CN116149270A - 一种风力电站预警处理过程跟踪方法及系统 - Google Patents
一种风力电站预警处理过程跟踪方法及系统 Download PDFInfo
- Publication number
- CN116149270A CN116149270A CN202211497681.8A CN202211497681A CN116149270A CN 116149270 A CN116149270 A CN 116149270A CN 202211497681 A CN202211497681 A CN 202211497681A CN 116149270 A CN116149270 A CN 116149270A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- wind
- temperature
- generator
- 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 57
- 230000008569 process Effects 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000003745 diagnosis Methods 0.000 claims description 27
- 230000015556 catabolic process Effects 0.000 claims description 17
- 238000006731 degradation reaction Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 239000003921 oil Substances 0.000 claims description 13
- 238000013523 data management Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 239000010687 lubricating oil Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32404—Scada supervisory control and data acquisition
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种风力电站预警处理过程跟踪方法。所述方法包括在线预警:风机偏航对风异常预警:通过大量机组实际运行数据,统计机组在不同风速段下,最优功率对应的对风角度,即是机组在该风速段下的最优偏航角度,这个最优偏航角度即为偏航误差;通过SCADA系统提供的秒级数据,采样频率不低于10秒,包含对风角度、风速和功率。本发明的风力电站预警处理过程跟踪方法,通过数据融合集中建设,覆盖公司所属全部风电场,实现无硬件成本增加的前提下,集合风机健康状态监测、分析,结合云边协同,搭建国内领先的兼具智能化、灵活性、扩展性的风电运维一体化平台。另外,本发明还提供一种风力电站预警处理过程跟踪系统。
Description
技术领域
本发明涉及风力电站技术领域,尤其涉及一种风力电站预警处理过程跟踪方法及系统。
背景技术
风力电站是利用风能驱动风轮机以带动发电机生产电能的电厂,单机组容量从几十瓦到5000千瓦,风力电站主要由能量转换装置、蓄能装置、控制系统等构成,风能属可再生能源,又不存在污染,具有广阔的应用前景。风能是一种随机性能源,且有间歇性,因此必须和一定的蓄能方式(如蓄电池蓄能)结合才能实现连续供电。控制系统(如调速系统、励磁调节系统),控制风轮机和发电机以保证供电质量(频率和电压恒定),世界气象组织估计,地球上海洋和陆地上的风能资源约为1300亿千瓦,风能应用前景广阔,在风力发电站的工作中需要对全部风电场进行预警处理,而目前还没有一种应用于风电场的预警处理系统,所以需要设计出一种风力电站预警处理过程跟踪方法及系统。
发明内容
基于此,本发明提出了一种监控性能高的风力电站预警处理过程跟踪方法及系统。
为实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供一种风力电站预警处理过程跟踪方法及系统,包括以下步骤:
(一)在线预警:
风机偏航对风异常预警:通过大量机组实际运行数据,统计机组在不同风速段下,最优功率对应的对风角度,即是机组在该风速段下的最优偏航角度,这个最优偏航角度即为偏航误差;
通过SCADA系统提供的秒级数据,采样频率不低于10秒,包含对风角度、风速和功率,并剔除限电、高温或结冰因素引起的降容数据的机组偏航误差检测模型;
性能劣化预警:利用积累的机组大量历史数据结合功率曲线劣化分析算法,分析机组运行功率曲线、损失电量相关运行状况,性能劣化预警模型基于SCADA运行数据,以单台机组的功率曲线拟合和异常点识别为出发点,结合图像识别技术,通过数据挖掘、人工智能算法方式识别风机限功率、功率曲线偏移、桨叶角受限、风机控制策略变化及风机无法满发的情况,并自动推送报警信息;
基于SCADA数据的发电机轴承故障预警:发电机轴承故障预警基于SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机发电机轴承的温度状态,识别设备的运行和磨损状况,发现轴承故障,对风电机组可能发生的故障、隐患和使用寿命进行判断和预估,实现对风机故障的预警;
基于SCADA数据的齿轮箱故障预警:齿轮箱高速轴轴承故障预警基于风机SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机齿轮箱轴承温度状态,识别高速轴轴承运行和磨损状况,识别散热系统异常特征,实现对风机故障的预警;
基于CMS数据的传动链预警:预警模型连续监测风力发电机组运行过程中的振动、冲击、振动相位、转速、负荷等参数,通过智能预警系统自动识别机组的运行状态,发现齿轮箱、轴承故障的早期征兆,并对故障真伪、故障部位、故障类型、严重程度、发展趋势作出判断,为提高CMS预警准确性,结合该机型已有损坏案例或者该风电场实践损坏案例数据进行模型训练,对CMS的原始振动数据进行多维度的故障特征提取,及时预测发电机、齿轮箱等大部件的健康状态、故障等级形成处理建议;减少CMS数据人工分析不及时和误报率高的问题;
(二)离线诊断:针对无法接入运维平台的风电场,采用离线CMS数据的诊断系统,支持各风电场将指定格式的CMS数据上传到诊断系统,诊断系统实现对作业,任务流、定时调度,批量调度的启动,暂停,停止,恢复,查看,提高易用性与灵活性,自动完成全套处理诊断流。
进一步的,所述步骤(1)的风机偏航对风异常预警的必备测点包括风速、功率、对风角度,建模辅助测点包括桨距角、风向、环境温度。
进一步的,所述步骤(2)中功率曲线异常预警模型中其必备测点包括风速、功率、发电机转速、桨距角,建模辅助测点包括齿轮箱润油温、齿轮箱轴承温度、发电机轴承温度驱动端、发电机轴承温度、发电机绕组温度、轮毂转速。
进一步的,所述步骤(3)中发电机轴承故障预警模型必备测点包括功率、发电机转速、发电机驱动端轴轴承温度、发电机非驱动端轴承温度、发电机绕组温度、环境温度,建模辅助测点包括风速、轮毂转速、桨距角、发电机冷却温度。
进一步的,所述步骤(4)中齿轮箱高速轴轴承故障预警模型必备测点包括有功率、发电机转速、机舱温度、高速轴齿轮箱驱动端轴承温度、高速轴非驱动端轴承温度,建模辅助测点包括齿轮箱油温、齿轮箱散热系统运行状态、过滤器压力信号、叶轮转速、齿轮箱油路入口温度、齿轮箱油路滤网前油压
第二方面,本发明提供一种风力电站预警处理过程跟踪系统,包括数据采集模块,所述数据采集模块双向电性连接有数据管理及模型调度模块,所述数据管理及模型调度模块双向电性连接有报警用户交互界面;
所述数据采集模块具有接口通讯程序,通过集控、大数据平台或风机主机厂家开通的104、modbus等协议接收1秒或5秒间隔的实时数据,并将各模型的需求整理成不同参数、不同时长、不同采集频率的数据集,按需存储及清理,采集模块具有断线重连恢复能力;
所述数据管理及模型调度模块能够灵活配置预警模型及所需数据,并按模型配置表执行模型,输出结果文件,接收采集数据,缓存数据,数据存储,数据快速查询,数据计算;
所述报警用户交互界面将特征值及报警信息展现在用户界面上,出现报警即时通过声音或邮件通知运行人员,同时允许用户查询历史报警信息及数据快速导出,支持用户灵活新增和配置报警界面。
与现有技术相比,本发明的优势如下:
本发明的风力电站预警处理过程跟踪方法及系统,通过数据融合集中建设,“一级部署,二级应用”,覆盖公司所属全部风电场,实现无硬件成本增加的前提下,集合风机健康状态监测、分析,结合云边协同,搭建国内领先的兼具智能化、灵活性、扩展性的风电运维一体化平台,同时,构建起远程和现场相结合的智慧运营模式,建立科学的设备管理和运维体系,建设高素质运维队伍,提供预警信息和预防措施,减少重大设备故障的发生,且通过研究建立智能运维预警系统和离线诊断系统各一套,在不额外增加硬件成本的基础上,充分发挥现有大平台的作用,挖掘数据价值,提升企业信息化程度,推进线上线下相结合的智能运维管理模式。
附图说明
图1为本发明的风力电站预警处理过程跟踪方法及系统的原理示意图。
具体实施方法
下面将结合本发明实例中的附图,对本发明实例中的技术方案进行清楚,完整的描述,所描述的实例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种风力电站预警处理过程跟踪方法,包括如下步骤:
(一)在线预警系统:
(1)风机偏航对风异常预警: 结合机组的偏航策略是保证机组出力最优,发电量最好,当机组正对风时,机组可以达到最佳发电状态,采用大量机组实际运行数据,统计机组在不同风速段下,最优功率对应的对风角度,即是机组在该风速段下的最优偏航角度,这个最优偏航角度即为偏航误差;
通过SCADA系统提供的秒级数据,采样频率不低于10秒,包含对风角度、风速和功率,并剔除其他限电、高温或结冰等因素引起的降容数据的机组偏航误差检测模型;
(2)性能劣化预警:风机机组性能劣化是一个具有时间跨度的现象,无法依据单点检测判定是否发生劣化,需要结合一段时间内的机组运行数据来分析机组在一段时间内是否发生劣化,同时劣化是一个动态过程,同一时刻某一劣化现象往往会引起另一劣化现象,因此利用积累的机组大量历史数据结合功率曲线劣化分析算法,分析机组运行功率曲线、损失电量等维度的运行状况,同时可实现对风电机组运行健康状态的准确判断以及让风电机组健康状态识别的更加精确化、智能化,风电机组性能劣化预警模型基于SCADA运行数据,以单台机组的功率曲线拟合和异常点识别为出发点,结合图像识别技术,通过数据挖掘、人工智能算法方式识别风机限功率、功率曲线偏移、桨叶角受限、风机控制策略变化及风机无法满发的情况,并自动推送报警信息,模型结果说明见表1;
(3)基于SCADA数据的发电机轴承故障预警:发电机轴承故障预警基于SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机发电机轴承的温度状态,识别设备的运行和磨损状况,发现轴承故障,对风电机组可能发生的故障、隐患和使用寿命进行判断和预估,实现对风机故障的成功预警,该模型基于SCADA的10分钟数据,利用风速、功率、环境温度、发电机绕组温度、发电机轴承温度等测点,建立预警模型,及时发现发电机轴承故障;
(4)基于SCADA数据的齿轮箱故障预警:齿轮箱高速轴轴承故障预警基于风机SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机齿轮箱轴承温度状态,识别高速轴轴承运行和磨损状况,识别散热系统异常特征,实现对风机故障的成功预警,该模型基于SCADA的10分钟数据,利用风速、功率、环境温度、齿轮箱润滑油温度、齿轮箱轴承温度、齿轮箱油泵压力等测点,建立预警模型,及时发现发电机轴承故障;
(5)基于CMS数据的传动链预警研究与开发:预警模型将实现连续监测风力发电机组运行过程中的振动、冲击、振动相位、转速、负荷等参数,通过智能预警系统自动识别机组的运行状态,发现齿轮箱、轴承故障的早期征兆,并对故障真伪、故障部位、故障类型、严重程度、发展趋势作出判断,为提高CMS预警准确性,结合该机型已有损坏案例或者该风电场实践损坏案例数据进行模型训练,对CMS的原始振动数据进行多维度的故障特征提取,及时预测发电机、齿轮箱等大部件的健康状态、故障等级形成处理建议;减少CMS数据人工分析不及时和误报率高的问题,预警模型将实现连续监测风力发电机组运行过程中的振动、冲击、振动相位、转速、负荷等参数,通过智能预警系统自动识别机组的运行状态,发现齿轮箱、轴承故障的早期征兆,并对故障真伪、故障部位、故障类型、严重程度、发展趋势作出判断;
(二)离线诊断系统
针对无法接入运维平台的风电场,研究基于离线CMS数据的诊断系统,支持各风电场将指定格式的CMS数据上传到诊断系统,诊断系统实现对作业,任务流、定时调度,批量调度的启动,暂停,停止,恢复,查看等操作,提高易用性与灵活性,自动完成全套处理诊断流;
CMS离线诊断系统利用现场提供的3-6个月海量数据源和故障案例,应用数据挖掘技术、关联分析技术、集成分析方法等多策略,抽象出各电力设备不同运动状态之间最本质的耦联关系,构建关联诊断知识库,在此基础上,建立相应的实用性模型与分析系统,实现对设备健康状态的及时评价与故障诊断。
进一步的,所述步骤(1)中风机偏航对风异常预警的必备测点包括风速、功率、对风角度(偏航误差角),建模辅助测点包括桨距角、风向、环境温度。
进一步的,所述步骤(2)中功率曲线异常预警模型中其必备测点包括风速、功率、发电机转速、桨距角,建模辅助测点包括齿轮箱润油温、齿轮箱轴承温度、发电机轴承温度驱动端、发电机轴承温度、发电机绕组温度、轮毂转速。
进一步的,所述步骤(3)中发电机轴承故障预警模型必备测点包括功率、发电机转速、发电机驱动端轴轴承温度、发电机非驱动端轴承温度、发电机绕组温度、环境温度,建模辅助测点包括风速、轮毂转速、桨距角、发电机冷却温度。
进一步的,所述步骤(4)中齿轮箱高速轴轴承故障预警模型必备测点包括有功率、发电机转速、机舱温度、高速轴齿轮箱驱动端轴承温度、高速轴非驱动端轴承温度,建模辅助测点包括齿轮箱油温、齿轮箱散热系统运行状态、过滤器压力信号、叶轮转速、齿轮箱油路入口温度、齿轮箱油路滤网前油压,故障预警模型测点数据要求详见表2;
模型名称 | 测点数据要求 |
发电机轴承故障预警模型 | 发电机转速、发电机驱动端轴承径向振动数据、发电机非驱动端轴承径向振动数据 |
齿轮箱故障预警 | 齿轮箱高速轴转速、齿轮箱低速轴径向振动数据、齿轮箱中速轴径向振动数据、齿轮箱高速轴径向振动数据 |
另一方面,本发明还提供一种风力电站预警处理过程跟踪系统,包括数据采集模块,所述数据采集模块双向电性连接有数据管理及模型调度模块,所述数据管理及模型调度模块双向电性连接有报警用户交互界面;
所述数据采集模块其部署接口通讯程序,通过集控、大数据平台或风机主机厂家开通的104、modbus等协议接收1秒或5秒间隔的实时数据(不建议直接访问生产数据库),并将各模型的需求整理成不同参数、不同时长、不同采集频率的数据集,按照需要存储及清理,采集模块需具备断线重连,自动恢复能力;
所述数据管理及模型调度模块其系统可灵活配置预警模型及所需数据,并按模型配置表执行模型,输出结果文件。接收采集数据,缓存数据,数据存储,数据快速查询,数据计算;
所述报警用户交互界面将特征值及报警信息展现在用户界面上,出现报警即时通过声音或邮件通知运行人员,同时允许用户查询历史报警信息及数据快速导出,支持用户灵活新增和配置报警界面,通过采用本发明设计的预警处理方法和系统通过数据融合集中建设,“一级部署,二级应用”,覆盖公司所属全部风电场,实现无硬件成本增加的前提下,集合风机健康状态监测、分析,结合云边协同,搭建国内领先的兼具智能化、灵活性、扩展性的风电运维一体化平台,同时,构建起远程和现场相结合的智慧运营模式,建立科学的设备管理和运维体系,建设高素质运维队伍,提供预警信息和预防措施,减少重大设备故障的发生,且通过研究建立智能运维预警系统和离线诊断系统各一套,在不额外增加硬件成本的基础上,充分发挥现有大平台的作用,挖掘数据价值,提升企业信息化程度,推进线上线下相结合的智能运维管理模式。
所述系统的安全性主要考虑了数据,系统云平台,网络,系统使用几方面,在数据层面上,设备层和云平台之间的数据传输采用加密的传输方式;数据的存储层面从数据的对象访问权限限制,身份认证来保证安全性,系统云平台上提供多种不同服务的VM/Docker之间保证隔离,采用安全模块,通过对IP地址进行限制来控制相互之间的访问,采用稳定主流的Linux操作系统,并及时更新安全补丁,以及设置防火墙考虑数据库服务器的端口保护等,网络传输方面,采用数据加密以及安全协议的方式确保传输内容的保密性,系统使用层面,通过系统功能对人员权限加以限制,不同权限的人员对不同的功能模块的访问权限不同,并设置日志跟踪管理人员在系统中的操作动作;
系统主站满足信息系统安全等级保护及电力二次系统安全防护相关标准、规范的要求,配置符合网络安全防护要求所需的硬件设备(防护设备应与原系统兼容),系统的网络安全、访问安全、数据安全以及资料安全;
系统设计实现信息任一节点故障不会导致系统关键功能丧失,对响应有效信息或没有响应有效信息有明确肯定的指示,当通信失败时,自动重复通信并发出报警信息;
系统具有电源故障保护和自动重新启动,能预置初态和重新预置,设备本身具有自检能力并能故障报警,设备故障能自动切除或切换并能故障报警,系统中任何地方单个元件的故障不造成生产设备误动,在失电状态下,使受控设备保持在原来状态。
所述系统遵循可扩展性原则,从数据接入,服务响应并发量,数据算法处理计算能力,数据存储多层面以分布式集群的实现方式提供了可扩展性,通过负载均衡动态扩展多余的处理单元,便于横向扩展,同时各个集群又使用容器独立包装,便于在处理能力不满足的情况下快速转移使用更高效的CPU或者更快速的硬盘存储;
平台能够自动在集群的所有节点之间均衡数据,保障在集群扩容后,节点间的数据分布均衡;
平台根据后台的忙闲程度,自动发起任务,并在占用很少系统资源和无需人工干预的前提下,实现数据均衡分布,支持新增算法包动态加载、数据接入动态扩展,后续数据扩容时只需增加硬件设备,无需修改软件;
可以通过平台增加集群节点的方式提高整体数据处理性能,保证性能提升,实现线性增长。实现根据业务特点支持多种集群容错模式及负载均衡方案。
所述系统的软硬件设计层面充分考虑了结构化设计思想, 功能模块独立,模块之间的通信采用标准消息组件来连接。数据根据不同的应用属性和数据量的大小,采用不同的数据库类型存储,数据和功能模块之间通过数据库接口或者API的形式来交互。当平台管理的集群需要更换服务器时,应用能够无缝移植到新的服务器上;
本系统采用国际标准开发,可以进行组件化设计和封装,所有功能模块之间的接口标准统一;支持用户二次开发应用软件程序,可以实现用户二次开发的软件和其它系统、其他组件互联集成。
所述系统支持设备数据采集、数据处理、可视化分析、统计计算及多样化的展示;提供开放的数据接口,支持数据导入,支持多种数据筛选方式及方便的人机交互界面。系统能够动态增加图表,图形上可进行区域选择,选择的数据可根据数据相关性进行多图联动等;
各类硬件根据应用特点选用适当的体系架构和系统配置,对性能及可靠性要求高的实时类应用服务器专机专用,对计算密集的应用配置高性能服务器,对性能和可靠性要求低的管理类应用配置虚拟化服务器。
所述系统支持大体量数据、支持数据类型繁多、价值密度低、处理速度快,使用业界先进的技术对数据进行专业化的处理;
系统具备系统自检、性能预警、事件告警、故障诊断等功能,可对系统软硬件设备进行全面的监测,并具备统一的管控界面,方便管理人员及时发现并排除系统隐患及故障。提供简便、易用的各种维护诊断工具(如:网络诊断、数据库诊断、内存诊断等),协助用户在系统发生异常和故障后,迅速定位异常、故障发生点,明确发生原因,彻底排查故障根源。产品具备完整详细的使用和维护手册;
系统具备软硬件设备集中管控能力,所采用的软硬件设备具有良好的可管理性,可自动报告自身状态或响应状态查询指令,可响应运行控制指令(启动/停止、主备切换等)。
系统具备:工况关联的状态特征值的相关趋势分析功能;
对历史数据进行挖掘,跟踪设备运行过程中特征参数变化规律,分析设备在不同运行工况、不同运行条件下的运行参数,根据设备健康运行标准,对设备实时运行状态进行比较分析;
对主要设备的常见故障、异常信息等进行诊断分析,判断出设备可能存在的故障部位、故障原因和劣化程度,对经确认的故障生成故障样本;
根据主要设备的劣化等级,给出相应处理建议;
具备诊断分析结果查询功能;
诊断系统为软件开发,无额外硬件配置,实现功能包括:CMS发电机、CMS齿轮箱的诊断;
针对整机振动数据进行分类,根据失效案例和发电机系统固有频率,训练模型识别不同振动数据的表现与发电机、齿轮箱问题的关系,从而通过振动数据异常来预测和预防发电机、齿轮箱相应问题的发生,利用设备当前和历史状态指标数据,采用时间序列算法对各类连续数据进行趋势预测,预测和评价设备的今后某一时期健康状态发展趋势,并得出将来状态的评价结果,依据状态评价导则和设备相关规程标准,通过识别设备潜在的内部缺陷和外部威胁,分析设备遭到失效威胁后的资产损失程度和威胁发生概率,通过风险评估模型得出设备的风险等级;
本发明的风力电站预警处理过程跟踪方法及系统,通过数据融合集中建设,“一级部署,二级应用”,覆盖公司所属全部风电场,实现无硬件成本增加的前提下,集合风机健康状态监测、分析,结合云边协同,搭建国内领先的兼具智能化、灵活性、扩展性的风电运维一体化平台,同时,构建起远程和现场相结合的智慧运营模式,建立科学的设备管理和运维体系,建设高素质运维队伍,提供预警信息和预防措施,减少重大设备故障的发生,且通过研究建立智能运维预警系统和离线诊断系统各一套,在不额外增加硬件成本的基础上,充分发挥现有大平台的作用,挖掘数据价值,提升企业信息化程度,推进线上线下相结合的智能运维管理模式。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不限于本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种风力电站预警处理过程跟踪方法,其特征在于:包括以下步骤:
(一)在线预警:
风机偏航对风异常预警:通过大量机组实际运行数据,统计机组在不同风速段下,最优功率对应的对风角度,即是机组在该风速段下的最优偏航角度,这个最优偏航角度即为偏航误差;
通过SCADA系统提供的秒级数据,采样频率不低于10秒,包含对风角度、风速和功率,并剔除限电、高温或结冰因素引起的降容数据的机组偏航误差检测模型;
性能劣化预警:利用积累的机组大量历史数据结合功率曲线劣化分析算法,分析机组运行功率曲线、损失电量相关运行状况,性能劣化预警模型基于SCADA运行数据,以单台机组的功率曲线拟合和异常点识别为出发点,结合图像识别技术,通过数据挖掘、人工智能算法方式识别风机限功率、功率曲线偏移、桨叶角受限、风机控制策略变化及风机无法满发的情况,并自动推送报警信息;
基于SCADA数据的发电机轴承故障预警:发电机轴承故障预警基于SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机发电机轴承的温度状态,识别设备的运行和磨损状况,发现轴承故障,对风电机组可能发生的故障、隐患和使用寿命进行判断和预估,实现对风机故障的预警;
基于SCADA数据的齿轮箱故障预警:齿轮箱高速轴轴承故障预警基于风机SCADA系统采集的运行数据,利用机器学习工具综合分析全场站风机历史运行数据,自动计算不同工况下的设备健康温度,同时,监控风机齿轮箱轴承温度状态,识别高速轴轴承运行和磨损状况,识别散热系统异常特征,实现对风机故障的预警;
基于CMS数据的传动链预警:预警模型连续监测风力发电机组运行过程中的振动、冲击、振动相位、转速、负荷等参数,通过智能预警系统自动识别机组的运行状态,发现齿轮箱、轴承故障的早期征兆,并对故障真伪、故障部位、故障类型、严重程度、发展趋势作出判断,为提高CMS预警准确性,结合该机型已有损坏案例或者该风电场实践损坏案例数据进行模型训练,对CMS的原始振动数据进行多维度的故障特征提取,及时预测发电机、齿轮箱等大部件的健康状态、故障等级形成处理建议;减少CMS数据人工分析不及时和误报率高的问题;
(二)离线诊断:针对无法接入运维平台的风电场,采用离线CMS数据的诊断系统,支持各风电场将指定格式的CMS数据上传到诊断系统,诊断系统实现对作业,任务流、定时调度,批量调度的启动,暂停,停止,恢复,查看,提高易用性与灵活性,自动完成全套处理诊断流。
2.根据权利要求1所述的风力电站预警处理过程跟踪方法,其特征在于:所述步骤(1)的风机偏航对风异常预警的必备测点包括风速、功率、对风角度,建模辅助测点包括桨距角、风向、环境温度。
3.根据权利要求2所述的风力电站预警处理过程跟踪方法,其特征在于:所述步骤(2)中功率曲线异常预警模型中其必备测点包括风速、功率、发电机转速、桨距角,建模辅助测点包括齿轮箱润油温、齿轮箱轴承温度、发电机轴承温度驱动端、发电机轴承温度、发电机绕组温度、轮毂转速。
4.根据权利要求3所述的风力电站预警处理过程跟踪方法,其特征在于:所述步骤(3)中发电机轴承故障预警模型必备测点包括功率、发电机转速、发电机驱动端轴轴承温度、发电机非驱动端轴承温度、发电机绕组温度、环境温度,建模辅助测点包括风速、轮毂转速、桨距角、发电机冷却温度。
5.根据权利要求4所述的风力电站预警处理过程跟踪方法,其特征在于:所述步骤(4)中齿轮箱高速轴轴承故障预警模型必备测点包括有功率、发电机转速、机舱温度、高速轴齿轮箱驱动端轴承温度、高速轴非驱动端轴承温度,建模辅助测点包括齿轮箱油温、齿轮箱散热系统运行状态、过滤器压力信号、叶轮转速、齿轮箱油路入口温度、齿轮箱油路滤网前油压
一种风力电站预警处理过程跟踪系统,其特征在于:包括数据采集模块,所述数据采集模块双向电性连接有数据管理及模型调度模块,所述数据管理及模型调度模块双向电性连接有报警用户交互界面;
所述数据采集模块具有接口通讯程序,通过集控、大数据平台或风机主机厂家开通的104、modbus等协议接收1秒或5秒间隔的实时数据,并将各模型的需求整理成不同参数、不同时长、不同采集频率的数据集,按需存储及清理,采集模块具有断线重连恢复能力;
所述数据管理及模型调度模块能够灵活配置预警模型及所需数据,并按模型配置表执行模型,输出结果文件,接收采集数据,缓存数据,数据存储,数据快速查询,数据计算;
所述报警用户交互界面将特征值及报警信息展现在用户界面上,出现报警即时通过声音或邮件通知运行人员,同时允许用户查询历史报警信息及数据快速导出,支持用户灵活新增和配置报警界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211497681.8A CN116149270A (zh) | 2022-11-28 | 2022-11-28 | 一种风力电站预警处理过程跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211497681.8A CN116149270A (zh) | 2022-11-28 | 2022-11-28 | 一种风力电站预警处理过程跟踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116149270A true CN116149270A (zh) | 2023-05-23 |
Family
ID=86355283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211497681.8A Pending CN116149270A (zh) | 2022-11-28 | 2022-11-28 | 一种风力电站预警处理过程跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116149270A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116707146A (zh) * | 2023-08-08 | 2023-09-05 | 深圳航天科创泛在电气有限公司 | 一种光伏发电与储能系统的智能监测方法及相关设备 |
-
2022
- 2022-11-28 CN CN202211497681.8A patent/CN116149270A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116707146A (zh) * | 2023-08-08 | 2023-09-05 | 深圳航天科创泛在电气有限公司 | 一种光伏发电与储能系统的智能监测方法及相关设备 |
CN116707146B (zh) * | 2023-08-08 | 2024-01-23 | 深圳航天科创泛在电气有限公司 | 一种光伏发电与储能系统的智能监测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
Hameed et al. | Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation | |
US10180997B2 (en) | Apparatus for simulating wind power farm | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
US9967168B2 (en) | Remote real-time monitoring system based on cloud computing | |
CN107612779B (zh) | 调度数据网二次安全防护网络设备及业务运行监视系统 | |
Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
US20050090937A1 (en) | Wind turbine system control | |
CN111525684A (zh) | 一种基于云平台的风电场集群化监控的运维系统 | |
CN108252873A (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
CN112072642B (zh) | 电力系统运行异常状态预估方法 | |
CN116149270A (zh) | 一种风力电站预警处理过程跟踪方法及系统 | |
CN112541563A (zh) | 基于边缘计算技术的旋转设备振动预测管理系统 | |
KR20150049186A (ko) | 풍력발전 시스템의 데이터 처리장치 및 방법 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN112054510B (zh) | 电力系统运行异常状态预估方法 | |
CN103019160B (zh) | 基于云计算的冷水机管理控制系统及方法 | |
Bezzaoucha et al. | Failure causes based wind turbine components classification and failure propagation: For proactive maintenance implementatio | |
CN113565699B (zh) | 风力发电机组的桨距角的检测方法、装置及系统 | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Yu et al. | Research on integrated operation and maintenance acquisition and monitoring technology for new generation dispatching control system | |
Ma et al. | Design and application of wind farm fault diagnosis system | |
CN116203910B (zh) | 一种基于异构同源的风机状态映射与判断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |