[发明专利]一种风力发电机多维时序数据在线分割方法

说明书

本发明提出一种风力发电机多维时序数据在线分割方法，解决多维时序数据聚类问题，其包括以下步骤：提取运行SCADA系统中多个参数的时序数据作为训练数据集和测试数据集，将训练数据集进行变参数运算获得对应的聚类结果P_i、托普利兹逆协方差矩阵Θ_i、原始均值E_o和堆叠均值E_s；之后根据获得的聚类结果计算BIC分数和Macro‑F1分数，对BIC分数和Macro‑F1分数进行分析选择得出最优窗口数参数w_opt和聚类数参数k_opt；继而将训练数据集在最优参数下得到的托普利兹逆协方差矩阵Θ_i、原始均值E_o和堆叠均值E_s以及最优窗口数w_opt和最优聚类数k_opt作为在线分割的输入参数；之后将测试数据集输入并运算，得到对应测试数据集的聚类结果；更新输入的测试数据集重新进行聚类计算，获取新的测试数据集的聚类结果。

技术领域

本发明属于大型风力发电机时序数据聚类技术，具体涉及一种风力发电机多维时序数据在线分割方法。

背景技术

随着风电行业的发展，每年的装机量逐年增加，随之而来的高效运行和维护问题成为风电行业关注的问题。为了监控风力发电机的实时运行状态，通常安装了SCADA(Supervisory Control and Dataacquisition)系统。通过SCADA系统可以采集风速、功率、转速和温度等大量运行特征数据。对运行特征数据进行聚类分析，从而可以实现状态评估、故障诊断和故障预测等功能。由于SCADA系统所采集到的数据是多维的，金耀辉、何浩等人发明的一种基于矩阵分解的多维时序数据分析方法(CN202011090353.7)通过对时间维度矩阵P和特征维度矩阵Q进行分析，预测下一个时间点对应的多维数据和所有特征之间的互相关系，完成对多维时序数据的分析。但该方法只对多维时序数据进行了预测。叶林、李镓辰等人发明的一种考虑时空相关性的多维时序数据的聚合方法(CN201910932946.4)主要针对含风电、光伏发电的电力系统中多能源跨季互补年/月优化调度的问题。卢国梁、高帧等人发明的一种行为视频无监督时序分割方法(CN201511025422.5)在行为视频分析中对数据变化点做出决策，无需先验知识在线实时的进行无监督分割，直接应用于行为视频数据在线分析中。本专利提出一种基于托普利兹逆协方差矩阵的多维时序数据分割算法对多维风电SCADA高分辨时序数据进行高效分割并聚类。

发明内容

为解决难以对多维数据进行聚类的技术问题，本发明提供了一种风力发电机多维时序数据在线分割方法，其具体通过以下技术手段实现：

一种风力发电机多维时序数据在线分割方法，其包括以下步骤：

S1：建立训练数据集和测试数据集；

提取风力发电机SCADA系统中参数数据作为训练数据集和测试数据集，所述参数包括风速、风向、功率等；

S2：根据由步骤S1中所获得的训练数据集作为输入数据集，通过变参数运算获得对应于各参数下的聚类结果P_i、托普利兹逆协方差矩阵Θ_i、原始均值E_o和堆叠均值E_s；

S3：根据S2得到的不同参数组合下的聚类结果P_i，得到对应的BIC分数和Macro-F1分数，继而通过对BIC分数和Macro-F1分数的比较选择得出最优窗口数w_opt和最优聚类数k_opt；

S4：将最优参数下运算得到的托普利兹逆协方差矩阵Θ_i、原始均值E_o和堆叠均值E_s以及最优窗口数w_opt和最优聚类数k_opt作为在线分割的输入参数；

S5：将测试数据集输入并运行，得到对应测试数据集的聚类结果；