CN111639110A - 风电机组故障预警方法及装置 - Google Patents
风电机组故障预警方法及装置 Download PDFInfo
- Publication number
- CN111639110A CN111639110A CN202010489815.6A CN202010489815A CN111639110A CN 111639110 A CN111639110 A CN 111639110A CN 202010489815 A CN202010489815 A CN 202010489815A CN 111639110 A CN111639110 A CN 111639110A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- early warning
- fault early
- warning method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组故障预警方法及装置。该方法包括:采集风电机组的秒级实时数据;通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组;根据群组的划分结果,将秒级实时数据存储至分布式存储系统中;通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警。本发明提供的风电机组故障预警方法及装置利用分布式存储和并行式计算挖掘出风电场中的各个风机群在运行工况下表现异常的风机及参数,提前对异常机组进行报警。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组故障预警方法及装置。
背景技术
传统的风电机组故障预警一般通过监控变量的恒定阈值实现,但这种单一变量阈值方法无法真实反映机组的运行情况,不仅准确率低,而且有可能预留的排查时间不足。
中国发明专利申请CN107609574A公开了一种风电机组故障预警方法,该方法在故障发生之前识别异常状态,以便及时采取相应的措施,从而进行预防检修,具有重要的实际应用价值。但是,该方法需要利用风电机组的历史数据,过程繁琐。
发明内容
本发明要解决的技术问题是提供一种风电机组故障预警方法及装置,能够运用大数据技术实现对风电机组运行故障的准确预警。
为解决上述技术问题,本发明提供了一种风电机组故障预警方法,所述方法包括:采集风电机组的秒级实时数据;通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组;根据群组的划分结果,将秒级实时数据存储至分布式存储系统中;通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警。
在一些实施方式中,并行计算系统包括:Hadoop计算系统。
在一些实施方式中,分布式存储系统包括:HDFS存储系统。
在一些实施方式中,根据群组的划分结果,将秒级实时数据存储至分布式存储系统中,包括:根据群组的划分结果,将秒级实时数据存储至Hadoop计算系统的DataNode中。
在一些实施方式中,通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组,包括:提取各个风电机组在不同工况下的平均功率及功率方差;根据平均功率及功率方差对各个风电机组进行聚类。
在一些实施方式中,根据平均功率及功率方差对各个风电机组进行聚类,包括:以平均功率为横坐标,并以功率方差为纵坐标,进行风电机组的聚类。
在一些实施方式中,不同工况包括:启动运行、全开桨运行和大风顺桨运行。
在一些实施方式中,平均功率及功率方差以1秒为单位,以10分钟为总时长进行统计。
在一些实施方式中,通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警,包括:通过对相同机组历史运行参数的统计,选取运行参数中的离群参数;通过将离群参数与同群组风机的运行参数的比较,进行故障预警。
此外,本发明还提供了一种风电机组故障预警装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的风电机组故障预警方法。
采用这样的设计后,本发明至少具有以下优点:
此方法通过搭建Hadoop大数据平台,利用分布式存储和并行式计算挖掘出风电场中的各个风机群在运行工况下表现异常的风机及参数,提前对异常机组进行报警,能够对风电机组预测性维修提供策略性支持,提高风电机组可利用率,提高风电机组发电量,提升风电运营商的发电效益。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例提供的风电机组故障预警方法的流程图;
图2是本发明另一实施例提供的风电机组故障预警方法的流程图;
图3是本发明实施例提供的风电机组故障预警装置的分层结构图;
图4是本发明实施例提供的风电机组故障预警装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1示出了风电机组故障预警方法的流程图。参见图1,风电机组故障预警方法包括如下步骤:
S11,采集风电机组的秒级实时数据。
S12,通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组。
S13,根据群组的划分结果,将秒级实时数据存储至分布式存储系统中。
S14,通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警。
典型的,并行计算系统可以是:Hadoop系统。
典型的,分布式存储系统可以是HDFS系统。
图2示出了本发明另一实施例提供的风电机组故障预警方法的流程图。参见图2,风电机组故障预警方法包括如下步骤:
S21,对风电机组进行分群。
典型的,在执行分群之前,还需要采集各个风电机组的秒级运行数据。
对风电机组的分群是依据秒级运行数据中的功率特征进行的。典型的,以1秒为单位,以10分钟为统计时长,对各个风电机组在启动运行、全开桨运行和大风顺桨运行几种状态下的平均功率和功率方差进行统计。然后以统计得到的平均功率为横坐标,功率方差为纵坐标,对各个风电机组进行聚类,就完成了上述的分群操作。
S22,对采集到的秒级实时数据进行数据预处理。
数据预处理主要包括数据清洗,去除掉明显异常的秒级运行数据。
S23,对离群风机进行识别,如果识别出离群风机,执行S24,否则结束。
对监测的某个变量(故障判断类的温度类、压力类、转速类),先纵向对比,求取此刻前10分钟的平均值Aave、最大值Amax和最小值Amin,选取最大值和最小值中与平均值接近的值,为正常范围,即正常范围为:
Aave±min(Amax-Aave,Aave-Amin)
这样就可以找出离群值X。
S24,离群风机异常判断,如果判断出现异常,执行S25,否则结束。
然后进行横向对比,求取此风机同群的风机,取相同10分钟内的平均值Bave、最大值Bmax和最小值Bmin,确定正常范围为:
Bave±min(Bmax-Bave,Bave-Bmin)
如果X在B的正常范围内,则不判断为预警,如果X不在B的正常范围内,则进行故障风机报警,报警变量值异常。
S25,离群风机异常预警。
图3示出了风电机组故障预警装置的分层结构。参见图3,风电机组故障预警装置包括:数据采集层31、数据存储层32、数据计算层33、应用层34。
数据采集层31采集风电机组的秒级实时数据,传输至基于Hadoop的大数据平台。
数据存储层32将风电机组时序数据入库,存储采用HDFS分布式存储,数据存储规则存储在NameNode中固定区域,存储规则为所有风机按照下文中划分的风电机组群来存储;每个风电机组群中,按照风电机组子系统来集中存储各参数,如变桨系统、齿轮箱、发电机、主轴、机舱等。实时数据按照NameNode中的存储规则有序存储在DataNode中并实时更新NameNode中存储规则。
数据计算层33依照下文中的算法对风电机组的数据进行并行式计算,实时判断每台风机的异常与否;
应用层34经过Hadoop平台对风电机组各类参数的分布式存储和并行式计算,根据计算结果,输出故障预警结果。
图4示出了风电机组故障预警装置的结构。参见图4,例如,所述风电机组故障预警装置400可以用于充当风电机组系统中的预警主机。如本文所述,风电机组故障预警装置400可以用于在风电机组系统中实现对故障的预警功能。风电机组故障预警装置400可以在单个节点中实现,或者风电机组故障预警装置400的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到,术语风电机组故障预警装置包括广泛意义上的设备,图4中示出的风电机组故障预警装置400仅是其中一个示例。包括风电机组故障预警装置400是为了表述清楚,并不旨在将本发明的应用限制为特定的风电机组故障预警装置实施例或某一类风电机组故障预警装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件,例如,风电机组故障预警装置400中实现。例如,本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。风电机组故障预警装置400可以是任何通过网络处理,存储和/或转发数据帧的设备,例如,服务器,客户端,数据源等。如图4所示,风电机组故障预警装置400可以包括收发器(Tx/Rx)410,其可以是发射器,接收器,或其组合。Tx/Rx410可以耦合到多个端口450(例如上行接口和/或下行接口),用于从其他节点发送和/或接收帧。处理器430可耦合至Tx/Rx410,以处理帧和/或确定向哪些节点发送帧。处理器430可以包括一个或多个多核处理器和/或存储器设备432,其可以用作数据存储器,缓冲区等。处理器430可以被实现为通用处理器,或者可以是一个或多个专用集成电路(applicationspecificintegratedcircuit,简称ASIC)和/或数字信号处理器(digitalsignalprocessor,简称DSP)的一部分。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种风电机组故障预警方法,其特征在于,包括:
采集风电机组的秒级实时数据;
通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组;
根据群组的划分结果,将秒级实时数据存储至分布式存储系统中;
通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警。
2.根据权利要求1所述的风电机组故障预警方法,其特征在于,并行计算系统包括:Hadoop计算系统。
3.根据权利要求1所述的风电机组故障预警方法,其特征在于,分布式存储系统包括:HDFS存储系统。
4.根据权利要求2或3所述的风电机组故障预警方法,其特征在于,根据群组的划分结果,将秒级实时数据存储至分布式存储系统中,包括:
根据群组的划分结果,将秒级实时数据存储至Hadoop计算系统的DataNode中。
5.根据权利要求1所述的风电机组故障预警方法,其特征在于,通过并行计算系统上的并行计算,根据风电机组秒级实时数据中的功率特征将风电机组划分为不同的群组,包括:
提取各个风电机组在不同工况下的平均功率及功率方差;
根据平均功率及功率方差对各个风电机组进行聚类。
6.根据权利要求5所述的风电机组故障预警方法,其特征在于,根据平均功率及功率方差对各个风电机组进行聚类,包括:
以平均功率为横坐标,并以功率方差为纵坐标,进行风电机组的聚类。
7.根据权利要求5所述的风电机组故障预警方法,其特征在于,不同工况包括:启动运行、全开桨运行和大风顺桨运行。
8.根据权利要求5所述的风电机组故障预警方法,其特征在于,平均功率及功率方差以1秒为单位,以10分钟为总时长进行统计。
9.根据权利要求1所述的风电机组故障预警方法,其特征在于,通过对每个群组风电机组的运行参数的监测,识别离群风机,进而进行故障预警,包括:
通过对相同机组历史运行参数的统计,选取运行参数中的离群参数;
通过将离群参数与同群组风机的运行参数的比较,进行故障预警。
10.一种风电机组故障预警装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的风电机组故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489815.6A CN111639110A (zh) | 2020-06-02 | 2020-06-02 | 风电机组故障预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489815.6A CN111639110A (zh) | 2020-06-02 | 2020-06-02 | 风电机组故障预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639110A true CN111639110A (zh) | 2020-09-08 |
Family
ID=72330398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489815.6A Pending CN111639110A (zh) | 2020-06-02 | 2020-06-02 | 风电机组故障预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269813A (zh) * | 2020-10-22 | 2021-01-26 | 华能国际电力股份有限公司 | 一种离群风电机组智能判定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105576654A (zh) * | 2016-01-08 | 2016-05-11 | 南方电网科学研究院有限责任公司 | 直驱风电场等值方法和系统 |
CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学(保定) | 一种基于云平台的风电机群故障预警方法 |
CN108072524A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种风电机组齿轮箱轴承故障预警方法 |
EP3399297A1 (en) * | 2015-12-31 | 2018-11-07 | Beijing Goldwind Science & Creation Windpower Equipment Co. Ltd. | Computer storage medium, computer program product, and method and device for monitoring for malfunction of a wind turbine |
CN111209934A (zh) * | 2019-12-26 | 2020-05-29 | 大唐新疆清洁能源有限公司 | 风机故障预报警方法及系统 |
-
2020
- 2020-06-02 CN CN202010489815.6A patent/CN111639110A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3399297A1 (en) * | 2015-12-31 | 2018-11-07 | Beijing Goldwind Science & Creation Windpower Equipment Co. Ltd. | Computer storage medium, computer program product, and method and device for monitoring for malfunction of a wind turbine |
CN105576654A (zh) * | 2016-01-08 | 2016-05-11 | 南方电网科学研究院有限责任公司 | 直驱风电场等值方法和系统 |
CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学(保定) | 一种基于云平台的风电机群故障预警方法 |
CN108072524A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种风电机组齿轮箱轴承故障预警方法 |
CN111209934A (zh) * | 2019-12-26 | 2020-05-29 | 大唐新疆清洁能源有限公司 | 风机故障预报警方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269813A (zh) * | 2020-10-22 | 2021-01-26 | 华能国际电力股份有限公司 | 一种离群风电机组智能判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7185808B1 (ja) | 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
CN108087210B (zh) | 风力发电机组叶片异常识别方法及装置 | |
CN107330056B (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN103150473A (zh) | 一种风电机组发电效率实时监控诊断方法及装置 | |
CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
US11428212B2 (en) | Wind turbine drivetrain wear detection using azimuth variation clustering | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN112287531B (zh) | 一种考虑台风影响的海上风电场多状态可靠性获取方法 | |
CN112228290A (zh) | 一种风力机变桨系统故障智能预警方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN111639110A (zh) | 风电机组故障预警方法及装置 | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
CN110334562B (zh) | 轴承振动运行状态预测模型训练方法及预测方法、装置 | |
CN113759876A (zh) | 基于案例推理的风电机组故障诊断方法及系统 | |
CN113777351A (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
CN113641486A (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 | |
CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
CN108491622A (zh) | 一种风电机组的故障诊断方法及系统 | |
CN115829411A (zh) | 一种海上风电机组运行状态评估方法及评估系统 | |
CN114962177A (zh) | 一种用于风力发电机组的状态监测方法及系统 | |
CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 |
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 |