一种用于风电机组运行检测数据的状态评估方法与流程

本发明涉及电子数据处理领域，尤其涉及一种用于风电机组运行检测数据的状态评估方法。

背景技术：

1、随着风电行业的迅速发展，风电机组已成为清洁能源领域的重要组成部分。然而，由于风能的不确定性和环境条件的复杂性，风电机组在运行过程中容易受到各种因素的影响，可能导致设备异常和性能下降，因此，通过风电机组的运行数据对风电机组的运行状态进行异常检测和运行状态评估成为确保风电机组安全稳定运行的关键。

2、目前，对风电机组的运行检测数据的状态评估主要依赖于传感器采集的数据，例如：风速、发电机转速、温度等，但这些数据量庞大，且受到多种外部因素的影响，使得异常检测变得复杂且容易受到误导。现有技术中，通常使用孤立森林算法对风电机组的运行数据进行异常数据检测，在孤立森林中，每棵树都是通过随机选择特征和划分值构建的，树的深度影响了对异常值的检测能力，较深的树更容易将正常样本分隔得更细致，但也更容易在异常检测中受到噪声的影响和出现过拟合问题，较浅的树可能对异常值更敏感，但在捕捉正常样本的复杂结构方面效果较差，不合适的树的深度会影响异常数据的判断，从而影响风电机组的运行检测数据的状态评估的结果。

3、因此，如何提高使用孤立森林算法对风电机组的运行数据进行异常检测的准确性成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种用于风电机组运行检测数据的状态评估方法，以解决如何提高使用孤立森林算法对风电机组的运行数据进行异常检测的准确性的问题。

2、本发明实施例中提供了一种用于风电机组运行检测数据的状态评估方法，该状态评估方法包括以下步骤：

3、获取风电机组的时序运行数据；

4、构建所述时序运行数据的统计直方图，将所述时序运行数据划分为第一数据集合和第二数据集合，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围；

5、根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，基于所述孤立森林模型中孤立树的初始深度和所述时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；

6、获取所述风电机组的实时时序运行数据，将所述实时时序运行数据输入所述训练好的孤立森林模型，输出所述实时时序运行数据中的异常运行数据，根据所述异常运行数据获取所述风电机组的运行状态评估指标。

7、进一步的，所述在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围，包括：

8、在所述统计直方图中分别获取所述第一密度中心对应的第一纵坐标值和所述第二密度中心对应的第二纵坐标值；

9、在所述统计直方图上以所述第一纵坐标值为圆心，预设值为半径，得到对应的圆作为所述第一密度中心的第一关联范围；

10、在所述统计直方图上以所述第二纵坐标值为圆心，所述预设值为半径，得到对应的圆作为所述第二密度中心的第二关联范围。

11、进一步的，所述根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，包括：

12、获取所述第一关联范围内的第一最大值和所述第二关联范围内的第二最大值，计算所述第一最大值和所述第二最大值之间的差值绝对值；

13、在所述统计直方图中所述第一最大值和所述第二最大值之间的区间范围内，获取最小值；

14、根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值；

15、根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值；

16、计算所述第一差异特征值和所述第二差异特征值之间的均值，获取所述均值与所述差值绝对值之间的乘积，对所述乘积进行负映射，得到对应的映射结果；

17、将常数1与所述映射结果之间的差值作为所述时序运行数据的变化规律指标。

18、进一步的，所述根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值，包括：

19、若所述第一最大值小于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为第一设定值；

20、若所述第一最大值大于或等于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为所述第一最大值和所述最小值之间的差值。

21、进一步的，所述根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值，包括：

22、若所述第二最大值小于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为第二设定值；

23、若所述第二最大值大于或等于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为所述第一最大值和所述最小值之间的差值。

24、进一步的，所述根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，包括：

25、获取预设的变化规律指标阈值，获取所述变化规律指标阈值和所述变化规律指标的对比结果，根据所述对比结果获取所述时序运行数据的推荐分割阈值；

26、将所述推荐分割阈值作为孤立森林模型中孤立树的初始深度。

27、进一步的，所述根据所述对比结果获取所述时序运行数据的推荐分割阈值，包括：

28、若所述变化规律指标阈值小于所述变化规律指标，在所述统计直方图中获取所述最小值对应横坐标值作为所述时序运行数据的推荐分割阈值；

29、若所述变化规律指标阈值大于或等于所述变化规律指标，则获取所述变化规律指标阈值和所述变化规律指标之间的第一差值，获取所述时序运行数据中的最大值与所述最小值对应的横坐标值之间的第二差值，计算所述第二差值和所述变化规律指标阈值之间的比值，获取所述比值与所述第一差值之间的相乘结果，将所述相乘结果和所述最小值对应的横坐标值之间的加和结果作为所述时序运行数据的推荐分割阈值。

30、进一步的，所述根据所述异常运行数据获取所述风电机组的运行状态评估指标，包括：

31、获取所述风电机组的正常运行数据，分别计算每个所述异常运行数据与所述正常运行数据之间的差值绝对值，得到差值绝对值均值，对所述差值绝对值均值进行负映射，得到对应的第一映射结果；

32、在所述实时时序运行数据中确定每个所述异常运行数据的位置，分别计算每两个相邻异常运行数据之间的位置距离，得到位置距离序列，分别计算所述位置距离序列中每相邻两个位置距离之间的差值绝对值，得到差值绝对值的方差，对所述差值绝对值的方差进行负映射，得到对应的第二映射结果，获取常数1减去所述第二映射结果的结果值；

33、将所述第一映射结果和所述结果值之间的乘积作为所述风电机组的运行状态评估指标。

34、进一步的，所述将所述时序运行数据划分为第一数据集合和第二数据集合，包括：

35、利用k-means聚类算法将所述时序运行数据划分为第一数据集合和第二数据集合。

36、进一步的，所述获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，包括：

37、使用dbscan聚类算法分别获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心。

38、本发明实施例与现有技术相比存在的有益效果是：

39、本发明获取风电机组的时序运行数据；构建所述时序运行数据的统计直方图，将所述时序运行数据划分为第一数据集合和第二数据集合，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围；根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，基于所述孤立森林模型中孤立树的初始深度和所述时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；获取所述风电机组的实时时序运行数据，将所述实时时序运行数据输入所述训练好的孤立森林模型，输出所述实时时序运行数据中的异常运行数据，根据所述异常运行数据获取所述风电机组的运行状态评估指标。其中，在使用孤立森林模型对风电机组的时序运行数据进行异常检测时，通过对风电机组的时序运行数据进行聚类，获取该时序运行数据的变化规律指标，变化规律指标越大，规律性越强，孤立森林模型中的孤立树的深度越浅，反之，孤立树的深度越深，从而根据该时序运行数据的变化规律指标获取对该运行时序数据的推荐分割阈值，并将其作为孤立森林模型中的孤立树的初始深度，进而对孤立森林模型进行迭代训练，根据自适应迭代停止条件获取训练好的孤立森林模型，最后，利用训练好的孤立森林模型对风电机组的运行状态进行异常评估，提高了使用孤立森林算法对风电机组的运行数据进行异常检测的准确性。