一种海上风电异常功率数据自动识别方法及系统与流程

技术特征：

1.一种海上风电异常功率数据自动识别方法，其特征在于，包括：

2.根据权利要求1所述的一种海上风电异常功率数据自动识别方法，其特征在于，各个深度学习模型的权重占比确定步骤如下：

3.根据权利要求1所述的一种海上风电异常功率数据自动识别方法，其特征在于：所述所述异常数据识别模型包括通用规范特征学习和依赖异常测量的特征学习两类，所述通用规范特征学习包括自编码器、生成对抗网络、预测性建模和自监督分类器等四种通用规范特征学习模型；

4.根据权利要求1所述的一种海上风电异常功率数据自动识别方法，其特征在于：所述数据清洗主要包括剔除停机点的数据、剔除离群点的数据、修正错误数据和检查标记数据类型是否正确。

5.根据权利要求1所述的一种海上风电异常功率数据自动识别方法，其特征在于：所述异常数据类型基于shapelet函数来定义产生的三种异常类型，包括异常的局部子序列、异常周期性的的局部子序列和异常趋势的局部子序列；

6.应用权利要求1-5任一所述的一种海上风电异常功率数据自动识别方法的系统，其特征在于：

技术总结
本发明公开了一种海上风电异常功率数据自动识别方法及系统，涉及异常数据识别技术领域。包括数据采集，异常数据标注，数据清洗，数据库扩充，深度学习模型训练，采用历史数据库中数据进行多个深度学习模型的训练，获得对应异常值预测模型；异常值自动识别，将采集到的实时数据自动标注、清洗后作为异常值预测模型输入特征，获取各深度学习模型的预测结果，确定各个深度学习模型的权重占比，并根据所述权重对预测结果进行加权平均计算以获得该预测结果异常的概率值，然后判断所述概率值是否达到预警阈值，若是，则发出预警，若否，则不发出预警。本发明提高了对海上风电运行状态的监控和响应能力，精细化管理海上风电运行状态。

技术研发人员：林信,蒙文川,于明,杨再敏,周春丽,周恒旺,饶志,潘珍,罗启登,覃晖,唐彬,梁沁沁,黄丽娟,黎立丰,李爽,王冰林
受保护的技术使用者：广西电网有限责任公司
技术研发日：
技术公布日：2024/3/27