[发明专利]一种基于机器学习的风电场站运行数据异常识别方法

权利要求书

1.一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，包括：

S1、收集风电场站的历史风速数据和对应的功率运行数据；

S2、确定所述历史风速数据和对应的功率运行数据中的正常运行数据和异常运行数据；

S3、构建深度学习算法模型，将分别带有相应标签的正常运行数据和异常运行数据，对所述深度学习算法模型进行学习、训练和测试，获得最优模型；

S4、将待识别风电场站的风速数据和对应的功率运行数据，通过所述最优模型，输出异常运行数据的识别结果。

2.如权利要求1所述的一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，所述S2中的异常运行数据，包括：

普通异常数据点、离散型异常数据点和堆积型异常数据点。

3.如权利要求2所述的一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，所述S2具体包括：

S21、根据物理机理识别所述普通异常数据点；

S22、采用横纵四分位法识别所述离散型异常数据点；

S23、采用近邻传播聚类算法识别所述堆积型异常数据点。

4.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，所述S21具体包括：

所述历史风速数据和对应的功率运行数据中，如果在任一时刻下满足预设条件，则为所述普通异常数据点：

所述预设条件包括以下一种或多种：

(1)当所述历史风速数据和对应的功率运行数据中，任意一个小于或等于0；

(2)所述历史风速数据和对应的功率运行数据中，当所述历史风速数据小于切入风速且所述功率运行数据大于0；

(3)所述历史风速数据和对应的功率运行数据中，当所述历史风速数据大于切出风速且所述功率运行数据大于0；

(4)所述历史风速数据和对应的功率运行数据中，当所述功率运行数据大于1.2倍的额定功率。

5.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，所述S22具体包括：

对历史风速数据进行等间隔划分，获得多个区间的历史风速数据；采用四分位算法依次对每个区间内所述历史风速数据对应的功率运行数据的离散型异常数据点进行识别；

对功率运行数据进行等间隔划分，获得多个区间的功率运行数据；采用四分位算法依次对每个区间内所述功率运行数据对应的风速数据的离散型异常数据点进行识别。

6.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法，其特征在于，所述S23具体包括：

将所述历史风速数据和对应的功率运行数据作为潜在的聚类中心，根据不同时刻下所述历史风速数据和对应的功率运行数据的相似度，构建相似度矩阵；

采用近邻传播聚类算法对所述相似度矩阵进行迭代计算，实现对历史风速数据和对应的功率运行数据的聚类，基于此识别所述堆积型异常数据点。