CN105787584B - 一种基于云平台的风电机群故障预警方法 - Google Patents

Abstract

本发明公开了一种基于云平台的风电机群故障预警方法，本发明公开了针对风电场传统故障预警模式存在的数据存储与传输受限，计算能力不足以及计算负荷不平衡问题，提出了一种基于企业云平台的风电机群故障预警方法。该方法包括数据分布式存储中心、故障预警中心、远程监控中心、基于Map‑Reduce的故障预警算法库以及中央监控室。本发明可以充分挖掘风电机群的海量、多方位监控数据，同时为多个风场提供早期故障预警服务。本发明实现大规模数据分布式存储和远程快速读取，利用风电机组全方位状态监测数据进行趋势分析、寿命预估及数据挖掘，实现风机自动早期故障预警；能够自动识别，智能控制，方便快捷，效率高，成本低。

Description

一种基于云平台的风电机群故障预警方法

技术领域

本发明涉及发电设备故障预警与维护领域，具体是一种基于云平台的风电机群故障预警方法。

背景技术

截至2014年9月，我国风电累计装机容量达9858.8万千瓦，发电量连续两年超过同期核电。作为世界上风电装机容量最大的国家，风场运营仍以故障后报警、事后维修为主，从风场长期安全生产和经济运行来看，故障预警不应是设备的‘故障判决书’，必须对风电机组进行全方位状态监测，以实现早期预警和故障诊断，这样才能有效减少设备损坏造成的经济损失和停机时间。

目前，国内外开发的风电机组在线监测系统(德国Pruftechnik、瑞典SKF、美国SUNNYLEE以及国内几家公司)均为“服务器-客户端”模式。每个风场将所有风机的监控状态数据传送至中央控制室内，供运行人员监测，数据存储统一由对外服务器完成，故障数据是由对外服务器向远程服务器传送过去。传统的数据存储和故障预警模式存在如下弊端：

1)大数据存储受限，无法实现早期故障诊断

传统的数据存储和读取模式由单一服务器完成，不具有大数据存储能力，即使风场安装了振动测点，也无法实现振动数据的长期存储及整个风场各机组振动数据的综合分析与比较，更无法实现早期故障诊断，只能对已发故障做出判断。

2)计算能力不足

无论是机组状态趋势分析、还是故障特征提取与诊断都涉及大规模数据处理，传统模式的单机计算无法满足实时需要，并且当多台风机同时发出故障诊断请求时，风场对外服务器存和远程中心服务器都存在通讯和负荷过重问题。

3)系统负荷不平衡

故障诊断系统的计算机资源存在不平衡，主要体现在服务器存储和计算负荷紧张，而其他计算机资源相对空闲，不能最大限度地发挥计算机和网络的优势。

云计算首先由Google引入，用来解决大规模数据计算和存储，将云平台用于机械故障诊断研究的文献并不多见，但从应用方面来看，风电行业已经开始借助云平台进行生产管理和设备维护。2013年印度Bharat电力公司与IBM合作，通过采用IBM的SoftLayer云平台对旗下的200MW风电企业进行设备、人力管理和电力生产分析。同年，北京华电天仁与北京天云趋势合作建设CloudStack云平台系统，旨在更好地管理和运行现有系统中的微网系统、光伏监控系统、风电功率预测系统等。

云平台在风场中的应用已拉开帷幕，将众多风场的运维任务，转移到专业的云平台故障预警中，是非常具有市场和研究价值的。

发明内容

本发明的目的在于提供一种基于云平台的风电机群故障预警方法，以解决上述背景技术中提出的问题，为实现上述目的，本发明提供如下技术方案：

一种基于云平台的风电机群故障预警方法，包括状态监测数据存储与利用、工况辨识及预警阈值选取、基于Map-Reduce(一种编程模型)的预警方法实现和BP(BackPropagation)神经网络的在线故障预警以及基于工况辨识的同类风机异常监测，主要过程为：

1)针对状态监测数据，进行有效性判断和压缩处理，实现有效数据在云平台中安全、分布式存储；

2)辨识风机运行工况，以选择合适的预警阈值；

3)调用云平台中基于Map-Reduce的早期故障预警方法，计算设备健康状态指标；

4)基于BP神经网络的故障预警；

5)触发远程监控协助，通过专家分析对在线故障预警的故障原因做出判断，并反馈给风场中央集控室；

6)现场运维人员综合预警结果进行风机主动维护。

作为本发明进一步的方案：所述状态监测数据存储与利用包括电气参数、过程参数、振动参数以及气象参数的分布式存储与分析利用。

作为本发明再进一步的方案：所述电气参数、过程参数、振动参数分别为：

1)电气参数：电网三相电压、三相电流、电网频率、功率因数，电气参数不仅能够反映发电机的异常状态还能作为传动系统和叶片的故障信号；

2)过程参数：风轮转速、发电机转速、发电机线圈温度、发电机前后轴承温度、齿轮箱油温度、齿轮箱前后轴承温度、液压系统油温、油压、油位、电缆扭转、机舱温度，过程参数反映机械系统故障；

3)振动数据：风机传动系统(主轴、齿轮箱、发电机及联轴器)、塔筒、机舱、支架处的位移、速度和加速度数据，振动数据直接反映传动系统故障。

作为本发明再进一步的方案：所述工况辨识采用FCM(一种基于划分的聚类算法)进行，通过风速、转速、有功功率参数，划分并辨识出风机运行工况。

作为本发明再进一步的方案：所述预警阈值选取在工况辨识基础上，采样多元统计法和趋势分析选择出与每种工况相适应的预警阈值。

作为本发明再进一步的方案：所述基于Map-Reduce的故障预警方法包括：

1)时域指标计算方法：峭度、散度、烈度、均值、方差；

2)频域计算方法：频谱、倒谱、包络谱以及细化谱，适用于转速恒定工况；

3)时频计算方法：小波(包)变换、短时傅里叶变换，希尔伯特黄变换以及本发明提出的自适应高频谐波局部均值分解，时频计算方法适用于变速工况；

4)多元统计方法：回归分析、聚类分析以及主成分分析等，使用于消除转速负荷变化影响、工况辨识以及健康状态指标筛选等。

作为本发明再进一步的方案：所述BP神经网络的故障预警包括输入层、隐含层、输出层。

作为本发明再进一步的方案：所述BP神经网络的故障预警是在对二组以上设备健康指标进行降维处理后，进行的BP神经网络在线训练和故障预警输出；所述BP神经网络的输入层包含降维后的健康指标以及风电机组当前的运行工况数据；隐含层由9个神经元构成；输出层为故障预警准确度，隐含层的神经元采用Sigmoid型激励函数，输出层的神经元采用Purelin激励函数。

作为本发明再进一步的方案：相同类型集群间的异常风机监测：平均风速、风机转速、发电机功率相近的同类型机组划分为同类风机群；通过该群体电气、振动以及温度等过程参数多元统计分析，能够及时发现运行异常机组。

与现有技术相比，本发明的有益效果是：

1)数据存储由“测点-服务器”模式变为“测点-云平台”模式，以实现大规模数据分布式存储和远程快速读取；

2)单机计算模式变为云平台并行计算，利用风电机组全方位状态监测数据可进行趋势分析、寿命预估及数据挖掘，实现风机自动早期故障预警；

3)远程监控中心不必再接收大量监测数据，而是通过向云平台提交监控方案，实现风电机群的早期故障预警。

附图说明

图1为一种基于云平台的风电机群故障预警方法的示意图。

图2为一种基于云平台的风电机群故障预警方法的硬件结构示意图。

图3为自适应高频谐波LMD原理示意图。

图4为基于Map-Reduce的算法设计和数据处理原理示意图。

图5为基于BP神经网络的故障预警。

图6为振动测点布置略示意图。

图中：1-发电机、2-齿轮箱、3-主轴承；A-轴向布置测点、H-水平方向布置测点、R-轴向布置测点、V-垂直方向布置测点。

具体实施方式

下面结合具体实施方式对本发明专利的技术方案作进一步详细地说明。

请参阅图1-6，一种基于云平台的风电机群故障预警方法，具体步骤如下：

步骤1：在风电机组传动系统中安装振动测点，通过数据采集装置保证与SCADA(Supervisory Control And Data Acquisition数据采集与监视控制系统)数据同一时间坐标下采集，由于SCADA数据采样频率很低，可将1秒钟振动数据和SCADA数据绑定，再存入分布式数据中心，保证某段时间振动数据有相应的风机转速和功率，风机振动测点布置图见附图6，其中：

1)测点位置一般位于主轴轴承、齿轮箱各级齿轮和发电机两侧，根据需要，还可以采集塔筒和机舱的振动信号；

2)振动数据采集为同步采集，一般采用加速度传感器，其采样频率由采样点处的分析频率确定；

步骤2：将采集到的数据进行预处理，根据不同的测点进行高低限预处理，如果测点采集的参数超过或者低于设定值，则认为该组数据无效，对有效数据段进行压缩处理再存入分布式数据中心；

步骤3：根据风机运行特性，首先确定机组运行工况数量，根据FCM算法计算出对应的聚类中心，当采集到一组当前工况数据段时，根据运行数据辨识出风电机组所处工况，以自动选取合适的状态指标预警阈值；

步骤4：调用云平台中基于Map-Reduce的早期故障预警方法，计算设备健康状态指标，其中，时域指标计算方法包括：峭度、散度、烈度、均值、方差等；

频域计算方法包括：频谱、倒谱、包络谱以及细化谱等；时频计算方法包括：小波(包)变换、短时傅里叶变换，希尔伯特黄变换、局部均值分解等；多元统计方法包括：回归分析、聚类分析以及主成分分析等。这些方法可根据机组不同运行状态进行选取，其中频域指标可用于转速恒定工况，时频指标可用于变转速工况，时间域指标配合其他指标一起使用；多元统计法可用于工况辨识、变工况下机组健康指标的回归分析以及健康指标降维处理。

步骤5：预警中心将预警健康指标与预警阈值进行比较，同时利用预警中心的在线训练神经网络，输出当前工况下的故障预警可信度，并将以上的预警阈值比较结果和故障可信度传送至中央监控室和远程监控中心，实现故障自动预警；

步骤6：故障预警会触发远程监控协助，远程分析专家对自动故障预警的可信度及故障原因做出判断，并反馈给风场中央集控室，必要时可修改风机故障预警方案，包括预警指标及计算方法、预警阈值限制等；

步骤7：现场运维人员综合预警建议进行风机主动维护，并将处理结果反馈给故障预警中心和远程监控中心。

步骤8：预警故障中心根据现场人员对故障预警的确认修正各健康指标预警阈值，并将每次选用预警指标、机组工况和预警的准确度进行在线神经网络训练，训练的神经网络供步骤5使用。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于云平台的风电机群故障预警方法，其特征在于，包括状态监测数据存储与利用、工况辨识及预警阈值选取、基于Map-Reduce的早期故障预警方法和BP神经网络的故障预警以及基于工况辨识的同类风机异常监测，状态监测数据存储与利用包括电气参数、过程参数、振动参数以及气象参数的分布式存储与分析利用，工况辨识采用FCM进行，通过风速、转速、有功功率参数，划分并辨识出风机运行工况，预警阈值选取在工况辨识基础上，采样多元统计法和趋势分析选择出与每种工况相适应的预警阈值，BP神经网络的故障预警包括输入层、隐含层、输出层，BP神经网络的故障预警是在对二组以上设备健康指标进行降维处理后，进行的BP神经网络在线训练和故障预警输出；所述BP神经网络的输入层包含降维后的健康指标以及风电机组当前的运行工况数据；隐含层由9个神经元构成；输出层为故障预警准确度，隐含层的神经元采用Sigmoid型激励函数，输出层的神经元采用Purelin激励函数，过程为：1)针对状态监测数据，进行有效性判断和压缩处理，实现有效数据在云平台中安全、分布式存储；

2)辨识风机运行工况，以选择合适的预警阈值；

3)调用云平台中基于Map-Reduce的早期故障预警方法包括：1)时域指标计算方法：峭度、散度、烈度、均值、方差；2)频域计算方法：频谱、倒谱、包络谱以及细化谱，适用于转速恒定工况；3)时频计算方法：小波变换、短时傅里叶变换，希尔伯特黄变换以及自适应高频谐波局部均值分解，时频计算方法适用于变速工况；4)多元统计方法：回归分析、聚类分析以及主成分分析，使用于消除转速负荷变化影响、工况辨识以及健康状态指标筛选，计算设备健康状态指标；

4)基于BP神经网络的故障预警；

5)触发远程监控协助，通过专家分析对在线故障预警的故障原因做出判断，并反馈给风场中央集控室；

6)现场运维人员综合预警结果进行风机主动维护。

2.根据权利要求1所述的一种基于云平台的风电机群故障预警方法，其特征在于，所述电气参数、过程参数、振动参数分别为：

1)电气参数：电网三相电压、三相电流、电网频率、功率因数，电气参数不仅能够反映发电机的异常状态还能作为传动系统和叶片的故障信号；

2)过程参数：风轮转速、发电机转速、发电机线圈温度、发电机前后轴承温度、齿轮箱油温度、齿轮箱前后轴承温度、液压系统油温、油压、油位、电缆扭转、机舱温度，过程参数反映机械系统故障；

3)振动数据：主轴、齿轮箱、发电机及联轴器、塔筒、机舱、支架处的位移、速度和加速度数据，振动数据直接反映传动系统故障。

Images