[发明专利]一种基于OC-RKELM的风电机组状态监测方法

权利要求书

1.一种基于OC-RKELM的风电机组状态监测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集风电机组的运行数据、环境参数数据，风电机组运行数据包括桨距角、发电机转速和有功功率，环境参数包括风速、风向和环境温度；

步骤2：对采集到的风电机组数据进行清洗，包括对缺失值、异常值进行处理；对待机、停机数据以及离群数据进行清除；建立风电机组正常运行数据的健康数据集；

步骤3：基于风电机组的健康数据集，利用OC-RKELM模型建立针对健康数据集的数学描述，其中，OC-RKELM模型输出的一维指标即表征了输入的实时运行数据与风电机组健康数据集中数据的相似程度；

步骤4：基于历史正常数据的分析来确定健康阈值，以判断运行数据是否隶属于风电机组健康数据集；

步骤5：对风电机组实时运行数据进行相应的处理，基于OC-RKELM模型判断其是否为正常运行数据，当满足预警条件时，对风电机组进行预警、停机检查。

2.如权利要求1所述的一种基于OC-RKELM的风电机组状态监测方法，其特征在于，所述步骤2的过程为：

步骤21：清除采集的数据中存在缺失的数据；清除超出参数给定范围的数据；

步骤22：为获取到纯净的风电机组正常运行数据，首先清除掉机组待机以及停机状态下的数据；其次，通过局部异常因子离群点检测算法，将严重偏离健康数据集群的离群数据去除；

步骤23：为消除量纲影响，对数据清理后的数据进行相应的归一化。

3.如权利要求2所述的一种基于OC-RKELM的风电机组状态监测方法，其特征在于，所述步骤2中，为消除量纲影响，对风电机组数据进行相应的归一化，归一化是对原始数据的线性变换，使变换的结果落到[0,1]区间，转换函数如下：

对离群数据的清洗采用局部异常因子算法，其中有如下一些定义：

k-距离：对于数据集D中某一对象p，定义p的k-距离为p和对象o∈D之间的距离k-dist(p)＝d(p,o)，对象o满足以下两个条件：①至少有k个对象o’∈D\{p}，满足d(p,o’)≤d(p,o)；②最多有k-1个对象o’∈D\{p}，满足d(p,o’)＜d(p,o)；

k-距离邻域：对象p的k-距离邻域N_k(p)，定义为D中与p的距离不超过p的k-距离的所有对象：

N_k(p)＝{q∈D\{p}|d(p,q)≤k-dist(p)} (2)

可达距离：对象o到对象p可达距离reach-dist_k(p,o)定义为：

reach-dist_k(p,o)＝max{k-dist(o),d(p,o)} (3)

即为对象p与对象o的k-距离中的较大值；

局部可达密度：对象p的局部可达密度lrd_k(p)定义为：

表示对象p的k-距离邻域内的对象与对象p可达距离的比值；

局部异常因子：对象p的局部异常因子定义为：

表示p的k-距离邻域内的对象的局部可达密度与p的局部可达密度之比的平均数，局部异常因子可以描述对象p的离群程度，当局部异常因子小于或等于1时，说明p位于数据密集区域内；当局部异常因子大于1时，说明p可能远离数据密集区域，值越大p离群的程度越高。

4.如权利要求1～3之一所述的一种基于OC-RKELM的风电机组状态监测方法，其特征在于，所述步骤3的过程为：支持向量选取：为选取到具有代表性的风电机组运行数据，采用系统抽样方法进行抽样，操作为：对功率、时间等参数进行分段，并划分出相应的子样本集，从各个子样本集中抽取样本作为支持向量。