[发明专利]用于训练异常检测分析器以自动去除离群数据的系统和方法

说明书

一种用于检测资产的操作期间的异常以改进资产的性能的方法包括经由服务器来收集与资产或者包含资产的资产编组的操作相关的数据。数据包括资产或者包含资产的资产编组的正常和不正常资产行为。此外，该方法包括经由服务器中编程的利用异常检测分析器的一个或多个输入或输出的迭代算法自动去除包含不正常资产行为的数据的部分，以形成仅包含正常资产行为的数据集。该方法还包括经由服务器中编程的基于计算机的模型至少使用仅包含正常资产行为的数据集来训练异常检测分析器。此外，该方法包括经由服务器将异常检测分析器应用于资产，以便监测其操作期间的异常。

技术领域

本公开一般涉及风电场，以及更特别涉及用于训练用于一个或多个风电场资产的异常检测分析器（analytic）以使得自动检测和排除与不正常（abnormal）资产行为对应的离群数据（outlier data）的系统和方法。

背景技术

风力被认为是目前可获得的最清洁、最环境友好的能量源之一，并且风力涡轮在这方面已引起越来越多的关注。现代风力涡轮通常包括塔架、发电机、变速箱、机舱(nacelle)和一个或多个转子叶片。转子叶片使用已知的翼型件原理获得风的动能。例如，转子叶片通常具有翼型件的截面轮廓，使得在操作期间，空气在叶片上流动，从而在侧部之间产生压差。因此，从压力侧朝吸力侧引导的升力作用于叶片上。升力在主转子轴上产生转矩，主转子轴啮合至发电机，以用于产生电力。

多个风力涡轮通常相互结合用来生成电力，并且通常称作“风电场”。在操作期间，有利的是，利用各种分析器来评估风力涡轮和/或风电场性能，以确保(一个或多个)风力涡轮和/或风电场正确操作。许多分析器对资产或者资产编组的多参数时间系列数据训练，并且然后应用于资产。这类分析器可包括例如异常检测分析器，所述异常检测分析器将各种机器学习方法用于识别风电场中的(一个或多个)风力涡轮的不正常操作。

但是，现有异常检测分析器具有某些缺点。例如，现有异常检测分析器假定用来训练(一个或多个)检测器的基本（underlying）历史数据对应于一个或多个资产(即，(一个或多个)风力涡轮和/或其各种组件)的健康操作，并且因此呈现正常数据变化。然而不幸的是，这个假设不总是精确的。而是在许多实例中，当训练异常检测分析器时，一个或多个资产不是健康的或者间歇地不是健康的。因此，数据可包含没有对应于正常数据变化的离群值（outlier）。

一些异常检测分析器是健壮的，并且当训练数据包含离群值时仍然工作良好。但是，其他异常检测分析器不是健壮的，并且甚至少量离群训练数据也能够引起不良性能。例如，一些异常检测分析器要求训练数据全部来自健康资产，并且因此对于被来自处于不健康状态的资产的数据样本所污染的训练数据不是健壮的。因此，为了应用这些异常检测分析器，必须首先手动过滤或选择数据，或者必须使用基于资产性质的某个标准来过滤训练数据，或者必须为异常检测分析器创建离群剔除算法（outlier rejection algorithm），这可能要求对于每个异常检测分析器的定制。

鉴于以上所述，本技术是持续的用于改进现有异常检测分析器的新的且改进的系统和方法。相应地，本公开针对用于对用于一个或多个资产的时间系列数据来训练现有异常检测分析器以使得自动检测和排除与间歇不正常资产行为对应的离群数据的系统和方法。

发明内容

本发明的方面和优点将部分在以下描述中阐述，或者可根据本描述是显而易见的，或者可通过本发明的实施来学习。

在一个方面中，本公开针对一种用于检测资产的操作期间的异常以改进资产的性能的方法。该方法包括经由服务器收集与资产或者包含资产的资产编组的操作相关的数据。数据包括资产或者包含资产的资产编组的正常和不正常资产行为。此外，该方法包括经由服务器中编程的利用异常检测分析器的一个或多个输入或输出的迭代算法自动去除（remove）包含不正常资产行为的数据的部分，以形成仅包含正常资产行为的数据集。该方法还包括经由服务器中编程的基于计算机的模型至少使用仅包含正常资产行为的数据集来训练异常检测分析器。此外，该方法包括经由服务器将异常检测分析器应用于资产，以便监测其操作期间的异常。