CN116591910A - 风电机组运维的方法、装置、电子设备和存储介质 - Google Patents
风电机组运维的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116591910A CN116591910A CN202310568319.3A CN202310568319A CN116591910A CN 116591910 A CN116591910 A CN 116591910A CN 202310568319 A CN202310568319 A CN 202310568319A CN 116591910 A CN116591910 A CN 116591910A
- Authority
- CN
- China
- Prior art keywords
- fan
- wind turbine
- data
- state
- turbine 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Combustion & Propulsion (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Energy (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了一种风电机组运维的方法、装置、电子设备和存储介质,涉及风电机组技术领域,该方法包括:对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数;计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量;将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。本申请可以实现风电机组健康监测的全面化、精准化、智能化及三维可视化。
Description
技术领域
本申请涉及风电机组技术领域,尤其是涉及一种风电机组运维的方法、装置、电子设备和存储介质。
背景技术
海上风电资源丰富、发电利用率高且不占用陆地面积的优势,使得目前海上风电的发展尤为迅速。但在实际应用中,海上风电机组受海上环境条件影响,故障发生率较高;同时由于海上环境的特殊,维修船只、直升机等无法及时抵达现场,导致故障处理效率较低,进而增大了风电机组的停机损失;运维条件受限导致风电机组的运维难度较高。
发明内容
本申请的目的在于提供一种风电机组运维的方法、装置、电子设备和存储介质,可以实现风电机组健康监测的全面化、精准化、智能化及三维可视化。
第一方面,本发明提供一种风电机组运维的方法,包括:对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数;计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量;将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。
在可选的实施方式中,对风电机组数据进行数据清洗处理,包括:将风电机组数据中满足清洗标准的数据进行数据清洗处理;其中,清洗标准包括:风速小于切入风速,风电机组输出功率为0的数据点;风速大于切入风速,输出功率由0或从负值增加到正值的时间段,即机组启动过程产生的数据;风速处于切入切出风速之间,功率从正常值减小到0或者负值的时间段,即机组制动过程产生的数据;风速超出切出风速,风轮刹车,机组处于停机阶段的数据。
在可选的实施方式中,对计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量,包括:将风机关键部位的历史温度数据确定为参考序列;对风机正常运行状态变量进行归一化处理,并将归一化后的数据确定为比较序列;计算参考序列和比较序列的关联系数,并基于关联系数计算灰色关联度;对灰色关联度进行排序,将排序后满足预设特征要求的确定为特征变量。
在可选的实施方式中,计算参考序列和比较序列的关联系数,包括:式中,Δx=x0(j)-xi(j),i=1,2,...,m;j=1,2,...,n;X0={x0(1),x0(2),…,x0(n)}为参考序列,Xi=xi(1),xi(2),…,xi(n)为比较序列;ρ为分辨率,Xmax和Xmin分别为数据集中第i个数据样本的最大值和最小值。
在可选的实施方式中,风机状态预测模型为目标长短期记忆网络,包括机舱温度预测子网络、齿轮箱轴承温度预测子网络和发电机轴承温度预测子网络;将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态,包括:将特征变量输入至初始的风机状态预测模型,对目标长短期记忆网络进行训练,得到目标参数下的目标长短期记忆网络;通过目标长短期记忆网络输出预测机舱温度、预测齿轮箱轴承温度和预测发电机轴承温度。
在可选的实施方式中,关键部位的状态包括机舱温度、齿轮箱轴承温度和发电机轴承温度;根据风机关键部位的状态和告警阈值进行风机运行状态的监控,包括:计算机舱温度、齿轮箱轴承温度和发电机轴承温度的实际值与预测值的残差绝对值;通过拟合风机正常运行时的温度残差绝对值,基于概率密度函数确定残差绝对值的告警阈值;当残差绝对值小于告警阈值时,判定风机机组运行正常,当残差绝对值大于或等于告警阈值时,判定风机发生故障,以对风机运行状态进行监控。
第二方面,本发明提供一种风电机组运维的装置,包括:模型构建模块,用于对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;参数确定模块,用于采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数;特征确定模块,用于计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量;状态预测模块,用于将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;可视化预警模块,用于根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。
第三方面,本发明提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现前述实施方式任一项的风电机组运维的方法。
第四方面,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现前述实施方式任一项的风电机组运维的方法。
本申请提供的风电机组运维的方法、装置、电子设备和存储介质,通过对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型,采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数,计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量,将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态,根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。通过风电机组对应的设备物理模型(虚拟风电机组模型),结合各类传感器采集的风电机组数据、历史数据等,通过虚实交互反馈、数据融合分析、决策迭代优化手段可以对复杂设备进行三维可视化实时监控、故障预测与服务决策,实现了风电机组健康监测的全面化、精准化、智能化及三维可视化。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种风电机组运维的方法的流程图;
图2为本申请实施例提供的一种LSTM网络内部结构示意图;
图3为本申请实施例提供的发动机过负荷的提示示意图;
图4为本申请实施例提供的一种风电机组运维的装置的结构图;
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通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例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
海上风电资源丰富稳定、发电利用率高、不占用陆地面积。海上风能资源丰富,并且我国海上风电场相比陆上风电场更靠近传统的电力负荷中心,便于电力的消纳,可解决陆上风电面临的“产”与“消”的矛盾。因此,海上风电在我国的开发和利用比陆上风电更具优势,近年来发展尤为迅速。
然而,相比陆上风电机组,海上风电机组存在以下问题:
(1)故障率高。受海上恶劣的环境条件影响,例如高湿度、高盐度以及台风等灾害天气,风电机组很容易发生故障。在海上风电场故障统计中,90%以上的故障都发生在风电机组上。一旦发生故障,将会影响整个海上风电场的正常运行,甚至威胁到机组运行人员的人身安全,造成巨大的经济损失。
(2)可及性差。当海上风电机组发生故障时,由于海洋天气条件约束,大型维修船只以及直升机无法抵达现场,有时甚至长达几个月无法进入,导致风电机组故障迟迟不能得到维修,大大增加了停机损失。
(3)运维困难。海上风电机组的运维受限条件较多,如运维备品备件是否齐全、海上天气条件是否适合出海、运维船只是否适合等因素都将影响海上风电机组的故障修复时间。
以上问题导致海上风电场运维的要求高、费用高、周期长。针对上述存在的问题,依托新一代人工智能技术与数字孪生技术的发展,研发集故障预警与诊断于一体的风机智能监控系统,对于及时掌握风电机组运行状态、及早发现潜在故障征兆、监测故障发展趋势、优化机组维修计划、降低故障发生频次,最终实现风电场智能化开发与运维具有重要意义。
相关技术中,现有的海上风电机组故障预警与诊断方法已经由传统的数学方法向人工智能的方向发展,如采用支持向量机、人工神经网络、故障树等方法,对发电机、齿轮箱、叶片等风电机组重要部件进行故障预警与诊断。但上述智能预警与诊断方法对数据的学习层次较浅、结构单一,诊断精度有待进一步提高,对具有非平稳、非线性和高噪声特性的风电SCADA数据的建模能力有限。且风电机组模型诊断结果多以二维方式呈现,不具备三维可视化能力。
基于此,本申请实施例提供了一种风电机组运维的方法、装置、电子设备和存储介质,可以实现风电机组健康监测的全面化、精准化、智能化及三维可视化。
本申请实施例提供了一种风电机组运维的方法,参见图1所示,该方法主要包括以下步骤:
步骤S110,对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型。
虚拟风电机组模型是风电机组设备的数字孪生,是物理设备、三维模型、信息系统与孪生数据的集成融合,风机物理设备与虚拟设备通过信息系统、孪生数据,实现实时的虚实映射。
在构建虚拟风电机组模型时,通过三维建模软件对风电机组整体及内部关键部件建立精确、多层次、高仿真的几何模型,对三维模型进行轻量化处理,将轻量化后的三维模型集成在Web应用系统,风机物理设备与三维模型之间的数据实时映射推送至数字孪生系统,通过三维模型与孪生数据的同步集成与融合进行模型构建。
步骤S120,采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数。
目前海上风电机组均配备有数据采集与监视控制系统(SupervisoryControl AndData Acquisition,SCADA),可以通过每隔10min采集一次机组的风电机组数据,同时将记录保存到数据库。采集的风电机组数据为风机的运行参数,主要包括风速、风向、温度、湿度、风轮转速、风轮倾角、发电机转速、塔基温度、机舱温度、舱外温度、齿轮箱冷却水温度、齿轮箱温度、发电机轴承温度、发电机绕组温度、发电机网侧电压等。
为了保证后续模型的预测精度,需对原始SCADA数据的空值、停机数据及故障数据进行清洗。可选的,针对不同情况下的风电机组数据,可以采用不同的清洗标准,清洗标准包括:
风速小于切入风速,风电机组输出功率为0的数据点;
风速大于切入风速,输出功率由0或从负值增加到正值的时间段,即机组启动过程产生的数据;
风速处于切入切出风速之间,功率从正常值减小到0或者负值的时间段,即机组制动过程产生的数据;
风速超出切出风速,风轮刹车,机组处于停机阶段的数据。
步骤S130,计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量。
考虑到从SCADA系统导出的风机运行参数并不是所有特征值都对模型训练有益,为防止特征冗余,同时降低数据量,加快模型训练速度,需利用灰色关联分析对特征参数进行一定的筛选处理。
在对计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量,可以包括以下步骤3-1至步骤3-4:
步骤3-1,将风机关键部位的历史温度数据确定为参考序列。
步骤3-2,对风机正常运行状态变量进行归一化处理,并将归一化后的数据确定为比较序列。
步骤3-3,计算参考序列和比较序列的关联系数,并基于关联系数计算灰色关联度。
步骤3-4,对灰色关联度进行排序,将排序后满足预设特征要求的确定为特征变量。
为便于理解,提供一种具体实施的示例,包括以下①-⑤:
①设定风机关键部位温度作为参考序列(机舱温度、齿轮箱轴承温度、发电机轴承温度),记作:X0={x0(1),x0(2),…,x0(n)};
②设定风机正常运行状态变量作为比较序列,记作:Xi=xi(1),xi(2),…,xi(n);其中,i=1,2,...,m;m为样本数目;n为样本属性的数目。
③对风机正常运行状态变量作归一化处理,由于SCADA系统监测变量的量纲存在较大的差别,还需要对数据进行归一化处理消除不同量纲数据对结果的影响,使其取值范围固定到区间[0,1]。归一化可以采用如下公式:
式中,Xi和分别为数据集中第i个数据样本归一化之前和归一化之后的值,Xmax和Xmin分别为数据集中第i个数据样本的最大值和最小值。
④计算关联系数。参考序列与第i个比较序列在j点的关联系数为:
式中,Δx=x0(j)-xi(j),i=1,2,...,m;j=1,2,...,n;ρ为分辨率,值介于0到1之间,通常取ρ=0.5。
⑤计算灰色关联度,其定义为关联系数的均值:
对计算得到的灰色关联度进行排序,选择灰色关联度较高的变量作为LSTM网络预测模型的输入变量。
步骤S140,将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态。
在一种实施方式中,上述风机状态预测模型为目标长短期记忆(Long and ShortTerm Memory,LSTM)网络,LSTM网络包含遗忘门、输入门和输出门,分别对上一层的端元状态信息、当前输入信息和本层的单元状态信息进行筛选。通过遗忘门、输入门和输出门保留重要信息,实现“记忆”的长期记忆。LSTM内部结构参见图2所示。其中遗忘门ft,输入门it,输出门ot,分别为:
ft=σ(Wf·[st-1,xt]+bf)
it=σ(Wi·[st-1,xt]+bi)
ot=σ(Wo·[st-1,xt]+bo)
式中,st-1是上一时刻的单元状态,xt是当前时刻的输入,w是权重矩阵,b为偏置向量,σ是激活函数,最后得到的ft,it,ot是一个[0,1]的值,在更新记忆单元ct之前,先产生临时的记忆单元当前时刻记忆状态值ct为:/>LSTM输出ht为:ht=ot·tanh(ct)。
在一种实施方式中,对机舱温度、齿轮箱轴承温度、发电机轴承温度分别建立LSTM温度预测模型,也即上述目标长短期记忆网络包括机舱温度预测子网络、齿轮箱轴承温度预测子网络和发电机轴承温度预测子网络,每种子网络均对应有上述图2所示的结构。
LSTM模型输入变量为利用灰色关联分析提取的状态变量,输出变量为机舱温度/齿轮箱轴承温度/发电机轴承温度,对LSTM网络进行不断训练,通过迭代更新权值和偏差使误差最小,获得LSTM最优预测模型,输出风机关键部位温度预测值(机舱温度/齿轮箱轴承温度/发电机轴承温度)。
也即,当模型训练到最优或者模型训练收敛后,将特征变量输入至初始的风机状态预测模型,对目标长短期记忆网络进行训练,得到目标参数下的目标长短期记忆网络;通过目标长短期记忆网络输出预测机舱温度、预测齿轮箱轴承温度和预测发电机轴承温度。
步骤S150,根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。
考虑到风电机组正常运行时,风机关键部位温度(机舱温度/齿轮箱轴承温度/发电机轴承温度)实际值与预测值的残差绝对值很小。一旦发生异常情况,残差绝对值就会偏离正常水平。随着故障程度的加深,风机关键部位温度残差绝对值会逐渐变大,出现显著的抖动上升或者爬坡上升的情况。因此,可以通过监测风机关键部位温度残差绝对值是否超过告警阈值来预警风机关键部位故障类型,即机舱整体故障、齿轮箱轴承故障、发电机轴承故障。因此可以包括以下步骤5-1至步骤5-3:
步骤5-1,计算机舱温度、齿轮箱轴承温度和发电机轴承温度的实际值与预测值的残差绝对值;
步骤5-2,通过拟合风机正常运行时的温度残差绝对值,基于概率密度函数确定残差绝对值的告警阈值;
步骤5-3,当残差绝对值小于告警阈值时,判定风机机组运行正常,当残差绝对值大于或等于告警阈值时,判定风机发生故障,以对风机运行状态进行监控。
在一种示例中,上述根据风机关键部位的状态和告警阈值进行风机运行状态的监控还可以包括以下①和②:
①计算风机关键部位温度(机舱温度、齿轮箱轴承温度、发电机轴承温度)实际值与预测值的残差绝对值。
即Re=|Y-Y'|
②采用统计学方法设置残差绝对值告警阈值T。
通过拟合风机正常运行时的温度残差绝对值,使之服从某种统计学分布,对应的概率密度函数为f(Re),则告警阈值可以通过下式求得:
式中,Re为残差绝对值;T为告警阈值;α为显著性水平(0<α<1),可设置α=0.01。
当残差绝对值<告警阈值,判定风机机组运行正常,当残差绝对值≥告警阈值,判定风机发生故障,提前发出预警警告,帮助机组维修人员提前安排维修计划,减少机组彻底停机带来的损失。
本申请实施例所采用的风机状态预测模型可以进行自主学习更新优化,无需人工干预,在海上风电数字孪生系统中接入提前训练好的人工智能算法模型接口,对机舱整体故障、齿轮箱轴承故障、发电机轴承故障三种常见的故障类型进行提前预警。随着海量风机实时运行数据的加大,在线人工智能算法模型的预测精度也会逐步优化更新,从而减少风机故障预警误报率。
通过将预警结果三维可视化,利用3D图形引擎对风电机组整体及内部关键部件建立精确、多层次的三维动态模型,生动直观地展示风电机组各部件的运行状态,在提前识别到可能发生故障预警的情况下,自动定位风机故障部位发出预警。图3所示为发动机过负荷的提示,在实际应用中,还可以有某部件温度异常、机舱震动等提示,提示内容可以为一个,也可以为多个。另外,可以将异常的等级通过不同的颜色框进行区分标注,以使得可以更有针对性的进行风电机组的运维。
综上,本申请实施例提供的风电机组运维的方法,①模型自主学习更新优化能力:无需人工干预,在海上风电数字孪生系统中接入提前训练好的人工智能算法模型接口,对机舱整体故障、齿轮箱轴承故障、发电机轴承故障三种常见的故障类型进行提前预警。随着海量风机实时运行数据的加大,在线人工智能算法模型的预测精度也会逐步优化更新,从而减少风机故障预警误报率。②预警结果三维可视化呈现能力:利用3D图形引擎对风电机组整体及内部关键部件建立精确、多层次的三维动态模型,生动直观地展示风电机组各部件的运行状态,在提前识别到可能发生故障预警的情况下,自动定位风机故障部位发出预警。
基于上述方法实施例,本申请实施例还提供一种风电机组运维的装置,参见图4所示,该装置包括以下部分:
模型构建模块410,用于对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;
参数确定模块420,用于采集风电机组数据,并对风电机组数据进行数据清洗处理,确定风机运行参数;
特征确定模块430,用于计算风机运行参数的灰色关联度,基于灰色关联度确定特征变量;
状态预测模块440,用于将特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;
可视化预警模块450,用于根据风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过虚拟风电机组模型进行可视化预警。
在一可行的实施方式中,上述参数确定模块420,还用于:
将风电机组数据中满足清洗标准的数据进行数据清洗处理;其中,清洗标准包括:
风速小于切入风速,风电机组输出功率为0的数据点;
风速大于切入风速,输出功率由0或从负值增加到正值的时间段,即机组启动过程产生的数据;
风速处于切入切出风速之间,功率从正常值减小到0或者负值的时间段,即机组制动过程产生的数据;
风速超出切出风速,风轮刹车,机组处于停机阶段的数据。
在一可行的实施方式中,上述特征确定模块430,还用于:
将风机关键部位的历史温度数据确定为参考序列;
对风机正常运行状态变量进行归一化处理,并将归一化后的数据确定为比较序列;
计算参考序列和比较序列的关联系数,并基于关联系数计算灰色关联度;
对灰色关联度进行排序,将排序后满足预设特征要求的确定为特征变量。
在一可行的实施方式中,上述特征确定模块430,还用于:
式中,Δx=x0(j)-xi(j),i=1,2,...,m;j=1,2,...,n;X0={x0(1),x0(2),…,x0(n)}为参考序列,Xi=xi(1),xi(2),…,xi(n)为比较序列;ρ为分辨率,Xmax和Xmin分别为数据集中第i个数据样本的最大值和最小值。
在一可行的实施方式中,风机状态预测模型为目标长短期记忆网络,包括机舱温度预测子网络、齿轮箱轴承温度预测子网络和发电机轴承温度预测子网络;
上述状态预测模块440,还用于:
将特征变量输入至初始的风机状态预测模型,对目标长短期记忆网络进行训练,得到目标参数下的目标长短期记忆网络;
通过目标长短期记忆网络输出预测机舱温度、预测齿轮箱轴承温度和预测发电机轴承温度。
在一可行的实施方式中,关键部位的状态包括机舱温度、齿轮箱轴承温度和发电机轴承温度;上述可视化预警模块450,用于:
计算机舱温度、齿轮箱轴承温度和发电机轴承温度的实际值与预测值的残差绝对值;
通过拟合风机正常运行时的温度残差绝对值,基于概率密度函数确定残差绝对值的告警阈值;
当残差绝对值小于告警阈值时,判定风机机组运行正常,当残差绝对值大于或等于告警阈值时,判定风机发生故障,以对风机运行状态进行监控。
本申请实施例提供的风电机组运维的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,风电机组运维的装置的实施例部分未提及之处,可参考前述风电机组运维的方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图5所示,为该电子设备的结构示意图,其中,该电子设备100包括处理器51和存储器50,该存储器50存储有能够被该处理器51执行的计算机可执行指令,该处理器51执行该计算机可执行指令以实现上述任一项风电机组运维的方法。
在图5示出的实施方式中,该电子设备还包括总线52和通信接口53,其中,处理器51、通信接口53和存储器50通过总线52连接。
其中,存储器50可能包含高速随机存取存储器(RAM,Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线52可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器51读取存储器中的信息,结合其硬件完成前述实施例的风电机组运维的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述风电机组运维的方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的风电机组运维的方法、装置、电子设备和存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种风电机组运维的方法,其特征在于,包括:
对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;
采集风电机组数据,并对所述风电机组数据进行数据清洗处理,确定风机运行参数;
计算所述风机运行参数的灰色关联度,基于所述灰色关联度确定特征变量;
将所述特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;
根据所述风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过所述虚拟风电机组模型进行可视化预警。
2.根据权利要求1所述的风电机组运维的方法,其特征在于,对所述风电机组数据进行数据清洗处理,包括:
将所述风电机组数据中满足清洗标准的数据进行数据清洗处理;其中,所述清洗标准包括:
风速小于切入风速,风电机组输出功率为0的数据点;
风速大于切入风速,输出功率由0或从负值增加到正值的时间段,即机组启动过程产生的数据;
风速处于切入切出风速之间,功率从正常值减小到0或者负值的时间段,即机组制动过程产生的数据;
风速超出切出风速,风轮刹车,机组处于停机阶段的数据。
3.根据权利要求1所述的风电机组运维的方法,其特征在于,对计算所述风机运行参数的灰色关联度,基于所述灰色关联度确定特征变量,包括:
将风机关键部位的历史温度数据确定为参考序列;
对风机正常运行状态变量进行归一化处理,并将归一化后的数据确定为比较序列;
计算所述参考序列和所述比较序列的关联系数,并基于所述关联系数计算灰色关联度;
对所述灰色关联度进行排序,将排序后满足预设特征要求的确定为特征变量。
4.根据权利要求3所述的风电机组运维的方法,其特征在于,计算所述参考序列和所述比较序列的关联系数,包括:
式中,Δx=x0(j)-xi(j),i=1,2,...,m;j=1,2,...,n;X0={x0(1),x0(2),…,x0(n)}为参考序列,Xi=xi(1),xi(2),…,xi(n)为比较序列;ρ为分辨率,Xmax和Xmin分别为数据集中第i个数据样本的最大值和最小值。
5.根据权利要求1所述的风电机组运维的方法,其特征在于,所述风机状态预测模型为目标长短期记忆网络,包括机舱温度预测子网络、齿轮箱轴承温度预测子网络和发电机轴承温度预测子网络;
将所述特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态,包括:
将所述特征变量输入至初始的风机状态预测模型,对所述目标长短期记忆网络进行训练,得到目标参数下的目标长短期记忆网络;
通过所述目标长短期记忆网络输出预测机舱温度、预测齿轮箱轴承温度和预测发电机轴承温度。
6.根据权利要求1所述的风电机组运维的方法,其特征在于,所述关键部位的状态包括机舱温度、齿轮箱轴承温度和发电机轴承温度;根据所述风机关键部位的状态和告警阈值进行风机运行状态的监控,包括:
计算所述机舱温度、所述齿轮箱轴承温度和所述发电机轴承温度的实际值与预测值的残差绝对值;
通过拟合风机正常运行时的温度残差绝对值,基于概率密度函数确定残差绝对值的告警阈值;
当残差绝对值小于告警阈值时,判定风机机组运行正常,当残差绝对值大于或等于告警阈值时,判定风机发生故障,以对风机运行状态进行监控。
7.一种风电机组运维的装置,其特征在于,包括:
模型构建模块,用于对风电机组整体及内部关键部件进行虚实映射处理,构建虚拟风电机组模型;
参数确定模块,用于采集风电机组数据,并对所述风电机组数据进行数据清洗处理,确定风机运行参数;
特征确定模块,用于计算所述风机运行参数的灰色关联度,基于所述灰色关联度确定特征变量;
状态预测模块,用于将所述特征变量输入至风机状态预测模型,预测未来预设时段内的风机关键部位的状态;
可视化预警模块,用于根据所述风机关键部位的状态和告警阈值进行风机运行状态的监控,当监控到异常时通过所述虚拟风电机组模型进行可视化预警。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的风电机组运维的方法。
9.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至6任一项所述的风电机组运维的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568319.3A CN116591910A (zh) | 2023-05-19 | 2023-05-19 | 风电机组运维的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568319.3A CN116591910A (zh) | 2023-05-19 | 2023-05-19 | 风电机组运维的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116591910A true CN116591910A (zh) | 2023-08-15 |
Family
ID=87607653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310568319.3A Pending CN116591910A (zh) | 2023-05-19 | 2023-05-19 | 风电机组运维的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116591910A (zh) |
-
2023
- 2023-05-19 CN CN202310568319.3A patent/CN116591910A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Dinmohammadi et al. | A fuzzy-FMEA risk assessment approach for offshore wind turbines | |
CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN103150473A (zh) | 一种风电机组发电效率实时监控诊断方法及装置 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN111597682A (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
Wang et al. | A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks | |
CN114936758A (zh) | 风电机组健康状态评估方法、装置及电子设备 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
Zhan et al. | Health assessment methods for wind turbines based on power prediction and mahalanobis distance | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
CN116025529B (zh) | 一种风电机组自主健康评估方法及自愈调控方法及系统 | |
CN116591910A (zh) | 风电机组运维的方法、装置、电子设备和存储介质 | |
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 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
Chen | Automated on-line fault prognosis for wind turbine monitoring using scada data | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 |
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 |