[发明专利]一种基于压缩感知的风力发电机组异常检测方法

权利要求书

1.一种基于压缩感知的风力发电机组异常检测方法，其特征在于，对风机机组出现异常时各种传感器采集的历史数据进行数据分析，获得测量矩阵的过程，所述方法至少包括以下步骤：

1)将各传感器在每τ秒内采集的实时数据取平均值作为一组测量值Y∈R^m，m为传感器的种类个数，即测量值Y的长度；

2)将机组模块中的器件状态良好设为0值，状态异常设为非0值，对应出现异常时各个器件的状态组成集合X∈R^N，N为可能出现异常的器件个数，即稀疏信号长度；

3)将多组测量值Y∈R^m和稀疏信号X∈R^N，代入Y＝ΦX可得出测量矩阵Φ∈R^m×N；

4)将测量矩阵Φ进行优化，作为风力发电机组异常检测的经验矩阵。

2.根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征在于，将经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检测出现异常器件，所述方法至少还包括以下过程：

1)将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y∈R^m；

2)将风力机组的模块中各个器件的状态组成信号X∈R^N；

3)利用m维向量Y和经验矩阵Φ，通过正交匹配追踪(OMP)算法，重构稀疏信号X，步骤如下：

①初始化数据：残差初始值R₀为机组传感器采集的数据组Y，即R₀＝Y，记录异常器件地点的支撑集初始值设置最高迭代次数为m，其中m为测量值长度，迭代初始值t＝1，初始支撑测量矩阵

②计算残差R和经验矩阵列向量的内积，并找到其最大值所对应的下标λ_l：

③更新支撑集Λ_t＝Λ_t-1∪{λ_t}，记录传感矩阵中重建原子集合

④采用最小二乘法估计表示器件状态的稀疏信号中非零值

${\tilde{X}}_t=\arg \min \left|\right|Y-{\mathrm{\Φ}}_t\tilde{X}\left|\right|;$

⑤更新残差迭代次数t＝t+1；

⑥判断迭代次数：若t≤m跳至步骤②继续计算，否则输出器件状态信号并结束过程。

3.根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征在于，还包括优化测量矩阵Φ得出经验矩阵的过程：

1)输入各传感器采集的数据组作为测量值Y∈R^m和表示器件状态的稀疏信号X∈R^N；

2)通过多组测量值数据与稀疏信号数据得出测量矩阵Φ∈R^m×N；

3)将测量矩阵进行优化，其优化过程如下；

①定义参数：相干性阈值Th∈R，稀疏基矩阵D∈R^N×m，测量值Y的长度m∈R，微小化因子γ∈R，迭代次数Iter∈R；

②输入上述得到的测量矩阵Φ∈R^m×N作为初始经验矩阵Φ₀，设置最高迭代次数C，C∈Z，初始化Iter＝1，k＝0，k∈Z；

③标准化矩阵中的列向量，并通过计算Gram矩阵G_k；

④设定阈值并做收缩操作：设置固定的阈值Th，通过以下公式更新Gram矩阵并得到

$g_{ij}=\left\{\begin{array}{c}{\mathrm{\γg}}_{ij},\left|g_{ij}\right|\≥Th\\ \mathrm{\γ}Th\·sign\left(g_{ij}\right),Th\>\left|g_{ij}\right|\≥\mathrm{\γ}Th\\ g_{ij},\mathrm{\γ}Tj\>\left|g_{ij}\right|\end{array}\right.;$

⑤应用SVD(奇异值分解)，使得的秩为m，令求G_k的均方根S_k，其中S_k∈R^m×N；

⑥更新Φ：赋值Φ_k+1为满足最小化的误差的Φ，并令k＝k+1，迭代次数Iter＝Iter+1；

⑦判断迭代次数：若Iter≤C则返回③继续执行，否则输出经验矩阵并结束过程；

4)将优化后的测量矩阵作为经验矩阵进行后续异常检测。