应的N个实时监测数据添加进所述异常分析结果中。

8.一种基于人工智能风电场的等值建模异常分析***，其特征在于，所述***包括：

获得模块，所述获得模块用于交互目标风电场的传感器监测阵列，获得N个风电场监测数据集，其中，N个风电场监测数据集具有位置标识；

第一分析模块，所述第一分析模块用于对所述N个风电场监测数据集进行数据缺失度分析，获得P个异常风电场监测数据集和Q个常规风电场监测数据集，其中，Q+P＝N；

处理模块，所述处理模块用于对所述P个异常风电场监测数据集进行等值建模处理，获得P个修正风电场监测数据集；

第二分析模块，所述第二分析模块用于基于所述Q个常规风电场监测数据集和所述P个修正风电场监测数据集进行集中趋势分析，根据分析结果构建目标风电场模型；

提取模块，所述提取模块用于提取传感器监测阵列的实时监测数据，获得N个实时监测数据；

异常分析模块，所述异常分析模块用于基于所述目标风电场模型对所述N个实时监测数据进行异常分析，获得异常分析结果，其中，所述异常分析结果包括异常定位标识。