(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 202111375720.2 (22)申请日 2021.11.19 (71)申请人 国网宁夏电力有限公司 地址 750001 宁夏回族自治区银川市 兴庆 区长城东路28 8号 (72)发明人 马天东　耿天翔　李峰　钟海亮　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 符继超 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于机器学习的风电场站运行数据异 常识别方法 (57)摘要 本发明公开了一种基于机器学习的风电场 站运行数据异常识别方法， 包括： 收集风电场站 的历史风速数据和对应的功率运行数据； 确定历 史风速数据和对应的功率运行数据中的正常运 行数据和异常运行数据； 构建深度学习算法模 型， 将分别带有相应标签的正常运行数据和异常 运行数据， 对深度学习算法模型进行学习、 训练 和测试， 获得最优模型； 将待识别风电场站的风 速数据和对应的功率运行数据， 通过最优模型， 输出异常运行数据的识别结果； 通过该方法能够 对大规模风电场站运行数据的异常识别算法进 行优化， 提高提高风电场站运行数据异常识别的 准确性、 快速性和通用性。 权利要求书2页 说明书6页 附图5页 CN 114154567 A 2022.03.08 CN 114154567 A 1.一种基于 机器学习的风电场站运行 数据异常识别方法， 其特 征在于， 包括： S1、 收集风电场站的历史风速数据和对应的功率 运行数据； S2、 确定所述历史风速数据和对应的功率运行数据中的正常运行数据和异常运行数 据； S3、 构建深度学习算法模型， 将分别带有相应标签的正常运行数据和异常运行数据， 对 所述深度学习算法模型进行 学习、 训练和测试， 获得最优 模型； S4、 将待识别风电场站的风速数据和对应的功率运行数据， 通过所述最优模型， 输出异 常运行数据的识别结果。 2.如权利要求1所述的一种基于机器学习的风电场站运行数据异常识别方法， 其特征 在于， 所述S2中的异常运行 数据， 包括： 普通异常数据点、 离 散型异常数据点和堆积型异常数据点。 3.如权利要求2所述的一种基于机器学习的风电场站运行数据异常识别方法， 其特征 在于， 所述S2具体包括： S21、 根据物理机理识别所述普通异常数据点； S22、 采用横纵四分位法识别所述离 散型异常数据点； S23、 采用近邻传播聚类算法识别所述 堆积型异常数据点。 4.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法， 其特征 在于， 所述S21具体包括： 所述历史风速数据和对应的功率运行数据中， 如果在任一时刻下满足预设条件， 则为 所述普通异常数据点： 所述预设条件 包括以下一种或多种： (1)当所述历史风速数据和对应的功率 运行数据中， 任意 一个小于或等于 0； (2)所述历史风速数据和对应的功率运行数据中， 当所述历史风速数据小于切入风速 且所述功率 运行数据大于 0； (3)所述历史风速数据和对应的功率运行数据中， 当所述历史风速数据大于切出风速 且所述功率 运行数据大于 0； (4)所述历史风速数据和对应的功率运行数据中， 当所述功率运行数据大于1.2倍的额 定功率。 5.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法， 其特征 在于， 所述S2 2具体包括： 对历史风速数据进行等间隔划分， 获得多个区间的历史风速数据； 采用四分位算法依 次对每个区间内所述历史风速数据对应的功率 运行数据的离 散型异常数据点进行识别； 对功率运行数据进行等间隔划分， 获得多个区间的功率运行数据； 采用四分位算法依 次对每个区间内所述功率 运行数据对应的风速数据的离 散型异常数据点进行识别。 6.如权利要求3所述的一种基于机器学习的风电场站运行数据异常识别方法， 其特征 在于， 所述S23具体包括： 将所述历史风速数据和对应的功率运行数据作为潜在的聚类中心， 根据不同时刻下所 述历史风速数据和对应的功率 运行数据的相似度， 构建相似度矩阵； 采用近邻传播聚类算法对所述相似度矩阵进行迭代计算， 实现对历史风速数据和对应权　利　要　求　书 1/2 页 2 CN 114154567 A 2的功率运行数据的聚类， 基于此识别所述 堆积型异常数据点。权　利　要　求　书 2/2 页 3 CN 114154567 A 3