[发明专利]监测风电机组状态的方法及系统

说明书

本发明提供一种用于监测风电机组异常状态的方法。该方法包括：对风电数据进行离散化预处理，以生成排序的数据集，该排序的数据集包括根据所述风电数据的属性划分的多个区间；将排序的数据集存储为频繁模式树的形式；遍历频繁模式树以查找最大子空间集；利用多维聚类方法将最大子空间集中的风电数据划分为多个聚类簇；以及将多个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。通过本发明的方法，可以对包括多维属性的风电数据的异常点进行挖掘，具有较高的异常状态识别率。

技术领域

本发明属于风力发电技术领域，尤其涉及一种监测风电机组状态的方法及系统。

背景技术

风能作为一种清洁的可再生能源，不仅有利于改善环境污染问题而且可以有效的调节能源结构，受到世界各国越来越多的重视，风力发电是目前电力领域发展最快的发电方式之一。监测风电机组(风机)的状态有利于用户及时了解风机的运行，从而根据其状态进行控制。例如，当风机处于异常状态时，可以控制风电机组的最大出风力，从而提高风电机组的效率，节约成本。

然而，在现有技术中，风机异常状态的监测以识别处偏离正常功率曲线范围的数据为目标，将该部分数据定义为异常点，并监测正常数据和异常数据的整体数据分布以评估风机的异常状态。这种方法具有片面性和不准确性，这主要体现在以下方面：其一，这种方法主要以分析功率-风速二维属性的数据分布形式，没有充分考虑其他属性与异常数据的关联性，例如，强风、雨雪等气候因素以及风机自身的偏航系统和变浆系统等，而这些因素导致实际输出功率和预期的输出功率之间存在偏差，使正常数据范围内分布着杂乱的异常点。因此，导致异常状态识别率低，尤其对于大量的风电数据，由于其它属性所决定的异常点变多，更进一步降低异常状态的识别率；其二，对于风电数据中的异常数据挖掘，在现有技术中，通常采用APRIORI自连接方式寻找最大子空间，在每个子空间中遍历连通的密集网格单元作为聚类簇，这种方式需要多次访问风电数据库，并且时间复杂度较高，此外，现有技术中采用的例如K-Means等聚类方法，聚类结果精度不高，尤其是在数据属性不断增加时，在多维空间下数据分布稀疏，无法有效的进行多维聚类，因此，不能识别某些特定的数据分布状态。

因此，需要对现有技术进行改进，以解决上述至少一个问题。

发明内容

本发明的目的是解决上述现有技术中的缺陷，提供一种的新的监测风电机组状态的方法。

根据本发明的一个方面，提供了一种监测风电机组状态的方法，该方法包括：

步骤1：对风电数据进行离散化预处理，以生成排序的数据集，所述排序的数据集包括根据所述风电数据的属性划分的多个区间；

步骤2：将所述排序的数据集存储为频繁模式树的形式；

步骤3：遍历所述频繁模式树以查找最大子空间集；

步骤4：利用多维聚类方法将所述最大子空间集中的风电数据划分为多个聚类簇；以及

步骤5：将所述多个聚类簇划分为正常簇和异常簇，以监测所述风电机组的状态。

优选地，其中，所述风电数据的属性包括风电机组的功率、风速、环境温度、叶片对风的角度、齿箱温度中的一种或多种。

优选地，步骤1包括：将所述风电数据划分为多个不相交的区间并计算每个区间的频繁度；选择高于频繁度阈值的区间；以及计算所选择的区间的频繁度并按照频繁度从高到低的顺序排序，以形成排序的数据集。

优选地，在步骤3中，采用从左至右，从下向上的顺序来遍历所述频繁模式树。

优选地，在步骤4中，对于所述最大子空间集中的每个子空间执行以下步骤：定义K个混合高斯模型；对于所述每个子空间中的风电数据计算由K个高斯模型产生的概率；基于计算的概率将所述每个子空间中的风电数据划分到K个聚类簇中。