CN117006002B - 基于数字孪生的海上风力发电机监测方法及系统 - Google Patents
基于数字孪生的海上风力发电机监测方法及系统 Download PDFInfo
- Publication number
- CN117006002B CN117006002B CN202311252958.5A CN202311252958A CN117006002B CN 117006002 B CN117006002 B CN 117006002B CN 202311252958 A CN202311252958 A CN 202311252958A CN 117006002 B CN117006002 B CN 117006002B
- Authority
- CN
- China
- Prior art keywords
- generator
- data
- sensing data
- target wind
- wind driven
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000000875 corresponding effect Effects 0.000 claims description 267
- 238000012549 training Methods 0.000 claims description 69
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000012216 screening Methods 0.000 claims description 29
- 238000010248 power generation Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 11
- 238000007791 dehumidification Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 238000003672 processing method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Sustainable Energy (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Sustainable Development (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于数字孪生的海上风力发电机监测方法及系统,该方法包括:建立多个目标风力发电机对应的可视化三维模型;通过设置在每一所述目标风力发电机上的多个传感器,获取每一所述目标风力发电机对应的多个实时传感数据;根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数;生成每一所述目标风力发电机对应的推荐控制指令,将所述实时传感数据和所述推荐控制指令在三维模型上进行显示。可见,本发明能够实现更加直观和更加精确的风力发电机的数字孪生模型,提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
Description
技术领域
本发明涉及数据三维监测技术领域,尤其涉及一种基于数字孪生的海上风力发电机监测方法及系统。
背景技术
风力发电机已被广泛应用于海上风力能源再生,并达到了良好的效果,但海上区域旷阔且不利于驻扎监控,需要有有效的技术对海上的风力发电机进行监测。现有技术在进行这类监控时,一般仅采用传感器和简单的数据处理规则和人工检修结合的方式,没有考虑到监测的直观性,也没有考虑到利用算法进行预测,其监测效果较差。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于数字孪生的海上风力发电机监测方法及系统,能够实现更加直观和更加精确的风力发电机的数字孪生模型,提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
为了解决上述技术问题,本发明第一方面公开了一种基于数字孪生的海上风力发电机监测方法,所述方法包括:
根据多个目标风力发电机的预设的三维模型和发电机参数,建立所述多个目标风力发电机对应的可视化三维模型;所述发电机参数包括发电机功耗、发电效率和发电机位置;
通过设置在每一所述目标风力发电机上的多个传感器,获取每一所述目标风力发电机对应的多个实时传感数据;所述实时传感数据包括区域传感数据和发电机传感数据;所述区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据;所述发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数;
根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数;
根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数,包括:
对于每一所述目标风力发电机,根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个区域传感数据进行筛选,得到筛选出的所述区域传感数据;
基于预设的场景匹配算法和神经网络预测算法,根据筛选出的所述区域传感数据和所述发电机传感数据,确定该目标风力发电机对应的发电机危险参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个实时传感数据进行筛选,包括:
确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将所述发电机集合中所有目标风力发电机对应的属于同一数据类型的所有所述区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与所述发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;所述第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断所述合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据。
作为一种可选的实施方式,在本发明第一方面中,所述基于预设的场景匹配算法和神经网络预测算法,根据筛选出的所述区域传感数据和所述发电机传感数据,确定该目标风力发电机对应的发电机危险参数,包括:
将筛选出的所述区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;所述第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;所述发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;所述场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的所述匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;所述第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到。
作为一种可选的实施方式,在本发明第一方面中,根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组,包括:
对所有所述发电机传感数据和所述发电机正常参数,根据数据类型进行关联,得到多个属于同一数据类型的关联数据组;
对于任一场景类型,从数据库中确定该场景类型对应的历史数据组;
计算所述历史数据组与任一所述关联数据组之间的第一相似度;
根据所述第一相似度从大到小对所有所述关联数据组进行排序,得到数据组序列;
将所述数据组序列中次序大于预设的次序,且所述第一相似度大于预设的相似度阈值的所有关联数据组,确定为该场景类型对应的匹配数据组。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,包括:
对于任一所述目标风力发电机,筛选出该目标风力发电机对应的所述发电机危险参数大于预设的第一参数阈值的匹配数据组,得到该目标风力发电机对应的至少一个危险数据组;
计算任一所述危险数据组中的任一所述发电机传感数据和对应的所述发电机正常参数之间的数据差值;
对于任一所述发电机传感数据,计算该发电机传感数据对应的所有所述数据差值之和,得到该发电机传感数据对应的偏离安全参数;
将所述偏离安全参数大于预设的第二参数阈值的所有所述发电机传感数据确定为目标控制数据;
根据每一所述目标控制数据对应的所述偏离安全参数,生成该目标控制数据对应的推荐控制指令;所述推荐控制指令用于控制该目标风力发电机中与该目标控制数据对应的工作设备进行工作以使得对应的所述偏离安全参数被缩小到所述第二参数阈值之内;所述推荐控制指令包括发电机朝向控制指令、发电机高度控制指令、发电机排湿控制指令、发电机降温控制指令和发电机功率控制指令中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示,包括:
将所述实时传感数据在所述可视化三维模型上显示;
确定任一所述推荐控制指令和所述实时传感数据之间的对应关系;
在用户的关注点进入任一所述实时传感数据的对应的显示区域内时,根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令;所述关注点为用户的目光焦点或浏览设备光标。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令,包括:
将所述用户的用户参数输入至训练好的第四神经网络模型中,以得到所述用户对应的预测控制权限;所述用户参数包括用户名称、用户职务、用户级别中的至少两种;所述第四神经网络模型通过包括有多个训练用户参数和对应的权限批注的训练数据集训练得到;
在该实时传感数据对应的所述显示区域对应的关联区域内的所有实时传感数据中,筛选出与该实时传感数据的关联度大于预设的关联度阈值的所有实时传感数据,以得到该实时传感数据对应的关联数据组;
将该实时传感数据和所述关联数据组所对应的所有所述推荐控制指令中与所述预测控制权限相匹配的推荐控制指令筛选出来,得到多个显示指令;
对于每一所述显示指令,计算该显示指令和所述用户对应的历史指令发出记录的相似度,并计算该显示指令对应的显眼程度与所述相似度的大小成正比的显示参数;
根据所述显示参数,对所有所述显示指令进行显示,以展示给所述用户。
本发明第二方面公开了一种基于数字孪生的海上风力发电机监测系统,所述系统包括:
建模模块,用于根据多个目标风力发电机的预设的三维模型和发电机参数,建立所述多个目标风力发电机对应的可视化三维模型;所述发电机参数包括发电机功耗、发电效率和发电机位置;
获取模块,用于通过设置在每一所述目标风力发电机上的多个传感器,获取每一所述目标风力发电机对应的多个实时传感数据;所述实时传感数据包括区域传感数据和发电机传感数据;所述区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据;所述发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数;
确定模块,用于根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数;
显示模块,用于根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数的具体方式,包括:
对于每一所述目标风力发电机,根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个区域传感数据进行筛选,得到筛选出的所述区域传感数据;
基于预设的场景匹配算法和神经网络预测算法,根据筛选出的所述区域传感数据和所述发电机传感数据,确定该目标风力发电机对应的发电机危险参数。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个实时传感数据进行筛选的具体方式,包括:
确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将所述发电机集合中所有目标风力发电机对应的属于同一数据类型的所有所述区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与所述发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;所述第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断所述合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块基于预设的场景匹配算法和神经网络预测算法,根据筛选出的所述区域传感数据和所述发电机传感数据,确定该目标风力发电机对应的发电机危险参数的具体方式,包括:
将筛选出的所述区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;所述第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;所述发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;所述场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的所述匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;所述第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到。
作为一种可选的实施方式,在本发明第二方面中,根据确定模块预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组的具体方式,包括:
对所有所述发电机传感数据和所述发电机正常参数,根据数据类型进行关联,得到多个属于同一数据类型的关联数据组;
对于任一场景类型,从数据库中确定该场景类型对应的历史数据组;
计算所述历史数据组与任一所述关联数据组之间的第一相似度;
根据所述第一相似度从大到小对所有所述关联数据组进行排序,得到数据组序列;
将所述数据组序列中次序大于预设的次序,且所述第一相似度大于预设的相似度阈值的所有关联数据组,确定为该场景类型对应的匹配数据组。
作为一种可选的实施方式,在本发明第二方面中,所述显示模块根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令的具体方式,包括:
对于任一所述目标风力发电机,筛选出该目标风力发电机对应的所述发电机危险参数大于预设的第一参数阈值的匹配数据组,得到该目标风力发电机对应的至少一个危险数据组;
计算任一所述危险数据组中的任一所述发电机传感数据和对应的所述发电机正常参数之间的数据差值;
对于任一所述发电机传感数据,计算该发电机传感数据对应的所有所述数据差值之和,得到该发电机传感数据对应的偏离安全参数;
将所述偏离安全参数大于预设的第二参数阈值的所有所述发电机传感数据确定为目标控制数据;
根据每一所述目标控制数据对应的所述偏离安全参数,生成该目标控制数据对应的推荐控制指令;所述推荐控制指令用于控制该目标风力发电机中与该目标控制数据对应的工作设备进行工作以使得对应的所述偏离安全参数被缩小到所述第二参数阈值之内;所述推荐控制指令包括发电机朝向控制指令、发电机高度控制指令、发电机排湿控制指令、发电机降温控制指令和发电机功率控制指令中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述显示模块将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示的具体方式,包括:
将所述实时传感数据在所述可视化三维模型上显示;
确定任一所述推荐控制指令和所述实时传感数据之间的对应关系;
在用户的关注点进入任一所述实时传感数据的对应的显示区域内时,根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令;所述关注点为用户的目光焦点或浏览设备光标。
作为一种可选的实施方式,在本发明第二方面中,所述显示模块根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令的具体方式,包括:
将所述用户的用户参数输入至训练好的第四神经网络模型中,以得到所述用户对应的预测控制权限;所述用户参数包括用户名称、用户职务、用户级别中的至少两种;所述第四神经网络模型通过包括有多个训练用户参数和对应的权限批注的训练数据集训练得到;
在该实时传感数据对应的所述显示区域对应的关联区域内的所有实时传感数据中,筛选出与该实时传感数据的关联度大于预设的关联度阈值的所有实时传感数据,以得到该实时传感数据对应的关联数据组;
将该实时传感数据和所述关联数据组所对应的所有所述推荐控制指令中与所述预测控制权限相匹配的推荐控制指令筛选出来,得到多个显示指令;
对于每一所述显示指令,计算该显示指令和所述用户对应的历史指令发出记录的相似度,并计算该显示指令对应的显眼程度与所述相似度的大小成正比的显示参数;
根据所述显示参数,对所有所述显示指令进行显示,以展示给所述用户。
本发明第三方面公开了另一种基于数字孪生的海上风力发电机监测系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于数字孪生的海上风力发电机监测方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够根据海上风力发电机的三维模型和实时传感数据,基于算法优势来预测危险,并生成推荐控制指令进行可视化展示,从而能够实现更加直观和更加精确的风力发电机的数字孪生模型,提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例公开的一种基于数字孪生的海上风力发电机监测方法的流程示意图;
图2是本发明实施例公开的一种基于数字孪生的海上风力发电机监测系统的结构示意图;
图3是本发明实施例公开的另一种基于数字孪生的海上风力发电机监测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于数字孪生的海上风力发电机监测方法及系统,能够根据海上风力发电机的三维模型和实时传感数据,基于算法优势来预测危险,并生成推荐控制指令进行可视化展示,从而能够实现更加直观和更加精确的风力发电机的数字孪生模型,提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于数字孪生的海上风力发电机监测方法的流程示意图。其中,图1所描述的方法可以应用于相应的轮船控制数据处理设备、轮船控制数据处理终端、轮船控制数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于数字孪生的海上风力发电机监测方法可以包括以下操作:
101、根据多个目标风力发电机的预设的三维模型和发电机参数,建立多个目标风力发电机对应的可视化三维模型。
可选的,发电机参数包括发电机功耗、发电效率和发电机位置。
102、通过设置在每一目标风力发电机上的多个传感器,获取每一目标风力发电机对应的多个实时传感数据。
可选的,实时传感数据包括区域传感数据和发电机传感数据。
可选的,区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据。
可选的,发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数。
103、根据每一目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一目标风力发电机对应的发电机危险参数。
104、根据发电机危险参数,生成每一目标风力发电机对应的推荐控制指令,将实时传感数据和推荐控制指令在可视化三维模型上进行显示。
可见,实施本发明实施例所描述的方法能够根据海上风力发电机的三维模型和实时传感数据,基于算法优势来预测危险,并生成推荐控制指令进行可视化展示,从而能够实现更加直观和更加精确的风力发电机的数字孪生模型,提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
作为一种可选的实施例,在上述步骤中的,根据每一目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一目标风力发电机对应的发电机危险参数,包括:
对于每一目标风力发电机,根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个区域传感数据进行筛选,得到筛选出的区域传感数据;
基于预设的场景匹配算法和神经网络预测算法,根据筛选出的区域传感数据和发电机传感数据,确定该目标风力发电机对应的发电机危险参数。
通过上述实施例,能够实现基于预设的数据规则对目标风力发电机对应的多个区域传感数据进行筛选以得到更加准确的区域传感数据,再基于场景匹配算法和神经网络预测算法确定目标风力发电机对应的发电机危险参数,能够实现更加精确的危险预警。
作为一种可选的实施例,在上述步骤中的,根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个实时传感数据进行筛选,包括:
确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将发电机集合中所有目标风力发电机对应的属于同一数据类型的所有区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据。
具体的,可以计算同一数据类型的所有区域传感数据的平均值和标准差值,再根据标准差值根据经验确定异常阈值,将与所述平均值的差值大于异常值的所有数据确定为异常值。
可选的,本发明中的神经网络模型均可以为CNN结构、RNN结构或LTSM结构等网络结构的神经网络模型,操作人员可以根据数据的特性和预测功能需求来结合经验进行模型的选择和实验,本发明不做限定。
通过上述实施例,能够对发电机进行聚类后,基于拉依达和神经网络算法对发电机聚类集合对应的多个区域传感数据进行筛选以得到更加准确的区域传感数据。
作为一种可选的实施例,在上述步骤中的,基于预设的场景匹配算法和神经网络预测算法,根据筛选出的区域传感数据和发电机传感数据,确定该目标风力发电机对应的发电机危险参数,包括:
将筛选出的区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对发电机传感数据和发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到。
通过上述实施例,能够对区域传感数据进行正常参数的预测,再将发电机传感数据和发电机正常参数进行场景匹配,利用神经网络来预测特定场景下的危险参数,从而能够实现更加精确的预测。
作为一种可选的实施例,在上述步骤中的,根据预设的场景匹配规则,对发电机传感数据和发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组,包括:
对所有发电机传感数据和发电机正常参数,根据数据类型进行关联,得到多个属于同一数据类型的关联数据组;
对于任一场景类型,从数据库中确定该场景类型对应的历史数据组;
计算历史数据组与任一关联数据组之间的第一相似度;
根据第一相似度从大到小对所有关联数据组进行排序,得到数据组序列;
将数据组序列中次序大于预设的次序,且第一相似度大于预设的相似度阈值的所有关联数据组,确定为该场景类型对应的匹配数据组。
可选的,数据库中不同场景类型对应的历史数据组,可以由操作人员预先根据实验或经验进行设定,或是在前一次进行本发明方案中的数据处理方法后,将被确定为该场景类型对应的相关数据更新至历史数据组中。
可选的,本发明中的相似度可以根据向量距离算法进行计算。
通过上述实施例,能够对发电机传感数据和发电机正常参数进行更加精确和合理的匹配,从而能够在后续实现更加精确的预测。
作为一种可选的实施例,在上述步骤中的,根据发电机危险参数,生成每一目标风力发电机对应的推荐控制指令,包括:
对于任一目标风力发电机,筛选出该目标风力发电机对应的发电机危险参数大于预设的第一参数阈值的匹配数据组,得到该目标风力发电机对应的至少一个危险数据组;
计算任一危险数据组中的任一发电机传感数据和对应的发电机正常参数之间的数据差值;
对于任一发电机传感数据,计算该发电机传感数据对应的所有数据差值之和,得到该发电机传感数据对应的偏离安全参数;
将偏离安全参数大于预设的第二参数阈值的所有发电机传感数据确定为目标控制数据;
根据每一目标控制数据对应的偏离安全参数,生成该目标控制数据对应的推荐控制指令;推荐控制指令用于控制该目标风力发电机中与该目标控制数据对应的工作设备进行工作以使得对应的偏离安全参数被缩小到第二参数阈值之内;推荐控制指令包括发电机朝向控制指令、发电机高度控制指令、发电机排湿控制指令、发电机降温控制指令和发电机功率控制指令中的至少一种。
通过上述实施例,能够根据每一目标控制数据对应的偏离安全参数,生成该目标控制数据对应的推荐控制指令,从而能够提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
作为一种可选的实施例,在上述步骤中的,将实时传感数据和推荐控制指令在可视化三维模型上进行显示,包括:
将实时传感数据在可视化三维模型上显示;
确定任一推荐控制指令和实时传感数据之间的对应关系;
在用户的关注点进入任一实时传感数据的对应的显示区域内时,根据用户的用户参数,显示该实时传感数据对应的至少一个推荐控制指令。
具体的,关注点为用户的目光焦点或浏览设备光标,其中,目光焦点可以通过眼球跟踪设备进行确定,而浏览设备光标可以为鼠标光标或手指在触摸屏上的点击或移动。
通过上述实施例,能够根据用户的用户参数,显示该实时传感数据对应的至少一个推荐控制指令,从而能够提高监测界面的显示智能化程度,且能够有效提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
作为一种可选的实施例,在上述步骤中的,根据用户的用户参数,显示该实时传感数据对应的至少一个推荐控制指令,包括:
将用户的用户参数输入至训练好的第四神经网络模型中,以得到用户对应的预测控制权限;用户参数包括用户名称、用户职务、用户级别中的至少两种;第四神经网络模型通过包括有多个训练用户参数和对应的权限批注的训练数据集训练得到;
在该实时传感数据对应的显示区域对应的关联区域内的所有实时传感数据中,筛选出与该实时传感数据的关联度大于预设的关联度阈值的所有实时传感数据,以得到该实时传感数据对应的关联数据组;
将该实时传感数据和关联数据组所对应的所有推荐控制指令中与预测控制权限相匹配的推荐控制指令筛选出来,得到多个显示指令;
对于每一显示指令,计算该显示指令和用户对应的历史指令发出记录的相似度,并计算该显示指令对应的显眼程度与相似度的大小成正比的显示参数;
根据显示参数,对所有显示指令进行显示,以展示给用户。
可选的,所述关联区域包含所述显示区域且大于所述显示区域。
可选的,关联度的计算可以通过神经网络模型来计算,或是基于预设的数据关联计算规则来计算。
通过上述实施例,能够根据神经网络算法和关联度计算以及用户的历史指令发出记录,来充分用户的用户参数确定要显示的指令以及显示参数,从而能够提高监测界面的显示智能化程度,且能够有效提高发电机的控制效率和控制效果,实现更加智能化的发电机控制。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于数字孪生的海上风力发电机监测系统的结构示意图。其中,图2所描述的系统可以应用于相应的轮船控制数据处理设备、轮船控制数据处理终端、轮船控制数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
建模模块201,用于根据多个目标风力发电机的预设的三维模型和发电机参数,建立多个目标风力发电机对应的可视化三维模型;发电机参数包括发电机功耗、发电效率和发电机位置;
获取模块202,用于通过设置在每一目标风力发电机上的多个传感器,获取每一目标风力发电机对应的多个实时传感数据;实时传感数据包括区域传感数据和发电机传感数据;区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据;发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数;
确定模块203,用于根据每一目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一目标风力发电机对应的发电机危险参数;
显示模块204,用于根据发电机危险参数,生成每一目标风力发电机对应的推荐控制指令,将实时传感数据和推荐控制指令在可视化三维模型上进行显示。
作为一种可选的实施例,确定模块203根据每一目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一目标风力发电机对应的发电机危险参数的具体方式,包括:
对于每一目标风力发电机,根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个区域传感数据进行筛选,得到筛选出的区域传感数据;
基于预设的场景匹配算法和神经网络预测算法,根据筛选出的区域传感数据和发电机传感数据,确定该目标风力发电机对应的发电机危险参数。
作为一种可选的实施例,确定模块203根据该目标风力发电机对应的发电机位置,基于预设的数据规则,对该目标风力发电机对应的多个实时传感数据进行筛选的具体方式,包括:
确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将发电机集合中所有目标风力发电机对应的属于同一数据类型的所有区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据。
作为一种可选的实施例,确定模块203基于预设的场景匹配算法和神经网络预测算法,根据筛选出的区域传感数据和发电机传感数据,确定该目标风力发电机对应的发电机危险参数的具体方式,包括:
将筛选出的区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对发电机传感数据和发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到。
作为一种可选的实施例,根据确定模块203预设的场景匹配规则,对发电机传感数据和发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组的具体方式,包括:
对所有发电机传感数据和发电机正常参数,根据数据类型进行关联,得到多个属于同一数据类型的关联数据组;
对于任一场景类型,从数据库中确定该场景类型对应的历史数据组;
计算历史数据组与任一关联数据组之间的第一相似度;
根据第一相似度从大到小对所有关联数据组进行排序,得到数据组序列;
将数据组序列中次序大于预设的次序,且第一相似度大于预设的相似度阈值的所有关联数据组,确定为该场景类型对应的匹配数据组。
作为一种可选的实施例,显示模块204根据发电机危险参数,生成每一目标风力发电机对应的推荐控制指令的具体方式,包括:
对于任一目标风力发电机,筛选出该目标风力发电机对应的发电机危险参数大于预设的第一参数阈值的匹配数据组,得到该目标风力发电机对应的至少一个危险数据组;
计算任一危险数据组中的任一发电机传感数据和对应的发电机正常参数之间的数据差值;
对于任一发电机传感数据,计算该发电机传感数据对应的所有数据差值之和,得到该发电机传感数据对应的偏离安全参数;
将偏离安全参数大于预设的第二参数阈值的所有发电机传感数据确定为目标控制数据;
根据每一目标控制数据对应的偏离安全参数,生成该目标控制数据对应的推荐控制指令;推荐控制指令用于控制该目标风力发电机中与该目标控制数据对应的工作设备进行工作以使得对应的偏离安全参数被缩小到第二参数阈值之内;推荐控制指令包括发电机朝向控制指令、发电机高度控制指令、发电机排湿控制指令、发电机降温控制指令和发电机功率控制指令中的至少一种。
作为一种可选的实施例,显示模块204将实时传感数据和推荐控制指令在可视化三维模型上进行显示的具体方式,包括:
将实时传感数据在可视化三维模型上显示;
确定任一推荐控制指令和实时传感数据之间的对应关系;
在用户的关注点进入任一实时传感数据的对应的显示区域内时,根据用户的用户参数,显示该实时传感数据对应的至少一个推荐控制指令;关注点为用户的目光焦点或浏览设备光标。
作为一种可选的实施例,显示模块204根据用户的用户参数,显示该实时传感数据对应的至少一个推荐控制指令的具体方式,包括:
将用户的用户参数输入至训练好的第四神经网络模型中,以得到用户对应的预测控制权限;用户参数包括用户名称、用户职务、用户级别中的至少两种;第四神经网络模型通过包括有多个训练用户参数和对应的权限批注的训练数据集训练得到;
在该实时传感数据对应的显示区域对应的关联区域内的所有实时传感数据中,筛选出与该实时传感数据的关联度大于预设的关联度阈值的所有实时传感数据,以得到该实时传感数据对应的关联数据组;
将该实时传感数据和关联数据组所对应的所有推荐控制指令中与预测控制权限相匹配的推荐控制指令筛选出来,得到多个显示指令;
对于每一显示指令,计算该显示指令和用户对应的历史指令发出记录的相似度,并计算该显示指令对应的显眼程度与相似度的大小成正比的显示参数;
根据显示参数,对所有显示指令进行显示,以展示给用户。
具体的,本实施例二中的各个模块和方案的技术效果可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于数字孪生的海上风力发电机监测系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于数字孪生的海上风力发电机监测方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于数字孪生的海上风力发电机监测方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于数字孪生的海上风力发电机监测方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于数字孪生的海上风力发电机监测方法,其特征在于,所述方法包括:
根据多个目标风力发电机的预设的三维模型和发电机参数,建立所述多个目标风力发电机对应的可视化三维模型;所述发电机参数包括发电机功耗、发电效率和发电机位置;
通过设置在每一所述目标风力发电机上的多个传感器,获取每一所述目标风力发电机对应的多个实时传感数据;所述实时传感数据包括区域传感数据和发电机传感数据;所述区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据;所述发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数;
对于每一所述目标风力发电机,确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将所述发电机集合中所有目标风力发电机对应的属于同一数据类型的所有所述区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与所述发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;所述第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断所述合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据;
将筛选出的所述区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;所述第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;所述发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;所述场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的所述匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;所述第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到;
根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示。
2.根据权利要求1所述的基于数字孪生的海上风力发电机监测方法,其特征在于,根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组,包括:
对所有所述发电机传感数据和所述发电机正常参数,根据数据类型进行关联,得到多个属于同一数据类型的关联数据组;
对于任一场景类型,从数据库中确定该场景类型对应的历史数据组;
计算所述历史数据组与任一所述关联数据组之间的第一相似度;
根据所述第一相似度从大到小对所有所述关联数据组进行排序,得到数据组序列;
将所述数据组序列中次序大于预设的次序,且所述第一相似度大于预设的相似度阈值的所有关联数据组,确定为该场景类型对应的匹配数据组。
3.根据权利要求1所述的基于数字孪生的海上风力发电机监测方法,其特征在于,所述根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,包括:
对于任一所述目标风力发电机,筛选出该目标风力发电机对应的所述发电机危险参数大于预设的第一参数阈值的匹配数据组,得到该目标风力发电机对应的至少一个危险数据组;
计算任一所述危险数据组中的任一所述发电机传感数据和对应的所述发电机正常参数之间的数据差值;
对于任一所述发电机传感数据,计算该发电机传感数据对应的所有所述数据差值之和,得到该发电机传感数据对应的偏离安全参数;
将所述偏离安全参数大于预设的第二参数阈值的所有所述发电机传感数据确定为目标控制数据;
根据每一所述目标控制数据对应的所述偏离安全参数,生成该目标控制数据对应的推荐控制指令;所述推荐控制指令用于控制该目标风力发电机中与该目标控制数据对应的工作设备进行工作以使得对应的所述偏离安全参数被缩小到所述第二参数阈值之内;所述推荐控制指令包括发电机朝向控制指令、发电机高度控制指令、发电机排湿控制指令、发电机降温控制指令和发电机功率控制指令中的至少一种。
4.根据权利要求3所述的基于数字孪生的海上风力发电机监测方法,其特征在于,所述将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示,包括:
将所述实时传感数据在所述可视化三维模型上显示;
确定任一所述推荐控制指令和所述实时传感数据之间的对应关系;
在用户的关注点进入任一所述实时传感数据的对应的显示区域内时,根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令;所述关注点为用户的目光焦点或浏览设备光标。
5.根据权利要求3所述的基于数字孪生的海上风力发电机监测方法,其特征在于,所述根据所述用户的用户参数,显示该实时传感数据对应的至少一个所述推荐控制指令,包括:
将所述用户的用户参数输入至训练好的第四神经网络模型中,以得到所述用户对应的预测控制权限;所述用户参数包括用户名称、用户职务、用户级别中的至少两种;所述第四神经网络模型通过包括有多个训练用户参数和对应的权限批注的训练数据集训练得到;
在该实时传感数据对应的所述显示区域对应的关联区域内的所有实时传感数据中,筛选出与该实时传感数据的关联度大于预设的关联度阈值的所有实时传感数据,以得到该实时传感数据对应的关联数据组;
将该实时传感数据和所述关联数据组所对应的所有所述推荐控制指令中与所述预测控制权限相匹配的推荐控制指令筛选出来,得到多个显示指令;
对于每一所述显示指令,计算该显示指令和所述用户对应的历史指令发出记录的相似度,并计算该显示指令对应的显眼程度与所述相似度的大小成正比的显示参数;
根据所述显示参数,对所有所述显示指令进行显示,以展示给所述用户。
6.一种基于数字孪生的海上风力发电机监测系统,其特征在于,所述系统包括:
建模模块,用于根据多个目标风力发电机的预设的三维模型和发电机参数,建立所述多个目标风力发电机对应的可视化三维模型;所述发电机参数包括发电机功耗、发电效率和发电机位置;
获取模块,用于通过设置在每一所述目标风力发电机上的多个传感器,获取每一所述目标风力发电机对应的多个实时传感数据;所述实时传感数据包括区域传感数据和发电机传感数据;所述区域传感数据包括区域温度数据、区域湿度数据、区域风速数据和区域风向数据;所述发电机传感数据包括发电机温度、发电机湿度、发电机朝向数据、发电机高度数据和发电机实时工作参数;
确定模块,用于根据每一所述目标风力发电机对应的多个实时传感数据,以及神经网络算法和预设的数据预警规则,确定每一所述目标风力发电机对应的发电机危险参数,具体包括:
对于每一所述目标风力发电机,确定与该目标风力发电机对应的发电机位置之间的距离小于预设的距离阈值的多个目标风力发电机,得到发电机集合;
基于拉依达准则,将所述发电机集合中所有目标风力发电机对应的属于同一数据类型的所有所述区域传感数据中属于异常值的数据进行剔除;
对于该目标风力发电机与所述发电机集合中的任一其他目标风力发电机,将两个目标风力发电机的发电机位置差和属于同一数据类型的区域传感数据之间的数据差输入至训练好的第一神经网络模型中,以确定两个目标风力发电机的该区域传感数据之间的合理性参数;所述第一神经网络模型通过包括有多个训练位置差和区域数据差和对应的合理性标注的训练数据集训练得到;
判断所述合理性参数是否大于预设的合理性阈值,若是,则筛选出该目标风力发电机的该区域传感数据,若否,则剔除该区域传感数据;
将筛选出的所述区域传感数据输入至训练好的第二神经网络模型中,以得到输出的该目标风力发电机对应的发电机正常参数;所述第二神经网络模型通过包括有多个训练区域传感数据和对应的发电机正常参数标注的训练数据集训练得到;所述发电机正常参数包括发电机合理朝向参数、发电机合理高度参数和发电机合理工作参数;
根据预设的场景匹配规则,对所述发电机传感数据和所述发电机正常参数进行匹配,得到多个不同场景类型对应的匹配数据组;所述场景类型包括排湿场景、降温场景、极端风速控制发电机高度场景和朝向控制提高发电效率场景中的至少一种;
将每一场景类型对应的所述匹配数据组输入至该场景类型对应的训练好的第三神经网络模型中,以得到该目标风力发电机对应的每一场景类型对应的发电机危险参数;所述第三神经网络模型通过包括有多个对应场景类型的训练匹配数据组和对应的危险参数标注的训练数据集训练得到;
显示模块,用于根据所述发电机危险参数,生成每一所述目标风力发电机对应的推荐控制指令,将所述实时传感数据和所述推荐控制指令在所述可视化三维模型上进行显示。
7.一种基于数字孪生的海上风力发电机监测系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于数字孪生的海上风力发电机监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252958.5A CN117006002B (zh) | 2023-09-27 | 2023-09-27 | 基于数字孪生的海上风力发电机监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252958.5A CN117006002B (zh) | 2023-09-27 | 2023-09-27 | 基于数字孪生的海上风力发电机监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117006002A CN117006002A (zh) | 2023-11-07 |
CN117006002B true CN117006002B (zh) | 2024-02-09 |
Family
ID=88574672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311252958.5A Active CN117006002B (zh) | 2023-09-27 | 2023-09-27 | 基于数字孪生的海上风力发电机监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117006002B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422205B (zh) * | 2023-12-18 | 2024-04-19 | 天津电力工程监理有限公司 | 基于数字孪生的装配式钢结构变电站建造管理系统和方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102213386B1 (ko) * | 2019-12-26 | 2021-02-05 | 창원대학교 산학협력단 | 해상풍력단지 가상현실 디지털 트윈 시스템 및 방법 |
CN114382662A (zh) * | 2022-01-21 | 2022-04-22 | 华电安诺(北京)信息科技有限公司 | 一种基于数字孪生的风机状态预警方法 |
CN114429238A (zh) * | 2021-12-06 | 2022-05-03 | 石河子大学 | 一种基于时空特征提取的风电机组故障预警方法 |
KR102425267B1 (ko) * | 2021-03-26 | 2022-07-28 | 창원대학교 산학협력단 | 디지털 트윈 기반의 해상 풍력단지의 제어 장치 및 방법 |
CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
CN115293057A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
CN115450858A (zh) * | 2022-10-18 | 2022-12-09 | 山东大学 | 基于数字孪生的风机叶片状态检测方法及系统 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
WO2023173701A1 (zh) * | 2022-03-16 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 海上风电机组控制系统及控制方法 |
-
2023
- 2023-09-27 CN CN202311252958.5A patent/CN117006002B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102213386B1 (ko) * | 2019-12-26 | 2021-02-05 | 창원대학교 산학협력단 | 해상풍력단지 가상현실 디지털 트윈 시스템 및 방법 |
KR102425267B1 (ko) * | 2021-03-26 | 2022-07-28 | 창원대학교 산학협력단 | 디지털 트윈 기반의 해상 풍력단지의 제어 장치 및 방법 |
CN114429238A (zh) * | 2021-12-06 | 2022-05-03 | 石河子大学 | 一种基于时空特征提取的风电机组故障预警方法 |
CN114382662A (zh) * | 2022-01-21 | 2022-04-22 | 华电安诺(北京)信息科技有限公司 | 一种基于数字孪生的风机状态预警方法 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
WO2023173701A1 (zh) * | 2022-03-16 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 海上风电机组控制系统及控制方法 |
CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
CN115293057A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
CN115450858A (zh) * | 2022-10-18 | 2022-12-09 | 山东大学 | 基于数字孪生的风机叶片状态检测方法及系统 |
CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117006002A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117006002B (zh) | 基于数字孪生的海上风力发电机监测方法及系统 | |
CN109001649A (zh) | 一种电源智能诊断系统及保护方法 | |
CN114862288B (zh) | 智慧水务二次加压管理系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN114742987B (zh) | 一种用于非金属材料切割的自动定位控制方法及系统 | |
CN115393566A (zh) | 电力设备的故障识别与预警方法、装置、存储介质、设备 | |
CN116205334A (zh) | 电网负荷的智能预测方法及装置 | |
CN116561693A (zh) | 注塑机异常确定方法、电子设备及存储介质 | |
CN113922502B (zh) | 一种智能视频运维管理系统及管理方法 | |
CN117391451A (zh) | 一种钢铁数字化安全管控系统 | |
CN117314191A (zh) | 一种综合能源系统运行策略滚动生成方法及系统 | |
CN111143967A (zh) | 一种改进的电网限额决策方法及系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN116185243A (zh) | 一种人机交互数据处理评估预警系统 | |
CN112784080B (zh) | 基于发电厂三维数字化平台的场景推荐方法、系统及装置 | |
CN114462828A (zh) | 一种工程施工用安全预警监理系统及其监理方法 | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN114254929A (zh) | 一种钢结构工程施工管理方法、控制器及系统 | |
CN111899119A (zh) | 一种面向燃煤电厂的智能报警抑制方法及系统 | |
CN113326822B (zh) | 一种具有安全警示系统的程控工业机器人 | |
CN117314370B (zh) | 一种基于智慧能源的数据驾驶舱系统及实现方法 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
CN115988034B (zh) | 管道安全状态的智能化监测方法及系统、服务平台 | |
CN117475367B (zh) | 基于多规则协调的污水图像处理方法及系统 | |
CN116863272B (zh) | 基于工程分类的巡检图像处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |