CN115329639A - 一种风电站维护方法、平台和电子设备 - Google Patents
一种风电站维护方法、平台和电子设备 Download PDFInfo
- Publication number
- CN115329639A CN115329639A CN202211034058.9A CN202211034058A CN115329639A CN 115329639 A CN115329639 A CN 115329639A CN 202211034058 A CN202211034058 A CN 202211034058A CN 115329639 A CN115329639 A CN 115329639A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- power station
- state
- fault
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电站维护方法、平台和电子设备,其中方法包括:获取风电站训练数据,风电站训练数据包括真实监测数据和仿真数据;基于风电站训练数据训练故障诊断模型和状态评估模型;通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将机理仿真分析数据分别输入故障诊断模型和状态评估模型,得到故障诊断模型和状态评估模型分别输出的故障结果和状态等级;基于机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,评估参数用于反演故障原因;基于标定结果对风电站进行预测维护。本发明提供的技术方案,实现了风电站全运行周期的针对性维护。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种风电站维护方法、平台和电子设备。
背景技术
目前,风电朝着大型化、规模化、智能化的方向发展,风电发展日新月异,风机的大型化、深水远案布局以及漂浮式风电机组的运用,风电场布局和发展需要智能高效运维的支持。风电全运行周期运维旨在促进项目全生命周期内运维成本的降低和发电效率的提升,最终实现风电场运营效益的提高。
目前行业风机运维模式大部分还采用定期人工检查的方式,这使得风机故障很难准时发现。小部分风电站已经开始采用智能运维的模式,如专利文件CN109209782A公开了一种风电场智能化运维方法,该方法首先接收风电机组的油液在线监测数据、振动在线监测数据、风电场SCADA系统数据、风电场试验计划数据以及风电场巡检计划数据;然后根据油液在线监测数据、振动在线监测数据、风电场SCADA系统数据、风电场试验计划数据以及风电场巡检计划数据,创建风电场运维任务;之后根据风电场运维任务及风电场综合情况信息进行任务分配,以确定进行各项风电场运维任务的任务顺序、工作时间、工作人员及工作措施。这种方法利用上述数据直接训练出一个既能故障诊断还能任务分配的模型,从而通过模型利用监测数据确定风电机组中存在故障隐患的部件,制定运维策略。
但是这种方法存在的问题也是显而易见的,各类数据种类差别较大,全部送入一个任务进行训练,往往训练效果差强人意,训练出的任务在实际应用中经常出现无法正确检测的情况,其实际使用效果往往达不到理想状态。并且上述方法只分析了风电设备是否存在缺陷,没有分析缺陷和故障的成因,无法针对故障成因实现目的性维护。
发明内容
有鉴于此,本发明实施方式提供了一种风电站维护方法、平台和电子设备,实现了风电站全运行周期的针对性维护。
根据第一方面,本发明实施例提供了一种风电站维护方法,所述方法包括:获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据;基于所述风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级;通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级;基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因;基于标定结果对风电站进行预测维护。
可选地,所述获取风电站训练数据,包括:采集风电站的真实CMS振动数据和真实SCADA电气数据;扫描构建风电站机组部件的3D结构,并为所述3D结构设置相应的材料参数;将热流仿真条件和机械场仿真条件输入所述3D结构,进行热流和机械场仿真,得到仿真CMS振动数据和仿真SCADA电气数据;对所述真实CMS振动数据、真实SCADA电气数据、仿真CMS振动数据和仿真SCADA电气数据进行清洗与归一化处理,并组合得到所述风电站训练数据。
可选地,所述通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,包括:将稳态、暂态和故障工况的流体、电磁、机械和振动真实监测数据,作为边界条件输入所述3D结构进行仿真,得到所述机理仿真分析数据。
可选地,所述基于标注后的风电站训练数据训练故障诊断模型,包括:基于指数加权移动平均值算法对所述风电站训练数据进行平滑;计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值,得到差值数据;基于指数加权移动平均值算法对所述差值数据进行平滑,并判断平滑后的差值数据是否满足预设平滑条件;若所述平滑后的差值数据满足预设平滑条件,则基于所述平滑后的差值数据和标注的故障标签训练生成所述故障诊断模型。
可选地,所述方法还包括:若所述平滑后的差值数据不满足预设平滑条件,则将所述平滑后的差值数据作为所述平滑后的风电站训练数据,将平滑前的差值数据作为所述平滑前的风电站训练数据,返回所述计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值的步骤。
可选地,基于标注后的风电站训练数据训练状态评估模型,包括:基于回归算法对所述风电站训练数据中的关键数据进行筛选;增强所述关键数据中不同数据来源的子数据之间的相关性;利用增强后的关键数据和标注的状态等级标签训练生成所述状态评估模型。
可选地,所述增强所述关键数据中不同数据来源的子数据之间的相关性,包括:通过迁移成分分析计算映射函数,所述映射函数用于将各个子数据映射之后,子数据之间的距离小于预设阈值;通过所述映射函数计算各个子数据的映射特征,并将所述各个子数据的映射特征作为所述增强后的关键数据。
根据第二方面,本发明实施例提供了一种风电站维护平台,所述风电站维护平台包括:数据获取模块,用于获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据;模型训练模块,用于基于风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级;诊断评估模块,用于通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级;参数标定模块,用于基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因;预测维护模块,用于基于标定结果对风电站进行预测维护。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机从而执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
本申请提供的技术方案,具有如下优点:
本申请提供的技术方案,通过采集的风电站真实监测数据和仿真数据分别训练故障诊断模型和状态评估模型,其中故障诊断模型用于识别各种数据对应哪一种风电站故障,状态评估模型用于识别各种数据对应哪一种状态等级。在两种模型训练成功后,再通过热流仿真和机械场仿真的方式,通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,然后将仿真数据分别输入上述两种模型中,得到对应的故障结果和状态等级,并且基于所述机理仿真分析数据计算各个预设工况下的评估参数,将输出的各个故障结果、状态等级与评估参数一一关联标定,使用户根据标定结果准确了解风电站在各个状态等级对应容易发生哪些故障,并且各个状态等级对应的评估参数在发生故障时的数值处于何种范围。使用户可以主动模拟风电站未来的某一时刻的运行状态等级,确定该时刻状态等级是否容易发生故障,再针对性的查询对应的评估参数,具体分析评估参数是否异常,若发生故障可以利用评估参数准确反演故障原因,从而在指定的时刻去指定的位置进行针对性的维护,保障在故障发生之前精准维护,提高维护策略的准确率。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明一个实施方式中一种风电站维护方法的步骤示意图;
图2示出了本发明一个实施方式中一种风电站维护方法的流程示意图;
图3示出了本发明一个实施方式中一种风电站维护平台的结构示意图;
图4示出了本发明一个实施方式中一种风电站维护平台的另一个结构示意图;
图5示出了本发明一个实施方式中一种电子设备的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1和图2,在一个实施方式中,一种风电站维护方法,具体包括如下步骤:
步骤S101:获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据。
步骤S102:基于风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级。
步骤S103:通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级。
步骤S104:基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因。
步骤S105:基于标定结果对风电站进行预测维护。
具体地,为了提高风电站维护策略的准确程度和可靠程度,提高技术人员对风机维护策略的可接受程度,降低学习难度,实现针对性维护。本实施例基于获取的风电站训练数据分别训练两路模型,故障诊断模型和状态评估模型。其中,风电站训练数据包括真实采集的数据和通过热流、机械场仿真得到的仿真数据,数据类型主要集中在CMS振动数据和SCADA电气数据。其中故障诊断模型基于CMS振动数据和SCADA电气数据训练生成,用于识别风电站的各类齿轮箱故障、叶片故障和电气故障等。例如:故障包括但不限于发电机故障、齿轮箱故障、机舱故障和叶片故障,齿轮箱故障又包括轴承故障、齿轮故障,轴承故障又包括轴承内圈故障、外圈故障和滚珠故障。状态评估模型同样基于CMS振动数据和SCADA电气数据训练生成,用于将风电站的运行状态分类分级,得到风电站对应的状态等级,从而评价风电站的运行状态。SCADA电气数据包括但不限于转子转速、电站电压、电站电流、齿轮箱温度等状态参数,CMS振动数据和SCADA电气数据混合之后的数据,其状态等级可基于专家系统进行经验标注,例如:不同状态参数对应不同的状态等级,包括但不限于状态等级1、状态等级2、状态等级3,随着状态等级的递增表示风机运行状态变差,仅以此举例,不以此为限。
在实际应用场景中,技术人员面对风电站运行状态,感受到当前风电站处于何种状态级别是容易的,却很难时时刻刻关注转子转速、电站电压、电站电流、齿轮箱温度等大量状态参数的具体数值,并且CMS振动数据是复杂变化的振动曲线,其规律性不明显,对于技术人员也没有一个直观感受。基于此,本发明实施例通过风电站训练数据分别训练故障诊断模型和状态评估模型,得到输出的多种故障结果和状态等级。然后,重新获取数据的测试集,获取测试集的方法是:采集稳态、暂态和故障工况下,真实在线监测的风电机组流体、电磁、机械和振动等模块的相关温度、速度、压强真实监测数据,并将这部分真实监测数据作为热流和机械场仿真的边界条件,二次仿真出CMS振动数据和SCADA电气数据,得到机理仿真分析数据。之后,将测试集数据分别输入上述两个训练好的模型中得到多种预设工况(稳态、暂态和故障工况)的故障诊断结果以及状态等级。
目前,利用机理仿真分析的CMS振动数据和SCADA电气数据,直接反演故障成因比较困难。为了得到准确的故障原因,利用机理仿真分析数据计算相关评估参数,评估参数作为中间物理参量,能够有效应用于风电机组大型部件的故障成因反演,评估参数包括但不限于磁密、散热系数、扭矩、动压力、位移变化率、泊松比、刚度、弹性模量等,例如泊松比和刚度可以直接表征风电站机组大型部件的弹性好坏、在受力时抵抗弹性变形的能力等等。最后,将多种预设工况下的故障情况、评估参数和状态等级一一标定起来。使用户根据标定结果准确了解到风电站在各个状态等级对应容易发生哪些故障,并且各个状态等级对应的评估参数在发生故障时的数值处于何种范围。使用户可以主动模拟风电站未来的某一时刻的运行状态等级,确定该时刻状态等级是否容易发生故障,再针对性的查询对应的评估参数,具体分析评估参数是否异常,若发生故障可以利用评估参数准确反演故障原因,从而在指定的时刻去指定的位置进行针对性的维护,保障在故障发生之前精准维护,提高维护策略的准确率。
具体地,在一实施例中,上述步骤S101,具体包括如下步骤:
步骤一:采集风电站的真实CMS振动数据和真实SCADA电气数据。
步骤二:扫描构建风电站机组部件的3D结构,并为3D结构设置相应的材料参数;
步骤三:将热流仿真条件和机械场仿真条件输入3D结构,进行热流和机械场仿真,得到仿真CMS振动数据和仿真SCADA电气数据;
步骤四:对真实CMS振动数据、真实SCADA电气数据、仿真CMS振动数据和仿真SCADA电气数据进行清洗与归一化处理,并组合得到风电站训练数据。
具体地,在本实施例中,CMS振动数据和SCADA电气数据的来源有两种途径,一种是风电站真实采集的数据,另一种是通过热流仿真和机械仿真得到的仿真数据。从而利用仿真数据弥补真实数据故障情况和运行状态情况的不足。本实施例通过3D扫描技术扫描出风电站的总览模型,然后为扫描的3D结构设置相应的材料参数,建立风电机组的叶片、塔筒、齿轮箱、发电机、机舱等部件的CFD(Computational Fluid Dynamics,计算流体动力学)流体仿真和FEA(Finite Element Analysis,有限元分析)应力仿真模型,进行变工况、故障和极端条件下的机理有限元分析,完整准确表现风机内部运行变化,并基于此仿真模型建立故障工况,对应故障工况得到仿真CMS振动数据和仿真SCADA电气数据,作为数据驱动模型的补充。搭建风电场的外部环境信息数学模型作为风电设备建立机理模型的边界条件;并依次搭建叶片、齿轮箱、发电机在外界条件变化下和极端工况下的热流和机械仿真模型;搭建塔架和机舱的热流和机械稳态仿真模型。其中,热流场的数学仿真模型满足下述热流仿真条件:
机械稳态仿真模型满足下述机械场仿真条件:
式中,ρ为密度;vr为相对速度矢量;r为转动坐标系中的微元体的位置矢量;p为作用于空气微元体上的静压力;τ为因分子粘性作用而产生的作用于微元体表面的粘性应力;w为旋转角速度;F为微元体上的体积力;T为温度;v为绝对速度;λx、λy、λz为导热系数;x、y、z分别是空间Ω中的坐标;q是产生的热能;c为定压比热;t为时间;m为质量;Sr为单位体积内热源产生的热量与c的比值。基于仿真计算结果,与监测结果进行比较、验证和修正,确保仿真计算结果的有效性和可用性,用于补充在线监测真实数据的不完整性。此外,真实数据与仿真数据除了与机组信息相关,还利用3D扫描技术地理状况、气象状况进行获取,使真实数据和仿真数据转换为基于三维坐标变化的点数据,对数据进一步精细化处理,提高数据准确度。最后,对真实数据和仿真数据一并进行数据清理(例如将不完整数据和过于边缘的数据剔除)和归一化处理,进一步提高数据的可靠性。
具体地,在一实施例中,上述步骤S102,具体包括如下步骤:
步骤五:基于指数加权移动平均值算法对风电站训练数据进行平滑。
步骤六:计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值,得到差值数据。
步骤七:基于指数加权移动平均值算法对差值数据进行平滑,并判断平滑后的差值数据是否满足预设平滑条件。
步骤八:若平滑后的差值数据满足预设平滑条件,则基于平滑后的差值数据和标注的故障标签训练生成故障诊断模型。
步骤九:若平滑后的差值数据不满足预设平滑条件,则将平滑后的差值数据作为平滑后的风电站训练数据,将平滑前的差值数据作为平滑前的风电站训练数据,返回步骤六。
具体地,在本实施例中,为了减小数据随机波动的影响,针对故障诊断模型,预先对故障诊断模型的数据进行平滑处理,在常用的指数加权移动平均值算法上进行了改进,从而实现数据平滑。传统指数加权移动平均值算法如下式:
Set=λ·Xt+(1-λ)·Set-1
式中,Set表示当前时刻平滑后的数据,Set-1表示上一时刻平滑后的数据,Xt表示平滑前的数据,λ是历史得分的权重,例如λ设为0.3。
在本实施例中,先按照上式对风电站训练数据进行第一次平滑,然后得到平滑后的风电站训练数据,之后计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值,得到差值数据,然后判断该差值数据是否满足预设平滑条件,包括但不限于数据的极值点、平均值等是否落入预设范围之内。如果不满足预设平滑条件,则将差值输入代入下式继续进行后续次数的平滑处理:
Set=λ·scoret+(1-λ)·Set-1
式中,Set表示当前时刻平滑后的数据,Set-1表示上一时刻平滑后的数据,scoret表示当前时刻的差值数据,λ是历史得分的权重。
循环迭代,直至差值数据满足预设平滑条件后,利用平滑后的差值数据和故障标签进行深度学习训练,得到准确率更高的故障诊断模型。
具体地,在一实施例中,上述步骤S102,还包括如下步骤:
步骤十:基于回归算法对风电站训练数据中的关键数据进行筛选。
步骤十一:增强关键数据中不同数据来源的子数据之间的相关性。
步骤十二:利用增强后的关键数据和标注的状态等级标签训练生成状态评估模型。
具体地,训练状态评估模型时,为了进一步提高状态评估模型的准确率,通过机器学习回归模型对风电站训练数据中的关键数据进行筛选。例如,回归模型多项式如下:
式中,yw为模型预测的结果,w0,...,wd为多项式学习系数,ξw为多项式学习参数,xw为模型输入的SCADA电气数据中的因子。例如以各个风机额定功率为基准,将各类因子输入多项式,通过分析预测功率与额定功率的误差,从风电站训练数据中选出功率误差较小的部分因子作为关键数据,减少对训练影响较小的其他数据,例如关键数据包括转子转速、转子温度等等。
之后,由于风电站训练数据的来源并不统一,其数据包括真实数据和仿真数据,而真实数据又包括风电站内的多个风机数据,往往数据的来源差别会导致训练出的状态评估模型在某种测试场景下不适用。例如真实数据训练效果好的状态评估模型,采用仿真数据测试可能出现状态不能准确评估的现象。基于此,本实施例通过增强关键数据中不同数据来源的子数据之间的相关性,再将增强相关性之后的数据作为训练样本,从而训练出准确度更高,实用性更好的状态评估模型。增强数据相关性的做法可以基于数据之间的相关度进行数据映射,本实施例的具体步骤如下:
1.通过迁移成分分析计算映射函数,映射函数用于将各个子数据映射之后,子数据之间的距离小于预设阈值。
2.通过映射函数计算各个子数据的映射特征,并将各个子数据的映射特征作为增强后的关键数据。
具体地,本实施例基于迁移成分分析算法,以某一来源(例如某一风机真实采集数据)且具有标签的数据作为源域,其他数据作为目标域。然后利用最大均值差异距离,计算源域与各个目标域距离最小的映射函数。通过该映射函数将源域和目标域均映射到纬度更低,数据相关程度更高的空间,得到映射特征,且通过迁移成分分析,还能为部分没有标签的数据预测标签,提高数据完整性。最后将映射得到的映射特征作为增强后的关键数据进行状态评估模型训练,以获得准确度更高的状态评估模型。
通过上述步骤,本申请提供的技术方案,通过采集的风电站真实监测数据和仿真数据分别训练故障诊断模型和状态评估模型,其中故障诊断模型用于识别各种数据对应哪一种风电站故障,状态评估模型用于识别各种数据对应哪一种状态等级。在两种模型训练成功后,再通过热流仿真和机械场仿真的方式,通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,然后将仿真数据分别输入上述两种模型中,得到对应的故障结果和状态等级,并且基于所述机理仿真分析数据计算各个预设工况下的评估参数,将输出的各个故障结果、状态等级与评估参数一一关联标定,使用户根据标定结果准确了解风电站在各个状态等级对应容易发生哪些故障,并且各个状态等级对应的评估参数在发生故障时的数值处于何种范围。使用户可以主动模拟风电站未来的某一时刻的运行状态等级,确定该时刻状态等级是否容易发生故障,再针对性的查询对应的评估参数,具体分析评估参数是否异常,若发生故障可以利用评估参数准确反演故障原因,从而在指定的时刻去指定的位置进行针对性的维护,保障在故障发生之前精准维护,提高维护策略的准确率。
如图3所示,本实施例还提供了一种风电站维护平台,该风电站维护平台包括:
数据获取模块101,用于获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据;
模型训练模块102,用于基于风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级;
诊断评估模块103,用于通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级;
参数标定模块104,用于基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因;
预测维护模块105,用于基于标定结果对风电站进行预测维护。
上述数据获取模块101、模型训练模块102、诊断评估模块103归属于风电站维护平台中的设备健康管理模块001,上述参数标定模块104和预测维护模块105归属于风电站维护平台中的设备故障反演模块002。
具体地,如图4所示,在一实施例中,本发明实施例提供的风电站维护平台还包括:
基础信息管理模块003,用于采集并维护风电站的地理数据、气象数据和机组信息数据。
监测模块004,用于监测并采集风电站风机设备的真实SCADA电气数据和真实CMS振动数据。
机理仿真模块005,用于通过稳态热流、瞬态热流、机械场仿真和极端工况仿真得到仿真SCADA电气数据和仿真CMS振动数据。
本发明实施例提供的风电站维护平台,用于执行上述实施例提供的风电站维护方法,其实现方式与原理相同,详细内容参见上述方法实施例的相关描述,不再赘述。
通过上述各个组成部分的协同合作,本申请提供的技术方案,通过采集的风电站真实监测数据和仿真数据分别训练故障诊断模型和状态评估模型,其中故障诊断模型用于识别各种数据对应哪一种风电站故障,状态评估模型用于识别各种数据对应哪一种状态等级。在两种模型训练成功后,再通过热流仿真和机械场仿真的方式,通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,然后将仿真数据分别输入上述两种模型中,得到对应的故障结果和状态等级,并且基于所述机理仿真分析数据计算各个预设工况下的评估参数,将输出的各个故障结果、状态等级与评估参数一一关联标定,使用户根据标定结果准确了解风电站在各个状态等级对应容易发生哪些故障,并且各个状态等级对应的评估参数在发生故障时的数值处于何种范围。使用户可以主动模拟风电站未来的某一时刻的运行状态等级,确定该时刻状态等级是否容易发生故障,再针对性的查询对应的评估参数,具体分析评估参数是否异常,若发生故障可以利用评估参数准确反演故障原因,从而在指定的时刻去指定的位置进行针对性的维护,保障在故障发生之前精准维护,提高维护策略的准确率。
图5示出了本发明实施例的一种电子设备,该设备包括处理器901和存储器902,可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种风电站维护方法,其特征在于,所述方法包括:
获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据;
基于风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级;
通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级;
基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因;
基于标定结果对风电站进行预测维护。
2.根据权利要求1所述的方法,其特征在于,所述获取风电站训练数据,包括:
采集风电站的真实CMS振动数据和真实SCADA电气数据;
扫描构建风电站机组部件的3D结构,并为所述3D结构设置相应的材料参数;
将热流仿真条件和机械场仿真条件输入所述3D结构,进行热流和机械场仿真,得到仿真CMS振动数据和仿真SCADA电气数据;
对所述真实CMS振动数据、真实SCADA电气数据、仿真CMS振动数据和仿真SCADA电气数据进行清洗与归一化处理,并组合得到所述风电站训练数据。
3.根据权利要求2所述的方法,其特征在于,所述通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,包括:
将稳态、暂态和故障工况的流体、电磁、机械和振动真实监测数据,作为边界条件输入所述3D结构进行仿真,得到所述机理仿真分析数据。
4.根据权利要求1所述的方法,其特征在于,基于风电站训练数据训练故障诊断模型,包括:
基于指数加权移动平均值算法对所述风电站训练数据进行平滑;
计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值,得到差值数据;
基于指数加权移动平均值算法对所述差值数据进行平滑,并判断平滑后的差值数据是否满足预设平滑条件;
若所述平滑后的差值数据满足预设平滑条件,则基于所述平滑后的差值数据和标注的故障标签训练生成所述故障诊断模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述平滑后的差值数据不满足预设平滑条件,则将所述平滑后的差值数据作为所述平滑后的风电站训练数据,将平滑前的差值数据作为所述平滑前的风电站训练数据,返回所述计算平滑后的风电站训练数据与平滑前的风电站训练数据的差值的步骤。
6.根据权利要求1所述的方法,其特征在于,基于风电站训练数据训练状态评估模型,包括:
基于回归算法对所述风电站训练数据中的关键数据进行筛选;
增强所述关键数据中不同数据来源的子数据之间的相关性;
利用增强后的关键数据和标注的状态等级标签训练生成所述状态评估模型。
7.根据权利要求6所述的方法,其特征在于,所述增强所述关键数据中不同数据来源的子数据之间的相关性,包括:
通过迁移成分分析计算映射函数,所述映射函数用于将各个子数据映射之后,子数据之间的距离小于预设阈值;
通过所述映射函数计算各个子数据的映射特征,并将所述各个子数据的映射特征作为所述增强后的关键数据。
8.一种风电站维护平台,其特征在于,所述风电站维护平台包括:
数据获取模块,用于获取风电站训练数据,所述风电站训练数据包括真实监测数据和仿真数据;
模型训练模块,用于基于风电站训练数据训练故障诊断模型和状态评估模型,所述故障诊断模型用于识别风电站机组的故障情况,所述状态评估模型用于识别风电站机组的运行状态所处的状态等级;
诊断评估模块,用于通过多种预设工况下的真实监测数据二次仿真出机理仿真分析数据,并将所述机理仿真分析数据分别输入所述故障诊断模型和所述状态评估模型,得到所述故障诊断模型和所述状态评估模型分别输出的故障结果和状态等级;
参数标定模块,用于基于所述机理仿真分析数据计算各个预设工况下的评估参数,并将各个预设工况对应的评估参数、故障结果和状态等级进行标定,所述评估参数用于反演故障原因;
预测维护模块,用于基于标定结果对风电站进行预测维护。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机从而执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034058.9A CN115329639B (zh) | 2022-08-26 | 2022-08-26 | 一种风电站维护方法、平台和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034058.9A CN115329639B (zh) | 2022-08-26 | 2022-08-26 | 一种风电站维护方法、平台和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115329639A true CN115329639A (zh) | 2022-11-11 |
CN115329639B CN115329639B (zh) | 2023-10-20 |
Family
ID=83927541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211034058.9A Active CN115329639B (zh) | 2022-08-26 | 2022-08-26 | 一种风电站维护方法、平台和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329639B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179301A1 (en) * | 2010-09-17 | 2012-07-12 | Aivaliotis Sarantos K | System and method for power grid management |
CN105956789A (zh) * | 2016-05-24 | 2016-09-21 | 国网四川省电力公司 | 一种基于状态评价的电力设备定量风险评估方法 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度系统的控制方法及装置 |
CN113570231A (zh) * | 2021-07-22 | 2021-10-29 | 浙江幸福航天科技有限公司 | 一种电站健康管理系统 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2022
- 2022-08-26 CN CN202211034058.9A patent/CN115329639B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120179301A1 (en) * | 2010-09-17 | 2012-07-12 | Aivaliotis Sarantos K | System and method for power grid management |
CN105956789A (zh) * | 2016-05-24 | 2016-09-21 | 国网四川省电力公司 | 一种基于状态评价的电力设备定量风险评估方法 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度系统的控制方法及装置 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN113570231A (zh) * | 2021-07-22 | 2021-10-29 | 浙江幸福航天科技有限公司 | 一种电站健康管理系统 |
Non-Patent Citations (2)
Title |
---|
MATTI KOIVISTO等: "Using time series simulation tool for assessing the effects of variable renewable energy generation on power and energy systems", 《WILEY INTERDISCIPLINARY REVIEWS: ENERGY AND ENVIRONMENT》, pages 1 - 21 * |
王杰等: "双馈风电机组故障穿越对系统暂态稳定的影响", 《电测与仪表》, pages 112 - 118 * |
Also Published As
Publication number | Publication date |
---|---|
CN115329639B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018171165A1 (zh) | 预测风机的故障的方法和设备 | |
JP2019128704A (ja) | 設備状態監視装置および設備状態監視方法 | |
US8639454B2 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
Lio et al. | Real-time rotor effective wind speed estimation using Gaussian process regression and Kalman filtering | |
Perišić et al. | Cost‐effective shaft torque observer for condition monitoring of wind turbines | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
JP2022530198A (ja) | 運転可能な風力タービンのコンポーネントの残存有効寿命を評価するための方法 | |
CN114492511A (zh) | 一种基于数字孪生的故障诊断方法 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
Barber et al. | Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades | |
Azzam et al. | Development of a wind turbine gearbox virtual load sensor using multibody simulation and artificial neural networks | |
CN109494716A (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
CN110023621B (zh) | 确定风力涡轮上的载荷 | |
CN113609622A (zh) | 风力发电机组的塔架载荷建模方法和装置 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
CN115329639B (zh) | 一种风电站维护方法、平台和电子设备 | |
CN116412091A (zh) | 基于机器学习的风力发电机组叶片实时除冰方法及系统 | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
Perišic et al. | Gearbox fatigue load estimation for condition monitoring of wind turbines | |
Wang et al. | Deep transfer fault diagnosis using digital twin and generative adversarial network | |
CN112052604A (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 |
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 |