(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111376238.0 (22)申请日 2021.11.19 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 (72)发明人 曾谁飞　王振荣　傅望安　张燧　 王青天　黄思皖　刘旭亮　李小翔　 冯帆　邸智　韦玮　童彤　任鑫　 杜静宇　赵鹏程　武青　祝金涛　 朱俊杰　吴昊　吕亮　兰连军　 翟大海　苏人奇　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 赵迪(51)Int.Cl. G06F 30/27(2020.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (54)发明名称 风电机组能效状态 异常检测方法及系统 (57)摘要 本发明涉及风电机组能效状态异常检测方 法及系统， 所述方法包括： 获取预处理后的风电 机组当前时刻 的能效状态运行数据和所述风电 机组历史时段内的能效状态运行数据， 并确定当 前时刻的能效状态运行数据和历史时段内的能 效状态运行数据对应的偏离度矩阵， 将所述当前 时刻及历史时段内对应的偏离度矩 阵输入预先 训练好的风电机组能效状态异常检测模型中， 得 到当前时刻所述风电机组能效状态的异常检测 得分， 基于所述当前时刻所述风电机组能效状态 的异常检测得分检测所述风电机组能效状态是 否异常， 并将检测结果进行信息触达。 本发明提 供的技术方案， 提高了风电机组能效状态异常检 测的精度， 同时使得异常检测更加方便， 也降低 了异常检测成本 。 权利要求书3页 说明书8页 附图2页 CN 114297908 A 2022.04.08 CN 114297908 A 1.一种风电机组能效状态 异常检测方法， 其特 征在于， 所述方法包括： 获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内的能效状态 运行数据， 并对所述数据进行 预处理； 基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准值、 偏离度和历 史时段内的能效状态运行 数据对应的基准 值和偏离度； 分别基于所述当前时刻能效状态运行数据对应的基准值、 偏离度构 成当前时刻能效状 态运行数据对应的偏离度矩阵， 基于历史时段内能效状态运行数据对应的基准值、 偏离度 构成历史时段内能效状态运行 数据对应的偏离度矩阵； 将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态运行数 据对应的偏离度 矩阵输入预先训练好的风电机组 能效状态异常检测模型中， 得到当前时刻 所述风电机组能效状态的异常检测得分； 基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风电机组能效状 态是否异常， 并将检测结果进行信息触达； 其中， 所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史 时段内的能效状态运行数据和所述风电机组历史时段内的有功功率优劣标签进行训练得 到的； 所述预先训练好的风电机组能效状态异常检测模型包括： 教师模块、 学生模块和全连 接模块。 2.如权利要求1所述的方法， 其特征在于， 所述获取风电机组当前时刻的能效状态运行 数据和所述 风电机组历史时段内的能效状态运行 数据， 并对所述数据进行 预处理， 包括： 剔除所述获取的风电机组当前时刻的能效状态运行数据和所述风电机组历史时段内 的能效状态运行 数据中的异常数据。 3.如权利要求1所述的方法， 其特征在于， 所述将所述当前时刻能效状态运行数据对应 的偏离度矩阵和历史时段内能效状态运行数据对应的偏离度矩阵输入预先训练好的风电 机组能效状态异常检测模型中， 得到当前时刻所述风电机组能效状态的异常检测得分， 包 括： 步骤F1:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态 运行数据对应的偏离度矩阵输入预先训练好的风电机组能效状态异常检测模型的教师模 块中， 得到当前时刻能效状态运行 数据对应的注意力图； 步骤F2:将所述注意力图迁移到预先训练好的风电机组能效状态异常检测模型的学生 模块中； 步骤F3:将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能效状态 运行数据对应的偏离度矩阵输入完成迁移的所述预先训练好的风电机组能效状态异常检 测模型的学生模块中， 得到所述 风电机组当前时刻数据对应的文本特 征； 步骤F4:将所述风电机组当前时刻数据对应的文本特征输入预先训练好的风电机组能 效状态异常检测模型的全连接模块中并采用Softmax函数计算， 得到当前时刻所述风电机 组能效状态的异常检测得分。 4.如权利要求1所述的方法， 其特征在于， 所述风电机组能效状态异常检测模型的学生 模块包括： 多通道卷积神经网络 CNN层和BiLSTM+dropout层。权　利　要　求　书 1/3 页 2 CN 114297908 A 25.如权利要求4所述的方法， 其特征在于， 所述风电机组能效状态异常检测模型的教师 模块的训练过程包括： 获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历 史时段内的有功 功率优劣标签构成训练集样本数据； 将所述训练集样本数据输入初始的风电机组能效状态异常检测模型的教师模块， 将均 方差损失MSE作为模型的损失函数， 利用自适应矩阵估计Adam优化算法对所述模型进行训 练， 得到训练好的风电机组能效状态 异常检测模型的教师模块； 其中， 所述教师模块采用Ber t模型。 6.如权利要求5所述的方法， 其特征在于， 所述风电机组能效状态异常检测模型的学生 模块的训练过程包括： 获取风电机组历史时段内的能效状态运行数据对应的偏离度矩阵和所述风电机组历 史时段内的有功功率优劣标签构成训练集样本数据并将所述教师模块训练完成时对应的 注意力图迁移到所述初始的风电机组能效状态 异常检测模型的学生模块中； 将所述训练集样本数据输入迁移注意力图后的初始风电机组能效状态异常检测模型 的教师学生模块的多通道卷积神经网络CNN层和BiLSTM+dropout层， 将均方差损失MSE作为 模型的损失函数， 利用自适应矩阵估计Adam优化算法对所述模型进行训练， 得到训练好的 风电机组能效状态 异常检测模型的学生模块。 7.如权利要求1所述的方法， 其特征在于， 所述基于所述当前时刻所述风电机组能效状 态的异常检测得分检测所述风电机组能效状态是否异常， 并将检测结果进行信息触达， 包 括： 检测所述异常检测得分是否在预设的异常分数范围内， 若是， 则所述风电机组能效状 态异常， 否则， 所述 风电机组能效状态正常； 将所述检查结果进行信息触达； 其中， 所述信息触达的方式包括： 文本展示、 语音播报、 外呼终端、 短信送达、 邮件触达、 智能音箱、 语音唤醒和大屏展示。 8.一种风电机组能效状态 异常检测系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取风电机组当前时刻的能效状态运行数据和所述风电机组历史时段 内的能效状态运行 数据， 并对所述数据进行 预处理； 计算模块， 用于基于预处理后的数据分别计算当前时刻能效状态运行数据对应的基准 值、 偏离度和历史时段内的能效状态运行 数据对应的基准 值和偏离度； 矩阵模块， 用于分别基于所述当前时刻能效状态运行数据对应的基准值、 偏离度构成 当前时刻能效状态运行数据对应的偏离度 矩阵， 基于历史时段内能效状态运行数据对应的 基准值、 偏离度构成历史时段内能效状态运行 数据对应的偏离度矩阵； 得分模块， 用于将所述当前时刻能效状态运行数据对应的偏离度矩阵和历史时段内能 效状态运行数据对应的偏离度 矩阵输入预先训练好的风电机组 能效状态异常检测模型中， 得到当前时刻所述 风电机组能效状态的异常检测得分； 检测模块， 用于基于所述当前时刻所述风电机组能效状态的异常检测得分检测所述风 电机组能效状态是否异常， 并将检测结果进行信息触达； 其中， 所述预先训练好的风电机组能效状态异常检测模型是基于获取的风电机组历史权　利　要　求　书 2/3 页 3 CN 114297908 A 3