1.一种基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，包括以下步骤：步骤一：数据处理，包括数据获取、剔除异常样本、进行数据标准化以及划分数据集；

步骤二：构建辅助变量与风机功率的一维卷积回归模型，利用Adam优化算法整定模型参数；

步骤三：采用模型预测性能评价指标对模型预测性能进行对比评价；

步骤四：利用模型的预测值与风机功率实测值的偏差构建监控模型，实时监控偏差变化趋势，及时预警。

2.根据权利要求1所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤一中，包括以下子步骤：

1‑1：数据获取：获取电厂风机系统时序运行数据集；

1‑2：采用拉依达准则剔除数据集中的异常样本，随后对数据集进行重采样；

1‑3：采用最小最大值归一化对数据集中数据进行标准化处理；

1‑4：采用自助采样法将数据集划分为训练集和测试集。

3.根据权利要求2所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述1‑1中获取电厂风机系统时序运行数据集D的表示如下：D＝{X1,X2,X3,...,XM,Y}；

其中X1,X2,X3,...,XM为对电厂风机功率有影响的相关变量，Y为风机功率；

1‑2中按照贝塞尔公式计算其标准差，公式如下：

式中： 为y1,y2,...,yn的平均值，vz为偏差，n为样本数，yz为第z个样本的风机功率值；

若某一样本数据yz的vz满足∣vz∣＞3σ，则认为该样本数据是异常数据，将其剔除；

1‑3中标准化公式如下：

其中，xnormalization为数据集D中剔除了异常样本的原始数据x归一化后的值，xmax和xmin分别为辅助变量XM的最大值和最小值；

1‑4中从标准化处理后的数据集中随机选取一个样本，将其加入到新的自助样本集合中，然后将该样本放回已进行标准化的数据集中，使得该样本在下一次采样中有可能被再次选中，重复上述步骤，直至生成的自助样本集合中包含n个样本，则将该自助样本集作为测试集，其他未被选中的样本构成训练集。

4.根据权利要求3所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤二中包括以下子步骤：

2‑1：搭建一维卷积神经网络；

2‑2：使用训练集对一维卷积神经网络进行训练，迭代m次，直至回归模型损失函数达到阈值或0，得到的模型参数为最优模型参数，保存该参数；

2‑3：将测试集数据带入训练好的模型，得到风机功率的预测值。

5.根据权利要求4所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2‑1中，一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和输出层，一维卷积神经网络设置三层卷积层和三层池化层，所述输入层接收输入的一维信号，卷积层完成可学习的卷积核与来自上一层输出的特征的卷积操作，卷积后的值经过激活层的激活函数输入到池化层，在池化层内完成下采样操作后，得到下一层的输入，神经网络循环三次卷积池化操作后，最后一个池化层的输出与全连接层相连，经过激活函数激活后，得到回归值。

6.根据权利要求5所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，一维卷积神经网络卷积层的卷积运算公式如下：l l‑1

式中，y表示第l层的输出向量y，c 表示第l‑1层中第c个通道， 表示第l层的卷积核参数权重矩阵，其中i表示第l层中第i个通道，*符号表示卷积运算， 表示第l‑1层中第i个通道的输出向量x，也是本层的输入向量， 表示第l层的第i个通道的偏置项b；

所述激活函数采用ReLU函数，其表达式如下：

l(k,h) l(k,h) l(k,h)

a ＝ReLU(x )＝max(0,x )  (6)；

l(k,h) l(k,h) l(k,h)

式中，a 表示输入值x 经过激活函数之后的激活值，x 表示卷积层l的第k个特征向量中的第h个特征值；

所述池化层采用最大池化作为下采样操作，其公式如下式：l(i,j) l(i,t)

式中，y 表示第l层的第i个通道的第j个神经元的输出值，W表示池化核宽度，x表示第l层的第i个通道的第t个神经元的输入值；

所述全连接层公式如下：

l

式中，y表示全连接层l的输出向量y,ns表示全连接层上一层即第l‑1层的神经元个数，l‑1(t)表示第l‑1层的第t个神经元到第l层的第j个神经元的连线的权值，x 表示第l‑1层的第t个神经元的输出值x， 表示第l‑1层的第j个神经元的偏置项b；

所述一维卷积神经网络采用均方差作为损失函数，表达式如下式：其中，n表示样本个数，yz表示电厂风机功率的真实值， 表示电厂风机功率的预测值。

7.根据权利要求6所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2‑2中将训练集的数据带入一维卷积神经网络，随机初始化网络参数；训练集数据经过卷积层、池化层和全连接层，完成神经网络前向传播，得到预测值；

将预测值与实测值进行比较，得到两者的绝对误差，即得到损失值，计算公式如下：其中，Lz表示第Z条样本的损失值，yz表示电厂风机功率的真实值， 表示电厂风机功率的预测值；

一维卷积神经网络进行反向传播，利用优化算法Adam完成梯度更新。

8.根据权利要求7所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2‑2中全连接层先计算损失函数值Loss与输出层输出的向量y的偏导数，然后得到损失函数Loss同全连接层连线的权重值 和偏置项值 的推导，其推导过程如下式：l(t) l(j)

最终得到损失函数Loss值同全连接层的x 以及未经过ReLU的y 的梯度；

l(t) l(j)

本层输入向量x 和输出向量y 的梯度推导过程如下式:l(j)

联立(12)(13)(14)三式求解Loss关于y 的梯度，即可求出全连接层的权值 和偏置的偏导数，然后在反向传播过程中对二者的权重进行更新；

卷积神经网络在池化层的反向传播公式为：

卷积神经网络在卷积层的反向传播需要结合激活函数求梯度；在计算卷积层反向传播l梯度时，需要计算Loss和输出向量y的梯度，公式如式(16)所示：基于下式(17)、(18)分别计算Loss关于卷积层的权重 和偏置 的偏导数，修正 和的值以完成算法的全流程；

9.根据权利要求8所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤三中将测试集数据输入训练好的模型，得到风机功率的预测值；

使用模型性能指标对模型性能进行评价，性能指标包括RMSE、平均绝对百分比误差和相关系数；RMSE主要描述预测值与实测值之间的偏差，平均绝对百分比误差主要描述预测值偏离真实值的百分比，相关系数主要用于判定预测值与实测值之间的相关性。

10.根据权利要求9所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤四包括以下子步骤：

4‑1：将测试集数据输入到已构建的一维卷积模型得到风机功率的预测值后，与功率实测值比较，计算预测误差，预测误差计算公式如下所示：上式中err表示预测误差，y表示电厂风机功率的真实值， 表示电厂风机功率的预测值；

4‑2：取预测误差err后，给定异常检测窗口mw，对该窗口内的误差点进行最小二乘拟合，拟合误差曲线；

4‑3：设置报警规则，采用滑动t‑检验法判断前后两段曲线斜率是否发生突变，分段线性化的误差曲线的斜率如果发生突变，则产生报警信号，进行预警。