[發明專利]一種風機風速-功率數據組合處理方法

在審

• 申請號: 202110969502.5
• 申請日: 2021-08-23
• 公開（公告）號: CN113821502A
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 劉素貞;李禹澎;金亮;張闖;楊慶新
• 申請（專利權）人: 河北工業大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06F17/18;G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 合肥銘輝知識產權代理事務所(普通合伙) 34212
• 代理人: 張立榮

1.一種風機風速-功率數據組合處理方法，其特征在于，包括如下步驟：

步驟1，從SCADA系統等獲取數據，其中，所述數據為風機某時間段內相隔相同時間的各時間點的風速-功率數據；

步驟2，使用變點分組法和四分位法對所述數據進行清洗，具體為：

步驟2.1，將所述數據按風速每0.5m/s的間隔劃分為多個風速段的風速-功率數據，每個風速段為0-0.5m/s；

步驟2.2，對劃分后的每個風速段風速-功率數據，將數據按功率數據值降序排列，從排列后的每個風速段數據的第2個功率數據開始依次計算各功率數據與之前所有功率數據的方差；

步驟2.3，從各風速段的降序功率方差數據的第二個方差數據開始依次計算各方差數據與前一個方差數據之差的絕對值，即得到降序功率的方差變化率數據；

步驟2.4，利用最小二乘法識別各風速段降序功率的方差變化率的變點，將變點之后各時間點的風速-功率數據識別為異常數據并從該風速段剔除；

步驟2.5，利用四分位法計算各風速段經過變點分組法清洗后的功率降序風速-功率數據的四分位距，由四分位距得到功率數據的上下界，將超出功率數據上下界的該風速段各時間點的風速-功率數據識別為異常數據并剔除；

步驟2.6，將各風速段經變點分組法和四分位法清洗后的風速-功率數據匯總，并重新將其按時間順序排列，得到最終清洗后的部分時間點數據缺失的風機風速-功率數據；

步驟3，使用樹木生長算法對時間卷積網絡的超參數進行優化，具體為：

步驟3.1，選擇時間卷積網絡中決定時間卷積網絡結構的超參數作為樹木生長算法的優化目標，包括卷積核數量filters、卷積核大小kernelsize、空洞卷積即擴張卷積層數dilations和堆疊次數stacks，并確定這些超參數的上下界即優化范圍，使用樹木生長算法對其進行優化時得到的非整數優化值需歸算為最接近的整數值；

步驟3.2，確定樹木生長算法的控制參數，包括種群樹木總數N、最佳適應度子種群樹木數N1、次佳適應度子種群樹木數N2、樹木繁殖數N4、算法最大迭代次數MaxIter、N2子種群樹木向最優方向移動系數λ、N1子種群樹木繁殖率系數θ；

步驟3.3，在時間卷積網絡各超參數的上下界范圍內隨機生成N個樹木T_i＝{filters_i,kernelsize_i,dilations_i,stacks_i}(i＝1,2,...,N)；

步驟3.4，將N中的非整數值歸算為最接近的整數，按N中每棵樹對應的時間卷積網絡的超參數生成對應結構的時間卷積網絡，對每個時間卷積網絡分別訓練50個epoch，得到各樹木對應的時間卷積網絡50次epoch的每次損失函數值；

步驟3.5，根據各樹木對應的時間卷積網絡50次epoch的損失函數平均值計算第i棵樹木的適應度x_i，根據各樹木的適應度把總種群N劃分為最佳適應度子種群N1、次佳適應度子種群N2和較差適應度子種群N3＝N-N1-N2，對N中所有樹木對應的時間卷積網絡超參數值按各參數值的上下界做標準化處理得到用于樹木生長算法迭代的總種群N；分別讓子種群N1中的樹木進行局部搜索生成新的N1，讓子種群N2中的樹木向周圍移動形成新的N2，刪除N3子種群中的樹木用在時間卷積網絡各超參數上下界范圍內隨機生成的相同數量的樹木替代形成新的N3，得到新的總種群N＝N1+N2+N3；

步驟3.6，在時間卷積網絡各超參數上下界范圍內隨機生成繁殖種群N4，利用N1子種群中有最佳適應度的樹木和隨機生成的掩模算子對N4中每個新生成的樹木進行修改形成新的N4，對子種群N4按步驟3.5中相同的標準化標準對其進行標準化處理并將其添加到總種群N中得到擴展種群N^*＝N+N4；

步驟3.7，使用輪盤賭對擴展種群N*進行排序，選擇最優的N個解，將其逆標準化處理后作為樹木生長算法下一次迭代的初始種群N；

步驟3.8，重復步驟3.4到3.7直到達到樹木生長算法的最大迭代次數MaxIter，將迭代最終得到的擁有最佳適應度的樹木中時間卷積網絡的超參數值確定為對步驟2得到的清洗后的部分時間點數據缺失的風機風速-功率數據進行重構的時間卷積網絡的超參數值，即確定了時間卷積網絡的結構；

步驟4，按步驟3確定的時間卷積網絡結構生成時間卷積網絡并把步驟2中得到的清洗后的部分時間點數據缺失的風機風速-功率數據作為輸入對其進行訓練，訓練完成后利用訓練好的時間卷積網絡完成對部分時間點數據缺失的風機風速-功率數據的重構，得到重構后的無數據缺失的時間點的風機風速-功率數據。