CN113719425B - 一种风机叶片故障预测方法、系统及存储介质 - Google Patents
一种风机叶片故障预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113719425B CN113719425B CN202110529739.1A CN202110529739A CN113719425B CN 113719425 B CN113719425 B CN 113719425B CN 202110529739 A CN202110529739 A CN 202110529739A CN 113719425 B CN113719425 B CN 113719425B
- Authority
- CN
- China
- Prior art keywords
- blade
- fan
- data
- scada system
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- F03D1/00—Wind motors with rotation axis substantially parallel to the air flow entering the rotor
- F03D1/06—Rotors
- F03D1/0608—Rotors characterised by their aerodynamic shape
- F03D1/0633—Rotors characterised by their aerodynamic shape of the blades
-
- 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
- F03D1/00—Wind motors with rotation axis substantially parallel to the air flow entering the rotor
- F03D1/06—Rotors
- F03D1/065—Rotors characterised by their construction elements
- F03D1/0675—Rotors characterised by their construction elements of the blades
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域,具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。所述方法包括:建立深度学习模型,用风机叶片历史运行数据训练深度学习模型;根据风机叶片历史运行数据确定叶片运行正常判定范围;从风机SCADA系统中采集数据,将采集的数据输入深度学习模型,获得叶片震动当量;判断所述叶片震动当量是否在所述叶片运行正常判定范围内,如果所述叶片震动当量在所述叶片运行正常判定范围内,则判定叶片运行正常;如果所述叶片震动当量超出所述叶片运行正常判定范围,则判定叶片处于故障前状态,在故障发生前对叶片进行维护,可避免叶片折断等故障的发生。本申请提供的基于深度学习的风机叶片故障预测方法能够在不增加额外结构的情况下比较准确地对现有风机叶片的震动情况进行监测从而对叶片故障进行预测,加强了对风机叶片的运行维护,可避免风机叶片折断等恶劣后果的发生。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。
背景技术
风力发电机的工作原理是风轮在风力的作用下旋转,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。风机叶片是风力发电机组的关键部件,但其工作环境复杂,如果风机叶片异常震动,可能会导致叶片上裂纹的产生,持续的震动异常,可能会发生叶片断裂,从而造成巨大的经济损失。通常对叶片震动的监测是在叶片上设置用于采集震动数据的传感器,然后对传感器采集的数据进行分析来对叶片的震动情况进行日常监测,在发现叶片出现震动异常时对叶片进行维修或者养护。现有风力发电机组一般在叶片上没有设置用于采集叶片性能状况的传感器,后期加装传感器经济、人力投入都比较大,且风机叶片在室外环境下工作,工作环境复杂,传感器采集的数据噪音比较大,并不能准确反映叶片的真实状况;另外,由于叶片正常运行时一直处于震动状态,偶尔的震动异常往往不能反映叶片的损伤状况。
发明内容
为实现上述目的,本发明的技术方案提供了一种基于深度学习的风机叶片故障预测方法,包括如下步骤:
步骤S01:建立深度学习模型,所述深度学习模型的输入量包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率,用风机叶片历史运行数据训练深度学习模型;根据风机叶片历史运行数据确定叶片运行正常判定范围;
步骤S02:从风机SCADA系统中采集数据,所述数据包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率;
步骤S03:将步骤S02中采集的数据输入深度学习模型,获得叶片震动当量;
步骤S04:判断所述叶片震动当量是否在所述叶片运行正常判定范围内,如果所述叶片震动当量在所述叶片运行正常判定范围内,则判定叶片运行正常;如果所述叶片震动当量超出所述叶片运行正常判定范围,则判定叶片处于故障前状态。
优选地,所述深度学习模型为LSTM神经网络。
优选地,所述叶片震动当量包括叶片x轴震动当量和叶片y轴震动当量。
优选地,所述风机叶片历史运行数据包括风机叶片断裂前2-7天的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据。
优选地,从风机SCADA系统中采集数据的步骤包括:
S021:根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包,并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型,所述配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型;
S022:根据识别的风机SCADA系统的通信协议类型及所述配置数据库中与其IP地址关联的风机SCADA系统的设备类型在预先建立的点表数据库中获取风机SCADA系统的点表信息,所述点表数据库包括不同设备类型的风机SCADA系统在不同通信协议类型下采用的点表信息,所述点表信息包括风机SCADA系统采集的风机参数的数据在风机SCADA系统发送的数据包中的字段位置信息;
S023:根据风机SCADA系统的点表信息和通信协议类型对接收的风机SCADA系统发送的数据包进行解析,得到风机SCADA系统采集的风机参数的数据。
优选地,在采集数据之后,将采集的数据输入深度学习模型之前还包括数据传输的步骤,用于将采集的数据传输到集控中心,并通过集控中心传输至深度学习模型;
所述数据传输的步骤包括:
S0241:根据数据包的接收时间对解析得到的风机参数的数据设置时间戳,将解析得到的风机参数的数据及其时间戳同时发送至集控中心;
S0242:集控中心将不同风场的数据输入深度学习模型对风机的叶片故障进行预测。
为实现上述目的,本发明的技术方案还提供了一种基于深度学习的风机叶片故障预测系统,用于实现上述的预测方法,包括:
数据采集模块,用于从风机SCADA系统中采集数据,所述数据包括风机叶片处于运行状态时的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率;
数据处理模块,用于分别对风机叶片历史数据和所述数据采集模块采集的运行数据进行处理;所述数据处理模块包括LSTM神经网络模块。
优选地,还包括数据传输模块,用于将从风机SCADA系统中采集的数据传输到对应的LSTM神经网络模块。
为实现上述目的,本发明的技术方案还提供了一种基于深度学习的风机叶片故障预测系统,包括至少一个处理器以及与所述至少一个处理器耦合的存储器,其中,所述至少一个处理器用于执行存储器中的指令,实现上述的预测方法。
为实现上述目的,本发明的技术方案还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的预测方法。
本申请提供的基于深度学习的风机叶片故障预测方法,不用改变现有风力发电机的叶片结构,通过采集现有风机叶片能够采集到的运行数据参数对风机叶片是否将要发生故障进行日常监测,并通过大量的历史数据训练神经网络模型,在不增加额外成本的情况下能够比较准确地对风机叶片的震动情况进行监测,从而对叶片是否将要发生折断等故障进行预测,预测可能将要发生故障时进行预警,加强了对风机叶片的运行维护,可避免风机叶片折断等恶劣后果的发生。
本发明的其他有益效果,将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述,本领域技术人员通过这些技术特征和技术方案的介绍,应能理解所述技术特征和技术方案带来的有益技术效果。
附图说明
以下将参照附图对根据本发明的基于深度学习的风机叶片故障预测方法、系统及存储介质的优选实施方式进行描述。图中:
图1为根据本发明提供的基于深度学习的风机叶片故障预测方法的流程图;
图2为风力发电机(本申请中简称风机)结构示意图;
图3为本申请中采用的LSTM结构原理图;
图4为本申请中提供的从风机SCADA系统中采集数据的流程图。
具体实施方式
本申请在现有的风力发电场的基础上,无需增加新的结构元件而提供一种基于深度学习的风机叶片故障预测方法。风力发电机(本申请中简称风机)的一般结构如附图2所示,包括叶片1、机舱2和塔架3,在机舱2内设置有用于收集风机运行过程中的各种数据的数据收集元件(图中未示出),本申请中的叶片故障预测方法通过对这些数据收集元件收集的现有运行数据对风机叶片发生故障的可能性进行预测。
参见附图1,本申请中的预测方法包括如下步骤:
步骤S01:建立深度学习模型,所述深度学习模型的输入量包括机舱x轴震动量、机舱y轴震动量(如图2中所示,本申请中的机舱x轴、机舱y轴定义为:垂直于叶片1旋转所在面的方向为x轴,平行于塔架3的方向为y轴)、桨距角、风速和风机有功功率,用风机叶片历史运行数据训练深度学习模型;根据风机叶片历史运行数据确定叶片运行正常判定范围;
步骤S02:从风机SCADA系统中采集数据,所述数据包括机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率;
步骤S03:将步骤S02中采集的数据输入深度学习模型,获得叶片震动当量;
步骤S04:判断所述叶片震动当量是否在所述叶片运行正常判定范围内,如果所述叶片震动当量在所述叶片运行正常判定范围内,则判定叶片运行正常;如果所述叶片震动当量超出所述叶片运行正常判定范围,则判定叶片处于故障前状态,也就是说预测叶片很可能将要发生故障,需要对叶片进行检测和维护。
其中,机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率都是现有风场就能采集到的风机运行参数,无需在风机上增加新的结构元件,结合这些运行参数能够实现对风机叶片的异常震动情况进行监测,综合一段时间内异常震动发生的总体情况对叶片是否将要发生折断等故障进行预测,及时发现风机叶片的异常运行情况,早期进行有针对性的检测和维修,避免叶片折断,造成较大的经济损失。
优选地,所述的深度学习模型为LSTM(长短期记忆神经网络),LSTM神经网络属于循环神经网络RNN中的一种,适于处理和预测时间序列中间隔和延迟非常长的重要事件。本申请中通过预测机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率等数据来间接对风机叶片的运行进行日常监测,这些数据中例如机舱x轴震动量和机舱y轴震动量数据异常有可能是风机叶片震动异常引起的,也可能是其它因素引起的,结合其它因素,例如考虑桨距角异常,风速过大等,结合风机有功功率情况,来间接判断风机叶片震动是否发生异常,并通过LSTM的长短期记忆特点,综合一段时间内异常震动发生的总体情况对叶片是否将要发生折断等故障进行预测。例如某风场的某号风机,在某日6点23-29分期间,桨距角1、2、3突然从0度到89度到92度然后又恢复到0度,出现了桨距角异常,后又恢复了正常,后经一个多月的时间发生叶片折断,很大概率表明桨距角发生异常时风机叶片已经出现结构隐患。风机叶片从偶尔异常震动状态到反映发生故障的震动异常状态之间需要一个长期的日常积累,也就是说,判断风机叶片是否发生故障是需要对这些数据参数进行长期监测的,前期的偶尔震动异常需要被记录下来从而结合所有异常震动发生的情况来综合判断风机叶片是否将要发生故障,也就是是否有发生折断的风险。本申请中提出了通过对这些异常进行长期监测,并采用LSTM很好地解决了这个问题,能够将很久之前或者近日来发生的所有异常震动记录下来并被选择性到地用于判断风机叶片的运行是否正常,是否将要发生故障。
LSTM由记忆细胞、遗忘门、输入门、输出门组成,其中记忆细胞负责存储历史信息,通过一个状态参数来记录和更新历史信息;三个门结构则通过Sigmoid函数决定信息的取舍,从而作用于记忆细胞;具体地,遗忘门用来选择性忘记多余或次要的记忆,输入门决定需要更新什么值,输出门决定细胞状态的哪个部分输出出去。参见附图3,图中:
Ct-1:t-1时刻的记忆,Ct:t时刻的记忆;是决定上一时刻有多少记忆保留到当前时刻的系数;
C′t:对应于输入变量Xt的新记忆;
ht-1:t-1时刻LSTM的输出值,ht:t时刻LSTM的输出值;
Xt:t时刻的输入变量;
Wf:遗忘门的权值矩阵,对应于输入变量Xt;
Wi:输入门的权值矩阵,对应于输入变量Xt;
Wo:输出门的权值矩阵,对应于输入变量Xt;
Wc:细胞状态更新权值矩阵,对应于输入变量Xt;
Ui:输入门的权值矩阵,对应于t-1时刻LSTM的输出值ht-1;
Uf:遗忘门的权值矩阵,对应于t-1时刻LSTM的输出值ht-1;
Uo:输出门的权值矩阵,对应于t-1时刻LSTM的输出值ht-1;
Uc:细胞状态更新权值矩阵,对应于t-1时刻LSTM的输出值ht-1;
σ:激活函数,本申请中采用sigmoid函数。
其中:
ft=sigm(WfXt+Ufht-1)
it=sigm(WiXt+Uiht-1)
c′t=sigm(WcXt+Ucht-1)
ot=sigm(WoXt+Uoht-1)
ct=ft*ct-1+it*c′t
ht=ot*tanh(ct)
上述为LSTM前向传播的过程,前向传播总体上就是对三个门进行计算,然后通过这三个门决定当前细胞的隐藏状态,更新当前记忆和过去的记忆,最终再计算出输出值传入下一次前向网络中;为了获得一个比较好的基于序列的LSTM模型,可进行反向传播算法,其中采用梯度下降法对权值进行更新,此部分内容为现有算法,在此不再赘述。
本申请中,根据风机叶片历史运行数据对上述LSTM模型进行训练,获得各个权值矩阵参数,然后用训练好的LSTM模型对正在运行的风机叶片是否将要发生故障进行日常监测。所述LSTM模型最后输出叶片震动当量,包括叶片X轴震动当量和叶片Y轴震动当量。根据经验预先确定叶片运行正常判定范围,例如可以根据风机叶片处于正常运行状态的历史运行数据通过LSTM模型进行确定。叶片运行正常判定范围确定后,对LSTM模型输入处于运行状态的风机叶片的机舱x轴震动量、机舱y轴震动量、桨距角、风速和有功功率等数据参数,根据LSTM模型的输出判断叶片震动当量是否在所述叶片运行正常判定范围内,如果所述叶片震动当量在所述叶片运行正常判定范围内,则判定叶片运行正常;如果所述叶片震动当量超出所述叶片运行正常判定范围,则判定叶片处于故障前状态。若判断叶片将要发生故障,可通过语音报警、图形闪烁等形式进行预警播报。
本申请中,对LSTM模型进行训练的历史数据包括风场自运行以来所有的叶片因震动异常发生故障或者叶片折断的风机的所有数据,也包括风机正常运行状态下风机叶片的运行数据参数;对于叶片因震动异常发生故障或者叶片折断的风机,可采用包括风机叶片发生故障或者断裂前一个月或者更长时间的数据,优选包括发生故障或者断裂前2-7天的桨距角、风速、有功功率、机舱x轴震动量和y轴震动量数据,这些时间段的运行数据最能反映故障或者折断发生前风机的运行状态,也就是说这段时间内的风机叶片的相关运行数据参数最能预测风机叶片是否将发生故障或折断。
本申请中采用的数据参数为现有的风场中的风机SCADA系统已采集的风机运行参数,而现有的风机SCADA系统由于生产厂家、型号等不同,其数据存储及传输格式可能会有所不同。参见图4,本申请中,从风机SCADA系统中采集数据的方法包括:
S021:根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包,并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型,所述配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型;
其中,用户可以预先在配置数据库中输入风场中各风机SCADA系统的IP地址及设备类型,对于各风机SCADA系统,配置数据库将其IP地址与其设备类型相关联,各风机SCADA系统可以采用IP地址固定的网络设置方式。风机SCADA系统的通信协议类型可以包括应用层协议,例如,风机SCADA系统的通信协议类型可以是Modbus协议、IEC104协议或者其他应用层协议,不同应用层协议采用的端口号不同,从而能够根据风机SCADA系统发送的数据包包头内的端口号信息识别出风机SCADA系统采用的通信协议类型;
S022:根据识别的风机SCADA系统的通信协议类型及所述配置数据库中与其IP地址关联的风机SCADA系统的设备类型在预先建立的点表数据库中获取风机SCADA系统的点表信息,所述点表数据库包括不同设备类型的风机SCADA系统在不同通信协议类型下采用的点表信息,所述点表信息包括风机SCADA系统采集的风机参数的数据在风机SCADA系统发送的数据包中的字段位置信息;例如,该点表数据库可以包括风机SCADA系统在Modbus协议下的点表信息(即采用Modbus协议的风机SCADA系统的点表信息)、风机SCADA系统在IEC104协议下的点表信息等;
对于每一个点表信息,其包括该设备类型的风机SCADA系统采集的风机运行参数及每一个风机参数在该设备类型的风机SCADA系统发送的数据包中的字段位置信息,该点表信息可以通过预先对风机SCADA系统发送的数据包进行分析得到;例如,对于采用Modbus协议的风机SCADA系统的点表信息,其可以包括风速、有功功率、桨距角、机舱x轴震动量和y轴震动量等参数信息以及上述每一种参数在风机SCADA系统发送的Modbus数据包中的字段位置信息,通过该点表信息对Modbus数据包进行解析,可以得到该风机SCADA系统的上述每一种风场参数的数据;现有的风场中,一个风场的风机型号一般都是相同的,会对应相同的风机SCADA系统,特殊情况下也可能会有不同型号的风机,不同型号的风机一般会对应不同的风机SCADA系统;本申请中,不同设备类型或者采用不同通信协议类型的不同风机SCADA系统的点表信息是不同的,相同设备类型的不同风场SCADA系统在相同通信协议类型下采用的点表信息可以是相同的;
S023:根据风机SCADA系统的点表信息和通信协议类型对接收的风机SCADA系统发送的数据包进行解析,得到风机SCADA系统采集的风机参数的数据;
S024:数据传输,根据数据包的接收时间对解析得到的风机参数的数据设置时间戳,将解析得到的风机参数的数据及其时间戳同时发送至集控中心(S0241);集控中心将不同风场的数据输入深度学习模型对风机的叶片故障进行预测(S0242)。
本申请中的配置数据库中还可以包括集控中心的配置信息,例如,集控中心的配置信息可以包括集控中心的IP地址、采用的通信协议类型(如IEC104协议)、需要的风场参数等信息,在得到风机SCADA系统采集的风场参数的数据后,可以根据集控中心的配置信息将相应的风场参数,具体包括桨距角、风速、有功功率、机舱x轴震动量和y轴震动量的数据等信息打包成数据包后发送给集控中心;通过设置时间戳,可以对相同接收时间(相同接收时刻或相同接收时段)且来自不同风场SCADA系统的风机参数设置时间标志并发送至所述集控中心,从而有利于数据的传输,并且方便后续数据分析。例如可以分别对每一个风机SCADA系统建立一线程,每一个线程分别负责一风机SCADA系统的数据接收,且接收的频率相同(如均为秒级),从而能够实现对多个风机SCADA系统的信息进行同时采集,将相同接收时间且来自不同风场SCADA系统的风机参数的数据设置时间标志并发送至集控中心,其中,传输的数据内还可以包括根据接收时间设置的时间戳。
这样能够采集不同风场SCADA系统里的数据,并能够获得统一的数据格式,方便后面对数据的进一步处理。集控中心收到的数据包括每个IP地址对应的风机相关数据的时间戳信息,为后面的神经网络模型所需的时域数据做准备。
本申请还提供一种基于深度学习的风机叶片故障预测系统,具体包括:
数据采集模块,用于从风机SCADA系统中采集数据,所述数据包括风机叶片处于运行状态时的桨距角、风速、有功功率、机舱x轴震动量和机舱y轴震动量;
数据处理模块,用于分别对风机叶片历史数据和所述数据采集模块采集的运行数据进行处理;所述数据处理模块包括LSTM神经网络模块。
数据传输模块,用于将从风机SCADA系统中采集的数据传输到对应的LSTM神经网络模块。
本申请还提供一种基于深度学习的风机叶片故障预测系统,包括至少一个处理器以及与所述至少一个处理器耦合的存储器,其中,所述至少一个处理器用于执行存储器中的指令,实现本申请上述的方法。
另外,本申请还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本申请中的方法。
本领域的技术人员能够理解的是,在不冲突的前提下,上述各优选方案可以自由地组合、叠加。
应当理解,上述的实施方式仅是示例性的,而非限制性的,在不偏离本发明的基本原理的情况下,本领域的技术人员可以针对上述细节做出的各种明显的或等同的修改或替换,都将包含于本发明的权利要求范围内。
Claims (10)
1.一种基于深度学习的风机叶片故障预测方法,其特征在于,包括如下步骤:
步骤S01:建立深度学习模型,所述深度学习模型的输入量包括机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率,用风机叶片历史运行数据训练深度学习模型;根据风机叶片历史运行数据确定叶片运行正常判定范围;其中,所述风机叶片历史运行数据包括风机叶片断裂前的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据;
步骤S02:从风机SCADA系统中采集数据,所述数据包括机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率;
步骤S03:将步骤S02中采集的数据输入深度学习模型,获得叶片震动当量;
步骤S04:判断所述叶片震动当量是否在所述叶片运行正常判定范围内,如果所述叶片震动当量在所述叶片运行正常判定范围内,则判定叶片运行正常;如果所述叶片震动当量超出所述叶片运行正常判定范围,则判定叶片处于故障前状态。
2.根据权利要求1所述的风机叶片故障预测方法,其特征在于,所述深度学习模型为LSTM神经网络。
3.根据权利要求1所述的风机叶片故障预测方法,其特征在于,所述叶片震动当量包括叶片x轴震动当量和叶片y轴震动当量。
4.根据权利要求1所述的风机叶片故障预测方法,其特征在于,所述风机叶片历史运行数据包括风机叶片断裂前2-7天的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据。
5.根据权利要求1-4任一项所述的风机叶片故障预测方法,其特征在于,从风机SCADA系统中采集数据的步骤包括:
S021:根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包,并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型,所述配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型;
S022:根据识别的风机SCADA系统的通信协议类型及所述配置数据库中与其IP地址关联的风机SCADA系统的设备类型在预先建立的点表数据库中获取风机SCADA系统的点表信息,所述点表数据库包括不同设备类型的风机SCADA系统在不同通信协议类型下采用的点表信息,所述点表信息包括风机SCADA系统采集的风机参数的数据在风机SCADA系统发送的数据包中的字段位置信息;
S023:根据风机SCADA系统的点表信息和通信协议类型对接收的风机SCADA系统发送的数据包进行解析,得到风机SCADA系统采集的风机参数的数据。
6.根据权利要求5所述的风机叶片故障预测方法,其特征在于,在采集数据之后,将采集的数据输入深度学习模型之前还包括数据传输的步骤,用于将采集的数据传输到集控中心,并通过集控中心传输至深度学习模型;
所述数据传输的步骤包括:
S0241:根据数据包的接收时间对解析得到的风机参数的数据设置时间戳,将解析得到的风机参数的数据及其时间戳同时发送至集控中心;
S0242:集控中心将不同风场的数据输入深度学习模型对风机的叶片故障进行预测。
7.一种基于深度学习的风机叶片故障预测系统,用于实现权利要求1-5任一项所述的风机叶片故障预测方法,其特征在于,包括:
数据采集模块,用于从风机SCADA系统中采集数据,所述数据包括风机叶片处于运行状态时的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率;
数据处理模块,用于分别对风机叶片历史数据和所述数据采集模块采集的运行数据进行处理;所述数据处理模块包括LSTM神经网络模块。
8.根据权利要求7所述的基于深度学习的风机叶片故障预测系统,其特征在于,用于实现权利要求6所述的风机叶片故障预测方法,所述预测系统还包括数据传输模块,用于将从风机SCADA系统中采集的数据传输到对应的LSTM神经网络模块。
9.一种基于深度学习的风机叶片故障预测系统,其特征在于,包括至少一个处理器以及与所述至少一个处理器耦合的存储器,其中,所述至少一个处理器用于执行存储器中的指令,实现权利要求1-6中任一项所述的风机叶片故障预测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的风机叶片故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529739.1A CN113719425B (zh) | 2021-05-14 | 2021-05-14 | 一种风机叶片故障预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529739.1A CN113719425B (zh) | 2021-05-14 | 2021-05-14 | 一种风机叶片故障预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113719425A CN113719425A (zh) | 2021-11-30 |
CN113719425B true CN113719425B (zh) | 2022-11-22 |
Family
ID=78672685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110529739.1A Active CN113719425B (zh) | 2021-05-14 | 2021-05-14 | 一种风机叶片故障预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113719425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114215706B (zh) * | 2021-12-27 | 2024-02-20 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10065314A1 (de) * | 2000-12-30 | 2002-07-18 | Igus Ingenieurgemeinschaft Umw | Verfahren und Einrichtung zur Überwachung des Zustandes von Rotorblättern an Windkraftanlagen |
EP2772643A2 (en) * | 2013-02-28 | 2014-09-03 | General Electric Company | System and method for controlling a wind turbine based on identified surface conditions of the rotor blades |
CN109209790A (zh) * | 2018-10-09 | 2019-01-15 | 浙江运达风电股份有限公司 | 一种基于数据建模的风电叶片结冰推测方法 |
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
CN110688617A (zh) * | 2019-10-09 | 2020-01-14 | 北京天泽智云科技有限公司 | 风机振动异常检测方法及装置 |
WO2020161309A1 (en) * | 2019-02-08 | 2020-08-13 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a wind turbine |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK179081B1 (da) * | 2007-06-25 | 2017-10-16 | Siemens Wind Power As | Overvågning af en vindmølles vingefrekvenser |
ES2857736T3 (es) * | 2016-04-08 | 2021-09-29 | Vestas Wind Sys As | Método y sistema para controlar una turbina eólica para gestionar vibraciones de pala en el sentido del borde |
-
2021
- 2021-05-14 CN CN202110529739.1A patent/CN113719425B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10065314A1 (de) * | 2000-12-30 | 2002-07-18 | Igus Ingenieurgemeinschaft Umw | Verfahren und Einrichtung zur Überwachung des Zustandes von Rotorblättern an Windkraftanlagen |
EP2772643A2 (en) * | 2013-02-28 | 2014-09-03 | General Electric Company | System and method for controlling a wind turbine based on identified surface conditions of the rotor blades |
CN109209790A (zh) * | 2018-10-09 | 2019-01-15 | 浙江运达风电股份有限公司 | 一种基于数据建模的风电叶片结冰推测方法 |
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
WO2020161309A1 (en) * | 2019-02-08 | 2020-08-13 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a wind turbine |
CN110688617A (zh) * | 2019-10-09 | 2020-01-14 | 北京天泽智云科技有限公司 | 风机振动异常检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
一种基于lightGBM框架改进的GBDT风力发电机叶片开裂预测方法;刘钰宸等;《应用技术学报》;20200330(第01期);全文 * |
基于RBM和SVM的风电机组叶片开裂故障预测;张鑫等;《电力系统保护与控制》;20200801(第15期);全文 * |
基于深度全连接神经网络的风机叶片结冰预测方法;李大中等;《电力科学与工程》;20190428(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113719425A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
CN103245912B (zh) | 一种风电机组运行状态分析诊断方法和系统 | |
CN113236491B (zh) | 一种风力发电数字孪生系统 | |
EP1808768B1 (en) | Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit | |
Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
US20060109793A1 (en) | Network simulation apparatus and method for analyzing abnormal network | |
US11761427B2 (en) | Method and system for building prescriptive analytics to prevent wind turbine failures | |
EP2853731A1 (en) | Apparatus for simulating wind power farm | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
CN103150473A (zh) | 一种风电机组发电效率实时监控诊断方法及装置 | |
CN105134510A (zh) | 一种风力发电机组变桨系统的状态监测和故障诊断方法 | |
US20120271593A1 (en) | Monitoring wind turbine performance | |
CN107061183A (zh) | 一种海上风电机组的自动化故障诊断方法 | |
CN113049142A (zh) | 温度传感器的告警方法、装置、设备及存储介质 | |
CN113719425B (zh) | 一种风机叶片故障预测方法、系统及存储介质 | |
KR102136970B1 (ko) | 풍력발전 시스템의 데이터 처리장치 및 방법 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
Helsen et al. | Wind farm operation and maintenance optimization using big data | |
CN117728587A (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
CN116149270A (zh) | 一种风力电站预警处理过程跟踪方法及系统 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
EP4233300A1 (en) | A method for retrieving operational data from a wind farm |
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 |