本发明涉及数据处理，尤其涉及基于人工智能的风电机组异常预警方法及系统。
背景技术：
1、随着全球对可再生能源的需求不断增加，风能作为一种清洁且可持续的能源形式，已在电力生产中占据了重要地位。风电机组作为风能转化为电能的关键设备，其运行的稳定性和可靠性直接影响到风电场的发电效率和经济效益。风电机组通过风力驱动转子，转子与发电机相连，将机械能转化为电能。在此过程中，输出的电能量、电压和电流等参数是评估风电机组运行状态的关键指标。任何一项指标的异常波动都可能预示着风电机组存在潜在故障，例如机械故障、电子元件失效或外部环境变化等。因此，需要对风电机组运行过程中的多项参数进行监测，并及时预警。
2、孤立森林算法是一种对多维度数据进行异常检测的算法，其利用多维度数据来构造孤立树，并根据孤立树计算任意一个数据点的异常程度，从而完成异常检测。例如，公开号为cn115496163a的中国专利申请文件中公开了基于k-means++、bp神经网络和孤立森林的建筑异常能耗监测方法，该专利申请文件指出，利用同类别的能耗数据构建孤立树获取异常得分。在计算异常得分时，传统的孤立森林算法仅能得到全局异常的数据，而对局部异常的数据不敏感，而对于风电机组的运行数据，其中会由于外界因素的影响而导致局部异常，传统的孤立森林算法对其并不敏感，从而导致该局部异常数据被检测为正常数据，从而导致检测结果不准确。
技术实现思路
1、本发明的目的在于提供基于人工智能的风电机组异常预警方法及系统，用以解决对风电机组的预警结果不准确的技术问题。
2、第一方面，本发明提供基于人工智能的风电机组异常预警方法，采用如下的技术方案：
3、获取风电机组运行数据的多维数据点，所述维度包括：输出电能量、电压、电流；并根据多维数据点利用孤立森林算法构建孤立树；
4、获取任意一个维度的任意一个数据点的个时序邻近点以及其在孤立树中的层数，计算所述数据点与所述所有时序邻近点的平均层数差值的绝对值；根据所述差值的绝对值以及所有时序邻近点的层数的标准差计算所述数据点的时序突变程度，其中所述时序突变程度与所述绝对值呈正相关，与所述标准差呈负相关；
5、获取任意一个维度的任意一个数据点的个空间邻近点，根据该数据点与其空间邻近点的欧式距离计算该数据点的局部密度，所述局部密度与欧式距离呈负相关；根据数据点与其空间邻近点局部密度的平均水平的差值计算数据点的密度分布差异，所述密度分布差异与所述差值呈正相关；
6、根据任意一个维度的数据点的时序突变程度以及密度分布差异，对多维数据点的异常得分进行加权，获取加权异常得分，所述加权异常得分与时序突变程度、密度分布差异呈正相关；根据加权异常得分进行预警。
7、对于风电机组异常预警系统而言，孤立森林算法可以快速准确的发现发电机输出电能量、电压、电流等多维度数据中的异常变化，从而及时预警可能存在的设备故障或系统运行异常。
8、优选的，所述根据多维数据点利用孤立森林算法构建孤立树，包括步骤：
9、对于任意一棵孤立树，将同一个维度所采集到的数据点作为孤立森林的分割样本进行不断分割，得到该维度的孤立树，其中，任意一个维度构建多棵孤立树。
10、优选的，所述时序邻近点的获取方式包括：
11、在任意一个维度中，对于任意一个数据点，获取与该数据点的采集时刻最接近的个数据点作为该数据点的时序邻近点。
12、优选的，所述时序突变程度满足表达式：
13、；
14、式中，表示第个维度的第个数据点的时序突变程度；表示第个维度所构建的孤立树总数；表示孤立树序数；表示预设的该数据点的时序邻近点总数；表示时序邻近点序数；表示第个数据点在第棵孤立树中的层数；表示第个数据点的第个时序邻近点在第棵孤立树中的层数；表示第个数据点的所有时序邻近点在第棵孤立树中的层数均值；表示标准归一化函数。
15、通过计算时序突变程度可以定量的评估每个数据点在时序上的异常性，这有助于后续对多维数据点的异常得分结果进行修正，从而使异常得分结果更加准确，以提升异常检测结果以及预警结果的准确性。
16、优选的，所述空间邻近点的获取方式包括：
17、在任意一个维度中，对于任意一个数据点，获取与该数据点欧式距离最接近的个数据点作为该数据点的空间邻近点。
18、优选的，所述局部密度满足表达式：
19、；
20、式中，表示第个维度的第个数据点的局部密度；表示预设的该数据点的空间邻近点总数；表示空间邻近点序数；表示第个数据点与其第个空间邻近点之间的欧式距离。
21、通过计算任意一个数据点与其空间邻近点的欧式距离的平均水平，可以较好的评估出该数据点的局部密度，避免由于少数数据点与该数据点之间的欧式距离与平均水平相差较大，从而导致该数据点的局部密度计算结果不准确的问题。
22、优选的，所述密度分布差异满足表达式：
23、；
24、式中，表示第个维度的第个数据点的密度分布差异；表示第个维度的第个数据点的局部密度；表示第个维度的第个数据点的个空间邻近点的局部密度均值；表示以自然常数为底数的指数函数；表示绝对值符号。
25、通过计算该数据点的局部密度与其空间邻近点的局部密度均值的差异，来量化该数据点的密度分布差异。通过考虑其与多个数据点的局部密度的平均水平的差异使得计算结果更加准确。
26、优选的，所述加权异常得分满足表达式：
27、；
28、式中，表示第个多维数据点的加权异常得分；表示第个多维数据点的异常得分；表示维度总数；表示维度序数；表示第个维度的数据点总数；表示数据点序数；表示第个维度的第个数据点的时序突变程度；表示第个维度的第个数据点的密度分布差异；表示标准归一化函数。
29、通过将时序突变程度和密度分布差异对异常得分进行加权，得到加权异常得分。这综合评估了不同维度的数据特征，使得异常检测结果更加全面、可靠。通过及时的异常预警，工作人员可以更加及时的采取必要的措施，保障系统的稳定运行和长期性能。
30、优选的，所述根据加权异常得分进行预警，包括步骤：
31、预设异常阈值，若所有多维数据点的平均加权异常得分大于预设异常阈值，则由系统做出预警。
32、第二方面，本发明提供基于人工智能的风电机组异常预警方法及系统，采用如下的技术方案：
33、基于人工智能的风电机组异常预警系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述基于人工智能的风电机组异常预警方法。
34、通过采用上述技术方案，将上述的基于风电机组异常预警方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而根据存储器及处理器制作终端设备，方便使用。
35、本发明具有以下技术效果：
36、本发明通过计算任意一个维度的任意一个数据点的时序突变程度以及密度分布差异，并根据任意一个多维数据点的所有维度的数据点的时序突变程度以及密度分布差异，对该多维数据点的异常得分进行加权，得到加权异常得分。相比于传统的孤立森林算法，本发明通过利用时序突变程度以及密度分布差异，充分考虑了风电机组运行数据的局部异常，从而使异常检测结果更加准确。
37、进一步的，本发明根据所有多维数据点的异常得分的平均水平对工作人员做出预警，避免了由于个别极度异常点对工作人员造成的错误预警。
1.基于人工智能的风电机组异常预警方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述根据多维数据点利用孤立森林算法构建孤立树，包括步骤：
3.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述时序邻近点的获取方式包括：
4.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述时序突变程度满足表达式：
5.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述空间邻近点的获取方式包括：
6.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述局部密度满足表达式：
7.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述密度分布差异满足表达式：
8.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述加权异常得分满足表达式：
9.根据权利要求1所述的基于人工智能的风电机组异常预警方法，其特征在于，所述根据加权异常得分进行预警，包括步骤：
10.基于人工智能的风电机组异常预警系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-9任一项所述的基于人工智能的风电机组异常预警方法。
