CN108732494A - 一种风力发电机异常诊断处理系统 - Google Patents
一种风力发电机异常诊断处理系统 Download PDFInfo
- Publication number
- CN108732494A CN108732494A CN201710267486.9A CN201710267486A CN108732494A CN 108732494 A CN108732494 A CN 108732494A CN 201710267486 A CN201710267486 A CN 201710267486A CN 108732494 A CN108732494 A CN 108732494A
- Authority
- CN
- China
- Prior art keywords
- information
- breakdown judge
- wind
- data
- driven generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风力发电机异常诊断处理系统,包括:数据分析模块,用于监控第一数据库以及第二数据库内数据;算法库,算法库配置有预置的分析算法;数据分析模块根据算法库中的分析算法用于分析SCADA监控数据库以及SCADA报警记录库输出的数据,并输出预警信息;故障判断模块,用于根据预警信息生成故障判断信息;知识库,配置有措施建议信息;故障判断信息包括措施建议信息,故障判断模块根据预警信息从知识库中调取对应的措施建议信息以生成故障判断信息。通过这种分析方法,实现自动闭环分析,保证各个数据库可以实现数据关联,提高运维效率。
Description
技术领域
本发明涉及风力发电技术领域,具体是涉及一种风力发电机异常诊断处理系统。
背景技术
风力发电机是将风能转换为机械功,机械功带动转子旋转,最终输出交流电的电力设备。风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。风力发电机的工作原理比较简单,风轮在风力的作用下旋转,它把风的动能转变为风轮轴的机械能,发电机在风轮轴的带动下旋转发电。广义地说,风能也是太阳能,所以也可以说风力发电机,是一种以太阳为热源,以大气为工作介质的热能利用发电机。
一般为了提高运维效率,通过SCADA(Supervisory Control and DataAcquisition)系统不断保存风机各个参数的实时值,包括第一数据库和第二数据库,同时还有SCADA异常状态码,当风机发生某一异常时,SCADA系统会记录其异常代码与发生时刻等信息,这些数据可在一定程度上反映风机的运行状态。根据这些运行状态判断风力发电机的工作状态,而目前是对风机异常诊断处理系统相对独立,独立的模块分别工作,这样难以起到一个全面、高效且可靠的效果。
发明内容
针对现有技术中存在的上述问题,现旨在提供一种风力发电机异常诊断处理系统,以实现全面、高效、可靠诊断的效果。
具体技术方案如下:
一种风力发电机异常诊断处理系统,包括:
第一数据库,用于保存采集得到的所述风力发电机的监控参数数据;
第二数据库,用于保存采集得到的所述风力发电机的报警记录数据;
数据分析模块,分别连接所述所述第一数据库和所述第二数据库,用于对所述监控参数数据和所述报警记录数据进行监控;
算法库,连接所述数据分析模块,所述算法库配置有预置的分析算法;
所述数据分析模块根据所述算法库中的所述分析算法分别分析所述监控参数数据和所述报警记录数据,并输出相应的预警信息;
故障判断模块,连接所述数据分析模块,用于根据所述预警信息生成故障判断信息;
知识库,连接所述故障判断模块,所述知识库中配置有措施建议信息;
所述故障判断信息包括预设的措施建议信息,所述故障判断模块根据所述预警信息从所述知识库中调取对应的措施建议信息以生成所述故障判断信息。
进一步地,所述知识库还配置有异常状态信息;所述故障判断模块根据所述预警信息从所述知识库调用对应的异常状态信息以生成所述故障判断信息。
进一步地,所述异常状态信息包括异常名称、异常现象、异常的严重程度、异常所涉及部件。
进一步地,还包括评价模块,一次维修完成时,所述评价模块根据用户的评价生成评价数据,且根据所述评价数据用于对所述算法库内的分析算法进行评估。
上述技术方案的积极效果是:
上述的风力发电机异常诊断处理系统,通过这种分析方法,实现自动闭环分析,保证各个数据库可以实现数据关联,提高运维效率。
附图说明
图1为本发明的一种风力发电机异常诊断处理系统的系统架构示意图;
附图中:11、第一数据库;12、第二数据库;10、数据分析模块;21、知识库;22、维修数据库;20、故障判断模块;31、更新模块;41、算法库;42、评价模块。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图1对本发明提供的技术方案作具体阐述,但以下内容不作为本发明的限定。
一种风力发电机异常诊断处理系统,包括:
数据分析模块10,用于监控第一数据库11以及第二数据库12内数据;第一数据库11,基于SCADA监控参数数据,可通过使用趋势预测算法实现缓变信号(如温度)的趋势预测,达到预设条件可触发异常预警;第二数据库12基于SCADA报警记录,则可挖掘不同异常之间的关联关系,当有一些前兆预警发生时,便可给出某些严重异常发生的概率,该种方式适用于变桨系统紧停一类的异常。第一数据库11以及第二数据库12内置的分析算法为现有技术,在此不做赘述,其可以具备根据需求设置和学习的功能。
算法库41,算法库41配置有预置的分析算法;
数据分析模块10根据算法库41中的分析算法用于分析第一数据库11以及第二数据库12输出的数据,并输出预警信息;具体如下:
借助算法库41中的算法,进行大数据分析,实现异常预警。风机运行过程中,SCADA收集到大量的监控数据、报警信息等,基于上述信息,通过数据分析算法,可实现故障诊断、异常预警、风机状态评估等功能,要实现上述功能,通过数据分析模块10调用分析算法。
数据分析模块10,整个数据分析环节中涉及多个步骤,如数据清洗、数据预处理、回归分析、相关性分析等,而每个步骤中又有多种不同的算法可供选择,从线性回归模型到深度神经网络模型等。不同的算法虽有一定的能力差异,但也有各自的适用范围,这与所需解决的问题、数据情况等有直接关系,因此需要数据专家预先根据经验选择模型,然后编制模型算法,最终应用并验证模型,这使得数据分析过程往往比较耗时。通过人工神经网络模型、支持向量机模型、深度学习模型实现。
算法库41的目的是提高数据分析环节的效率,同时保证算法结果的准确性与可靠性。管理员将数据分析各步骤中的算法编写与验证后上传到算法库41,对于每个算法均有详细的介绍、说明、历史应用情况,以及应用结果动态展示等,使用者可基于各个算法的描述选择适合本次任务的算法,然后上传数据,自动得到结果,实现自动处理的效果。
基于算法库41中的算法,可对风机运行数据进行分析,包括风机监控参数数据与报警数据,通过大数据分析方法,可实现风机运行状态评价、风机异常状态预警等功能,得到预警的异常名称或异常代码,然后便可通过查询异常处理知识库21,获得异常处理的措施,这样便实现了从数据分析到异常处理的简单集成。
故障判断模块20,用于根据预警信息生成故障判断信息;
知识库21,配置有措施建议信息;知识库21具体说明如下:风力发电机在运行过程中会出现多种异常状态,如轴承温度过高、风轮超速等,某些异常状态会导致风机停止运行需要维修人员进行维修。风机运行过程中,SCADA系统会记录报警信息,维修人员则需要根据报警信息判断异常发生的原因,然后确定检查与指定维修方案。该过程中需要大量的专业知识,而风力发电机的异常处理知识库21就是将这些诊断和维修知识予以存储记录,实现自动根据异常情况给出异常处理的建议,同时还能够方便工程师查询与学习异常处理知识,建立该知识库21的好处在于:1)提高异常处理的效率;2)帮助经验不足的维修工程师快速掌握相关的异常处理知识;3)避免因为工程师的经验不足而导致风机运维水平的较大差异。由于不同型号的风力发电机结构不同,各个部件的型号不同,因此其异常类型、异常现象、SCADA系统中的异常状态码均有可能不同。针对这一现象。针对不同型号的风力发电机,分别建立其异常处理知识库21,然后将各个知识库21的表名以及对应型号风机的基本信息等存入风机知识库21关系表中。使用该模式虽然会增加表格数量,但可减少信息的冗余,减少数据不一致的风险。此外,基于风机知识库21关系表中的信息,可方便开发应用程序满足不同的查询与筛选需求。在每个型号的异常处理知识库21中,异常状态信息是知识库中配置的是异常的信息和处理建议,具体包括异常名称、异常现象、异常的严重程度、异常所涉及部件、异常的建议处理措施及步骤等。
故障判断信息包括措施建议信息,故障判断模块20根据预警信息从知识库21中调取对应的措施建议信息以生成故障判断信息。
更新模块31,一次维修完成时,更新模块31根据该次维修生成对应的维修信息,作为历史维修信息存入维修数据库22。
知识库21还配置有异常状态信息;故障判断模块20根据预警信息从知识库21查询对应的异常状态信息,再根据异常状态信息从维修数据库22中调用历史维修信息。
维修数据库22,配置有历史维修信息;
故障判断模块20根据预警信息从维修数据库22中调取对应的历史维修信息以生成故障判断信息。具体如下:
通过数据分析实现异常预警后,生成预警信息,系统根据预警的异常,自动查询异常处理知识库21,得到该异常状态信息,包括严重程度、异常部件、维修措施建议等;同时,根据异常状态信息自动查询维修数据库22,得到历史维修信息,也就是之前该异常的维修记录;然后将相关信息推送给维修工程师,这样维修工程师便可做好提前准备,保证异常发生后能在最短的时间内完成维修,甚至进行预防性维修。
更新知识库的方式可以通过工作人员进行手动更新,也可以根据处理情况生成知识信息,经过工作人员确认后,更新入知识库。
还包括评价模块42,一次维修完成时,所述评价模块根据用户的评价生成评价数据,且根据所述评价数据用于对所述算法库内的分析算法进行评估。具体如下,完成维修之后,可对上述步骤进行评价与更新,包括算法库41中算法的评价,并更新维修记录库与异常处理知识库21。在数据分析步骤中,可采用不同的算法同时进行异常预警,异常发生后,便可对不同算法的预警效果进行评估,评估的指标包括算法的精度、正确率、时间复杂度、空间复杂度等,将各个指标综合后,便可给出量化的评价指标。如果算法效果好,则其综合评价指标会进一步加分;如果算法效果不佳,则其综合评价指标会相应减分。随着应用次数的增加,各个算法的综合评价指标会越来越准确,基于丰富的信息,则可不断提高算法库41智能推荐的有效性与准确性。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (6)
1.一种风力发电机异常诊断处理系统,其特征在于,包括:
第一数据库,用于保存采集得到的所述风力发电机的监控参数数据;
第二数据库,用于保存采集得到的所述风力发电机的报警记录数据;
数据分析模块,分别连接所述所述第一数据库和所述第二数据库,用于对所述监控参数数据和所述报警记录数据进行监控;
算法库,连接所述数据分析模块,所述算法库配置有预置的分析算法;
所述数据分析模块根据所述算法库中的所述分析算法分别分析所述监控参数数据和所述报警记录数据,并输出相应的预警信息;
故障判断模块,连接所述数据分析模块,用于根据所述预警信息生成故障判断信息;
知识库,连接所述故障判断模块,所述知识库中配置有措施建议信息;
所述故障判断信息包括预设的措施建议信息,所述故障判断模块根据所述预警信息从所述知识库中调取对应的措施建议信息以生成所述故障判断信息。
2.根据权利要求1所述的一种风力发电机异常诊断处理系统,其特征在于,还包括
维修数据库,连接所述故障判断模块,并配置有历史维修信息;
所述故障判断模块根据所述预警信息从所述维修数据库中调取对应的所述历史维修信息以生成所述故障判断信息。
3.根据权利要求2所述的一种风力发电机异常诊断处理系统,其特征在于,还包括
更新模块,连接所述维修数据库,于一次维修完成时,所述更新模块根据该次维修生成对应的维修信息,作为所述历史维修信息存入所述维修数据库。
4.根据权利要求1所述的一种风力发电机异常诊断处理系统,其特征在于,所述知识库还配置有异常状态信息;所述故障判断模块根据所述预警信息从所述知识库调用对应的异常状态信息以生成所述故障判断信息。
5.根据权利要求1所述的一种风力发电机异常诊断处理系统,其特征在于,所述异常状态信息包括异常名称、异常现象、异常的严重程度、异常所涉及部件。
6.根据权利要求1所述的一种风力发电机异常诊断处理系统,其特征在于,还包括评价模块,一次维修完成时,所述评价模块根据用户的评价生成评价数据,且根据所述评价数据用于对所述算法库内的分析算法进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710267486.9A CN108732494A (zh) | 2017-04-21 | 2017-04-21 | 一种风力发电机异常诊断处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710267486.9A CN108732494A (zh) | 2017-04-21 | 2017-04-21 | 一种风力发电机异常诊断处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108732494A true CN108732494A (zh) | 2018-11-02 |
Family
ID=63933683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710267486.9A Pending CN108732494A (zh) | 2017-04-21 | 2017-04-21 | 一种风力发电机异常诊断处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732494A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
CN110852484A (zh) * | 2019-10-15 | 2020-02-28 | 浙江运达风电股份有限公司 | 一种风力发电机组故障预警系统与方法 |
CN111047218A (zh) * | 2019-12-27 | 2020-04-21 | 华能如东八仙角海上风力发电有限责任公司 | 一种智慧风电场运维数据交互及使用方法 |
CN111526202A (zh) * | 2020-04-29 | 2020-08-11 | 华润电力技术研究院有限公司 | 一种风机故障预警系统和方法 |
CN111612179A (zh) * | 2020-05-20 | 2020-09-01 | 上海凯宝药业股份有限公司 | 一种痰热清生产设备自动化管理系统 |
CN112329828A (zh) * | 2020-10-26 | 2021-02-05 | 北京旋极信息技术股份有限公司 | 一种故障关联分析方法和装置 |
CN113062878A (zh) * | 2019-12-27 | 2021-07-02 | 大唐环境产业集团股份有限公司 | 一种用于诊断火电脱硫装置氧化风机故障的系统 |
CN113202700A (zh) * | 2020-01-30 | 2021-08-03 | 霍尼韦尔国际公司 | 用于基于模型的风力涡轮机诊断的系统和方法 |
CN113284004A (zh) * | 2021-05-10 | 2021-08-20 | 广州汇通国信科技有限公司 | 一种基于孤立森林算法的电力数据诊断的治理方法 |
CN114185275A (zh) * | 2021-12-06 | 2022-03-15 | 红云红河烟草(集团)有限责任公司 | 一种设备的故障诊断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498927A (zh) * | 2008-02-03 | 2009-08-05 | 北京能高自动化技术有限公司 | 风电场群中央综合监控系统 |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN104503399A (zh) * | 2014-12-09 | 2015-04-08 | 华电电力科学研究院 | 一种集团级风电机组状态监测及故障诊断平台 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
-
2017
- 2017-04-21 CN CN201710267486.9A patent/CN108732494A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498927A (zh) * | 2008-02-03 | 2009-08-05 | 北京能高自动化技术有限公司 | 风电场群中央综合监控系统 |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN104503399A (zh) * | 2014-12-09 | 2015-04-08 | 华电电力科学研究院 | 一种集团级风电机组状态监测及故障诊断平台 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
CN110852484A (zh) * | 2019-10-15 | 2020-02-28 | 浙江运达风电股份有限公司 | 一种风力发电机组故障预警系统与方法 |
CN110852484B (zh) * | 2019-10-15 | 2023-03-10 | 浙江运达风电股份有限公司 | 一种风力发电机组故障预警系统与方法 |
CN111047218A (zh) * | 2019-12-27 | 2020-04-21 | 华能如东八仙角海上风力发电有限责任公司 | 一种智慧风电场运维数据交互及使用方法 |
CN113062878A (zh) * | 2019-12-27 | 2021-07-02 | 大唐环境产业集团股份有限公司 | 一种用于诊断火电脱硫装置氧化风机故障的系统 |
CN113202700A (zh) * | 2020-01-30 | 2021-08-03 | 霍尼韦尔国际公司 | 用于基于模型的风力涡轮机诊断的系统和方法 |
EP3859145A1 (en) * | 2020-01-30 | 2021-08-04 | Honeywell International Inc. | Systems and methods for model based wind turbine diagnostics |
CN111526202A (zh) * | 2020-04-29 | 2020-08-11 | 华润电力技术研究院有限公司 | 一种风机故障预警系统和方法 |
CN111526202B (zh) * | 2020-04-29 | 2023-04-25 | 华润电力技术研究院有限公司 | 一种风机故障预警系统和方法 |
CN111612179A (zh) * | 2020-05-20 | 2020-09-01 | 上海凯宝药业股份有限公司 | 一种痰热清生产设备自动化管理系统 |
CN112329828A (zh) * | 2020-10-26 | 2021-02-05 | 北京旋极信息技术股份有限公司 | 一种故障关联分析方法和装置 |
CN113284004A (zh) * | 2021-05-10 | 2021-08-20 | 广州汇通国信科技有限公司 | 一种基于孤立森林算法的电力数据诊断的治理方法 |
CN114185275A (zh) * | 2021-12-06 | 2022-03-15 | 红云红河烟草(集团)有限责任公司 | 一种设备的故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732494A (zh) | 一种风力发电机异常诊断处理系统 | |
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
Leahy et al. | Diagnosing and predictingwind turbine faults from scada data using support vector machines | |
CN108027908B (zh) | 模拟方法和系统 | |
Kusiak et al. | The prediction and diagnosis of wind turbine faults | |
Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
Besnard et al. | Reliability-Centred Asset Maintenance—A step towards enhanced reliability, availability, and profitability of wind power plants | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
Chen et al. | Survey of commercially available SCADA data analysis tools for wind turbine health monitoring | |
Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
Sharma et al. | Condition monitoring of wind turbines: a review | |
CN103852255A (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
CN114037194A (zh) | 基于机器学习的水电厂发电负荷预测系统及方法 | |
CN114564804A (zh) | 风电机组的叶片断裂预警方法和装置 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
Cancemi et al. | The application of machine learning for on-line monitoring Nuclear Power Plant performance | |
Kaidis | Wind Turbine Reliability Prediction: A Scada Data Processing & Reliability Estimation Tool | |
Dao et al. | Impacts of reliability on operational performance and cost of energy evaluation of multi-megawatt, far-offshore wind turbines | |
da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |