CN115539327A - 风电机组监测预警方法、监测预警系统及可读存储介质 - Google Patents
风电机组监测预警方法、监测预警系统及可读存储介质 Download PDFInfo
- Publication number
- CN115539327A CN115539327A CN202211253099.7A CN202211253099A CN115539327A CN 115539327 A CN115539327 A CN 115539327A CN 202211253099 A CN202211253099 A CN 202211253099A CN 115539327 A CN115539327 A CN 115539327A
- Authority
- CN
- China
- Prior art keywords
- real
- data
- early warning
- vibration
- wind turbine
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 310
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013507 mapping Methods 0.000 claims abstract description 81
- 238000013178 mathematical model Methods 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000013024 troubleshooting Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 10
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 31
- 238000013016 damping Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000005381 potential energy Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003672 processing method 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电机组监测预警方法、监测预警系统及可读存储介质,涉及风力发电领域,能实时监测风电机组性能变化并发出故障预警,降低故障发生率,提高风电机组工作效率的同时,还能提升安全性和稳定性。所述方法包括:端侧设备获取风电机组的实时监测数据并存储为历史监测数据,由所述环网交换机将所述实时监测数据和所述历史监测数据传送至振动监测服务器;所述振动监测服务器接收所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,建立实时信息映射模型;风电故障预警平台获取气象数据,调用所述实时信息映射模型并计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报。
Description
技术领域
本申请涉及风力发电领域,特别是涉及一种风电机组监测预警方法、监测预警系统及可读存储介质。
背景技术
随着社会经济的不断发展、绿色理念的不断深入,风能这种绿色能源逐渐受到重视。风能作为一种非常清洁的能源,可以通过风能机组把风能转化为电能,进而使这种绿色能源得到广泛应用。然而由于风力发电机组的运行条件和自身结构比较复杂,所受的外部激振力和振动自由度相对其他大型旋转机械要多,所以为了保证风电机组的正常平稳运行,需要检测风电机组的运行状态,并且尽可能地对故障进行预测。
相关技术中,大多数风力发电厂都运用控制系统检测风电机组的运行状态,控制系统存储了风电机组的状态信息、风速情况等信息。但是,申请人认识到,基于静态参数检测风电机组运行状态,不能实时反映风电机组性能的变化过程,以至于控制系统发出警报时故障已经发生,导致设备使用率低,而且风电机组的风机振动容易造成风电机组的损伤,导致故障发生率高,风电机组工作效率低下,损失电量。
发明内容
有鉴于此,本申请提供了一种风电机组监测预警方法、监测预警系统及可读存储介质,主要目的在于解决基于静态参数检测风电机组运行状态,不能实时反映风电机组性能的变化过程,以至于控制系统发出警报时故障已经发生,导致设备使用率低,而且风电机组的风机振动容易造成风电机组的损伤,导致故障发生率高,风电机组工作效率低下,损失电量的问题。
依据本申请第一方面,提供了一种风电机组监测预警方法,该方法包括:
端侧设备获取风电机组的实时监测数据,将所述风电机组的所述实时监测数据存储为历史监测数据,以及将所述实时监测数据和所述历史监测数据传送至环网交换机,由所述环网交换机将所述实时监测数据和所述历史监测数据传送至振动监测服务器;
所述振动监测服务器接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,以及基于所述结构参数、所述实时监测数据和所述历史监测数据,建立实时信息映射模型;
风电故障预警平台获取气象数据,调用所述振动监测服务器建立的实时信息映射模型,并且基于所述气象数据和所述实时信息映射模型计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报。
依据本申请第二方面,提供了一种监测预警系统,该系统包括端侧设备、环网交换机、振动监测服务器和风电故障预警平台;
所述端侧设备,用于获取风电机组的实时监测数据,将所述风电机组的所述实时监测数据存储为历史监测数据,以及将所述实时监测数据和所述历史监测数据传送至所述环网交换机;
所述环网交换机,用于将所述实时监测数据和所述历史监测数据传送至所述振动监测服务器;
所述振动监测服务器,用于接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,以及基于所述结构参数、所述实时监测数据和所述历史监测数据,建立实时信息映射模型,其中,在构建振动数学模型时,利用所述几何结构参数和所述结构材料参数构建风机简化模型,根据欧拉角旋转矩阵将所述风机简化模型的体坐标系下的位移、速度变换至惯性坐标系,以及按照所述拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,得到所述振动数学模型;
所述风电故障预警平台,用于获取气象数据,调用所述振动监测服务器建立的实时信息映射模型,并且基于所述气象数据和所述实时信息映射模型计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报。
依据本申请第三方面,提供了一种可读存储介质,其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第一方面中任一项所述的方法的步骤。
借由上述技术方案,本申请提供的一种风电机组监测预警方法、监测预警系统及可读存储介质,本申请中端侧设备获取风电机组的实时监测数据,将风电机组的实时监测数据存储为历史监测数据,以及将实时监测数据和历史监测数据传送至环网交换机,由环网交换机将实时监测数据和历史监测数据传送至振动监测服务器,振动监测服务器接收环网交换机传送的实时监测数据和历史监测数据,获取风电机组预设的结构参数,以及基于结构参数、实时监测数据和历史监测数据,建立实时信息映射模型,风电故障预警平台获取气象数据,调用振动监测服务器建立的实时信息映射模型,并且基于气象数据和实时信息映射模型计算振动预警值,以及当检测到振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报,能够实时监测风电机组性能的变化过程并发出故障预警,降低故障发生率,在提高风电机组的工作效率的同时,还能够提升风电机组的安全性和稳定性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种风电机组监测预警方法流程示意图;
图2A示出了本申请实施例提供的另一种风电机组监测预警方法流程示意图;
图2B示出了本申请实施例提供的一种单桩基础NREL 5MW风机结构示意图;
图2C示出了本申请实施例提供的一种单桩基础NREL 5MW风机简化模型;
图2D示出了本申请实施例提供的建立和使用实时信息映射模型的流程示意图;
图2E示出了本申请实施例提供的一种风电机组监测预警方法流程示意图;
图3A示出了本申请实施例提供的端侧设备与振动监测服务器之间的交互示意图;
图3B示出了本申请实施例提供的一种风电机组监测预警方法流程示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种风电机组监测预警方法,如图1所示,该方法包括:
101、端侧设备获取风电机组的实时监测数据,将风电机组的实时监测数据存储为历史监测数据,以及将实时监测数据和历史监测数据传送至环网交换机,由环网交换机将实时监测数据和历史监测数据传送至振动监测服务器。
其中,风力发电厂的环境恶劣,风电机组本身的结构也非常复杂,使得风电机组在运行过程中某些部分会不断振动,这种振动所引起的轴承等部件的损坏是造成风电机组故障停机的主要原因。但是目前对风电机组进行故障诊断都是基于静态检测状态参数的方法,比如通过控制系统检测某些时刻的振动信号、油液参数、温度参数或者发电机输出端的电流、电压等参数进行诊断,然而这些方法并不能反映风电机组的性能变化过程,以至于控制系统发出警报时故障已经发生,所以为解决这一问题,本申请提出一种风电机组监测预警方法。
在本申请实施例中,端侧设备实时收集风电机组运行的相关状态数据,其中,端侧设备可以是移动电话、平板电脑、便携式移动通信设备等。端侧设备收集用来指示风电机组运行状态的实时监测数据,连同历史监测数据一起传送到环网交换机,随后环网交换机把实时监测数据和历史监测数据传送到振动监测服务器。其中,环网交换机能够在复杂的工业环境中完成端侧设备和振动监测服务器之间的数据交换,从而实现信息共享。通过对实时监测数据和历史监测数据进行收集和传送,获取风电机组运行状态的变化过程,为后续监测风电机组运行状态以及进行故障预警提供数据基础。
102、振动监测服务器接收环网交换机传送的实时监测数据和历史监测数据,获取风电机组预设的结构参数,以及基于结构参数、实时监测数据和历史监测数据,建立实时信息映射模型。
振动监测服务器能够对风电机组的运行状态进行远程实时监测,构建用于监测风电机组运行状态的实时信息映射模型,为分析故障原因以及进行故障预警提供可靠数据。其中,实时信息映射模型能够将实时监测数据和历史监测数据与风电机组的结构参数结合起来,更加准确、详细地监测风电机组的运行状态。在本申请实施例中,振动监测服务器获取预设的结构参数以及接收环网交换机传送的实时监测数据和历史监测数据,然后基于参数结构、实时监测数据以及历史监测数据,建立风电机组的实时信息映射模型。实际应用的过程中,由于实时监测数据是不断更新的,因此,可以采用获取到的实时监测数据对风电机组的实时信息映射模型不断优化更新,使实时信息映射模型预测的信息更加精准,在提高数据准确性的同时,保证及时应对紧急情况。
103、风电故障预警平台获取气象数据,调用振动监测服务器建立的实时信息映射模型,并且基于气象数据和实时信息映射模型计算振动预警值,以及当检测到振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报。
其中,风电故障预警平台采用以WebGIS(网络地理信息系统)技术为核心的B/S(Browser/Server,浏览器/服务器模式)架构,通过气象专网、互联网技术、数据库技术获取风电场所在地区的包括气压、风速以及风向数据的数值气象预报数据,并对获取到的数值气象预报数据进行快速分析以及完成风电故障预警云平台与振动监测服务器之间的实时数据共享。此外,风电故障预警平台还能够基于振动监测服务器建立的实时信息映射模型计算振动预警值,其中,振动预警值用于描述风电机组振动的强弱程度,且风电故障预警平台根据振动预警值将风电机组运行状态划分为5个风险等级,分别为无风险级、振动风险Ⅰ级、振动风险Ⅱ级、振动风险Ⅲ级以及振动危险级。
在本申请实施例中,风电故障预警平台获取风电场所在区域的气象数据,以及调用振动监测服务器建立的实时信息映射模型。其中,气象数据包括未来时间的气压、风速以及风向数据,风电故障预警平台能够根据未来时间的天气情况,预测风电机组在该天气情况下的运行状态以及预测在该种运行状态下是否会出现故障,从而实现风电机组故障预警的目的。相应地,当检测到振动预警值达到预设危险预警阈值时,表示风电机组在未来时间段内运行风险等级高,预测风电机组运行会出现故障,所以关闭风电机组并向检修人员发出警报,检修人员可以提前对风电机组进行检修,避免出现重大故障,降低风电机组的工作效率。实际应用的过程中,预设危险预警值可以为振动风险Ⅲ级的上限值。通过对振动预警值进行实时监测,能够使风电场即使在面对极端天气到来的情况下,降低风电机组的故障发生率,提高设备运行的可靠性,提高风电机组的工作效率。
本申请实施例提供的方法,建立实时信息映射模型,风电故障预警平台基于气象数据和实时信息映射模型计算振动预警值,以及当检测到振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报,能够实时监测风电机组性能的变化过程并发出故障预警,降低故障发生率,在提高风电机组的工作效率的同时,还能够提升风电机组的安全性和稳定性。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,本申请实施例提供了另一种风电机组监测预警方法,如图2A所示,该方法包括:
201、端侧设备的传感器集群实时监测风电机组并进行数据采集,得到实时监测数据,以及将实时监测数据存储在端侧设备的存储单元中。
在本申请实施例中,端侧设备的传感器集群包括多个数据采集单元,这些数据采集单元安装在风力机主轴、变速箱、发电机组输入轴以及机舱外壳等位置,用于实时监测风力机主轴、发电机组输入轴的振动数据和倾角数据等运行数据。其中,数据采集单元由振动传感器和倾角传感器组成,将数据采集单元安装在一些风电机组运行关键的部位,收集到的风电机组运行数据更加准确、更加详细,且采集的振动数据和倾角数据等运行数据能够更加全面地反映风电机组的实时运行状态,为后续建立实时信息映射模型提供数据基础。数据采集单元将采集到的振动数据和倾角数据等运行数据作为风电机组的实时监测数据,并将实时监测数据存储到端侧设备的存储单元,其中,存储单元在端侧设备的存储器中,用于存储风电机组的历史监测数据和实时监测数据,大量的历史监测数据和实时监测数据能够全面地反映风电机组的运行变化过程,后续利用这些存储的监测数据能够更精准地预测风电机组的运行状态。
在另一个可选地实施方案中,一些风电机组会在海上工作,由于海上环境复杂多变,会导致传感器监测数据时出现单个数据缺失或数据异常等现象,因此,可以采用最类似填充法处理单个数据缺失的情况,将缺失的数据补充进去,保证每个数据组包括的数据都是完整的,便于后续参与计算,具体处理单个数据缺失情况的过程如下:
首先,端侧设备会对实时监测数据进行识别,以及当识别到实时监测数据发生单个数据缺失时,在实时监测数据中确定发生单个数据缺失的缺失数组。实际应用的过程中,由于有些数组中的单个变量可能会存在异常,比如取值很大,与实际情况完全不符等等,这些异常的变量实际上也需要进行纠正。所以,本申请实施例中,在识别实时监测数据是否发生单个数据缺失时,还可以同时采用马氏距离度量识别实时监测数据中是否存在异常变量,以及在确定存在异常变量时,确定异常变量所在的数组,在数组中将异常变量剔除,将剔除后的数组也作为缺失数组,后续为该数组补充合适的不再存在异常的数值,从而减小数值误差,提升预测的准确性。
随后,端侧设备在存储单元包括的多个历史监测数据中提取多个样本数组。其中,多个样本数组与缺失数组由同一传感器采集,考虑到同一个传感器采集到的数据相似性最高,能够使填充后的缺失数组更接近未发生数据缺失的正常数组,所以此处获取了由同一传感器采集的多个样本数组,后续利用多个样本数组对缺失数据进行数值补充。获取到多个样本数组后,端侧设备分别读取多个样本数组中每个样本数组与缺失数组的相关性,以及在多个样本数组中提取与缺失数组相关性最高的目标样本数组,通过相关性确定多个样本数组中与缺失数组最类似的目标样本数组,使目标样本数组最接近未发生异常的缺失数组,保证实时监测数据样本的准确性。
接着,端侧设备将目标样本数组包括的多个样本数值降序排列,得到数值排序结果,并提取多个样本数值中每个样本数值标注的数值编号,以及按照多个样本数值在数值排序结果中的顺序对多个样本数值的多个数值编号进行排序,得到编号排序结果。然后,端侧设备在缺失数组中确定发生缺失的单个数据的缺失数值编号,在编号排序结果中确定与缺失数值编号相同的目标数值编号,以及在编号排序结果中确定与目标数值编号相邻的第一数值编号和第二数值编号,具体第一数值编号和第二数值编号可以为与目标数值相邻的前一数值编号和后一数值编号。
最后,端侧设备在缺失数组中查询数值编号与第一数值编号相同的第一数值、数值编号与第二数值编号相同的第二数值,以及计算第一数值和第二数值的平均值,将平均值作为缺失数值编号在缺失数据组中对应的数值补充到缺失数组。由于目标样本数组与缺失数组相关性最高,目标数值编号的数值与缺失数值是一样的,所以缺失数值同样处于第一数值和第二数值之间,使得计算出来的第一数值和第二数值的平均值更加接近未发生异常的正常数值,为后续预测风电机组运行状态提供更准确、更完善地实时监测数据。
下面用一个具体的例子详细描述上面处理单个数据缺失情况的过程:假设端侧设备识别到一组传感器监测振动数组样本分别为有功功率a、有功功率b、有功功率c、有功功率d以及有功功率e,如表1所示,其中,端侧设备识别到缺失数据为有功功率e6。
有功功率a | 有功功率b | 有功功率c | 有功功率d | 有功功率e |
a1 | b1 | c1 | d1 | e1 |
a2 | b2 | c2 | d2 | e2 |
a3 | b3 | c3 | d3 | e3 |
a4 | b4 | c4 | d4 | e4 |
a5 | b5 | c5 | d5 | e5 |
a6 | b6 | c6 | d6 | e6 |
表1
在进行处理时,首先找到与缺失数组有功功率e相关性最大的目标样本数组(比如有功功率c),将有功功率c中的c1、c2、c3、c4、c5以及c6六个样本数值按照降序方式排序,并提取六个样本数值中每个样本数值标注的数值编号。接着,按照六个样本数值在数值排序结果中的顺序对这六个样本数值的数值编号进行排序,得到编号排序结果为3-1-6-2-4-5,同样将缺失数组有功功率e中e1、e2、e3、e4、e5以及e6六个数值根据编号排序结果进行排序,排序结果为e3-e1-e6-e2-e4-e5,如表2所示。
有功功率a | 有功功率b | 有功功率c | 有功功率d | 有功功率e |
a3 | b3 | c3 | d3 | e3 |
a1 | b1 | c1 | d1 | e1 |
a6 | b6 | c6 | d6 | e6 |
a2 | b2 | c2 | d2 | e2 |
a4 | b4 | c4 | d4 | e4 |
a5 | b5 | c5 | d5 | e5 |
表2
通过上述表2可知,缺失数值e6的编号为6,6也即上述过程中描述的目标数值编号,与6相邻的两个编号分别为1和2(也即第一数值编号和第二数值编号)。因此,在有功功率e中提取编号为1的e1、编号为2的e2,计算e1和e2的平均值(e1+e2)/2,将(e1+e2)/2作为缺失数值e6补充到有功功率e中即可。
需要说明的是,若目标数值编号在编号排序结果中位于首位或末位,则无法获取到与目标数值编号相邻的两个数值编号,只有一个数值编号,比如上面表2中的e5,如果e5发生缺失,则只能获取到与其相邻的一个e4。因此,在本申请实施例中,对于这种情况,可以在编号排序结果中确定与目标数值编号相邻的一目标数值编号,将缺失数组中数值编号与目标数值编号相同的数值作为缺失数值编号在缺失数据组中对应的数值,并补充到缺失数组,也即在e5发生缺失时,直接将与其相邻的e4的取值补充给e5即可,首位同理。
202、端侧设备在存储单元中获取历史监测数据,以及将采集到的实时监测数据和历史监测数据传送至环网交换机,环网交换机将实时监测数据和历史监测数据传送至振动监测服务器。
在本申请实施例中,端侧设备和振动监测服务器均接入到环网交换机中,便于完成实时监测数据和历史监测数据的传输。其中,环网交换机用于进行端侧设备和振动监测服务器之间的数据交换,能够在同一时刻进行多个端口对之间的数据传输,且环网交换机能够并行执行数据发送操作和数据接收操作,提高工业环境中数据的传送效率。
端侧设备从存储器的存储单元获取历史监测数据,并将传感器集群采集到的实时监测数据和历史监测数据一同传送至环网交换机,通过环网交换机将实时监测数据和历史监测数据传送至振动监测服务器,快速地将实时监测数据和历史监测数据从端侧设备传送到振动监测服务器,提高数据传输效率,同时保证数据的准确。
203、振动监测服务器接收环网交换机传送的实时监测数据和历史监测数据,获取风电机组预设的结构参数,以及基于结构参数、实时监测数据和历史监测数据,建立实时信息映射模型。
在本申请实施例中,风电机组的结构参数提前设置在振动监测服务器中,风电机组的结构参数包括几何结构参数和结构材料参数,几何结构参数包括风电机组内风机主轴、变速箱、双馈发电机等主要零部件的尺寸参数、质量、转动惯量、传动链的传动比、截面惯性矩等;结构材料参数包括风电机组内主要零部件及与其连接、固定部件的连接刚度、材料种类、抗弯刚度、密度、弹性模量以及双馈发电机的电磁特性。振动监测服务器将运行中的风电机组看作一个受到外界激励的质量-刚度-阻尼机械振动结构,该机械振动结构在外界激励和电磁力作用下,做着复杂的机械振动,因此,振动监测服务器在建立实时信息映射模型时会综合风电机组的几何结构参数和结构材料参数,基于结构参数、实时监测数据和历史监测数据,建立实时信息映射模型,具体建立实时信息映射模型的过程如下:
首先,振动监测服务器获取风电机组预设的几何结构参数和结构材料参数,依据拉格朗日动力学方程对预设的几何结构参数和结构材料参数进行建模处理,得到风电机振动结构的振动数学模型,并将振动数学模型作为风电机组的初始数学模型。基于风电机组的几何结构参数和结构材料参数建立的初始数学模型,更符合风电机组的实际结构情况,为后续进行风电机组运行状态的预测和故障预警提供数据基础。
其中,在构建振动数学模型时,先利用几何结构参数和结构材料参数构建风机简化模型,再根据欧拉角旋转矩阵将风机简化模型的体坐标系下的位移、速度变换至惯性坐标系,然后按照拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,得到振动数学模型,具体过程如下:
如图2B所示,本申请的风电机组模型可以采用单桩基础的NREL 5MW风机,在简化模型中,单桩基础风力机建模为二级倒立摆,结构刚度和阻尼建模为刚体底部的旋转弹簧和旋转阻尼器,塔筒与基础简化为刚性连接。
如图2C所示,在单桩基础的NREL 5MW风机中,惯性系Op固定在海底,其原点Op位于风机简化模型中风机基础与海底铰接处,OX轴沿平均风方向,OZ轴垂直向上;体坐标系Ot固定在风机基础,其原点Ot位于风机简化模型中基础与塔筒铰接处,OZ轴与基础轴线在同一条直线上,OX轴在水平面的投影沿平均风方向;体坐标系Or固定在风机塔筒,其原点Or位于机舱与风轮连接处,OX轴与风轮主轴轴线在同一条直线上,OZ轴平行于塔筒轴线。简化模型共有7个自由度,分别为θpx,θpy,θpz,θtx,θty,θtz,Ω,其中θpx,θpy,θpz为单桩基础相对于海底的转角,表示单桩基础在惯性系Op下的转角,θtx,θty,θtz为塔筒相对于基础的转角,Ω为风轮相对于机舱的转角,简化模型外载荷为空气载荷F,其中F=[Fx Fy Fz M]T。
首先,根据欧拉角旋转矩阵将体坐标系下的位移、速度变换至惯性系,将塔筒在体坐标系Ot下的角位移θtx,θty,θtz变换至惯性系,计算过程如公式1:
同理,将风轮在体坐标系On下的角位移Ω变换至惯性系,计算过程如公式2:
其次,建立多刚体力学模型,过程具体为:
进行动能计算,系统总动能T=Tp+Tt+Tr,其中Tp、Tt、Tr分别为单桩基础、塔筒、风轮的转动动能,计算过程如公式3、公式4和公式5:
公式3:
再进行势能计算,系统总势能U=Up+Ut+Ur+U1+U2,其中Up、Ut、Ur、U1、U2分别表示单桩基础、塔筒、风轮的重力势能和惯性系Op原点处、体坐标系Ot原点处旋转弹簧势能,计算过程如公式6、公式7、公式8、公式9和公式10:
公式6:Up=mp(zp-Lp)
其中,zp=Lp·cosθpx·cosθpy且Zp表示单桩基础质心高度,mp表示单桩基础质量,Lp表示单桩基础质心到惯性系Op原点的长度。
公式7:Ut=mt[(zot+zt1)-Lt]
其中,zot=L1·cosθpx·cosθpy,Zot表示塔筒质心相对于体坐标系Ot原点的高度且L1表示单桩基础的总长度,zt1=Lt1·cosθtx·cosθty,Zt1表示塔筒质心相对于体坐标系Ot原点的高度且Lt1表示塔筒质心到体坐标系Ot的长度,Zt=Zot+Zt1且Zt表示筒塔质心高度,mt表示塔筒质量。
公式8:Ur=mr[(zot+zt2)-Lr]
其中,zt2=Lr1·cosθtx·cosθty,Zt2表示风轮质心相对于坐标系Ot原点的高度且Lr1表示风轮质心到体坐标系Ot原点的长度,Lr表示风轮质心到惯性系Op原点的长度,Zr=Zot+Zt2且Zr表示风轮质心高度,mr表示风轮质量。
公式9:U1=K1x·θ2 px+K1y·θ2 py
其中,K1x表示惯性系Op原点处铰链的旋转弹簧绕x轴的转动刚度,K1y表示惯性系Op原点处铰链的旋转弹簧绕y轴的转动刚度。
公式10:U2=K2x·(θtx-θpx)2+K2y·(θty-θty)2
其中,K2x表示体坐标系Ot原点处铰链的旋转弹簧绕x轴的转动刚度,K2y表示体坐标系Ot原点处铰链的旋转弹簧绕y轴的转动刚度。
然后进行非保守力计算,非保守力为外载荷和阻尼力,外载荷为空气动力载荷F=[Fx Fy Fz M]T,其中Fx、Fy、Fz表示简化为空气载荷对风轮产生x、y、z方向上的集中力,M为空气载荷对风轮产生的转矩,阻尼力计算如公式11、公式12、公式13和公式14:
其中,F1x、F1y表示惯性系Op原点处铰链的旋转阻尼产生的阻尼力,d1x表示惯性系Op原点处铰链旋转阻尼绕x轴的阻尼系数,d1y表示惯性系Op原点处铰链旋转阻尼绕y轴的阻尼系数。
其中,F2x、F2y表示体坐标系Ot原点处铰链的旋转阻尼产生的阻尼力,d2x表示体坐标系Ot原点铰链旋转阻尼绕x轴的阻尼系数,d2y表示体坐标系Ot原点铰链旋转阻尼绕y轴的阻尼系数。
然后,拉格朗日动力学方程如公式15:
公式15:L=T-U
按照拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,列出公式16至公式22:
通过整理上述公式,最后得出振动数学模型,该振动数学模型如公式23:
其中,[M0]表示刚度矩阵,[C0]表示阻尼矩阵。
随后,振动监测服务器接收环网交换机传送的实时监测数据和历史监测数据,对实时监测数据和历史监测数据进行筛选,提取取值非空且数值误差在误差范围内的有效运行状态参数,避免异常、误差过大的实时监测数据和历史监测数据对初始数学模型产生影响,提高风电机组运行状态监测和预警的准确率。
最后,以初始数学模型为基础,利用有效运行状态参数对初始数学模型的模型参数进行修正,得到风电机组的实时信息映射模型,通过实时信息映射模型能够更精确、完整地反映风电机组运行状态的发展趋势,不是基于静态数据对风电机组的运行状态进行分析,能够实时监测风电机组的运行状态,并及时对风电机组进行检修,降低故障发生率。
需要说明的是,建立实时信息映射模型之后,由于风电机组运行环境复杂多变、预设的几何结构参数和结构材料参数存在误差等一系列因素的影响,导致建立的实时信息映射模型较为粗糙,无法精准地、完整地预测风电机组的运行状态。因此,本申请实施例采用信息映射方式,在建立所述实时信息映射模型之后,持续采用采集到的实时监测数据和存储的历史监测数据对实时信息映射模型进行实时更新,随着实时监测数据的不断更新,实时信息映射模型也不断的实时更新,实现真实物理世界风电机组到虚拟数学模型的准确映射,提高模型的精准度。
综上所述,建立、使用实时信息映射模型的具体过程总结如下:
如图2D所示,获取预设于振动监测服务器的几何结构参数和结构材料参数。随后,依据拉格朗日动力学方程进行动力学建模,得到该机械振动结构的振动数学模型。接着,获取传感器实时监测数据和历史监测数据,利用传感器监测数据实时更新、历史运行状态(历史监测数据)等,修正初始数学模型的各参数,获得多尺度、高精度的实时信息映射模型。实现真实物理世界风电机组到虚拟数学模型的准确映射。最后,振动监测服务器对实时信息映射模型进行仿真分析,根据仿真结果进行自适应工况划分,基于工况划分结果,实时控制风力机的变桨系统。
204、风电故障预警平台获取气象数据,调用振动监测服务器建立的实时信息映射模型,并且基于气象数据和实时信息映射模型计算振动预警值。当检测到振动预警值达到预设危险预警阈值时,执行下述步骤205;当检测到振动预警值未达到预设危险预警阈值时,执行下述步骤206。
在本申请实施例中,风电故障预警平台分为四个层面,分别为数据气象接口层、数据库层、业务层以及可视化界面层。风电故障预警平台在气象数据接口层,通过气象数据接口从气象专网获取风电机组所在风场位置的天气数值信息,并将天气数值信息以文本格式报文的形式存储到数据库,以及在数据库存储的气象数据中获取未来预设时间范围内的天气数值信息,其中,天气数值信息包括风电场所在区域的气压、风速以及风向数据,文本报文格式可以是JSON(Java Script Object Notation,一种轻量级的数据交换格式)格式报文。需要说明的是,为了避免过多的天气数值信息对风电故障预警平台故障预警产生影响,需要提取有效的天气数值信息,因此,数据库层通过读取数据气象接口层获取文本格式报文形式的天气数值信息,利用数据库中存储的历史气象数据对天气数值信息进行分析筛选,将天气数值信息中的无效信息过滤,其中,数据库层包括数据文件、数据信息传输程序、数据信息分析程序、数据信息筛选程序、数据信息处理程序、数据存储和数据库,能够对传输到数据库层的数据进行分析、筛选以及处理,避免无效信息或者异常信息对预测风电机组运行状态和故障预警的影响。随后,业务层作为风电故障预警云平台的关键层,调用振动监测服务器建立的实时信息映射模型,以及基于过滤后的天气数值信息和实时信息映射模型,对风电机组进行仿真分析,得到未来预设时间范围内的预测运行状态数据、预测运行状态数据对应的故障风险等级。为了能够在故障发生的初期及时检查到可能发生的故障,并对其进行维修,业务层的数据融合控制单元会对预测运行状态数据和故障风险等级进行归一化计算,得到风电机组的振动预警值,其中,振动预警值用于描述风电机组振动的强弱程度,且根据振动预警值将风电机组运行状态划分为五个风险等级,分别为无风险级、振动风险Ⅰ级、振动风险Ⅱ级、振动风险Ⅲ级以及振动危险级,通过振动预警值可以更直观地反映风电机组运行的风险程度,并及时做出故障预警,很大程度降低风电机组故障的发生率,从而提高风电机组的运行效率和经济效益。
相应地,风电故障预警平台会实时监测振动预警值,当检测到振动预警值达到预设危险预警阈值时,表示风电机组即将发生故障,需要执行预警操作,因此,执行下述步骤205;当检测到振动预警值未达到预设危险预警阈值时,表示风电机组处于正常运行状态,暂时不需要预警,因此,执行下述步骤206。
进一步地,在另一个可选地实施方案中,风电故障预警平台的可视化界面层能够实现更高效的人机交互,具体可以采用风电机组的图像信息,建立风电机组的三维模型,调用振动监测服务器的设备运行状态数据、风电故障预警平台的预测运行状态数据,并基于三维模型、设备运行状态数据以及预测运行状态数据,生成可视化界面,为风电故障预警云平台的检修人员提供更直观的可视界面,使检修人员通过可视化界面对风电机组的运行状态进行监测。
205、当振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报。
在本申请实施例中,由于风电机组的运行环境复杂多变,经常面临极端天气,且风电机组的自身结构复杂,在故障检测和维修中都会占用很长时间,对电力生产造成的影响也很大。因此,为了降低风电机组故障的发生率,本申请将振动风险Ⅲ级的上限值定义为危险预警阈值,当检测到振动预警值达到预设危险预警阈值时,表示风电机组即将发生故障,需要控制风电机组迅速停机,并向检修人员报警。这样,通过振动预警值对风电机组的运行状态进行实时振动检测以及及时提供故障预警,提高风电机组的安全性和稳定性,同时提高风电机组的设备使用率。
需要说明的是,发出警报后,为了提高预测风电机组运行状态的准确性,风电故障预警平台会将过滤后的天气数值信息和预测运行状态数据存储到数据库,以便采用过滤后的天气数值信息和预测运行状态数据执行检修排查操作以及对实时信息映射模型进行模型更新,提升模型精准度,使风电机组的故障发生率降低,提高设备使用率。
206、当检测到振动预警值未达到预设危险预警阈值时,振动监测服务器读取实时信息映射模型,基于实时信息映射模型,对风电机组进行仿真分析,得到设备运行状态数据,以及基于设备运行状态数据进行自适应工况划分,得到工况划分结果,根据工况划分结果实时控制风电机组的变桨系统。
在本申请实施例中,当检测到振动预警值未达到预设危险预警阈值时,表示风电机组处于正常运行状态,暂时不需要预警,因此,振动监测服务器读取实时信息映射模型,基于实时信息映射模型,对风电机组进行仿真分析,得到设备运行状态数据,以及基于设备运行状态数据进行自适应工况划分,得到工况划分结果。其中,自适应工况是风电机组在运行过程中自动调整自身状态的处理方法,通过自适应工况划分,将风电机组根据设备运行状态数据进行分类,确定设备运行状态相近的风电机,进而对设备运行状态数据异常的风电机进行控制,避免风电机的叶片因为疲劳造成损伤甚至断裂,因此,根据工况划分结果实时控制风电机组的变桨系统,能够减小振动对风电机组的影响,提高风电机组的工作效率,提升风电机组的安全性和稳定性。
综上所述,本申请提出的风电机组监测预警方法的具体过程如下:
如图2E所示,端侧设备获取实时振动监测数据,并将实时监测数据发送至环网交换机,环网交换机通过环网将实时监测数据发送至振动监测服务器。随后,振动监测服务器根据风电机组初始数学模型以及实时监测数据建立实时信息映射模型。接着,风电故障预警云平台获取气象专网/数值的气象数据,根据气象数据对振动监测服务器提供的实时信息映射模型进行仿真分析,得到振动预警值,以及对仿真结果进行风险等级评估并判断。然后,风电故障预警云平台将仿真结果和气象数据传送至振动监测服务器,完成数据交换。最后,当风电故障预警云平台检测到振动预警值达到振动预警阈值时,停机并向检修人员报警;当风电故障预警云平台检测到振动预警值为达到振动预警阈值时,将控制权转交给振动监测服务器,振动监测服务器实时控制变桨系统,从而影响端侧设备收集到的实时监测数据。
本申请实施例提供的方法,能够实时监测风电机组性能的变化过程并发出故障预警,降低故障发生率,在提高风电机组的工作效率的同时,还能够提升风电机组的安全性和稳定性。
进一步地,作为图1所述方法的具体实现,本申请实施例提供了一种监测预警系统,如图3A所示,包括端侧设备、环网交换机、振动监测服务器和风电故障预警平台:
端侧设备,包括传感器集群和存储器,用于获取风电机组的实时监测数据,将风电机组的实时监测数据存储为历史监测数据,以及将实时监测数据和历史监测数据传送至环网交换机。传感器集群包括安装在风力机主轴、变速箱、发电机组输入轴以及机舱外壳的多个数据采集单元,多个数据采集单元中的每个数据采集单元包括振动传感器以及倾角传感器,传感器集群用于实时监测风力机主轴、发电机组输入轴的振动数据和倾角数据作为实时监测数据,以及将实时监测数据存储到存储器的存储单元中。存储器用于存储风电机组的历史监测数据和实时监测数据,存储器包括存储单元。
环网交换机,用于将实时监测数据和历史监测数据传送至振动监测服务器。
振动监测服务器,用于接收环网交换机传送的实时监测数据和历史监测数据,获取风电机组预设的结构参数,以及基于结构参数、实时监测数据和历史监测数据,建立实时信息映射模型,其中,在构建振动数学模型时,利用几何结构参数和结构材料参数构建风机简化模型,根据欧拉角旋转矩阵将风机简化模型的体坐标系下的位移、速度变换至惯性坐标系,以及按照拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,得到振动数学模型。
风电故障预警平台,包括气象数据接口层、数据库层、业务层和可视化界面层,用于获取气象数据,调用振动监测服务器建立的实时信息映射模型,并且基于气象数据和实时信息映射模型计算振动预警值,以及当检测到振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报。
气象数据接口层,用于通过气象数据接口连接气象专网,获取风电场所在区域的气象数据,将气象数据存储到数据库层的数据库,以及通过气象数据接口在数据库中获取气象数据,将气象数据转化成文本格式报文,将文本格式报文传送至风电故障预警平台。
数据库层,用于读取气象数据接口层的文本格式报文,在文本格式报文中提取未来预设时间范围内的天气数值信息,利用数据库中存储的历史气象数据对天气数值信息进行分析筛选,将天气数值信息中的无效信息过滤,以及存储业务层传送的过滤后的天气数值信息和预测运行状态数据到数据库,其中,数据库层包括数据文件、数据信息传输程序、数据信息分析程序、数据信息筛选程序、数据信息处理程序、数据存储和数据库。
业务层,用于获取数据库层的过滤后的天气数值信息和振动监测服务器建立的实时信息映射模型,基于过滤后的天气数值信息和实时信息映射模型,对风电机组进行仿真分析,得到未来预设时间范围内的预测运行状态数据、预测运行状态数据对应的故障风险等级,业务层的数据融合控制单元对预测运行状态数据和故障风险等级进行归一化计算,得到风电机组的振动预警值,实时监测振动预警值,当振动预警值达到预设危险预警阈值时,关闭风电机组并发出警报,振动预警值包括无风险级、振动风险Ⅰ级、振动风险Ⅱ级、振动风险Ⅲ级和振动危险级,预设危险预警阈值为振动预警值达到振动风险Ⅲ级的上限值。
其中,在业务层检测到振动预警值达到预设风险阈值时,业务层将过滤后的天气数值信息和预测运行状态数据存储到数据库,以便采用过滤后的天气数值信息和预测运行状态数据执行检修排查操作以及对实时信息映射模型进行模型更新,预设风险阈值为振动预警值达到振动风险Ⅰ级的下限值。
可视化界面层,用于采用风电机组的图像信息,建立风电机组的三维模型,调用振动监测服务器的设备运行状态数据、风电故障预警平台的预测运行状态数据,基于三维模型、设备运行状态数据以及预测运行状态数据,生成可视化界面,以及检修人员通过可视化界面对风电机组的运行状态进行监测,且当检测到振动预警值达到预设危险预警阈值时,通过可视化界面发出警报并协助检修人员对风电机组进行检修。
具体地,端侧设备与振动监测服务器之间的交互如图3A所示,振动传感器和倾角传感器构成一个采集单元,多个采集单元组合起来构成传感器集群。这样,传感器集群获取实时监测数据,将实时监测数据作为历史监测数据存储到存储器,以及将实时监测数据传送至振动监测服务器。随后,存储器将历史监测数据传送至振动监测服务器。实际应用的过程中,环网交换机设置在端侧设备和振动监测服务器之间,振动监测服务器与风电故障预警平台对接。
另外,由于风电故障预警平台包括多个层,因此,下面结合每个层的作用对本申请提出的风电机组监测预警方法的具体过程进行描述:
如图3B所示,气象数据API接口层从气象专网获取气象数据,将气象数据转换成JSON格式报文,以及将JSON格式报文传送至数据库层。接着,数据库层对JSON格式报文进行数据分析、筛选、处理,以及将处理过的气象数据传送至业务层。随后,业务层获取振动监测服务器的实时信息映射模型,根据处理过的气象数据对实时信息映射模型进行仿真分析和风险等级评估,将仿真结果和风险评估等级发送至可视化界面层,以及将气象数据和仿真运行状态数据存储到数据库层的数据库。最后,业务层对仿真结果进行处理,得到振动预警值,并对振动预警值进行实时监测,当检测到振动预警值达到振动预警阈值时,停机并向检修人员报警;当检测到振动预警值未达到振动预警阈值时,将控制权转交给振动监测服务器。此外,可视化界面层将运行状态可视化,以及为检修人员提供可视界面。
本申请实施例提供的监测预警系统,能够实时监测风电机组性能的变化过程并发出故障预警,降低故障发生率,在提高风电机组的工作效率的同时,还能够提升风电机组的安全性和稳定性。
需要说明的是,本申请实施例提供的一种监测预警系统所涉及各功能单元的其他相应描述,可以参考图1和图2A至图2C中的对应描述,在此不再赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的风电机组监测预警方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种风电机组监测预警方法,其特征在于,包括:
端侧设备获取风电机组的实时监测数据,将所述风电机组的所述实时监测数据存储为历史监测数据,以及将所述实时监测数据和所述历史监测数据传送至环网交换机,由所述环网交换机将所述实时监测数据和所述历史监测数据传送至振动监测服务器;
所述振动监测服务器接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,以及基于所述结构参数、所述实时监测数据和所述历史监测数据,建立实时信息映射模型;
风电故障预警平台获取气象数据,调用所述振动监测服务器建立的实时信息映射模型,并且基于所述气象数据和所述实时信息映射模型计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报。
2.根据权利要求1所述的方法,其特征在于,所述端侧设备获取风电机组的实时监测数据,将所述风电机组的所述实时监测数据存储为历史监测数据,以及将所述实时监测数据和所述历史监测数据传送至环网交换机,包括:
所述端侧设备的传感器集群实时监测所述风电机组并进行数据采集,得到所述实时监测数据;
所述端侧设备将所述实时监测数据存储在所述端侧设备的存储单元中,所述存储单元用于存储所述风电机组的历史监测数据和实时监测数据;
所述端侧设备在所述存储单元中获取所述历史监测数据,以及将采集到的所述实时监测数据和所述历史监测数据传送至所述环网交换机。
3.根据权利要求2所述的方法,其特征在于,所述端侧设备将所述实时监测数据存储在所述端侧设备的存储单元中之后,所述方法还包括:
所述端侧设备对所述实时监测数据进行识别,以及当识别到所述实时监测数据发生单个数据缺失时,在所述实时监测数据中确定发生单个数据缺失的缺失数组,其中,在识别所述实时监测数据是否发生单个数据缺失时,同时采用马氏距离度量识别所述实时监测数据中是否存在异常变量,以及在确定存在异常变量时,确定所述异常变量所在的数组,在所述数组中将所述异常变量剔除,将剔除后的所述数组作为所述缺失数组;
所述端侧设备在所述存储单元包括的多个历史监测数据中提取多个样本数组,其中,所述多个样本数组与所述缺失数组由同一传感器采集;
所述端侧设备分别读取所述多个样本数组中每个样本数组与所述缺失数组的相关性,以及在所述多个样本数组中提取与所述缺失数组相关性最高的目标样本数组;
所述端侧设备将所述目标样本数组包括的多个样本数值降序排列,得到数值排序结果,并提取所述多个样本数值中每个样本数值标注的数值编号,以及按照所述多个样本数值在所述数值排序结果中的顺序对所述多个样本数值的多个数值编号进行排序,得到编号排序结果;
所述端侧设备在所述缺失数组中确定发生缺失的单个数据的缺失数值编号,在所述编号排序结果中确定与所述缺失数值编号相同的目标数值编号,以及在所述编号排序结果中确定与所述目标数值编号相邻的第一数值编号和第二数值编号;
所述端侧设备在所述缺失数组中查询数值编号与所述第一数值编号相同的第一数值、数值编号与所述第二数值编号相同的第二数值,以及计算所述第一数值和所述第二数值的平均值,将所述平均值作为所述缺失数值编号在所述缺失数据组中对应的数值补充到所述缺失数组;
其中,若所述目标数值编号在所述编号排序结果中位于首位或末位,则在所述编号排序结果中确定与所述目标数值编号相邻的一目标数值编号,将所述缺失数组中数值编号与所述目标数值编号相同的数值作为所述缺失数值编号在所述缺失数据组中对应的数值,并补充到所述缺失数组。
4.根据权利要求1所述的方法,其特征在于,所述振动监测服务器接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,以及基于所述结构参数、所述实时监测数据和所述历史监测数据,建立实时信息映射模型,包括:
所述振动监测服务器获取所述风电机组预设的几何结构参数和结构材料参数,依据拉格朗日动力学方程对所述预设的几何结构参数和结构材料参数进行建模处理,得到风电机振动结构的振动数学模型,以及将所述振动数学模型作为所述风电机组的初始数学模型,其中,在构建振动数学模型时,利用所述几何结构参数和所述结构材料参数构建风机简化模型,根据欧拉角旋转矩阵将所述风机简化模型的体坐标系下的位移、速度变换至惯性坐标系,以及按照所述拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,得到所述振动数学模型;
所述振动监测服务器接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,对所述实时监测数据和所述历史监测数据进行筛选,提取有效运行状态参数,所述有效运行状态参数的取值非空且数值误差在误差范围内;
所述振动监测服务器以所述初始数学模型为基础,利用所述有效运行状态参数对所述初始数学模型的模型参数进行修正,得到所述风电机组的实时信息映射模型;
其中,建立所述实时信息映射模型之后,持续采用采集到的实时监测数据和存储的历史监测数据对所述实时信息映射模型进行实时更新。
5.根据权利要求1所述的方法,其特征在于,所述风电故障预警平台获取气象数据,调用所述振动监测服务器建立的实时信息映射模型,并且基于所述气象数据和所述实时信息映射模型计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报,包括:
所述风电故障预警平台通过气象数据接口在数据库存储的所述气象数据中获取未来预设时间范围内的天气数值信息,所述天气数值信息包括风电场所在区域的气压、风速以及风向数据;
所述风电故障预警平台利用数据库中存储的历史气象数据对所述天气数值信息进行分析筛选,将所述天气数值信息中的无效信息过滤;
所述风电故障预警平台调用所述振动监测服务器建立的实时信息映射模型,以及基于过滤后的所述天气数值信息和所述实时信息映射模型,对所述风电机组进行仿真分析,得到所述未来预设时间范围内的预测运行状态数据、所述预测运行状态数据对应的故障风险等级;
所述风电故障预警平台对所述预测运行状态数据和所述故障风险等级进行归一化计算,得到所述风电机组的振动预警值,以及当所述振动预警值达到所述预设危险预警阈值时,关闭所述风电机组并发出警报;
其中,在检测到所述振动预警值达到预设风险阈值时,所述风电故障预警平台将过滤后的所述天气数值信息和所述预测运行状态数据存储到数据库,以便采用过滤后的所述天气数值信息和所述预测运行状态数据执行检修排查操作以及对所述实时信息映射模型进行模型更新。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
当检测到所述振动预警值未达到所述预设危险预警阈值时,所述振动监测服务器读取所述实时信息映射模型,以及基于所述实时信息映射模型,对所述风电机组进行仿真分析,得到设备运行状态数据;
所述振动监测服务器基于所述设备运行状态数据进行自适应工况划分,得到工况划分结果,以及根据所述工况划分结果实时控制所述风电机组的变桨系统。
7.一种监测预警系统,其特征在于,包括端侧设备、环网交换机、振动监测服务器和风电故障预警平台;
所述端侧设备,用于获取风电机组的实时监测数据,将所述风电机组的所述实时监测数据存储为历史监测数据,以及将所述实时监测数据和所述历史监测数据传送至所述环网交换机;
所述环网交换机,用于将所述实时监测数据和所述历史监测数据传送至所述振动监测服务器;
所述振动监测服务器,用于接收所述环网交换机传送的所述实时监测数据和所述历史监测数据,获取所述风电机组预设的结构参数,以及基于所述结构参数、所述实时监测数据和所述历史监测数据,建立实时信息映射模型,其中,在构建振动数学模型时,利用所述几何结构参数和所述结构材料参数构建风机简化模型,根据欧拉角旋转矩阵将所述风机简化模型的体坐标系下的位移、速度变换至惯性坐标系,以及按照所述拉格朗日动力学方程对惯性坐标系下的位移、速度进行计算,得到所述振动数学模型;
所述风电故障预警平台,用于获取气象数据,调用所述振动监测服务器建立的实时信息映射模型,并且基于所述气象数据和所述实时信息映射模型计算振动预警值,以及当检测到所述振动预警值达到预设危险预警阈值时,关闭所述风电机组并发出警报。
8.根据权利要求7所述的系统,其特征在于,所述端侧设备包括传感器集群和存储器;
所述传感器集群包括安装在风力机主轴、变速箱、发电机组输入轴以及机舱外壳的多个数据采集单元,所述多个数据采集单元中的每个数据采集单元包括振动传感器以及倾角传感器,所述传感器集群用于实时监测风力机主轴、发电机组输入轴的振动数据和倾角数据作为所述实时监测数据,以及将所述实时监测数据存储到所述存储器的存储单元中;
所述存储器用于存储所述风电机组的历史监测数据和实时监测数据,所述存储器包括存储单元。
9.根据权利要求7所述的系统,其特征在于,所述风电故障预警平台包括气象数据接口层、数据库层、业务层和可视化界面层;
所述气象数据接口层,用于通过气象数据接口连接气象专网,获取风电场所在区域的气象数据,将所述气象数据存储到所述数据库层的数据库,以及将所述气象数据转化成文本格式报文,将所述文本格式报文传送至所述风电故障预警平台;
所述数据库层,用于读取所述气象数据接口层的所述文本格式报文,在所述文本格式报文中提取未来预设时间范围内的天气数值信息,利用所述数据库中存储的历史气象数据对所述天气数值信息进行分析筛选,将所述天气数值信息中的无效信息过滤,以及存储所述业务层传送的过滤后的所述天气数值信息和预测运行状态数据到所述数据库,其中,所述数据库层包括数据文件、数据信息传输程序、数据信息分析程序、数据信息筛选程序、数据信息处理程序、数据存储和数据库;
所述业务层,用于获取所述数据库层的过滤后的所述天气数值信息和所述振动监测服务器建立的所述实时信息映射模型,基于过滤后的所述天气数值信息和所述实时信息映射模型,对所述风电机组进行仿真分析,得到所述未来预设时间范围内的预测运行状态数据、所述预测运行状态数据对应的故障风险等级,以及所述业务层的数据融合控制单元对所述预测运行状态数据和所述故障风险等级进行归一化计算,得到所述风电机组的振动预警值,实时监测所述振动预警值,当所述振动预警值达到所述预设危险预警阈值时,关闭所述风电机组并发出警报,所述振动预警值包括无风险级、振动风险Ⅰ级、振动风险Ⅱ级、振动风险Ⅲ级和振动危险级,所述预设危险预警阈值为所述振动预警值达到所述振动风险Ⅲ级的上限值;
其中,在所述业务层检测到所述振动预警值达到预设风险阈值时,所述业务层将过滤后的所述天气数值信息和所述预测运行状态数据存储到所述数据库,以便采用过滤后的所述天气数值信息和所述预测运行状态数据执行检修排查操作以及对所述实时信息映射模型进行模型更新,所述预设风险阈值为所述振动预警值达到所述振动风险Ⅰ级的下限值;
所述可视化界面层,用于采用所述风电机组的图像信息,建立所述风电机组的三维模型,调用所述振动监测服务器的设备运行状态数据、所述风电故障预警平台的预测运行状态数据,基于所述三维模型、所述设备运行状态数据以及所述预测运行状态数据,生成可视化界面,以及检修人员通过所述可视化界面对所述风电机组的运行状态进行监测,且当检测到所述振动预警值达到所述预设危险预警阈值时,通过所述可视化界面发出警报并协助检修人员对所述风电机组进行检修。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253099.7A CN115539327A (zh) | 2022-10-13 | 2022-10-13 | 风电机组监测预警方法、监测预警系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253099.7A CN115539327A (zh) | 2022-10-13 | 2022-10-13 | 风电机组监测预警方法、监测预警系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115539327A true CN115539327A (zh) | 2022-12-30 |
Family
ID=84733156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211253099.7A Pending CN115539327A (zh) | 2022-10-13 | 2022-10-13 | 风电机组监测预警方法、监测预警系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115539327A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796609A (zh) * | 2023-02-08 | 2023-03-14 | 澹泊科技(苏州)有限公司 | 一种新能源设备的远程管控系统及方法 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动系统的故障预测方法及系统 |
CN118088394A (zh) * | 2024-03-18 | 2024-05-28 | 青岛安特翔天信息工程有限公司 | 一种风力发电机组状态在线监测方法及系统 |
-
2022
- 2022-10-13 CN CN202211253099.7A patent/CN115539327A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796609A (zh) * | 2023-02-08 | 2023-03-14 | 澹泊科技(苏州)有限公司 | 一种新能源设备的远程管控系统及方法 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116123042B (zh) * | 2023-03-08 | 2024-05-24 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动系统的故障预测方法及系统 |
CN116975604B (zh) * | 2023-09-22 | 2023-12-08 | 张家港市得道电子有限公司 | 贴片机驱动系统的故障预测方法及系统 |
CN118088394A (zh) * | 2024-03-18 | 2024-05-28 | 青岛安特翔天信息工程有限公司 | 一种风力发电机组状态在线监测方法及系统 |
CN118088394B (zh) * | 2024-03-18 | 2024-09-17 | 青岛安特翔天信息工程有限公司 | 一种风力发电机组状态在线监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115539327A (zh) | 风电机组监测预警方法、监测预警系统及可读存储介质 | |
CN113236491B (zh) | 一种风力发电数字孪生系统 | |
CN113836762B (zh) | 一种风力机及风电场数字镜像模拟展示系统 | |
Xia et al. | Operation and maintenance optimization of offshore wind farms based on digital twin: A review | |
KR102213386B1 (ko) | 해상풍력단지 가상현실 디지털 트윈 시스템 및 방법 | |
US10539119B2 (en) | System and method for augmenting control of a wind turbine assembly | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
CN105508149B (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN108089078A (zh) | 设备劣化预警方法及系统 | |
Olatunji et al. | Overview of digital twin technology in wind turbine fault diagnosis and condition monitoring | |
CN215370120U (zh) | 一种海上风电机组智能综合状态监测系统 | |
CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
CN114004945A (zh) | 一种基于三维地图的数字孪生电网系统及方法 | |
CN117852896B (zh) | 一种施工监理风险控制预警系统及方法 | |
US8407111B2 (en) | Method, system and computer program product for correlating information and location | |
Johansen | On developing a digital twin for fault detection in drivetrains of offshore wind turbines | |
Johanson et al. | Condition monitoring for wave energy converters | |
WO2021122194A1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
CN114157026A (zh) | 一种海上风电运维的调度方法 | |
CN212054994U (zh) | 一种风力发电机塔筒安全数据在线采集系统 | |
Niculescu et al. | Data Recorder System for Maintenance to Rotary Blade Machines–“HolderPPS” | |
CN118208374B (zh) | 用于海上风电的工况外载加载一体化监测系统与方法 | |
CN220434942U (zh) | 一种风电机组全景故障诊断系统 | |
Huang et al. | Designing wireless vibration monitoring system for petrochemical units fault diagnosis |
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 |