CN114357866B 基于lstm-ae集成共享框架的风电机组异常数据检测及清洗方法 （江苏大学）

基于LSTM-AE集成共享框架的风电机组异常本发明公开了基于LSTM-AE集成共享框架的场中多个近邻风电机组的SCADA数据预处理获得LSTM-AE集成共享框架引入近邻机组间数据的相藏状态作为惩罚项的损失函数进行多机组联合解码器Di对应拆分并构建单个风电机组的LSTM-比重构值的期望误差概率密度与实际误差的概法提高整体风电场中风电机组模型的异常数据2步骤一、对同一风电场中n个近邻风电机组的SCADA数据预处理获得n个拥有相同时间戳的原始时间序列；对对齐后的数据进行特征工程处理得到扩增时序序列；编码层中的编码器对扩增时序序列进行学习得到隐藏状态，并输入至隐藏状态共享隐藏状态共享层在模型训练过程中优化并调整各个机组隐藏状态的影响比重得到共解码层通过输入的共享隐藏状态对扩增时序序列进行重构，输出对应的扩增时序序通过叠加风电机组的重构误差以及惩罚项获得集成共享框架损失函数基于每个风电机组的重构误差lossi以及惩罚项获得集成共享框架损失函数，表示如使用AE网络拟合误差概率密度与重构值的非线性期望函数，即期望误差概率密3P为拟合AE网络的权重系数矩阵，bP为其偏移量，f为期望误差概率密度估计函步骤3，设定清洗指标ξ,通过对比重构值的期望误差概率密度与实际误差的概率密度2.根据权利要求1所述的基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗在编码层与解码层中添加隐藏状态共享模块，为编码层E＝(E1,E2…En)中的每个编码器设计一个线性权重矩阵WEi,共享隐藏状态是通过叠加每个隐藏状态与对应线性权3.根据权利要求1所述的基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗使用机组i经过滑动窗口扩增后的扩增时序序列Ti=(Hf,H…Hi)作为机组i的LSTM-AE模型的输入，通过解码器得到模型输出的重构序列是第i个机组4.根据权利要求1所述的基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗5.根据权利要求1所述的基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗4[0001]本发明属于风电机组异常数据检测与清洗领域，涉及一种基于LSTM-AE集成共享[0002]能源短缺问题作为限制当今国际社会维持高速发展的主要问题，风能作为可再[0003]通过风电场的数据采集与监视(SCADA)系统进行收集风电机组运行数据是常见手偏离以及传感器故障与传输噪声产生。目前存在很多基于SCADA系统数据的风电机组异常的模型可有效学习风电机组运行状态的变化趋势，能对变化趋势中的异常进行有效的识[0004]为了解决现有技术中不足，本申请提出了基于LSTM-AE集成共享框架的风电机组5各个机组数据影响比重的隐藏状态共享模块，并结合LSTM-AE网络模型结构设计了能有效的期望误差概率密度与实际误差的概率密度在不同工况下自适应的调整对应的误差阈值，[0007]步骤一、对同一风电场中n个近邻风电机组的SCADA数据预处理获得n个拥有相同增层对对齐后的数据进行特征工程处理得到扩增时序序[0010]隐藏状态共享层在模型训练过程中优化并调整各个机组隐藏状态的影响比重得编码器设计一个线性权重矩阵wei,共享隐藏状态是通过叠加每个隐藏状态与对应线6[0020]基于每个风电机组的重构误差lossi以及惩罚项获得集成共享框架损失函数，表[0024]使用机组i经过滑动窗口扩增后的扩增时序序列作为机组i的LSTM-AE模型的输入，通过解码器得到模型输出的重构序列是[0035]步骤3，设定清洗指标ξ,通过对比重构值的期望误差概率密度与实7[0038]进一步，将开始时间的最晚时刻至结束时间的最早时刻作为整体风电机组SCADA据影响比重的隐藏状态共享模块，并结合LSTM-AE网络模型结构设计了能有效进行多机组[0042]图1为本发明所述基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗方8使用的SCADA数据中风电机组带时间戳的工况数据的采集周期为2017年11月～2018年10[0048]从九个风电机组的所有SCADA数据中，将开始时间的最晚时刻至结束时间的最早数据进行特征工程处理得到扩增时序序列。[0053]隐藏状态共享层在模型训练过程中优化并调整各个机组隐藏状态的影响比重得集合中每个向量参数的统计特征与衍生特征，将统计特征与衍生特征作为新的扩增向量，i经过滑动窗口扩增后的扩增时序序列输入编码层E中对应的编码器Ei中，编码器对输入的扩9享隐藏状态中的影响比重，使得机组可通过正常数据比重大的共享隐藏状态训练其解码罚项，λ是控制IIhgllz在损失函数中惩罚效果的重要权重；分解码器Di构建单个风电机组的LSTM-AE模型如图[0067]步骤2，异常数据检测：使用机组i经过滑动窗口扩增后的扩增时序序列作为机组i的LSTM-AE模型的输入，通过解码器得到模型输出的重构序列[0075]使用AE网络拟合误差概率密度PY与重构值的非线性期望函数，即期望误差[0078]步骤3，设定清洗指标ξ,通过对比重构值的期望误差概率密度与实[0089]综上，本发明公开了基于LSTM