CN112594142B - 一种基于5g的端云协同风电运维诊断系统 - Google Patents
一种基于5g的端云协同风电运维诊断系统 Download PDFInfo
- Publication number
- CN112594142B CN112594142B CN202011321510.0A CN202011321510A CN112594142B CN 112594142 B CN112594142 B CN 112594142B CN 202011321510 A CN202011321510 A CN 202011321510A CN 112594142 B CN112594142 B CN 112594142B
- Authority
- CN
- China
- Prior art keywords
- data
- wind field
- fan
- service
- wind
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及风力发电设备远程运维诊断技术领域,提供了一种基于5G的端云协同风电运维诊断系统,包括:数据采集网关、基于5G的边缘计算网络、风场控制中心系统、前置数据采集服务、运维诊断云平台。本发明在上述各个子系统的协同作用下,实现了风机数据的秒级采集、远程运维和智能诊断,解决了风机巡检难、不易监控的问题,提升了异地风机集中管控的水平,降低了风机运行的故障率,保障了风机高质量的发电效率,为风场创造了可观的经济效率。
Description
技术领域
本发明涉及风力发电设备远程运维诊断技术领域,特别是一种基于5G的端云协同风电运维诊断系统。
背景技术
风机通过有线组成环网,实现设备互联,风场部署scada系统实现风机运行状态、故障代码和关键参数采集,通过有线接入到风场集中控制中心,风场集中控制中心搭建电子看板实现数据可视化和集中管控,通过本地化数据库对关键数据进行存储,依靠人工巡检进行设备故障诊断。
缺陷一:设备运维非常依赖人工定期巡检,风场按运维计划人工巡检风机运行状态,依据巡检员工作经验对风机设备健康状态进行检测,工作量大,设备故障排除效率低、不及时,风机故障停机率高。
缺陷二:通过scada系统实现风机运行数据采集,数据传输量小,无法传输高清视频,缺少基于运行数据的故障智能诊断和预测。
缺陷三:通常风机安装地点偏远、分布广、地质条件复杂,有线网络易受地质气候灾害影响出现网络故障,维修难度大、成本高。
缺陷四:风机控制系统无法进行复杂数据运算,数据需汇集到风场集中控制中心进行处理,设备异常的识别和响应不及时。
发明内容
本发明为解决上述技术问题,提供了一种基于5G的端云协同风电运维诊断系统,通过5G多接入边缘计算(MEC)构建风场数据高带宽、低延时、高可靠的无线网络通信链路,能快速预测关键部件运行温度异常、轴承振动异常、转速异常、火灾异常等异常情况,对数据进行预处理,减少向上传输数据量,数据传输速率、传输带宽及传输可靠性都较高,实现了风机预测性运维、减少人工巡检工作量,降低风机运行故障率。
本发明的技术方案如下:
一种基于5G的端云协同风电运维诊断系统,其特征在于:包括数据采集网关、基于5G的边缘计算网络、风场控制中心、前置数据采集服务单元、运维诊断云平台,其中:
所述数据采集网关,用于接入和分析风机运行数据、风机故障数据、传感器信号以及高清视频信号,通过5G通信网络向风场控制中心传输处理后的风机主控PLC运行数据、多传感器融合设备采集数据、高清视频监控数据,通过5G通信网络向风场控制中心传输处理后的风机主控PLC运行数据、多传感器融合设备采集数据、高清视频监控数据,在风机端利用机器学习(监督式学习和/或非监督式学习)、神经网络算法等方式,对风机关键部件的健康度或故障进行预测,优化风机运行参数。
所述基于5G的边缘计算网络,为数据采集网关和风场控制中心提供5G通信网络,用于实现数据采集网关的组网。
所述风场控制中心,用于汇集数据采集网关接入的风机运行数据,向风机发送控制调节指令,实现风场本地化集中管控,进一步通过风场本地化数据库存储风机近期运行历史数据,实现风场运行状态监控;其中,风场本地化数据库用于存储风机短期内的运行历史数据,并支持短期数据的回看和缓存。
所述前置数据采集服务单元,用于接入风场控制中心传输的风场数据,并对风场数据进行协议转化、数据封装、数据预处理操作,然后将处理后的风场数据传输到运维诊断云平台;其中,风场控制中心传输的风场数据包括风机主控PLC运行数据、多传感器融合设备采集数据、网关AI识别截取的异常视频或图片数据、风场运行统计数据等。
所述运维诊断云平台,用于汇集前置数据采集服务单元处理后的各风场数据,提供基于kafka(由Apache软件基金会开发的一个开源流处理平台)集群的高并发消息服务,提供人工智能算法训练及下传,实现风场运行数据可视化,实现多风场智能化协同和调度。
针对上述基于5G的端云协同风电运维诊断系统,还设计有:
所述数据采集网关部署于风机控制柜,数据采集网关和风机控制柜一一对应。
进一步的,所述数据采集网关包括5G通信模组、基于Linux部署的数据采集软件平台,数据采集周期1S,可同时采集1000点以上,支持1920x1080p高清视频采集,通过5G通信网络进行数据传输,具有高带宽、低延时、高保障的特性,搭载故障诊断智能算法,通过边缘计算实现风机故障预测,优化风机运行参数。基于Linux部署数据采集软件平台采用微服务架构,分为:设备协议服务层、核心服务支持层、应用支持服务层、集成扩展服务层,提供多通信协议支持、基础应用服务、人工智能算法搭载能力,用户也可根据特定需求自定义通信协议支持服务、应用计算服务、智能算法模型,通过云平台远程加载和更新。
进一步的,所述的数据采集网关支持多通信协议适配,如RS485、Modbus、OPC-UA、REST、BACNET等,也可根据协议开发规范自定义特殊通信协议,可快速接入风机控制系统、各种采集传感器。
进一步的,所述数据采集网关采用微服务架构,实现了服务注册、服务治理、服务调用、负载均衡等,可基于GO语言开发自定义功能模块,通过云平台集中管理和远程部署。
进一步的,所述数据采集网关提供边缘智能分析服务,通过基于神经网络的智能算法模型,对风机运行数据、传感器信号、高清视频信号进行故障分析和预测,智能算法模型可通过运维诊断云平台的平台应用层进行远程加载和更新。
进一步的,所述数据采集网关接入的风机运行数据包括桨叶角度、转速、关键部件温度、发电效率、传动机构振动频率和振动强度等。
所述基于5G的边缘计算网络是通过多接入边缘计算(MEC)实现数据采集网关的快速组网,确保核心数据不出风场,提供高带宽、低延时、高保障、近端的5G通信网络支持,可提供网络安全隔离,为云端提供数据中转。
所述风场控制中心,分布部署于各个风场,风场控制中心与风场一一对应,在监控过程中,采用电子看板实现风场运行状态监控。
所述前置数据采集服务单元,可通过VPN专网向运维诊断云平台传输数据,确保数据安全、数据一致性,通过软件和物理隔离策略保障系统信息安全。
进一步的,所述前置数据采集服务单元接入的风场数据包括风场运行状态数据、故障预警数据、控制业务数据、风机关键参数数据等。
进一步的,所述前置数据采集服务单元进行的数据预处理操作至少包括对数据进行解包、编码转换、数据格式统一、数据加密、数据压缩等。
所述运维诊断云平台包括数据接入层、数据计算/存储层、数据服务层和平台应用层,数据接入层用于接入各风场数据,数据计算/存储层对数据接入层接入的数据进行计算、存储,数据服务层对经过数据计算/存储层的数据进行数据分析、数据挖掘和数据封装,针对平台应用层提供统一的数据服务,包括数据共享服务、查询服务、数据分析服务、以及数据挖掘服务,平台应用层用于行业应用实现和平台运维管理。进一步的,所述平台应用层对应图中的网关管理、模型训练、数据应用、平台管理、权限管理、运营中心,数据计算/存储层提供数据接入层传输的实时流数据和非结构化离线数据处理能力,实现了离线计算框架、内存计算框架和流计算框架,实现海量数据的分布式存储;数据服务层通过数据驱动实现数据计算/存储层的数据查询、访问和统计,提供多维数据聚合、统计报表、指标塑胶计算的能力,为平台应用层提供客户化定制的数据服务接口。
本系统的工作流程如下:
数据采集网关与风机互联实现风机运行数据、外网传感数据和高清视频数据的采集,基于神经网络算法实现温度预测、故障预测和火灾识别等,对实时数据、预测结果和压缩图像等进行协议封装,通过5G网络传输至风场控制中心,风场控制中心对传输数据进行解析和本地化缓存,通过电子看板实现风机运行状态监控,前置数据采集单元基于风场控制中心接口服务汇集风场总体效能、故障信息、智能诊断结果、实时数据等关键运行数据,对数据进行数据压缩、数据封装、安全加密,提供安全隔离,通过VPN专网传输数据至运维诊断云平台,运维诊断云平台的数据接入层通过Kafka集群实现高并发的数据接入,对数据进行解压、解密、解析,完成数据转化,数据计算/存储层通过离散计算、流计算和内存计算框架实现数据处理,并将数据持久化到分布式文件存储系统、关系数据库、非关系数据库、实时数据库中,数据服务层提供数据分析、数据共享查询、多维数据聚合等功能,通过可自定义客户化接口服务为平台应用层提供数据访问能力,平台应用层基于数据服务层实现大数据分析、海量数据挖掘,搭载人工智能算法实现风机智能诊断预测,提供平台应用支持。
本发明的有益效果如下:
1)本发明通过搭载智能算法、5G通信模组、多协议适配、微服务架构的数据采集网关,在边端实现风机数据采集、数据处理、故障智能预测,基于运行数据、传感器信号、高清视频信号能快速预测关键部件运行温度异常、轴承振动异常、转速异常、火灾异常等异常情况,对数据进行预处理,减少向上传输数据量,实现了风机预测性运维、减少人工巡检工作量,降低风机运行故障率。
2)本发明通过5G多接入边缘计算(MEC)构建风场数据高带宽、低延时、高可靠的无线网络通信链路,大幅提升数据传输速率、传输带宽及传输可靠性,实现了高清视频信号的接入。
3)采用基于5G的无线通信网络实现数据采集网关的快速接入,可减少物理布线的施工难度、建造成本,能有效避免自然灾害造成的网络故障,提升网络通信的可靠性。
4)通过数据采集网关在风机侧进行数据采集和分析处理,能够及时预测风机运行健康状态,快速优化风机控制,并对数据进行转化处理,减少不必要数据的向上传输。
5)通过运维诊断云平台实现多风场的协同控制,集中管控风机数据采集网关,可远程同步更新网关服务,实现了边云协同,提升了风场远程运维能力,增强了多风场协同和集中调度水平,云端平台具有超强算力和海量数据积累能够持续动态优化人工智能算法模型,并对边端网关进行实时动态更新,提升风机预测性诊断的准确性和效率。
附图说明
图1为本发明的系统架构示意图。
图2为实施例7中温度预测系统测试报告的一次函数仿真拟合结果示意图。
图3为实施例7中温度预测系统测试报告的三角函数仿真拟合结果示意图。
图4为实施例7中温度预测系统测试报告的指数函数仿真拟合结果示意图。
具体实施方式
如图1所示,一种基于5G的端云协同风电运维诊断系统,包括数据采集网关、基于5G的边缘计算网络、风场控制中心、前置数据采集服务单元、运维诊断云平台,其中:
所述数据采集网关,用于接入和分析风机运行数据、风机故障数据、传感器信号以及高清视频信号,通过5G通信网络向风场控制中心传输处理后的风机主控PLC运行数据、多传感器融合设备采集数据、高清视频监控数据,通过5G通信网络向风场控制中心传输处理后的风机主控PLC运行数据、多传感器融合设备采集数据、高清视频监控数据,在风机端利用监督式学习和/或非监督式学习的机器学习、神经网络算法等方式,对风机关键部件的健康度或故障进行预测,优化风机运行参数。
所述基于5G的边缘计算网络,为数据采集网关和风场控制中心提供5G通信网络,用于实现数据采集网关的组网。
所述风场控制中心,用于汇集数据采集网关接入的风机运行数据,向风机发送控制调节指令,实现风场本地化集中管控,进一步通过风场本地化数据库存储风机近期运行历史数据,实现风场运行状态监控;其中,风场本地化数据库用于存储风机短期内的运行历史数据,并支持短期数据的回看和缓存。
所述前置数据采集服务单元,用于接入风场控制中心传输的风场数据,并对风场数据进行协议转化、数据封装、数据预处理操作,然后将处理后的风场数据传输到运维诊断云平台;其中,风场控制中心传输的风场数据包括风机主控PLC运行数据、多传感器融合设备采集数据、网关AI识别截取的异常视频或图片数据、风场运行统计数据等。
所述运维诊断云平台,用于汇集前置数据采集服务单元处理后的各风场数据,提供kafka集群的高并发消息服务,提供人工智能算法训练及下传,实现风场运行数据可视化,实现多风场智能化协同和调度。
实施例2
基于实施例1的端云协同风电运维诊断系统,所述数据采集网关部署于风机控制柜,数据采集网关和风机控制柜一一对应。
进一步的,所述数据采集网关包括5G通信模组、基于Linux部署的数据采集软件平台,数据采集周期1S,可同时采集1000点以上,支持1920x1080p高清视频采集,通过5G通信网络进行数据传输,具有高带宽、低延时、高保障的特性,搭载故障诊断智能算法,通过边缘计算实现风机故障预测,优化风机运行参数。基于Linux部署数据采集软件平台采用微服务架构,分为:设备协议服务层、核心服务支持层、应用支持服务层、集成扩展服务层,提供多通信协议支持、基础应用服务、人工智能算法搭载能力,用户也可根据特定需求自定义通信协议支持服务、应用计算服务、智能算法模型,通过云平台远程加载和更新。
进一步的,所述的数据采集网关支持多通信协议适配,如RS485、Modbus、OPC-UA、REST、BACNET等,也可根据协议开发规范自定义特殊通信协议,可快速接入风机控制系统、各种采集传感器。
进一步的,所述数据采集网关采用微服务架构,实现了服务注册、服务治理、服务调用、负载均衡等,可基于GO语言开发自定义功能模块,通过云平台集中管理和远程部署。
进一步的,所述数据采集网关提供边缘智能分析服务,通过基于神经网络的智能算法模型,对风机运行数据、传感器信号、高清视频信号进行故障分析和预测,智能算法模型可通过运维诊断云平台的平台应用层进行远程加载和更新。
进一步的,所述数据采集网关接入的风机运行数据包括桨叶角度、转速、关键部件温度、发电效率、传动机构振动频率和振动强度等。
实施例3
基于实施例1或2的端云协同风电运维诊断系统,所述基于5G的边缘计算网络是通过多接入边缘计算实现数据采集网关的快速组网,确保核心数据不出风场,提供高带宽、低延时、高保障、近端的5G通信网络支持,可提供网络安全隔离,为云端提供数据中转。
实施例4
基于实施例1或2或3的端云协同风电运维诊断系统,所述风场控制中心,分布部署于各个风场,风场控制中心与风场一一对应,在监控过程中,采用电子看板实现风场运行状态监控。
所述的风场控制中心系统通过5G基站加MEC形成得边缘计算网络汇集所有风机数采网关传输的运行数据,进行本地化存储,对风机进行本地协同和控制,保障核心数据不出“园区”的管理。
实施例5
基于上述实施例中任一的端云协同风电运维诊断系统,所述前置数据采集服务单元,可通过VPN专网向运维诊断云平台传输数据,确保数据安全、数据一致性,通过软件和物理隔离策略保障系统信息安全。
进一步的,所述前置数据采集服务单元接入的风场数据包括风场运行状态数据、故障预警数据、控制业务数据、风机关键参数数据等。
进一步的,所述前置数据采集服务单元进行的数据预处理操作至少包括对数据进行解包、编码转换、数据格式统一、数据加密、数据压缩等。
实施例6
基于上述实施例中任一的端云协同风电运维诊断系统,所述运维诊断云平台包括数据接入层、数据计算/存储层、数据服务层和平台应用层,数据接入层用于接入各风场数据,数据计算/存储层对数据接入层接入的数据进行计算、存储,数据服务层对经过数据计算/存储层的数据进行数据分析、数据挖掘和数据封装,针对平台应用层提供统一的数据服务,包括数据共享服务、查询服务、数据分析服务、以及数据挖掘服务,平台应用层用于行业应用实现和平台运维管理。进一步的,所述平台应用层对应图中的网关管理、模型训练、数据应用、平台管理、权限管理、运营中心,数据计算/存储层提供数据接入层传输的实时流数据和非结构化离线数据处理能力,实现了离线计算框架、内存计算框架和流计算框架,实现海量数据的分布式存储;数据服务层通过数据驱动实现数据计算/存储层的数据查询、访问和统计,提供多维数据聚合、统计报表、指标塑胶计算的能力,为平台应用层提供客户化定制的数据服务接口。
实施例7
如图1所示,本系统可用于多个风场的协同风电运维管理。
首先,对于风场一、风场二,每个风场都包括有多个风机,每个风机对应一套风机控制柜,每套风机控制柜一一对应配置数据采集网关。
对于风场一、风场二,风场一对应配置有风场控制中心一和前置数据采集服务单元一,风场二对应配置有风场控制中心二和前置数据采集服务单元二。
前置数据采集服务单元一和前置数据采集服务单元二分别接入到运维诊断云平台,进行数据处理并诊断。
本系统采用基于5G的边缘计算网络,可实现风机数据采集网关的快速组网,提供低成本、高可靠扩展的可能性。利用数据采集网关的微服务架构,可以提供服务远程加载更新的能力,通过云平台进行远程集中协同管控。
本系统的运维诊断云平台通过数据接入层可实现多风场高并发、海里数据接入,对数据进行标准化、时间序列排序,提供离线数据、实时流式数据、内存数据的分类整合计算能力,集成大数据技术实现海量数据存储、数据分析能力,提供高性能、可配置、可扩展的计算能力,支持人工智能算法模型训练,通过网关管控模块实现网关的远程集中控制、服务下载、算法模型同步。
本系统的工作流程如下:
数据采集网关与风机互联实现风机运行数据、外网传感数据和高清视频数据的采集,基于神经网络算法实现温度预测、故障预测和火灾识别等,对实时数据、预测结果和压缩图像等进行协议封装,通过5G网络传输至风场控制中心,风场控制中心对传输数据进行解析和本地化缓存,通过电子看板实现风机运行状态监控,前置数据采集单元基于风场控制中心接口服务汇集风场总体效能、故障信息、智能诊断结果、实时数据等关键运行数据,对数据进行数据压缩、数据封装、安全加密,提供安全隔离,通过VPN专网传输数据至运维诊断云平台,运维诊断云平台的数据接入层通过Kafka集群实现高并发的数据接入,对数据进行解压、解密、解析,完成数据转化,数据计算/存储层通过离散计算、流计算和内存计算框架实现数据处理,并将数据持久化到分布式文件存储系统、关系数据库、非关系数据库、实时数据库中,数据服务层提供数据分析、数据共享查询、多维数据聚合等功能,通过可自定义客户化接口服务为平台应用层提供数据访问能力,平台应用层基于数据服务层实现大数据分析、海量数据挖掘,搭载人工智能算法实现风机智能诊断预测,提供平台应用支持。
实施例8
利用上述基于5G的端云协同风电运维诊断系统进行温度预测时,实现流程为:根据BP神经网络模型可以逼近任意非线性连续函数的特性,通过采集异常情形下温升速度变化剧烈的温度测点的实际温度数据序列,对神经网络模型进行反复训练,获得最佳的预测模型,然后利用预测模型来预测设备短期内的温度变化,从而实现有效的预警,提前预警故障风险。通过该流程得到的温度预测系统测试报告:
1.如图2所示,一次函数仿真拟合结果,红色为实际温度序列,蓝色为趋势预测结果。
2.如图3所示,三角函数仿真拟合结果,红色为实际温度序列,蓝色为趋势预测结果。
3.如图4所示,指数函数仿真拟合结果,红色为实际温度序列,蓝色为趋势预测结果。
实施例9
利用上述基于5G的端云协同风电运维诊断系统进行人工智能大数据故障诊断时,实现流程为:风机正常工作数据采集(时间序列生成,去噪点),获取有效分析数据(数据质量检测,评估数据可支持度,检查是否存在“异常”),特征构建(提取数据移动时间窗特性,进行相关性分析、关键影响因素识别,探索特征分布),算法预测(残差监控,多元线性回归,GBDT,CART回归树)。
Claims (8)
1.一种基于5G的端云协同风电运维诊断系统,其特征在于:包括数据采集网关、基于5G的边缘计算网络、风场控制中心、前置数据采集服务单元、运维诊断云平台,其中:
所述数据采集网关,用于接入和分析风机运行数据、风机故障数据、传感器信号以及高清视频信号,通过5G通信网络向风场控制中心传输处理后的风机主控PLC运行数据、多传感器融合设备采集数据、高清视频监控数据,在风机端利用包括机器学习、神经网络算法的方式,对风机关键部件的健康度或故障进行预测,优化风机运行参数;所述数据采集网关采用微服务架构,包括5G通信模组、基于Linux部署的数据采集软件平台,数据采集周期为1S,满足同时采集1000点以上,支持1920x1080p高清视频采集;所述数据采集网关提供边缘智能分析服务,通过基于神经网络的智能算法模型,对风机运行数据、传感器信号、高清视频信号进行故障分析和预测,所述智能算法模型通过运维诊断云平台的平台应用层进行远程加载和更新;所述数据采集网关接入的风机运行数据至少包括桨叶角度、转速、关键部件温度、发电效率、传动机构振动频率和振动强度;
所述基于5G的边缘计算网络,为数据采集网关和风场控制中心提供5G通信网络,用于实现数据采集网关的组网;
所述风场控制中心,用于汇集数据采集网关接入的风机运行数据,向风机发送控制调节指令,实现风场本地化集中管控,进一步通过风场本地化数据库实现风机近期运行数据存储,实现风场运行状态监控;
所述前置数据采集服务单元,用于接入风场控制中心传输的风场数据,并对风场数据进行协议转化、数据封装、数据预处理操作,然后传输到运维诊断云平台;其中,风场控制中心传输的风场数据至少包括风机主控PLC运行数据、多传感器融合设备采集数据、网关AI识别截取的异常视频或图片数据、风场运行统计数据;所述前置数据采集服务单元接入的风场数据至少包括风场运行状态数据、故障预警数据、控制业务数据、风机关键参数数据;
所述运维诊断云平台,用于汇集前置数据采集服务单元处理后的各风场数据,提供基于kafka集群的高并发消息服务,提供人工智能算法训练及下传,实现风场运行数据可视化,实现多风场智能化协同和调度;所述运维诊断云平台包括数据接入层、数据计算/存储层、数据服务层和平台应用层,数据接入层用于接入各风场数据,数据计算/存储层对数据接入层接入的数据进行计算、存储,数据服务层对经过数据计算/存储层的数据进行数据分析、数据挖掘和数据封装,针对平台应用层提供统一的数据服务,包括数据共享服务、查询服务、数据分析服务、以及数据挖掘服务,平台应用层用于行业应用实现和平台运维管理。
2.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述数据采集网关部署于风机控制柜,数据采集网关和风机控制柜一一对应。
3.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述的数据采集网关支持多通信协议适配。
4.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述基于5G的边缘计算网络是通过多接入边缘计算实现数据采集网关的快速组网。
5.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述风场控制中心,分布部署于各个风场,风场控制中心与风场一一对应,在监控过程中,采用电子看板实现风场运行状态监控。
6.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述前置数据采集服务单元通过VPN专网向运维诊断云平台传输数据。
7.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述前置数据采集服务单元进行的数据预处理操作至少包括对数据进行解包、编码转换、数据格式统一、数据加密、数据压缩。
8.根据权利要求1所述基于5G的端云协同风电运维诊断系统,其特征在于:所述平台应用层对应涉及网关管理、模型训练、数据应用、平台管理、权限管理、运营中心,数据计算/存储层提供数据接入层传输的实时流数据和非结构化离线数据处理能力,实现了离线计算框架、内存计算框架和流计算框架,实现海量数据的分布式存储;数据服务层通过数据驱动实现数据计算/存储层的数据查询、访问和统计,提供多维数据聚合、统计报表、指标塑胶计算的能力,为平台应用层提供客户化定制的数据服务接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321510.0A CN112594142B (zh) | 2020-11-23 | 2020-11-23 | 一种基于5g的端云协同风电运维诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321510.0A CN112594142B (zh) | 2020-11-23 | 2020-11-23 | 一种基于5g的端云协同风电运维诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112594142A CN112594142A (zh) | 2021-04-02 |
CN112594142B true CN112594142B (zh) | 2022-04-12 |
Family
ID=75184185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321510.0A Active CN112594142B (zh) | 2020-11-23 | 2020-11-23 | 一种基于5g的端云协同风电运维诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112594142B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312405A (zh) * | 2021-04-06 | 2021-08-27 | 华电电力科学研究院有限公司 | 一种基于大数据的风电机组智能巡检方法 |
CN113255584B (zh) * | 2021-06-22 | 2021-10-19 | 德明通讯(上海)股份有限公司 | 一种基于边缘计算的故障诊断与监测系统 |
CN113982851B (zh) * | 2021-09-30 | 2024-03-01 | 国家能源集团新能源技术研究院有限公司 | 智能风电系统 |
CN114721405A (zh) * | 2022-06-09 | 2022-07-08 | 东方电气风电股份有限公司 | 一种基于机器人自主巡检的风场无人值守系统 |
CN115442202A (zh) * | 2022-08-15 | 2022-12-06 | 鞍钢集团北京研究院有限公司 | 一种5g网络云-端协同的虚拟plc控制方法及系统 |
CN116980202B (zh) * | 2023-07-27 | 2023-12-26 | 广州尚全信息技术有限公司 | 一种网络安全运维监控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102518553A (zh) * | 2012-01-05 | 2012-06-27 | 山东电力研究院 | 一种用于风电场群的远程实时监控系统 |
CN102840101A (zh) * | 2012-09-13 | 2012-12-26 | 成都阜特科技股份有限公司 | 一种分布式状态监测系统 |
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 |
CN103899483A (zh) * | 2014-04-16 | 2014-07-02 | 左浩俊 | 一种风力发电机组状态监控系统 |
WO2018224221A1 (en) * | 2017-06-08 | 2018-12-13 | Siemens Wind Power A/S | System, method and device for operation and maintenance of a wind farm |
CN109139366A (zh) * | 2018-09-26 | 2019-01-04 | 北京金风科创风电设备有限公司 | 风电场的控制系统 |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN111336066A (zh) * | 2020-03-04 | 2020-06-26 | 湖南城市学院 | 一种用于产生能量的风力发电系统及控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9845789B2 (en) * | 2014-10-23 | 2017-12-19 | General Electric Company | System and method for monitoring and controlling wind turbines within a wind farm |
EP3026508A1 (en) * | 2014-11-25 | 2016-06-01 | Siemens Aktiengesellschaft | Method and system for determining optimized operation of a component of an automation system |
CN105240210A (zh) * | 2015-11-02 | 2016-01-13 | 北京能高自动化技术股份有限公司 | 基于语音识别的风电机组状态监控系统 |
EP3453867B1 (en) * | 2017-09-06 | 2021-02-17 | Siemens Gamesa Renewable Energy A/S | Wind turbine nacelle platform structure |
US10677765B2 (en) * | 2017-12-12 | 2020-06-09 | Honeywell International Inc. | Structural health monitoring of cyclically loaded structures |
CN109611288B (zh) * | 2018-12-29 | 2021-03-30 | 南京安维士传动技术股份有限公司 | 一种基于大数据的风电运维平台 |
CN110094295B (zh) * | 2019-01-11 | 2020-05-08 | 北京京运通科技股份有限公司 | 风电集中监控管理方法及装置 |
CN111237135A (zh) * | 2020-02-05 | 2020-06-05 | 中国海洋大学 | 一种风电机叶片健康状态监测装置及其监测方法 |
-
2020
- 2020-11-23 CN CN202011321510.0A patent/CN112594142B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102518553A (zh) * | 2012-01-05 | 2012-06-27 | 山东电力研究院 | 一种用于风电场群的远程实时监控系统 |
CN102840101A (zh) * | 2012-09-13 | 2012-12-26 | 成都阜特科技股份有限公司 | 一种分布式状态监测系统 |
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 |
CN103899483A (zh) * | 2014-04-16 | 2014-07-02 | 左浩俊 | 一种风力发电机组状态监控系统 |
WO2018224221A1 (en) * | 2017-06-08 | 2018-12-13 | Siemens Wind Power A/S | System, method and device for operation and maintenance of a wind farm |
CN109139366A (zh) * | 2018-09-26 | 2019-01-04 | 北京金风科创风电设备有限公司 | 风电场的控制系统 |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN111336066A (zh) * | 2020-03-04 | 2020-06-26 | 湖南城市学院 | 一种用于产生能量的风力发电系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112594142A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
CN109144014B (zh) | 工业设备运行状况的检测系统及方法 | |
CN110109445B (zh) | 一种船舶机舱辅机监控系统及监控方法 | |
CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
CN111525684A (zh) | 一种基于云平台的风电场集群化监控的运维系统 | |
CN106672733A (zh) | 一种基于微云智能终端的电梯故障分析预警系统及其方法 | |
CN110988559A (zh) | 基于物联网的变电站直流系统全生命周期的在线监测方法 | |
CN112506097A (zh) | 一种基于工业互联网的胎架远程监测系统及监测方法 | |
CN108225439A (zh) | 一种电子通信环境监控系统 | |
CN103034207A (zh) | 一种基础设施健康监测系统及其实施过程 | |
CN1643463A (zh) | 用于配备了机器控制系统并包括旋转机器单元的机器的状态监控系统 | |
CN103914058B (zh) | 一种油气管道工控设备远程监控系统的故障诊断和告警方法及系统 | |
CN114510979A (zh) | 一种基于边缘计算的水下设备检查系统及方法 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN110716103A (zh) | 一种配网故障的预警方法 | |
CN114142614A (zh) | 一种基于sd-wan网络的高速公路配电房智能运维管理系统 | |
CN112947364A (zh) | 一种基于大数据预警配电站设备故障的系统及方法 | |
CN112650166A (zh) | 基于无线网络的生产线状况大数据系统及其诊断方法 | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
CN107633306A (zh) | 一种风电运行维护系统及维护方法 | |
CN116090591A (zh) | 一种基于机器学习的隧道设备设施状态监测预警系统 | |
CN212032008U (zh) | 一种船舶机舱辅机监控系统 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN114202727A (zh) | 一种基于视觉跟踪的风机故障识别系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |