本发明属于风力发电机组领域，尤其涉及一种基于迁移成分分析的多风电机组运行状态识别方法及系统。
背景技术：
1、风电机组时常面临各种恶劣的运行环境，包括极端气候条件、强烈振动以及腐蚀性大气环境等。这些不利因素均可导致风电机组各部件的机械强度及运行性能逐渐下降，从而影响其发电性能并增加故障发生的频率。因此，对风电机组的运行状态进行有效的识别、监测，通过实时监测和评估风电机组的运行状态，我们可以及时发现潜在问题和故障，并采取相应的措施进行维修和更换，从而保证风电机组的正常运行和发电性能。对于发电性能的评估以及风电场的精细化管理具有深远的影响和重要的意义。
2、基于风电机组scada运行数据和正常行为模型，通过多变量状态估计技术、概率密度统计、多项式回归拟合方法、模糊综合评价、神经网络深度等方法构建风电机组运行状态模型是现有风电机运行状态辨识的常用方法。
3、然而，当前的研究主要集中在针对单台机组的状态划分。然而，由于不同风电机组存在数据分布差异的问题，如果将已经训练好的单台风电机组的正常行为模型直接应用于多风电机组的运行状态辨识，其辨识精度可能会较低。为了提高辨识精度，重新计算模型参数以划分不同风电机组的运行状态是必要的，但这会导致计算资源的浪费。目前的方法无法有效应用于多风电机组的运行状态识别。
技术实现思路
1、本发明的目的在于提供了一种基于迁移成分分析的多风电机组运行状态识别方法。该方法构建了基于迁移成分分析的多风电机组运行状态辨识模型，为解决不同风电机组数据分布的差异问题，以优化网络参数计算的资源和时间，从而减少不必要的时间与资源浪费。
2、本发明采用如下技术方案来实现的：
3、基于迁移成分分析的多风电机组运行状态识别方法，包括：
4、收集风电场内全部风电机组scada系统的历史数据；
5、对收集的全部风电机组scada系统的历史数据进行清洗，去除异常数据和噪声；
6、选定一台机组作为参照机组，基于清洗后的历史数据和风电机组温度指标，筛选参照机组正常运行状态下的历史运行数据；
7、基于参照机组正常运行状态下的历史运行数据，通过最大互信息数和bp神经网络法，筛选风电机组运行状态关键影响变量；
8、以风电机组运行状态关键影响变量为输入，构建基于bp双隐层神经网络的参照机组正常行为模型；
9、基于置信区间分析风电机组功率残差，对参照机组运行状态进行划分；
10、基于参照机组正常行为模型，以及迁移成分分析构建多风电机组运行数据分布同化模型，将除参照机组外的不同风电机组的数据进行整合和分析；
11、计算风电机组功率残差，基于置信区间，对除参照机组外的多台风电机组运行状态进行划分。
12、本发明进一步的改进在于，收集风电场内全部风电机组scada系统的历史数据，包括：
13、采样周期为1年，数据分辨率为秒级或分钟级，所搜集数据至少应包括发电机转速、主轴转速、风速、叶片角度、齿轮箱中间轴驱动端轴承温度、齿轮箱中间轴非驱动端轴承温度、齿轮箱分配器位置油压、齿轮箱油泵吸油口油压、发电机定子v相线圈温度、发电机定子u相线圈温度、齿轮箱油池温度。
14、本发明进一步的改进在于，对收集的全部风电机组scada系统的历史数据进行清洗，包括：通过四分位法，基于风速与功率数据，筛选出机组运行中功率异常数据。
15、本发明进一步的改进在于，筛选参照机组正常运行状态下的历史运行数据时，以温度指标为判断依据，得到风电机组正常运行状态数据。
16、本发明进一步的改进在于，基于参照机组正常运行状态下的历史运行数据，通过最大互信息数和bp神经网络法，筛选风电机组运行状态关键影响变量，包括：
17、计算风电机组不同变量与功率间的最大互信息数，具体公式如下：
18、
19、式中，y为目标变量，x为待筛选变量，p(x,y)是x和y的联合分布概率；p(x)和p(y)分别是x和y的边际分布概率；
20、以风电机组运行状态关键影响变量为输入，构建基于bp双隐层神经网络的风电机组正常行为模型；
21、将按照最大互信息系数末位剔除法，组成不同阶潜在关键影响变量，并基于回归误差评估指标，确定风电机组运行状态关键影响变量。
22、基于迁移成分分析的多风电机组运行状态识别系统，包括：
23、数据收集模块，用于收集风电场内全部风电机组scada系统的历史数据；
24、数据清洗模块，用于对收集的全部风电机组scada系统的历史数据进行清洗，去除异常数据和噪声；
25、第一数据筛选模块，用于选定一台机组作为参照机组，基于清洗后的历史数据和风电机组温度指标，筛选参照机组正常运行状态下的历史运行数据；
26、第二数据筛选模块，用于基于参照机组正常运行状态下的历史运行数据，通过最大互信息数和bp神经网络法，筛选风电机组运行状态关键影响变量；
27、模型构建模块，用于以风电机组运行状态关键影响变量为输入，构建基于bp双隐层神经网络的参照机组正常行为模型；
28、第一数据分析模块，用于基于置信区间分析风电机组功率残差，对参照机组运行状态进行划分；
29、第二数据分析模块，用于基于参照机组正常行为模型，以及迁移成分分析构建多风电机组运行数据分布同化模型，将除参照机组外的不同风电机组的数据进行整合和分析；
30、第三数据分析模块，计算风电机组功率残差，基于置信区间，对除参照机组外的多台风电机组运行状态进行划分。
31、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现所述的基于迁移成分分析的多风电机组运行状态识别方法的步骤。
32、本发明至少具有以下有益的技术效果：
33、本发明提供的基于迁移成分分析的多风电机组运行状态识别方法及系统，旨在攻克新建风电场面临的因历史数据稀缺而导致建模精确度受限的难题，以及不同风电机组间数据分布差异显著，致使针对各类机组状态识别需频繁重算模型参数，进而造成计算资源冗余的问题。本发明通过运用迁移学习技术，有效避免了重复调整神经网络参数的繁琐过程，大幅度提升了模型训练的效率，同时保证模型精度，实现了模型性能与计算效能的双重优化。
1.基于迁移成分分析的多风电机组运行状态识别方法，其特征在于，包括：
2.根据权利要求1所述的基于迁移成分分析的多风电机组运行状态识别方法，其特征在于，收集风电场内全部风电机组scada系统的历史数据，包括：
3.根据权利要求1所述的基于迁移成分分析的多风电机组运行状态识别方法，其特征在于，对收集的全部风电机组scada系统的历史数据进行清洗，包括：通过四分位法，基于风速与功率数据，筛选出机组运行中功率异常数据。
4.根据权利要求1所述的基于迁移成分分析的多风电机组运行状态识别方法，其特征在于，筛选参照机组正常运行状态下的历史运行数据时，以温度指标为判断依据，得到风电机组正常运行状态数据。
5.根据权利要求1所述的基于迁移成分分析的多风电机组运行状态识别方法，其特征在于，基于参照机组正常运行状态下的历史运行数据，通过最大互信息数和bp神经网络法，筛选风电机组运行状态关键影响变量，包括：
6.基于迁移成分分析的多风电机组运行状态识别系统，其特征在于，包括：
7.根据权利要求6所述的基于迁移成分分析的多风电机组运行状态识别系统，其特征在于，数据收集模块中，收集风电场内全部风电机组scada系统的历史数据，包括：
8.根据权利要求6所述的基于迁移成分分析的多风电机组运行状态识别系统，其特征在于，数据清洗模块中，对收集的全部风电机组scada系统的历史数据进行清洗，包括：通过四分位法，基于风速与功率数据，筛选出机组运行中功率异常数据。
9.根据权利要求6所述的基于迁移成分分析的多风电机组运行状态识别系统，其特征在于，第二数据筛选模块中，基于参照机组正常运行状态下的历史运行数据，通过最大互信息数和bp神经网络法，筛选风电机组运行状态关键影响变量，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现权利要求1-6中任一项所述的基于迁移成分分析的多风电机组运行状态识别方法的步骤。
