[發明專利]基于增強卷積去噪算法的風電機組數據清洗方法及裝置

在審

• 申請號: 202111312716.1
• 申請日: 2021-11-08
• 公開（公告）號: CN114153826A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 麻紅波;楊繼明;張澈;曹利蒲;陳巖磊;王傳鑫;王軍;田長風
• 申請（專利權）人: 北京華能新銳控制技術有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京中知法苑知識產權代理有限公司 11226
• 代理人: 李明;趙吉陽

1.一種基于增強卷積去噪算法的風電機組數據清洗方法，其特征在于，所述方法包括：

基于SCADA系統，采集風電機組的風電數據；

對所述風電機組的風電數據，采用模糊C均值FCM進行數據聚類；

對聚類處理后的所述風電數據，基于增強卷積神經網絡進行數據去噪；

對去噪處理后的所述風電數據，基于布谷鳥算法進行數據缺失值填補和無效值處理，完成風電機組數據清洗。

2.根據權利要求1所述的方法，其特征在于，所述基于SCADA系統，采集風電機組的風電數據，包括：

以T為采樣間隔獲取風電機組運行過程中的n個可測變量的N組實際運行數據存入所述SCADA系統，采樣數據需盡可能包含風機在不同環境條件、時間尺度、服役時長下的運行請況；

通過主元法篩選所述SCADA系統中各變量數據，最終得到待清洗的m個變量作為數據清洗過程的輸入變量{x₁,x₂,…,x_m}。

3.根據權利要求1所述的方法，其特征在于，所述對所述風電機組的風電數據，采用模糊C均值FCM進行數據聚類，包括：

定義如下目標函數(1)：

其中：α為加權模糊性參數，C為聚類數，x_c為聚類中心，為輸入X_i相對聚類C的隸屬度：

隨機初始化x_c并通過下式(3)計算μ_ic：

采用下式(4)更新聚類中心向量x_c：

采用下式(5)計算適應度函數增量：

當Δ小于一個小的預設常值ε時，迭代過程結束，得到全部聚類。

4.根據權利要求1至3任一項所述的方法，其特征在于，所述對聚類處理后的所述風電數據，基于增強卷積神經網絡進行數據去噪，包括：

訓練數據集的獲取：任選一個聚類中數據Xⁱ，基于均值為0，方差為σ²的高斯分布隨機生成高斯噪聲與Xⁱ各項相加得到帶有噪聲的數據信號即然后對其余所有聚類重復上述操作，得到包含C個含噪聲的聚類的數據集

所構建的方法由路徑網絡結構相同的去噪通道和提議通道基網絡構成；其中去噪通道主要用于訓練去噪模型，擬合提議通道則通過基于Xⁱ的編碼-解碼，生成隱藏層的輔助監督信息，以達到增強原有卷積神經網絡性能的效果；

假設每個基網絡f(·)由L個隱藏層組成，其中去噪通道和提議通道的網絡參數分別表示為Θ＝{θ₁，θ₂，…，θ_L}和第i層前的全部網絡參數簡記為Θ_1→i＝Θ_i和Φ_1→i＝Φ_i；

采用下式(6)進行提議通道訓練：

基于上式(6)求得最優解Φ^*，然后定義損失函數訓練去噪通道模型，如下式(7)：

其中：Ω代表根據上述最優解Φ^*計算得到的隱藏層索引集合，為第j層的建議損失；上式求得的最優解記為Θ^*；

增強卷積去噪模型的訓練：基于上述兩個優化目標，通過下式(8)和(9)所示每層參數的梯度對算法進行優化：

其中：Lⁱ為第i個去噪通道的損失，為第i個和提議通道的損失；

新數據去噪預測：基于訓練所得去噪模型對新輸入的數據信號進行去噪處理，首先判斷該數據所屬聚類，然后對相應的去噪數據進行預測。