本发明涉及风机基础沉降数据补全,具体而言,涉及一种多风机基础沉降量测数据补全建模及使用方法。
背景技术:
1、近年来我国风力发电行业经历了快速发展及装机容量的迅速增加,截止到2022年末,我国风电累计装机容量已达到3.7亿千瓦。同时,风电企业、风电设备制造企业迅速成长,配套电网建设逐步加强,风电场整体运行态势良好,但风电场安全运行管理工作仍是重中之重。电力系统是社会和生活的重要保障,电力系统的安全和稳定是一切社会活动的基础。
2、其中风电场作为近年来大规模发展的新能源发电方式,风电场的安全和稳定运行关系着我国电力系统的发展以及安全和稳定的运行。风机基础沉降数据采集是维持风电场安全运行管理工作中的重要工作,精确的风机基础沉降数据采集对于保证风电场的安全、稳定和经济运行十分重要。但风机基础沉降采集的历史数据在数据采集、传输及存储的过程中,由于传感器空采样、通信异常等不可控因素难免出现数据缺失的状况。样本的缺陷导致可用数据减少、时间关联性被破坏;数据量的减少会造成训练模型无法被完全驱动、相关模型的结果存在偏差,导致无法对风机的运行状态进行准确的分析,这对维持风机的安全运行带来了很大的风险,如何风机基础沉降采集的历史数据,对于开展风电场安全运行管理工作具有重要意义。
技术实现思路
1、本发明的目的是提供一种多风机基础沉降量测数据补全建模及使用方法,来解决现有技术中的上述问题。
2、本发明的实施例通过以下技术方案实现:
3、第一方面,本发明提供了一种多风机基础沉降量测数据补全模型构建方法,包括;
4、基于风机基础沉降动态检测数据,构建小波去噪的优化卡尔曼滤波模型;
5、基于风机基础沉降数据信息空间和时间的相关性和连续性,构建时空信息补偿关联矩阵;
6、对某一划分时段的低可信度的风机基础沉降数据信息进行信息补偿;
7、构建生成器网络结构,计算生成损失和对抗损失对数据进行端到端优化;
8、结合特定风机基础沉降数据集训练梯度惩罚的wasserstein生成对抗网络模型,对得出的生成数据补全效果进行分析。
9、在本发明的一实施例中,所述时空信息补偿包括用空间和时间估计参数对下一时刻的风机基础沉降观测点高程信息进行平滑补偿,其中空间和时间信息补偿网络的损失函数使用正则化方法表示,其优化的参数估计为θ*,具体为:
10、
11、其中,i′t+k表示it+k经过空间和时间变换tθ(it+k)后的风机基础沉降观测点高程数据矩阵,tθ(·)表示基于监测点高程相关矩阵模型,用来模拟高程数据变化,θ*表示空间和时间信息参数的最优化估计,λ表示正则化参数,l表示拉普拉斯算子;将θ*等式右边微分,采用最大梯度下降法进行迭代分析,得到最优空间和时间信息参数θ*。
12、在本发明的一实施例中,所述基础沉降数据集训练梯度惩罚的wasserstein生成对抗网络模型包括矩阵规范化、噪声模型、生成器网络结构、生成损失、对抗损失。
13、在本发明的一实施例中,所述矩阵规范化包括;
14、
15、
16、其中,表示经过规范化后的数据矩阵,x表示初始输入数据矩阵,hi表示每个数据大小因子,为第i行数据总计数除以此行的中位数,n和p表示行与列的数量。
17、在本发明的一实施例中,所述噪声模型包括;
18、
19、其中,表示负二项分布,表示离散度,μ表示均值,x表示数据值。
20、在本发明的一实施例中,所述生成器网络结构包括;
21、
22、所述生成器网络结构基于唯一分子标识符的负二项分布似然函数作为损失函数;
23、对数据进行去噪,得到低维隐层,所述低维隐层用来总结数据的特征;
24、基于隐层特征进行负二项分布回归,估计出数据的分布参数均值和离散度;
25、其中,e、b、d表示编码器层、瓶颈层和解码器层,均使用了relu激活函数,we、wb、wd表示编码器层、瓶颈层和解码器层的参数,θ表示平均值和离散度的输出层,使用的激活函数为指数函数。
26、在本发明的一实施例中,所述生成损失包括;
27、
28、其中,xij表示原始数据矩阵x中的元素,i和j表示行和列的下表,m为平均值矩阵乘以先前步骤中计算得到的每个数据大小因子,表示生成器网络平均值和离散度输出层的损失函数。
29、在本发明的一实施例中,所述对抗损失包括;
30、
31、其中,lgan表示对抗损失,dx表示判别器,p(x)、表示原始数据和生产数据服从的分布。
32、第二方面,本发明还提供了一种多风机基础沉降量测数据补全模型使用方法,其特征在于,包括上述的一种多风机基础沉降量测数据补全模型构建方法,还包括;
33、输入初始数据矩阵,规范化初始数据;
34、生成平均值和离散度层;
35、根据采集的风机基础沉降的输入数据使用极大似然估计的方式估计nb分布的两个参数;
36、计算生成损失和对抗损失对数据端进行端到端优;
37、使用keras和tensorflow进行训练;
38、得到生成的数据,对补全效果进行分析。
39、第三方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述的一种多风机基础沉降量测数据补全模型构建方法。
40、本发明实施例的技术方案至少具有如下优点和有益效果:
41、采用本发明所提供的方法,主要包括了基于风机基础沉降数据信息空间和时间的相关性和连续性,构建时空信息补偿关联矩阵,对某一划分时段的低可信度的风机基础沉降数据信息进行信息补偿;构建生成器网络结构,根据计算生成损失和对抗损失对数据进行端到端优化;结合特定风机基础沉降数据集训练梯度惩罚的wasserstein生成对抗网络模型,对得出的生成数据补全效果进行分析。基于梯度惩罚的wasserstein生成对抗网络的多风机基础沉降量测数据补全,构建生成器网络结构,根据计算生成损失和对抗损失对数据进行端到端优化,减少噪声对数据挖掘的影响,尽量得到真实有效的数据分析结果,从而减小风机基础沉降数据分析结果上的偏差。
1.一种多风机基础沉降量测数据补全模型构建方法,其特征在于,包括;
2.根据权利要求1所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述时空信息补偿包括用空间和时间估计参数对下一时刻的风机基础沉降观测点高程信息进行平滑补偿,其中空间和时间信息补偿网络的损失函数使用正则化方法表示,其优化的参数估计为θ*,具体为:
3.根据权利要求1所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述基础沉降数据集训练梯度惩罚的wasserstein生成对抗网络模型包括矩阵规范化、噪声模型、生成器网络结构、生成损失、对抗损失。
4.根据权利要求3所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述矩阵规范化包括;
5.根据权利要求4所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述噪声模型包括;
6.根据权利要求5所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述生成器网络结构包括;
7.根据权利要求6所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述生成损失包括;
8.根据权利要求7所述的一种多风机基础沉降量测数据补全模型构建方法,其特征在于,所述对抗损失包括;
9.一种多风机基础沉降量测数据补全模型使用方法,其特征在于,包括权利要求1-8任意一项所述的一种多风机基础沉降量测数据补全模型构建方法,还包括;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的一种多风机基础沉降量测数据补全模型构建方法。