[发明专利]发电机组的异常数据识别方法及装置、电子设备

说明书

本申请公开了一种发电机组的异常数据识别方法及装置、电子设备。该方法包括：获取发电机组的运行数据，其中，运行数据包括风速数据以及功率数据；将功率数据输入训练完成的逆推模型，由逆推模型输出功率数据对应的预测风速，其中，逆推模型为神经网络模型，由多组训练数据训练得到，每组训练数据包括输入的功率数据以及输出的风速数据；根据风速数据和预测风速的差值是否达到预设阈值，确定运行数据是否异常。解决了相关技术中基于发电机组的数据统计特征，进行异常检测的方式存在计算量大，准确率低的问题。

技术领域

本申请涉及新能源发电领域，具体而言，涉及一种发电机组的异常数据识别方法及装置、电子设备。

背景技术

在风电机组的日常运行中，数据采集系统通常会不间断地采集大量运行数据，其中众多参数对机组的安全运行和效能水平提升具有重要意义。参数的准确性是机组实现优化运行、在线监测的重要支撑，但是由于各类原因，参数的观测值常常偏离实际值。因此，在利用这些数据进行分析之前，需要对其进行预处理，以剔除尽可能多的异常点。

现有研究主要基于数据的统计特征进行风电机组异常数据清洗。中国专利CN202210652602主要通过构建综合异常数据识别结果矩阵，通过优化算法对权重系数和数据清理阈值进行寻优，并提出综合评分指标实现对复杂数据清理效果的综合评价；中国专利CN20 1910892258采用改进的模糊聚类算法对风机运行数据聚类，并采用统计学方法对聚类结果进行计算得到可行域矩阵，进而依次进行异常数据辨识；中国专利CN201510484365根据随机森林模型和梯度迭代决策树模型分别预测样本得到预测结果，从而实现异常数据辨识。

由上述可知，现有技术基于数据统计的修正方法原理较为简单，但实际操作具有一定计算量，且对于数据量具有一定要求；机器学习模型具有较好的拟合非线性关系，但是模型的通用性有限，针对单个对象所建的模型较难应用至其他对象。

针对相关技术中基于发电机组的数据统计特征，进行异常检测的方式存在计算量大，准确率低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种发电机组的异常数据识别方法及装置、电子设备，以解决相关技术中基于发电机组的数据统计特征，进行异常检测的方式存在计算量大，准确率低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种发电机组的异常数据识别方法，包括：获取发电机组的运行数据，其中，所述运行数据包括风速数据以及功率数据；将所述功率数据输入训练完成的逆推模型，由所述逆推模型输出所述功率数据对应的预测风速，其中，所述逆推模型为神经网络模型，由多组训练数据训练得到，每组训练数据包括输入的功率数据以及输出的风速数据；根据所述风速数据和所述预测风速的差值是否达到预设阈值，确定所述运行数据是否异常。

可选的，获取发电机组的运行数据包括：采集所述发电机组在目标时间的运行数据；通过运行数据的时间标签将风速数据和功率数据进行对应，组成数据对；将所述运行数据中的无效数据删除，其中，所述无效数据包括没有对应功率数据的风速数据，没有对应风速数据的功率数据，以及没有时间戳的数据。

可选的，根据所述风速数据和所述预测风速的差值是否达到预设阈值，确定所述运行数据是否异常包括：在所述风速数据和所述预测风速的差值达到预设阈值的情况下，确定所述运行数据异常；在所述风速数据和所述预测风速的差值未达到预设阈值的情况下，确定所述运行数据正常。

可选的，将所述功率数据输入训练完成的逆推模型，由所述逆推模型输出所述功率数据对应的预测风速之前，所述方法还包括：根据所述发电机组的理论运行数据，获取训练集；根据所述神经网络创建所述逆推模型；根据所述训练集训练所述逆推模型，得到训练完成的所述逆推模型。