CN116090626A - 一种基于云边协同的风电机组状态评估与智能预警系统及方法 - Google Patents
一种基于云边协同的风电机组状态评估与智能预警系统及方法 Download PDFInfo
- Publication number
- CN116090626A CN116090626A CN202310002590.0A CN202310002590A CN116090626A CN 116090626 A CN116090626 A CN 116090626A CN 202310002590 A CN202310002590 A CN 202310002590A CN 116090626 A CN116090626 A CN 116090626A
- Authority
- CN
- China
- Prior art keywords
- fan
- early warning
- cloud
- data
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000036541 health Effects 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000007500 overflow downdraw method Methods 0.000 claims abstract 4
- 230000006870 function Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 238000011217 control strategy Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000011158 quantitative evaluation Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于云边协同的风电机组状态评估与智能预警系统及方法，该系统包括风电系统云平台、边缘计算终端及风机主控装置。所述边缘计算终端部署于风机设备侧，与风机主控装置连接。所述风电系统云平台存储所有风机模型，接收边缘计算终端反馈结果并进行展示，进行风电场全场尾流控制计算以优化全厂发电量，并可将更新后的模型下发给边缘计算终端。采用一种多源异构数据融合的方法以实现风机健康度的综合运行状态评估，基于一种考虑置信度的深度学习方法进行风机异常状态识别和智能预警，并提供数据重构技术用于数据分析与展示。本系统利用边缘计算与云端弹性计算，可有效评估风机健康状态，提前预测故障，提升故障诊断智能化水平。
Description
技术领域
本发明属于风力发电技术领域，具体涉及一种基于云边协同的风电机组状态评估与智能预警系统及方法。
背景技术
大力发展风电，构建以新能源为主体的新型电力系统，有助于从根本上和长远上保障我国的能源安全和经济持续发展。
对风电机组实际运行的动态性能进行监测和分析有助于评估实际的优劣和监测机组的状态、实现故障预警、提高运维效率、降低运维成本。风电技术和风电产业的快速发展，对风电机组的可靠性、发电能力和发电品质提出了更高的要求，这进一步促进了风电机组状态监测的发展。近年来，风电机组的监测系统向着智能化和数字化方向发展。合理、准确、客观地进行机组状态评估与智能预警是风电机组监测的重要内容。
对安全运行和降低维护成本的要求不断提高，构建一套行之有效的风机状态评估与智能预警体系，对风电机组进行实时精准的运行状态评估，掌握机组健康程度情况的变化趋势，提前预测故障安排检修，从而有效地预防故障、降低运维成本，这具有十分重要的现实意义。
风机主控系统采集了风电机组本体的绝大部分数据，并对风机进行控制。风机主控一般使用PLC进行控制，但风电机组风机状态评估与智能预警模型一般基于复杂算法与人工智能实现，目前市场上主流厂商的PLC(可编程逻辑控制器)控制器在提供给用户使用之前已将其算法功能块进行了封装，用户一般仅可以在其基础上搭建逻辑组态与二次开发，但无法实现自定义的含有复杂计算公式的功能模块编程，受限于PLC体系结构与计算能力，无法基于PLC硬件实现风机状态监测。风场SCADA(数据采集与监视控制系统)后台从各风机的主控系统侧仅采集了部分数据进行统计与展示，在新建设风机状态评估与智能预警系统时，因模型计算需要则需要增加大量数据传输，且受限于已有网络体系结构，难以保证数据的实时性与准确性，进而很难进行闭环控制。其次，SCADA系统数据异常较易被自身波动覆盖，进而导致利用SCADA系统数据进行风电机组状态评估与异常工控检测时精确度较低。再者，随着风电机组设备的长期运行及设备劣化，机组的实际基准状态与设计值往往偏差较大，最初所建立的模型已不能满足变工况后实际运行要求。但由于算法模型离线封闭部署在风场集控室内，一般很少进行更新，更无法消化集团内其他风场的先进知识发现与运维经验进行模型的修正与完善，导致对风电机组的运行状态与异常检测预警的准确性较低。此外，传统的状态评估一般基于运维人员经验定性确定，受主观因素影响较大，无法做到合理客观定量的评估。传统上的风电的维护与检修一般在事后进行，很难在事前提前进行故障诊断进而提前检修，降低损失。因此有必要优化已有的状态监测体系架构，研究先进的状态评估与智能预警方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于云边协同的风电机组状态评估与智能预警系统。设计云边协同架构，充分利用边缘计算与云端弹性计算的优势进行计算与实施。集成多源异构数据客观合理评估风机运行状态与健康程度，对获得机组实时数据进行特征提取进行故障诊断，提前预测故障，降低系统运维成本。让风电场能可靠、高效地运行，提高风场整体收益。
为了达成上述目的，本发明的解决方案是：
一种基于云边协同的风电机组状态评估与智能预警系统，该系统包括风电系统云平台、边缘计算终端及风机本体主控装置。
边缘计算终端安装在风机塔底设备层，部署有数据驱动与深度学习模型，功能上包括数据采集单元、边缘计算单元和数据反馈单元、尾流控制单元与模型更新单元。
数据采集单元用于边缘计算终端批量高速获取风机主控PLC内测点的数据，边缘计算单元用于根据边缘计算终端的数据驱动与深度模型，实时计算机组状态评估与智能预警功能，数据反馈单元用于将计算结果反馈到风机主控PLC及云端服务器。尾流控制单元用于接受云平台下发的控制指令进行尾流控制，模型更新单元用于定期更新存储在终端内的模型。
边缘计算终端与风机主控PLC通过双绞线或光纤连接，采用有线网络传输，用于通过PLC采集现场设备与传感器数据，包括但不限于变流器、变桨、传动、液压、刹车、偏航、安全链、冷却、并网、振动、电能、叶轮、润滑部分的数据。
边缘计算终端存储有数据驱动与深度学习模型，初始模型为在云端服务器内统筹考虑该风机数据及风场整体数据计算得到后存储于终端，终端实时采集到的批量、高维、高频、时序数据，输入模型后即可快速计算得到结果，反馈至风机主控PLC与云平台。每台风机的初始模型都有所不同，相较于将风机主控PLC经终端或网关上送至云平台的方法，本方法可充分发挥边缘技术的特点，实现超低时延、减少带宽和服务增强的功能。
在尾流控制功能启用时，边缘计算终端还会接收到云平台下达的目标指令，包括但不限于偏航角度指令、目标发电功率指令，变桨指令。用于控制机组偏航及变桨、减少尾流损失，提升风电场整体发电量。
随着风电机组运行时间的延长、设备劣化及运行环境的改变，最初所建立的目标风机数据驱动与深度学习模型已无法适应当前工况，此时在云端进行模型训练、学习和更新，之后从云端将模型传输到边缘计算终端，由于每台风机的运行状态及待更新时间都不同，此方法可实现模型的在线自适应个性化更新。
优选地，每台风机对应至少一个边缘计算终端，边缘计算终端采用嵌入式系统，边缘计算终端与风机主控PLC之间采用Modbus TCP协议通讯。
所述边缘计算终端与云服务器基于无线方式进行数据传输，可选地，通讯方式可以是4G、5G、NB_IoT、Zigbee、LoRa。
每个风场对应一套风电系统云平台，所述风电系统云平台部署于云端的弹性计算云服务器，以利用强劲、稳定、安全的云计算能力；风电系统云平台风电系统云平台包括整个风电场内所有机组的状态评估与智能预警模型的更新及各边缘计算终端反馈计算结果的统一展示，尾流控制模型更新与控制策略计算，重要运行参数的运行监视与统计分析功能。
风电系统云平台存储有风电场全场所有风机的状态计算与预警数据驱动模型，并可定时在线训练、更新模型后将模型下发至边缘计算终端；云服务器的配置和资源可以随时根据业务需求的变化进行动态调整、灵活伸缩、弹性扩展，以满足在业务的不同阶段对于资源的差异化需求。
尾流控制模型及尾流控制策略部署于风电系统云平台，尾流控制计算方法以全场发电量提升为目标进行，基于全场风机的机位布置与风速数据建立尾流基准工控库，计算各工控下的尾流损失、风速、发电功率与机舱方向，基于实时采集数据并通过实时运行数值计算仿真模型得到场群尾流控制策略。
各台风机的数据驱动与深度学习模型训练、更新过程耗时较长，且长时间才会执行一次，将此功能放于云端进行。数据的边缘计算过程耗时较短，对实时性要求较高且频繁执行，将此功能放于边缘就散终端。尾流控制涉及在线仿真与复杂数据计算，模型的训练与计算过程均需消耗大量的计算机资源，且该项功能并非一直使用，可选择开启与关闭，故放置于云端。放置于云端可充分利用云服务器弹性计算的优势，即可做到有业务高峰需求时快速计算，又可做到业务平常需求时释放计算资源，以此实现云边协同。
所述风电机组状态评估基于修正后的发电量、停机时间、自启动次数与风机状态码报警次数计算健康度指数。基于空气密度、大气压、环境温度，修正厂商担保功率曲线，计算统计周期内各风速区间下的发电功率均值，得到实际功率曲线。
健康度计算定性上按照实际功率曲线越靠近修正后厂商担保功率曲线，统计周期内单机发电量与本风场内同类机组发电量比值越大且停机时间与自启动次数及风机状态码报警次数越少，则健康度得分越高。健康度计算公式如下：
式中，n为参数个数，wi为各参数的比重，fi为各参数的实际得分。
采用基自回归滑动平均模型模型对系统关键参数进行短期预测，考虑置信度概念，给出不同置信水平下的置信区间预测结果与确定性预测结果组合构成概率预测结果；当关键参数短期预测值超过设定限制时，进行异常工况提前报警；同时根据预测结果给出关键参数变化趋势，识别异常工况后及时将数据上送至云端进行提前预警。
采用公式进行计算
其中Yt为预测值，c为常数，εt及εt-j为白噪声，为自回归系数，θj为滑动平均系数，p为平稳时序自回归模型阶数，q为移动平均数据模型的阶数。
边缘计算终端从风机主控PLC内采集了大量数据，这些数据存在高维、时序、高频的特点，在时间与空间上存着高度的耦合与重叠。为关键参数的故障诊断、数据信息提取与数据重构提供了数据基础，根据以上获得的数据，对关键参数进行数据重构，已提高数据的可靠性型及异常工况下的数据准确性，同时进行参数预警。
协同考虑已知概率模型的噪声与野点，采用一种基于一种改进的核主元方法对机组实时数据进行基于时空冗余的特征提取及关键参数的数据重构，作为一种辅助交叉验证方法，以实现在目标参数传感器故障及异常变动工况下的参数预警及监视功能。主要步骤如下：
S1:通过非线性函数将时序数据xi映射到高维空间定义处理后的输入数据矩阵为
S2：建立核函数矩阵
S3:进行特征值分解，得到的n由大到小排列的个特征值λi及对应的特征向量vi
S4:计算各个主元的个体贡献率及累计贡献率，按照设定的阈值，按照个体贡献率由大到小排列，选取前m个主元，使得这m个主元的累计贡献率大于设定阈值Δ
主元的个体贡献率为
m个主元的累计贡献率为
可选择地，可确定阈值为85％，当累计主元贡献率超过85％，确定此时的主元个数为模型输入个数。
S5:将选择的m个主元对应的特征向量进行正交化处理得到单位正交特征向量pi，计算核主元建立主元模型
与现有技术相比，本发明的有益效果：
传统风电机组缺少风电监测系统，在新增监测系统进行机组状态评估与智能预警时，一般都会进行现场施工，导致机组停机，影响发电量。本方案在改造实施时，无需新增传感器施工，无需改变原风机主控系统硬件网络拓扑结构和接线，仅需在风机塔底设备侧新增一台边缘计算终端。风电系统云平台在云端部署调试是无需对现场设备进行施工改造操作。进而对现场已有系统的施工影响降低到最低，无需长时间停机影响风电机组发电量。
在边缘计算终端进行风机状态评估与预警模型的边缘数据计算，在云端进行模型的定期在线更新及考虑实时仿真及复杂算法的尾流控制策略计算。充分利用了云边协同的特点，大量减少了边缘计算终端与云端的数据交互量，利用边缘计算的优势，即可提高数据的实时性与有效性，又可实现闭环控制。利用云端弹性计算的优势，即可做到有业务高峰需求时快速计算，又可做到业务平常需求时释放计算资源。最终实现单台风机的智能化自适应控制和状态优化调整以及风机机组群风场级协同优化尾流控制。
集成多源异构数据融合的方法以实现风机健康度的综合运行状态定量评估，基于一种考虑置信度的区间预测深度学习方法进行风机异常状态识别和及时预警，并提供数据重构技术用于数据分析与展示。该方法可以在变工况及偏离设计工况的情况下持续建立精确的数据驱动与故障诊断模型，有利于在传感器故障及异常变动工况下及时准确的检测出异常参数，提高了运行状态评估的准确性，促进了多种状态监测技术融合，有利于风机早期故障预测和风机健康状态大数据分析。提了高分析精度和分析效率，从而提升处理故障的及时性，及早发现并预报突发性故障，避免了重大事故的发生。保证了风电机组安全有效的运行，降低了系统运维成本。
附图说明
图1是系统物理架构图；
图2是系统功能架构图；
图3是边缘计算终端功能结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
一种基于云边协同的风电机组状态评估与智能预警系统，该系统包括风电系统云平台、边缘计算终端及风机本体主控装置，Web展示系统部署在云平台侧，每个风场对应一套风电系统云平台，所述风电系统云平台部署于云端的弹性计算云服务器，以利用强劲、稳定、安全的云计算能力；风机本体主控装置为风机主控PLC；设备连接示意图如图1所示。
系统的整体功能架构如图2所示，自下向上分为感知层、网络层、平台层与应用层。感知层部署在边缘计算终端侧，平台层与应用层部署在风电系统云平台侧。边缘计算终端与风电系统云平台通过网络层连接。其中平台层的数据存储包括时序数据库、关系数据库、目标工况库与运行规则库。
边缘计算终端安装在风机塔底设备层，部署有数据驱动与深度学习模型，功能上包括数据采集单元、边缘计算单元和数据反馈、尾流控制单元与模型更新单元，如图3所示。
数据采集单元用于边缘计算终端批量高速获取风机主控PLC内测点的数据，边缘计算单元用于根据边缘计算终端的数据驱动与深度模型，实时计算机组状态评估与智能预警功能，数据反馈单元用于将计算结果反馈到风机主控PLC及云端服务器。尾流控制单元用于接受云平台下发的控制指令进行尾流控制，模型更新单元用于定期更新存储在终端内的模型。
边缘计算终端与风机主控PLC通过双绞线或光纤连接，采用有线网络传输。边缘计算终端存储有数据驱动与深度学习模型，初始模型为在云端服务器内统筹考虑该风机数据及风场整体数据计算得到后存储于终端，终端实时采集到的批量、高维、高频、时序数据，输入模型后即可快速计算得到结果，反馈至风机主控PLC与云平台。
在尾流控制功能启用时，边缘计算终端还会接收到云平台下达的目标指令，包括但不限于偏航角度指令、目标发电功率指令，变桨指令。用于控制机组偏航及变桨、减少尾流损失，提升风电场整体发电量。
随着风电机组运行时间的延长、设备劣化及运行环境的改变，最初所建立的目标风机数据驱动与深度学习模型已无法适应当前工况。当系统监测到运行环境变化后，此时在云端进行模型训练、学习和更新，之后从云端将模型传输到边缘计算终端，由于每台风机的运行状态及待更新时间都不同，此方法可实现模型的在线自适应个性化更新。
优选地，每台风机对应至少一个边缘计算终端，边缘计算终端采用嵌入式系统，边缘计算终端与风机主控PLC之间采用Modbus TCP协议通讯。
所述边缘计算终端与云服务器基于无线方式进行数据传输，可选地，通讯方式可以是4G、5G、NB_IoT、Zigbee、LoRa。优选地，所述边缘计算终端与云服务器基于4G或5G进行数据传输。
风电系统云平台风电系统云平台风电系统云平台风电系统云平台包括整个风电场内所有机组的状态评价与智能预警模型的更新及各边缘计算终端反馈计算结果的统一展示，尾流控制模型更新与控制策略计算，重要运行参数的运行监视与统计分析功能。
风电系统云平台存储有风电场全场所有风机的状态计算与预警数据驱动模型，并可定时在线训练、更新模型后将模型下发至边缘计算终端；云服务器的配置和资源可以随时根据业务需求的变化进行动态调整、灵活伸缩、弹性扩展，以满足在业务的不同阶段对于资源的差异化需求。
尾流控制模型及尾流控制策略部署于风电系统云平台，尾流控制计算方法以全场发电量提升为目标进行，基于全场风机的机位布置与风速数据建立尾流基准工控库，计算各工控下的尾流损失、风速、发电功率与机舱方向，基于实时采集数据并通过实时运行数值计算仿真模型得到场群尾流控制策略。
所述风电机组状态评估基于修正后的发电量、停机时间、自启动次数与风机状态码报警次数计算健康度指数。
基于空气密度、大气压、环境温度，修正厂商担保功率曲线，计算统计周期内各风速区间下的发电功率均值，得到实际功率曲线。
健康度计算定性上按照实际功率曲线越靠近修正后厂商担保功率曲线，统计周期内单机发电量与本风场内同类机组发电量比值越大且停机时间与自启动次数及风机状态码报警次数越少，则健康度得分越高。健康度计算公式如下：
式中，n为参数个数，wi为各参数的比重，fi为各参数的实际得分。
采用基自回归滑动平均模型模型对系统关键参数进行短期预测，考虑置信度概念，给出不同置信水平下的置信区间预测结果与确定性预测结果组合构成概率预测结果；当关键参数短期预测值超过设定限制时，进行异常工况提前报警；同时根据预测结果给出关键参数变化趋势，识别异常工况后及时将数据上送至云端进行提前预警。
采用公式进行计算
其中Yt为预测值，c为常数，εt及εt-j为白噪声，为自回归系数，θj为滑动平均系数，p为平稳时序自回归模型阶数，q为移动平均数据模型的阶数。
边缘计算终端从风机主控PLC内采集了大量数据，这些数据存在高维、时序、高频的特点，在时间与空间上存着高度的耦合与重叠。为关键参数的故障诊断、数据信息提取与数据重构提供了数据基础，根据以上获得的数据，对关键参数进行数据重构，已提高数据的可靠性型及异常工况下的数据准确性，同时进行参数预警。
协同考虑已知概率模型的噪声与野点噪声，采用一种基于一种改进的核主元方法对机组实时数据进行基于时空冗余的特征提取及关键参数的数据重构，作为一种辅助交叉验证方法，以实现在目标参数传感器故障及异常变动工况下的参数预警及监视功能。主要步骤如下：
S1:通过非线性函数将时序数据xi映射到高维空间定义处理后的输入数据矩阵为
S2：建立核函数矩阵
S3:进行特征值分解，得到的n由大到小排列的个特征值λi及对应的特征向量vi
S4:计算各个主元的个体贡献率及累计贡献率，按照设定的阈值，按照个体贡献率由大到小排列，选取前m个主元，使得这m个主元的累计贡献率大于设定阈值Δ
主元的个体贡献率为
m个主元的累计贡献率为
可选择地，可确定阈值为85％，当累计主元贡献率超过85％，确定此时的主元个数为模型输入个数。
S5:将选择的m个主元对应的特征向量进行正交化处理得到单位正交特征向量pi，计算核主元建立主元模型
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于云边协同的风电机组状态评估与智能预警系统，所述系统包括风电系统云平台、边缘计算终端及风机本体主控装置；所述边缘计算终端部署于风机设备侧，所述边缘计算终端存储目标风机单机状态计算与预警数据驱动模型；所述边缘计算终端与风机本体主控装置连接,并对风机本体主控装置进行数据采集及控制指令下发；所述风电系统云平台存储风场所有风机模型，所述风电系统云平台接收边缘计算终端反馈的计算结果，同时进行风电场全场尾流计算以减少尾流损失，优化全厂发电量；所述风电系统云平台还用于将更新后的模型下发给边缘计算终端；所述风机单机状态计算与预警数据驱动模型采用多源异构数据融合的方法以实现风机健康度的综合运行状态评估，基于考虑置信度的深度学习方法进行风机异常状态识别和智能预警，风电系统云平台提供数据重构技术用于数据分析与展示，系统实现对风电机组的评估与预警并进行闭环控制。
2.如权利要求1所述的一种基于云边协同的风电机组状态评估与智能预警系统，其特征在于每台风机对应至少一个边缘计算终端，边缘计算终端安装在风机塔底设备层，边缘计算终端采用嵌入式系统，边缘计算终端与风机本体主控装置采用有线网络传输，传输介质为双绞线或光纤；数据采集及控制指令的下发基于TCP协议；所述边缘计算终端与风电系统云平台基于无线方式进行数据传输。
3.如权利要求2所述的一种基于云边协同的风电机组状态评估与智能预警系统，其特征在于，所述边缘计算终端包括数据采集单元、边缘计算单元和数据反馈单元、尾流控制单元与模型更新单元。
4.如权利要求1所述的一种基于云边协同的风电机组状态评估与智能预警系统，其特征在，每个风场对应一套风电系统云平台，所述风电系统云平台部署于云端弹性计算云服务器，风电系统云平台存储有风电场全场所有风机的状态计算与预警数据驱动模型，并在线训练、更新模型后将模型下发至边缘计算终端。
5.一种基于云边协同的风电机组状态评估与智能预警方法，其特征在，尾流控制模型部署于风电系统云平台，所述尾流控制模型用于以全场发电量提升为目标，基于全场风机的机位布置与风速数据建立尾流基准工控库，计算各工控下的尾流损失、风速、发电功率与机舱方向，实时采集数据并通过实时运行数值计算仿真模型得到场群尾流控制策略；目标风机单机状态计算与预警数据驱动模型存储于边缘计算终端，目标风机单机状态计算与预警数据驱动模型采用多源异构数据融合的方法以实现风机健康度的综合运行状态评估，基于考虑置信度的深度学习方法进行风机异常状态识别和智能预警。
6.如权利要求5所述的一种基于云边协同的风电机组状态评估与智能预警方法，其特征在，所述风电系统云平台在进行尾流计算时采用弹性计算，进行全场协同优化控制，向风电场每个风机的侧边缘计算终端下发偏航角度指令、目标发电功率指令，变桨指令，智能化降低尾流损失，尾流模型计算后进行更新。
7.如权利要求5所述的一种基于云边协同的风电机组状态评估与智能预警方法，其特征在，所述多源异构数据融合的方法为：基于修正后的功率曲线、累计发电量、停机时间、自启动次数与风机状态码报警次数计算健康度指数；实时统计风速与发电功率，计算实际功率曲线；基于空气密度、大气压、环境温度，修正厂商担保功率曲线，综合考虑风机本体自身状况及风场整体状况，计算机组健康度指数，以实现风电机组设备劣化程度及健康度的定量化评估。
8.如权利要求5所述的一种基于云边协同的风电机组状态评估与智能预警方法，其特征在，所述基于考虑置信度的深度学习方法为：基于一种自回归滑动平均模型模型对系统关键参数进行短期预测，并给出不同置信水平下的置信区间预测结果与确定性预测结果组合构成概率预测结果；当关键参数短期预测值超过设定限制时，进行异常工况提前报警；同时给出关键参数变化趋势，识别异常工况。
9.如权利要求5所述的一种基于云边协同的风电机组状态评估与智能预警方法，其特征在，还包括：采用一种改进的核主元方法对机组实时数据进行基于时空冗余的特征提取及关键参数的数据重构，作为一种辅助交叉验证方法，以实现在目标参数传感器故障及异常变动工况下的参数预警及监视功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310002590.0A CN116090626A (zh) | 2023-01-03 | 2023-01-03 | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310002590.0A CN116090626A (zh) | 2023-01-03 | 2023-01-03 | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116090626A true CN116090626A (zh) | 2023-05-09 |
Family
ID=86205756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310002590.0A Pending CN116090626A (zh) | 2023-01-03 | 2023-01-03 | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090626A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494032A (zh) * | 2024-01-03 | 2024-02-02 | 长春市鸣玺科技有限公司 | 建筑能耗实时监测控制系统及方法 |
-
2023
- 2023-01-03 CN CN202310002590.0A patent/CN116090626A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494032A (zh) * | 2024-01-03 | 2024-02-02 | 长春市鸣玺科技有限公司 | 建筑能耗实时监测控制系统及方法 |
| CN117494032B (zh) * | 2024-01-03 | 2024-04-02 | 长春市鸣玺科技有限公司 | 建筑能耗实时监测控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341349B (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
| CN105787584B (zh) | 一种基于云平台的风电机群故障预警方法 | |
| CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
| CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
| CN110469456B (zh) | 降低变桨疲劳的风电场智能控制方法及系统 | |
| CN112594142A (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
| CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 | |
| CN113868078A (zh) | 一种基于云平台的风电场的监控方法 | |
| CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN114047730B (zh) | 一种高效省能火电厂发电生产优化控制装置 | |
| Wang et al. | Neural network applications in hybrid data-model driven dynamic frequency trajectory prediction for weak-damping power systems | |
| CN115392640A (zh) | 一种面向检修的电动发电机全生命周期费用效能评估系统 | |
| CN113064075A (zh) | 一种基于边缘计算及深度学习的电机寿命预估方法 | |
| CN112257278A (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 | |
| CN111556107A (zh) | 一种基于“应激-反射”模型的智能物联网应用方法 | |
| Sheng-Yu et al. | Research on Fault Warning of doubly Fed Wind Power Generator based on LS-SVM | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN115470698A (zh) | 一种基于机器学习的风电机组功率性能分析方法 | |
| Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
| CN214707725U (zh) | 一种风力发电机组载荷分布式计算系统 | |
| Li | Research on the application of artificial intelligence in diagnosing power system faults | |
| CN112215397A (zh) | 一种基于大数据的风电机组智能管理方法、系统及存储介质 | |
| CN115423205A (zh) | 风电场实时功率预测方法、系统、电子设备和存储介质 | |
| Zhang | A Method for Monitoring the Operation Status of Wind Turbines Based on Cloud Services |
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 |