CN119508156A 考虑多机组状态相似性的风电机组异常检测方法 （国网青海省电力公司海南供电公司）

考虑多机组状态相似性的风电机组异常检本发明涉及一种考虑多机组状态相似性的风电机组异常检测方法。首先构建评估指标体动时窗与相似机组预测残差的分位数作为实时2结合局部离群因子(LOF)算法对风电机组的运行数据进行预处理，选择小波基函数和分解S3.定性评估，利用S2中处理后的数据构建云模型描述实时运行数据的不确定性和模0通过对历史运行数据进行回归分析，确定各个因素对性能指标的34根据阈值处理方法去除噪声成分；小波系数固定阈值为λ,则处理后的小波系数s()表示通过逆小波变换重构去噪后的信号；通过将处理后的尺度系数和小波系数与6.根据权利要求1所述的考虑多机组状态相似性的风电机组异常检测方法，其特征在5S32.计算隶属度和定性评价，使用正态云模型计7.根据权利要求6所述的考虑多机组状态相似性的风电机组异常检测方法，其特征在3n}；6S42.结合隶属度和权重计算综合评估分数，设数据点在不同评价等级的隶属度为ik,各评估指标的权重为ωi，则综合评估分数表示为：9.根据权利要求1所述的考虑多机组状态相似性的风电机组异常检测方法，其特征在为"i,满足且7迭代计算，设向量然后对向量进行归一化，得到特征向量S521.结合动态集群方法，利用滑动时窗与相似机组预测残差的分位数作为实时预警S522.对于风电机组的数据点，在滑动时窗内计算其与相似机组的数据点的预测残差8e=y-j:9些方法大致可以分为基于模型的方法和基于数[0011]S3.定性评估，利用S2中处理后运行数据反映了风电机组在不同环境条件下的运行状态为误差项；[0036]点o的局部可达密度lrdk(o)反映了点o周围数据点的密度情[0039]点p的局部离群因子衡量了点p相对于其周围数据点的离群程度；如果L判断点p是否为异常值；如果点p的局部可达密度明显低于其周围数据点的局部可达密度，qx()表示尺度函数；为：3[0089]S41.通过层次分析法(AHP)构[0093]进一步地，所述评估指标是指用于衡量风电机组运行状态和性能的各个具体指t)[0107]S415.进行一致性检验，计算[0113]S521.结合动态集群方法，利[0114]S522.对于风电机组的数据点，在滑动[0115]e=y-j;性而导致的误判。[0122]充分利用机组相似性，本发明在异常检测过程中充分考虑了多机组状态相似[0132]S3.定性评估，利用S2中处理后为误差项；[0141]所述S2中，SCADA系统通过传感器和数据采集设备将风电机组的运行数据传输到[0156]点o的局部可达密度lrdk(o)反映了点o周围数据点的密度情[0159]点p的局部离群因子衡量了点p相对于其周围数据点的离群程度；如果L为：为：(He)三个数字特征来描述实时运行数据的不确定性和模糊性；期望(Ex)表示概念的中心3[0209]S41.通过层次分析法(AHP)构,-h表示计算特征向量t)自身的点积，这实际上是特征向量长度的平方，表示特征向量[0227]S415.进行一致性检验，计算[0233]S521.结合动态集群方法，利[0234]S522.对于风电机组的数据点，在滑动