一种长时间数据缺失特性下的风机偏航数据异常检测方法

本发明属于风机偏航数据异常检测，特别是涉及一种长时间数据缺失特性下的风机偏航数据异常检测方法。

背景技术：

1、风能作为一种清洁的可再生能源，是实现可持续发展的重要能源。风力发电将风能转换为机械能，再将机械能转换为电能，风电机组的稳定运行是保证系统发电效率的重要前提。偏航系统是风电机组特有的组成系统之一，偏航系统的数据能够在很大程度上反映整个风电机组的运行状态，偏航数据出现异常时，通常认为整个系统将出现异常或故障，因此对偏航数据进行异常检测，可以保证风电机组稳定运行。

2、在风电机组运行过程中，scada系统不间断地采集各种模态的时序数据，再利用这些时序数据进行风机异常检测。在数据采集过程中，由于scada系统稳定性、信号传输等因素的影响，不可避免地会出现数据缺失，在数据预处理中则需要对缺失数据进行补齐，少量的缺失数据可以采用插值等常规手段进行补齐操作，但因计划内停机、数据库停止和重启、服务器断电、缓存溢出等原因导致的缺失数据在整个序列中占比较大，采用常规手段补齐会忽略缺失片段的整体变化趋势，导致神经网络模型学习到的特征的表征效果较差，检测精度降低。因此，本发明针对时序数据长时间缺失这一特性，提出一种长时间数据缺失特性下的风机偏航数据异常检测方法。

技术实现思路

1、针对现有技术的不足，本发明拟解决的技术问题是，提供一种长时间数据缺失特性下的风机偏航数据异常检测方法。

2、本发明解决所述技术问题采用如下的技术方案：

3、一种长时间数据缺失特性下的风机偏航数据异常检测方法，其特征在于，包括以下内容：

4、采集风电机组停机检修期间的偏航数据序列，从采集的偏航数据序列中提取偏航数据，得到预处理的偏航数据序列；

5、将缺失片段划分为两段，两段数据的长度分别为：

6、

7、n＝p–m(2)

8、其中，m为缺失片段前一段数据的长度，n为缺失片段后一段数据的长度，m、n为位于缺失片段前、后的已知数据长度，p为缺失片段的数据长度；

9、基于prophet模型构成sef-prophet模型，sef-prophet包括s-prophet、e-prophet和f-prophet三个模型，s-prophet模型用于预测缺失片段的前一段数据，e-prophet用于预测缺失片段的后一段数据，f-prophet模型用于缺失片段的整体拟合；

10、将拟合得到的缺失片段与缺失片段前、后的已知数据进行拼接，得到补齐后的偏航数据序列；

11、基于自动编码器构建异常检测模型，将补齐后的偏航数据序列输入到异常检测模型进行重构，并计算重构误差，若重构误差大于等于设定阈值，则认为异常，否则为正常。

12、进一步的，s-prophet模型的输入为位于缺失片段前的m条已知数据，预测数据长度为m；位于缺失片段后的n条已知数据以倒叙形式输入到e-prophet模型中，预测数据长度为n；缺失片段的两段数据拼接后输入到f-prophet模型中进行拟合，拟合数据长度为p。

13、与现有技术相比，本发明的有益效果是：

14、1.本发明针对缺失片段较长的偏航数据，采用双向补齐策略进行补齐操作，将缺失片段划分为两段，而两段数据长度不一致，缺失片段的前一段数据与位于缺失片段前的已知数据具有更高的自相关性，缺失片段的后一段数据与位于缺失片段后的已知数据具有更高的自相关性，进而保证了缺失片段与整个序列的趋势和周期一致性。利用prophet模型分别预测缺失片段的两段数据，将位于缺失片段前的已知数据输入到s-prophet模型中预测缺失片段的前一段数据，将位于缺失片段后的已知数据倒叙输入到e-prophet模型中预测缺失片段的后一段数据，完成缺失数据的补齐；为了消除段数据拼接过程中所产生的趋势项演变带来的数据低拟合性，将预测得到的两段数据输入到f-prophet模型对整个缺失片段进行预测。

15、2.将补齐后的偏航数据输入到自动编码器中进行异常检测，提高预测精度。该方法对异常时序数据具有较好的适应性，不仅可以实现点异常检测，还可以实现不同长度的异常区间检测，为风电机组正常稳定运行提供了保障。

技术特征：

1.一种长时间数据缺失特性下的风机偏航数据异常检测方法，其特征在于，包括以下内容：

2.根据权利要求1所述的长时间数据缺失特性下的风机偏航数据异常检测方法，其特征在于，s-prophet模型的输入为位于缺失片段前的m条已知数据，预测数据长度为m；位于缺失片段后的n条已知数据以倒叙形式输入到e-prophet模型中，预测数据长度为n；缺失片段的两段数据拼接后输入到f-prophet模型中进行拟合，拟合数据长度为p。

3.根据权利要求1或2所述的长时间数据缺失特性下的风机偏航数据异常检测方法，其特征在于，若缺失片段的数据长度占预处理的偏航数据序列长度的比例大于等于8％，则满足长时间数据缺失特性。

技术总结
本发明为一种长时间数据缺失特性下的风机偏航数据异常检测方法，首先采集风电机组停机检修期间的偏航数据序列，从采集的偏航数据序列中提取偏航数据，得到预处理的偏航数据序列；然后，将缺失片段划分为两段，利用S‑Prophet模型预测缺失片段的前一段数据，E‑Prophet预测缺失片段的后一段数据，F‑Prophet模型用于缺失片段的整体拟合，再将拟合得到的缺失片段与缺失片段前、后的已知数据进行拼接，得到补齐后的偏航数据序列；最后，基于自动编码器构建异常检测模型，将补齐后的偏航数据序列输入到异常检测模型进行重构，并计算重构误差，若重构误差大于等于设定阈值，则为异常，否则为正常。采用双向补齐策略对缺失片段进行补齐，保证了缺失片段与整个序列的趋势和周期一致性，具有更高的预测精度。

技术研发人员：张大威,林涛,赵锦山,雷旭阳,陈美润,赵磊,吴昌衡
受保护的技术使用者：河北工业大学
技术研发日：
技术公布日：2024/1/15