本技術(shù)涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種基于時序分析的風(fēng)電機組性能仿真分析方法及裝置。

背景技術(shù)：

1、現(xiàn)有的風(fēng)電機組性能分析方法主要依賴于傳統(tǒng)的數(shù)據(jù)統(tǒng)計和簡單的時序分析技術(shù)。這些方法通常采用固定的采樣頻率收集風(fēng)電機組運行數(shù)據(jù)，并使用經(jīng)典的信號處理技術(shù)進行濾波和特征提取。在性能評估方面，多采用基于閾值的異常檢測方法和簡單的回歸模型來預(yù)測機組性能。

2、然而，這些傳統(tǒng)方法在處理復(fù)雜的風(fēng)電機組動態(tài)特性時存在局限性。它們難以有效捕捉風(fēng)電機組在不同工況下的非線性行為，也無法準(zhǔn)確識別和分類各種異常工況。此外，現(xiàn)有方法在處理高維度、高噪聲的風(fēng)電機組數(shù)據(jù)時，往往存在計算效率低下和精度不足的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供了一種基于時序分析的風(fēng)電機組性能仿真分析方法及裝置，用于提高基于時序分析的風(fēng)電機組性能仿真分析的效率及準(zhǔn)確率。

2、第一方面，本技術(shù)提供了一種基于時序分析的風(fēng)電機組性能仿真分析方法，所述基于時序分析的風(fēng)電機組性能仿真分析方法包括：對預(yù)先獲取的風(fēng)電機組運行數(shù)據(jù)進行高頻采樣及自適應(yīng)濾波，得到去噪的多維時序數(shù)據(jù)集；對所述多維時序數(shù)據(jù)集進行小波包分解及希爾伯特-黃變換，得到時頻域特征矩陣；對所述時頻域特征矩陣進行非線性流形學(xué)習(xí)及稀疏表示，得到風(fēng)電機組運行狀態(tài)的低維特征向量；對所述低維特征向量進行核主成分分析及信息熵計算，得到風(fēng)電機組性能的量化指標(biāo)；對所述量化指標(biāo)進行動態(tài)時間規(guī)整及序列模式挖掘，得到風(fēng)電機組的異常工況特征；對所述異常工況特征進行模糊粗糙集分析及融合處理，得到風(fēng)電機組的性能評估數(shù)據(jù)。

3、結(jié)合第一方面，在本技術(shù)第一方面的第一種實現(xiàn)方式中，所述對預(yù)先獲取的風(fēng)電機組運行數(shù)據(jù)進行高頻采樣及自適應(yīng)濾波，得到去噪的多維時序數(shù)據(jù)集，包括：對所述風(fēng)電機組運行數(shù)據(jù)進行傅里葉變換，得到頻域表示；對所述頻域表示通過巴特沃斯高通濾波器進行處理，得到高頻分量；對所述高頻分量進行逆傅里葉變換，得到時域高頻信號；對所述時域高頻信號進行小波閾值去噪，得到初步去噪信號；對所述初步去噪信號通過卡爾曼濾波器進行處理，得到優(yōu)化去噪信號；對所述優(yōu)化去噪信號進行經(jīng)驗?zāi)B(tài)分解，得到一組固有模態(tài)函數(shù)；對所述固有模態(tài)函數(shù)通過希爾伯特變換進行處理，得到瞬時頻率和瞬時幅值；根據(jù)所述瞬時頻率和瞬時幅值對原始信號進行重構(gòu)，得到重構(gòu)信號；對所述重構(gòu)信號通過自適應(yīng)維納濾波器進行處理，得到最終去噪信號；對所述最終去噪信號進行多維度組合和時間對齊，得到所述去噪的多維時序數(shù)據(jù)集。

4、結(jié)合第一方面，在本技術(shù)第一方面的第二種實現(xiàn)方式中，所述對所述多維時序數(shù)據(jù)集進行小波包分解及希爾伯特-黃變換，得到時頻域特征矩陣，包括：對所述多維時序數(shù)據(jù)集進行離散小波變換，得到多尺度小波系數(shù)；對所述多尺度小波系數(shù)通過最佳基選擇算法進行處理，得到最優(yōu)小波包基；根據(jù)所述最優(yōu)小波包基對所述多維時序數(shù)據(jù)集進行分解，得到小波包系數(shù)；對所述小波包系數(shù)進行能量計算，得到各頻帶能量分布；對所述各頻帶能量分布通過經(jīng)驗?zāi)B(tài)分解算法進行處理，得到一組本征模態(tài)函數(shù)；對所述本征模態(tài)函數(shù)進行希爾伯特變換，得到瞬時頻率和瞬時幅值；根據(jù)所述瞬時頻率和瞬時幅值構(gòu)造希爾伯特譜，得到時頻能量分布；對所述時頻能量分布通過奇異值分解算法進行處理，得到主要特征向量；對所述主要特征向量進行歸一化處理，得到標(biāo)準(zhǔn)化特征；將所述標(biāo)準(zhǔn)化特征按時間順序排列組合，得到所述時頻域特征矩陣。

5、結(jié)合第一方面，在本技術(shù)第一方面的第三種實現(xiàn)方式中，所述對所述時頻域特征矩陣進行非線性流形學(xué)習(xí)及稀疏表示，得到風(fēng)電機組運行狀態(tài)的低維特征向量，包括：對所述時頻域特征矩陣進行局部線性嵌入，得到初始低維表示；對所述初始低維表示通過拉普拉斯特征映射算法進行處理，得到優(yōu)化的低維嵌入；對所述優(yōu)化的低維嵌入進行各向同性擴散映射，得到流形結(jié)構(gòu)特征；對所述流形結(jié)構(gòu)特征通過t-sne算法進行可視化處理，得到二維散點圖；根據(jù)所述二維散點圖計算點間距離矩陣，得到數(shù)據(jù)點的相似度關(guān)系；對所述相似度關(guān)系通過譜聚類算法進行處理，得到數(shù)據(jù)簇劃分結(jié)果；根據(jù)所述數(shù)據(jù)簇劃分結(jié)果對原始特征進行字典學(xué)習(xí)，得到過完備字典；對所述過完備字典通過正交匹配追蹤算法進行稀疏編碼，得到稀疏系數(shù)；對所述稀疏系數(shù)進行主成分分析，得到主要特征方向；沿所述主要特征方向?qū)ο∈柘禂?shù)進行投影，得到所述風(fēng)電機組運行狀態(tài)的低維特征向量。

6、結(jié)合第一方面，在本技術(shù)第一方面的第四種實現(xiàn)方式中，所述對所述低維特征向量進行核主成分分析及信息熵計算，得到風(fēng)電機組性能的量化指標(biāo)，包括：對所述低維特征向量進行中心化處理，得到零均值特征數(shù)據(jù)；對所述零均值特征數(shù)據(jù)通過高斯核函數(shù)進行映射，得到高維特征空間表示；對所述高維特征空間表示構(gòu)造協(xié)方差矩陣，得到核矩陣；對所述核矩陣進行特征值分解，得到特征值和特征向量；根據(jù)所述特征值對特征向量進行排序，得到主成分貢獻率；對所述主成分貢獻率進行累積求和，得到累積貢獻率曲線；根據(jù)所述累積貢獻率曲線確定主成分?jǐn)?shù)量，得到降維后的特征表示；對所述降維后的特征表示進行概率密度估計，得到概率分布函數(shù)；對所述概率分布函數(shù)計算香農(nóng)熵，得到特征的信息熵值；將所述信息熵值與主成分貢獻率進行加權(quán)組合，得到所述風(fēng)電機組性能的量化指標(biāo)。

7、結(jié)合第一方面，在本技術(shù)第一方面的第五種實現(xiàn)方式中，所述對所述量化指標(biāo)進行動態(tài)時間規(guī)整及序列模式挖掘，得到風(fēng)電機組的異常工況特征，包括：對所述量化指標(biāo)進行時間序列分段，得到多個子序列；對所述多個子序列通過動態(tài)時間規(guī)整算法進行對齊，得到規(guī)整后的時間序列；對所述規(guī)整后的時間序列進行滑動窗口分割，得到固定長度的數(shù)據(jù)片段；對所述固定長度的數(shù)據(jù)片段進行離散傅里葉變換，得到頻域特征表示；對所述頻域特征表示通過自組織映射算法進行聚類，得到特征模式簇；對所述特征模式簇進行頻繁模式挖掘，得到重復(fù)出現(xiàn)的子序列模式；對所述重復(fù)出現(xiàn)的子序列模式計算支持度和置信度，得到關(guān)聯(lián)規(guī)則集；對所述關(guān)聯(lián)規(guī)則集進行修剪和合并，得到精簡的規(guī)則表示；對所述精簡的規(guī)則表示通過決策樹算法進行分類，得到異常模式識別規(guī)則；根據(jù)所述異常模式識別規(guī)則對原始序列進行標(biāo)注，得到所述風(fēng)電機組的異常工況特征。

8、結(jié)合第一方面，在本技術(shù)第一方面的第六種實現(xiàn)方式中，所述對所述異常工況特征進行模糊粗糙集分析及融合處理，得到風(fēng)電機組的性能評估數(shù)據(jù)，包括：對所述異常工況特征進行模糊化處理，得到模糊特征集；對所述模糊特征集通過模糊c均值聚類算法進行分類，得到模糊等價類；對所述模糊等價類計算模糊下近似和上近似，得到模糊粗糙集表示；對所述模糊粗糙集表示計算模糊粒度和模糊精度，得到不確定性度量；根據(jù)所述不確定性度量構(gòu)造模糊決策表，得到條件屬性和決策屬性；對所述條件屬性和決策屬性進行屬性重要度計算，得到核心屬性集；根據(jù)所述核心屬性集進行規(guī)則提取，得到模糊決策規(guī)則；對所述模糊決策規(guī)則進行沖突檢測和消解，得到一致性規(guī)則庫；通過變精度模糊粗糙集方法對所述一致性規(guī)則庫進行優(yōu)化，得到簡化規(guī)則集；根據(jù)所述簡化規(guī)則集對異常工況進行評估和分類，得到所述風(fēng)電機組的性能評估數(shù)據(jù)。

9、第二方面，本技術(shù)提供了一種基于時序分析的風(fēng)電機組性能仿真分析裝置，所述基于時序分析的風(fēng)電機組性能仿真分析裝置包括：

10、濾波模塊，用于對預(yù)先獲取的風(fēng)電機組運行數(shù)據(jù)進行高頻采樣及自適應(yīng)濾波，得到去噪的多維時序數(shù)據(jù)集；

11、變換模塊，用于對所述多維時序數(shù)據(jù)集進行小波包分解及希爾伯特-黃變換，得到時頻域特征矩陣；

12、學(xué)習(xí)模塊，用于對所述時頻域特征矩陣進行非線性流形學(xué)習(xí)及稀疏表示，得到風(fēng)電機組運行狀態(tài)的低維特征向量；

13、計算模塊，用于對所述低維特征向量進行核主成分分析及信息熵計算，得到風(fēng)電機組性能的量化指標(biāo)；

14、挖掘模塊，用于對所述量化指標(biāo)進行動態(tài)時間規(guī)整及序列模式挖掘，得到風(fēng)電機組的異常工況特征；

15、融合模塊，用于對所述異常工況特征進行模糊粗糙集分析及融合處理，得到風(fēng)電機組的性能評估數(shù)據(jù)。

16、本技術(shù)第三方面提供了一種基于時序分析的風(fēng)電機組性能仿真分析設(shè)備，包括：存儲器及至少一個處理器，所述存儲器中存儲有指令；所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述基于時序分析的風(fēng)電機組性能仿真分析設(shè)備執(zhí)行上述的基于時序分析的風(fēng)電機組性能仿真分析方法。

17、本技術(shù)的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當(dāng)其在計算機上運行時，使得計算機執(zhí)行上述的基于時序分析的風(fēng)電機組性能仿真分析方法。

18、本技術(shù)提供的技術(shù)方案中，通過對風(fēng)電機組運行數(shù)據(jù)進行高頻采樣和自適應(yīng)濾波，能夠有效捕捉瞬態(tài)變化并抑制噪聲干擾，提高了原始數(shù)據(jù)的質(zhì)量和可靠性。采用小波包分解和希爾伯特-黃變換相結(jié)合的方法，不僅能夠?qū)崿F(xiàn)多尺度的時頻分析，還可以準(zhǔn)確提取信號的瞬時特征，從而更全面地刻畫風(fēng)電機組的動態(tài)行為。在特征提取環(huán)節(jié)，引入非線性流形學(xué)習(xí)和稀疏表示技術(shù)，有效降低了數(shù)據(jù)的維度，同時保留了關(guān)鍵信息，這大大提高了后續(xù)分析的效率和準(zhǔn)確性。核主成分分析與信息熵計算的結(jié)合，既考慮了數(shù)據(jù)的主要變化趨勢，又量化了其不確定性，為風(fēng)電機組性能的量化評估提供了更加全面和可靠的指標(biāo)。動態(tài)時間規(guī)整和序列模式挖掘的應(yīng)用，使得方法能夠處理不同長度和速度的時間序列，并從中發(fā)現(xiàn)重復(fù)出現(xiàn)的模式，這對于識別異常工況和預(yù)測潛在故障具有重要意義。最后，通過模糊粗糙集分析和融合處理，本方法能夠有效處理風(fēng)電機組性能評估過程中的不確定性和模糊性，提高了決策的可靠性和魯棒性。整體而言，該方法通過多個創(chuàng)新性的技術(shù)特征，構(gòu)建了一個從數(shù)據(jù)采集、特征提取到性能評估的完整分析鏈，顯著提升了風(fēng)電機組性能仿真分析的準(zhǔn)確性、效率和適應(yīng)性。