CN117057676B - 多数据融合的故障分析方法、设备及存储介质 - Google Patents
多数据融合的故障分析方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117057676B CN117057676B CN202311309304.1A CN202311309304A CN117057676B CN 117057676 B CN117057676 B CN 117057676B CN 202311309304 A CN202311309304 A CN 202311309304A CN 117057676 B CN117057676 B CN 117057676B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- wind power
- data set
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 88
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000611 regression analysis Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010606 normalization Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理领域,公开了一种多数据融合的故障分析方法、设备及存储介质。该方法包括:在机组中收集秒级风电系统数据;根据预设的时间窗口将秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;对分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;根据预设的历史数据集、训练数据集以及故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;检测到待分析数据时,调用故障分析模型对待分组数据执行数据分析操作,得到分析结果。在本发明实施例中,多数据融合的故障分析设备可分析出机组中设备故障的最初原因,保障了机组的工作效益。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种多数据融合的故障分析方法、设备及存储介质。
背景技术
对于风电领域的机组,不同的设备厂家对自身设备相对熟悉,基于物联网通信协议定位设备故障原因,并给出当下故障告警代码和描述。设备故障是以各设备厂家的故障、告警结果为依托。
但在大型、复杂的设备集群中,设备之间是相互联动的,一个设备出现故障有可能是其他设备引起的。设备之间无法相互联动预警,单一的设备结论容易误判,且无法将预测时间点提前,导致难以分析出机组中设备故障的最初原因,使得机组的工作效益降低。
发明内容
本发明的主要目的在于解决机组的设备之间无法相互联动预警,单一的设备结论容易误判,且无法将预测时间点提前,导致难以分析出机组中设备故障的最初原因,使得机组的工作效益降低的技术问题。
本发明第一方面提供了一种多数据融合的故障分析方法,所述多数据融合的故障分析方法包括:
在机组中收集秒级风电系统数据;
根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;
对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;
根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;
检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果。
可选的,在本发明第一方面的第一种实现方式中,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤包括:
根据所述训练数据集以及所述故障指标,对预设的所述回归分析模型执行模型训练操作,得到待调优模型;
根据预设的所述历史数据集以及所述故障指标,对所述待调优模型执行模型调优操作,得到所述故障分析模型。
可选的,在本发明第一方面的第二种实现方式中,所述对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集的步骤包括:
对所述分钟级风电数据集执行数据清洗操作,得到待标记数据集;
对所述待标记数据集执行时间位与质量位的标记操作,得到所述训练数据集。
可选的,在本发明第一方面的第三种实现方式中,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤之前,所述方法还包括:
对分钟级风电数据集中的故障数据执行特征提取操作,得到故障数据特征;
基于所述故障数据特征建立回归分析模型,所述回归分析模型包括线性回归分析模型、多元回归分析模型或者逻辑回归分析模型。
可选的,在本发明第一方面的第四种实现方式中,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
根据所述分析结果,在所述机组中确定异常目标,以及确定所述异常目标对应的异常原因;
判断所述异常原因是否关联有预设的修复程序;
若所述异常原因关联有预设的所述修复程序,执行所述修复程序。
可选的,在本发明第一方面的第五种实现方式中,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
根据所述待分析数据更新所述秒级风电数据,并返回执行对所述秒级风电数据集执行下采样操作,得到分钟级风电数据集的步骤。
可选的,在本发明第一方面的第六种实现方式中,所述根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集的步骤包括:
在机组中收集原始数据;
对所述原始数据执行去噪、处理缺失值、标准化和/或归一化操作,得到待筛选风电数据;
在所述待筛选风电数据中确定所述秒级风电系统数据。
可选的,在本发明第一方面的第七种实现方式中,所述在机组中收集秒级风电系统数据的步骤包括:
在机组中收集风机SCADA数据、风机CMS数据以及各个二次设备的检测数据;
将所述风机SCADA数据、风机CMS数据以及所述检测数据作为所述秒级风电系统数据。
本发明第二方面提供了一种多数据融合的故障分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述多数据融合的故障分析设备执行上述的多数据融合的故障分析方法。
本发明的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的多数据融合的故障分析方法。
在本发明实施例中,收集秒级风电系统数据;根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果。多数据融合的故障分析通过收集秒级风电系统数据并将其切割成分钟级数据集,为后续的分析提供了数据基础。对预设的历史故障信息执行统计操作,得到的故障指标对于故障分析和预测至关重要,可以帮助发现潜在的问题和异常情况,从而提升风电系统的可靠性和性能。通过对分钟级风电数据集执行时间位与质量位的标记操作,可以将数据进行分类和归档,便于后续的模型训练和分析。标记操作有助于建立有效的训练数据集,提高模型的准确性和可靠性。通过使用预设的历史数据集、训练数据集以及故障指标,对回归分析模型进行训练操作所得到的故障分析模型可以用于处理待分析数据,其中,根据预设的时间窗口将秒级风电系统数据切割成小段,可将预测时间点提前,结合上述操作步骤,可分析出机组中设备故障的最初原因,可帮助提前采取相应的维护和修复措施,降低故障风险和损失,保障了机组的工作效益。
附图说明
图1为本发明实施例中多数据融合的故障分析方法的第一个实施例示意图;
图2为本发明实施例中多数据融合的故障分析方法的第二个实施例示意图;
图3为本发明实施例中多数据融合的故障分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种多数据融合的故障分析方法、设备及存储介质。
下面将参照附图更详细地描述本发明公开的实施例。虽然附图中显示了本发明公开的某些实施例,然而应当理解的是,本发明公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本发明公开的附图及实施例仅用于示例性作用,并非用于限制本发明公开的保护范围。
在本发明公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中多数据融合的故障分析方法的一个实施例包括:
101、在机组中收集秒级风电系统数据;
在本实施例中,在风电系统的机组中,收集风机SCADA数据、CMS数据以及升压站各二次设备采集的检测数据,得到海量数据,根据海量数据生成上述秒级风电系统数据。
102、根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;
具体的,执行数据切割操作,包括:
将秒级风电系统数据按照一定的时间窗口切割成小段,以满足模型输入的要求,得到分钟级风电数据集。其中,不同设备故障会将设备故障发生前24小时、72小时、7天、30天、90天来做切割成分钟级数据源,即上述分钟级风电数据集。
再执行数据验证操作,将处理好的数据结果进行多维度验证复核,具体的,多维度验证包括:
1、数据完整性,是否满足设定的时间域;
2、逻辑性,是否符合业务逻辑规则;
3、可视化,通过可视化工具将结果呈现观察;
4、历史性,是否存在突变或异常,异常是否能纳入数据源。
可选的,使用秒级风电系统数据采集方法中提到的传感器和数据采集设备,采集风速、风向、温度、振动等参数的秒级数据,并存储到数据库或者服务器中。根据需求设置预设的时间窗口大小,比如每分钟为一个时间窗口。时间窗口的长度可以根据具体情况进行调整。按照设置的时间窗口大小,将秒级数据切割成小段,得到分钟级风电数据集。可以通过编程语言或者专门的数据处理工具来实现数据切割操作。
具体的,对升压站设备源进行分类,统计历史故障、告警的点项和参数,得到故障指标,包括:
对升压站设备按主变及其附属设备220kV设备、220KV 1#主变35KVl母设备、400V设备、AGC/AVC风功率预测、电度表、UPS设备、测控柜、远动-风机、风机管理柜、时间同步装置、保护柜、直流屏对历史故障告警以故障、告警、变位、事件进行分类区分。统计各类型的点项代码和参数信息。
103、对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;
具体的,对数据进行时间位和质量位的标记。
可选的,对所述分钟级风电数据集执行数据清洗操作,得到待标记数据集;对所述待标记数据集执行时间位与质量位的标记操作,得到所述训练数据集。
可选的,执行时间同步进制的同步操作。具体的,确定适合的应用的时间同步协议。常用的时间同步协议包括 Network Time Protocol (NTP),Precision Time Protocol(PTP),以及时钟同步协议等。选择一台可靠的时间服务器作为时间参考源。时间服务器应具备高精度和可靠性,可以通过连接到 GPS、原子钟或其他高精度的外部时间源来获得准确的时间信息。将需要同步时间的设备配置为客户端,连接到时间服务器进行时间同步。根据所选的时间同步协议,设备可以使用相应的软件或配置文件来进行配置。验证设备的时间是否已经与时间服务器同步。可以通过查看设备的时间戳,或与其他已同步的设备进行比对来确认是否成功进行了时间同步。为了保持时间的准确性和稳定性,定期校准设备的时间。可以设置定期校准的时间间隔,以确保设备的时间与时间服务器保持同步。在进行时间同步时,需要考虑网络延迟对时间同步的影响。对于关键应用,可以采用一些算法或技术来校正网络延迟,或者配置硬件设备以减少延迟。建立故障处理机制和监控系统,及时发现和处理时间同步异常的情况。监控系统可以检测设备的时间同步状态,并发送警报或自动触发补救措施。
可选的,根据分钟级风电数据集的时间戳信息,将每个数据点进行时间位标记。可以将时间分为不同的时间段或时间窗口,并将每个数据点标记为相应的时间位。根据分钟级风电数据集的质量信息,将每个数据点进行质量位标记。质量位标记可以根据数据的可靠性、准确性或其他指标来划分。常见的质量位标记包括良好数据、不确定数据、异常数据等。根据时间位和质量位的标记,筛选出符合要求的数据点,构建训练数据集。可以选择只使用时间位和质量位都符合要求的数据点,或者根据具体需求灵活调整筛选条件。从分钟级风电数据集中提取相关的特征。这些特征可以包括风速、风向、温度、功率输出等参数,以及衍生的统计特征、时序特征等。特征提取过程可以利用领域知识和数据分析方法。根据训练目标,为训练数据集生成相应的标签。标签可以是对应的风电功率输出值,也可以是其他需要预测或分类的目标。标签的生成可以根据实际需求和问题设定。对特征和标签进行归一化处理,确保数据在相同的尺度范围内,避免不同特征或标签之间的差异导致的训练偏差。将训练数据集划分为训练集、验证集和测试集。通常可以采用70%的数据作为训练集,10-15%的数据作为验证集,15-20%的数据作为测试集,以评估模型的性能和泛化能力。
104、根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;
具体的,使用回归模型进行模型训练,评估指标(如均方误差、R平凡值)来验证故障判断的准确性和可靠性。再使用部分历史数据集进行训练和调优。
可选的,根据所述训练数据集以及所述故障指标,对预设的所述回归分析模型执行模型训练操作,得到待调优模型;根据预设的所述历史数据集以及所述故障指标,对所述待调优模型执行模型调优操作,得到所述故障分析模型。
可选的,基于故障数据特征建立回归分析模型,包含线性回归、多元回归、逻辑回归等。
可选的,对分钟级风电数据集中的故障数据执行特征提取操作,得到故障数据特征;基于所述故障数据特征建立回归分析模型,所述回归分析模型包括线性回归分析模型、多元回归分析模型或者逻辑回归分析模型。
线性回归分析模型用于建立一个或多个自变量与一个连续因变量之间的线性关系。该模型基于最小二乘法,通过拟合一条直线或一个超平面来描述变量之间的线性关系。
多元回归分析模型扩展了线性回归模型,用于建立一个或多个自变量与一个连续因变量之间的线性关系,并考虑多个自变量之间的相互作用。多元回归模型可以应用于解释多个自变量对因变量的影响程度,以及预测和关联分析等问题。
逻辑回归分析模型用于建立一个或多个自变量与一个二分类(或多分类)因变量之间的非线性关系。逻辑回归模型采用了逻辑函数(如sigmoid函数)将线性组合转化为概率,并进行分类预测。逻辑回归模型在处理二分类问题时常用,可以估计出概率值,判断样本属于某一类别的可能性。
105、检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果;
具体的,故障分析模型的回归分析具体步骤如下所示。
可选的,根据分析结果监控秒级数据源,以确定其是否满足故障预测判断方法,包括:
监控采集实时秒级数据源,一旦发现故障和异常情况,及时采集相应措施进行处理和修复。
对故障模型的进行不断优化和改进。
可选的,验证判断方法准确性,故障分析结论试运行。以线下实际运维工单进行优化,例如:
试运行的故障模型进行线上试运行。在集控中心以故障预警单下达给集控专员。
集控专员根据经验判断预警单是否合理。经过审核后派发工单处理。
线下人员跟进运维工单进行人工复核,并对复核结果上传。
可选的,对设备故障再次进行回归分析,重新定义故障判断方法。优化过的故障算法模型再次进行回归分析,结合历史故障进行优化和改进。形成故障判断的依据。故障分析方法正确,输出上线正式部署的提示信息。
可选的,根据所述分析结果,在所述机组中确定异常目标,以及确定所述异常目标对应的异常原因;判断所述异常原因是否关联有预设的修复程序;若所述异常原因关联有预设的所述修复程序,执行所述修复程序。
可选的,根据所述待分析数据更新所述秒级风电数据,并返回执行对所述秒级风电数据集执行下采样操作,得到分钟级风电数据集的步骤。
已验证的算法模型正式启动并应用到全平台。
在本发明实施例中,收集秒级风电系统数据;根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果。多数据融合的故障分析通过收集秒级风电系统数据并将其切割成分钟级数据集,为后续的分析提供了数据基础。对预设的历史故障信息执行统计操作,得到的故障指标对于故障分析和预测至关重要,可以帮助发现潜在的问题和异常情况,从而提升风电系统的可靠性和性能。通过对分钟级风电数据集执行时间位与质量位的标记操作,可以将数据进行分类和归档,便于后续的模型训练和分析。标记操作有助于建立有效的训练数据集,提高模型的准确性和可靠性。通过使用预设的历史数据集、训练数据集以及故障指标,对回归分析模型进行训练操作所得到的故障分析模型可以用于处理待分析数据,其中,根据预设的时间窗口将秒级风电系统数据切割成小段,可将预测时间点提前,结合上述操作步骤,可分析出机组中设备故障的最初原因,可帮助提前采取相应的维护和修复措施,降低故障风险和损失,保障了机组的工作效益。
请参阅图2,图2为本发明实施例中多数据融合的故障分析方法的第二个实施例,在101步骤中可以执行以下步骤:
1011、在机组中收集原始数据;
具体的,在机组中收集各个设备的数据,可得到海量数据,即上述原始数据。具体的,包括:
确定数据收集的目标和需求:定义所需收集的数据类型,例如风机SCADA数据、风机CMS数据以及升压站中各个二次设备的检测数据。确定收集的时间范围和频率。设定数据收集的目标和预期结果。
根据收集目标和需求确定合适的数据采集设备。部署传感器、监测设备或其他必要的硬件设施。配置和测试设备,确保其正常运行并能准确采集数据。
设置数据存储和管理系统;用于接收、存储和管理收集到的数据。使用边缘计算或本地服务器来建立数据中心。确保所选系统具备足够的容量、安全性和灵活性,以支持大规模数据收集。
建立数据通信网络:选用符合电网要求的电力专用通信网络,确保数据能够从数据采集设备传输到数据存储与管理系统。
进行实时监测和数据采集:启动数据采集设备,并确保其按照设定的频率在预定时间内进行数据采集。
可选的,安装适合的传感器设备来收集所需的风电系统数据。这些传感器可以包括测风塔、温度传感器、振动传感器等,用于测量不同参数。使用数据采集系统或者数据采集卡将传感器收集到的模拟信号转化为数字信号。这些设备基于传输协议为RS232的串口进行通信,并将数据转换成计算机可读取的格式。将采集到的数字信号保存到数据存储介质中,比如数据库或者服务器。可以使用实时数据库或者时间序列数据库来存储数据,以便后续处理和分析。对收集到的数据进行处理和分析。可以使用数据处理软件、编程语言或者专门的数据分析工具来处理数据,提取关键参数,进行统计分析,生成报表等。通过数据处理和分析系统,实现对风电系统的实时监控和控制。可以设置阈值和报警机制,以便及时发现异常情况,并采取相应措施进行调整和保护。将处理后的数据以图表、曲线等形式进行可视化展示,使操作人员能够直观地了解风电系统的运行状态和趋势变化。
1012、对所述原始数据执行去噪、处理缺失值、标准化和/或归一化操作,得到待筛选风电数据;
具体的,得到原始数据后,执行以下操作:
数据预处理:首先需要对原始数据(海量数据)进行清洗和预处理,包括去除噪音、处理缺失值、标准化或归一化数据等,得到上述待筛选风电数据。其中,噪音是指数据中的不必要的干扰或误差。可以使用滤波器或平滑算法来去除噪音。常见的滤波方法包括均值滤波、中值滤波和高斯滤波等。这些方法可以平滑数据并减少异常值和峰值。在实际数据中,可能存在缺失值,即某些观测或属性没有被记录或采集到。处理缺失值的一种方法是删除包含缺失值的样本或属性。另一种方法是使用插值或填充方法来预测缺失值。常见的插值方法包括线性插值、多项式插值和K近邻插值等。标准化是将数据按照一定的标准进行缩放,使其具有相似的尺度。常见的标准化方法包括Z-score标准化和最小-最大标准化。Z-score标准化将数据转化为均值为0、标准差为1的分布,最小-最大标准化将数据缩放到指定的最小值和最大值之间。归一化是将数据映射到特定的范围,常用于将不同属性或变量的取值范围统一。常见的归一化方法包括线性归一化和正态分布归一化。线性归一化将数据映射到0和1之间,正态分布归一化将数据转化为服从正态分布的数据。对于原始数据的预处理方法,是否使用其他的处理方式,本实施例不进行限定。
1013、在所述待筛选风电数据中确定所述秒级风电系统数据。
具体的,得到待筛选风电数据后,执行特征提取操作:从待筛选风电数据中提取合适的特征,得到上述秒级风电系统数据,以便能够在分类模型中进行有效的判断和区分。常用的特征提取方法包括统计特征、频域特征、时域特征等。
可选的,再原始数据中寻找相同的特征,如风机发电机组需要传动链数据、叶片振动状态数据、塔架状态监测数据、齿轮箱油品数据,传动链数据分析需要的测点包含主轴承、齿轮箱、发电机等处的数据。以此类推。
在本实施例中,多数据融合的故障分析设备通过去除噪声和处理缺失值,可以减少数据中的错误和不完整性,从而提高数据的质量和可靠性。通过标准化和归一化操作,可以使不同来源和不同类型的数据具有一致的度量单位和数值范围,使得数据更易于比较和分析。经过处理后的数据更易于理解和使用,可以更好地支持风电系统的各种分析和决策任务。准确、一致和可用的数据可以帮助工程师和管理人员更好地了解风电机组的运行状态和性能。通过在待筛选风电数据中确定秒级风电系统数据,可以实现更高频率的数据采样和监测。秒级数据能够提供更详细、更准确的风电机组运行信息,有助于进行实时调整、故障诊断和性能优化等方面的分析。
图3是本发明实施例提供的一种多数据融合的故障分析设备的结构示意图,该多数据融合的故障分析设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对多数据融合的故障分析设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在多数据融合的故障分析设备500上执行存储介质530中的一系列指令操作。
基于多数据融合的故障分析设备500还可以包括一个或一个以上电源540,一个或一个以上专用网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,Free BSD等等。本领域技术人员可以理解,图3示出的多数据融合的故障分析设备结构并不构成对基于多数据融合的故障分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述多数据融合的故障分析方法的步骤。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (6)
1.一种多数据融合的故障分析方法,其特征在于,所述多数据融合的故障分析方法包括:
在机组中收集秒级风电系统数据;
根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;
对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;
根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;
检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果;
其中,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤包括:
根据所述训练数据集以及所述故障指标,对预设的所述回归分析模型执行模型训练操作,得到待调优模型;
根据预设的所述历史数据集以及所述故障指标,对所述待调优模型执行模型调优操作,得到所述故障分析模型;
所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
根据所述待分析数据更新所述秒级风电数据;
所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
根据所述分析结果,在所述机组中确定异常目标,以及确定所述异常目标对应的异常原因;
判断所述异常原因是否关联有预设的修复程序;
若所述异常原因关联有预设的所述修复程序,执行所述修复程序;
所述在机组中收集秒级风电系统数据的步骤包括:
在机组中收集风机SCADA数据、风机CMS数据以及各个二次设备的检测数据;
将所述风机SCADA数据、风机CMS数据以及所述检测数据作为所述秒级风电系统数据。
2.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集的步骤包括:
对所述分钟级风电数据集执行数据清洗操作,得到待标记数据集;
对所述待标记数据集执行时间位与质量位的标记操作,得到所述训练数据集。
3.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤之前,所述方法还包括:
对分钟级风电数据集中的故障数据执行特征提取操作,得到故障数据特征;
基于所述故障数据特征建立回归分析模型,所述回归分析模型包括线性回归分析模型、多元回归分析模型或者逻辑回归分析模型。
4.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述在机组中收集秒级风电系统数据的步骤包括:
在机组中收集原始数据;
对所述原始数据执行去噪、处理缺失值、标准化和/或归一化操作,得到待筛选风电数据;
在所述待筛选风电数据中确定所述秒级风电系统数据。
5.一种多数据融合的故障分析设备,其特征在于,所述多数据融合的故障分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述多数据融合的故障分析设备执行如权利要求1-4中任一项所述的多数据融合的故障分析方法。
6.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的多数据融合的故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309304.1A CN117057676B (zh) | 2023-10-11 | 2023-10-11 | 多数据融合的故障分析方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309304.1A CN117057676B (zh) | 2023-10-11 | 2023-10-11 | 多数据融合的故障分析方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057676A CN117057676A (zh) | 2023-11-14 |
CN117057676B true CN117057676B (zh) | 2024-02-23 |
Family
ID=88655739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311309304.1A Active CN117057676B (zh) | 2023-10-11 | 2023-10-11 | 多数据融合的故障分析方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057676B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
CN111400850A (zh) * | 2018-12-28 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 设备故障分析方法、装置、设备和存储介质 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
CN112746934A (zh) * | 2020-12-31 | 2021-05-04 | 江苏国科智能电气有限公司 | 一种自联想神经网络诊断风机故障方法 |
CN113722134A (zh) * | 2021-07-29 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种集群故障处理方法、装置、设备及可读存储介质 |
CN114330513A (zh) * | 2021-12-13 | 2022-04-12 | 宿松吉电新能源有限公司 | 风机叶片故障检测方法、装置、系统及存储介质 |
CN114330569A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种检测风机组部件故障的方法、设备及存储介质 |
CN114327983A (zh) * | 2021-12-28 | 2022-04-12 | 浪潮(北京)电子信息产业有限公司 | 一种基于日志的故障确定方法、装置、设备和介质 |
CN114687930A (zh) * | 2022-03-18 | 2022-07-01 | 明阳智慧能源集团股份公司 | 一种风电机组故障预警闭环管控系统及方法 |
CN115037603A (zh) * | 2022-05-31 | 2022-09-09 | 国网湖南省电力有限公司 | 用电信息采集设备的诊断评估方法、装置及系统 |
CN115434875A (zh) * | 2022-08-31 | 2022-12-06 | 东北大学秦皇岛分校 | 基于时空神经网络的风电机组故障状态检测方法 |
CN116796182A (zh) * | 2022-10-17 | 2023-09-22 | 北京天泽智云科技有限公司 | 风电机组发电机故障评估模型训练方法和故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116744357A (zh) * | 2023-06-21 | 2023-09-12 | 中国电信股份有限公司 | 基站故障预测方法、装置、设备和介质 |
-
2023
- 2023-10-11 CN CN202311309304.1A patent/CN117057676B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN111400850A (zh) * | 2018-12-28 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 设备故障分析方法、装置、设备和存储介质 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
CN112746934A (zh) * | 2020-12-31 | 2021-05-04 | 江苏国科智能电气有限公司 | 一种自联想神经网络诊断风机故障方法 |
CN113722134A (zh) * | 2021-07-29 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种集群故障处理方法、装置、设备及可读存储介质 |
CN114330513A (zh) * | 2021-12-13 | 2022-04-12 | 宿松吉电新能源有限公司 | 风机叶片故障检测方法、装置、系统及存储介质 |
CN114327983A (zh) * | 2021-12-28 | 2022-04-12 | 浪潮(北京)电子信息产业有限公司 | 一种基于日志的故障确定方法、装置、设备和介质 |
CN114330569A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种检测风机组部件故障的方法、设备及存储介质 |
CN114687930A (zh) * | 2022-03-18 | 2022-07-01 | 明阳智慧能源集团股份公司 | 一种风电机组故障预警闭环管控系统及方法 |
CN115037603A (zh) * | 2022-05-31 | 2022-09-09 | 国网湖南省电力有限公司 | 用电信息采集设备的诊断评估方法、装置及系统 |
CN115434875A (zh) * | 2022-08-31 | 2022-12-06 | 东北大学秦皇岛分校 | 基于时空神经网络的风电机组故障状态检测方法 |
CN116796182A (zh) * | 2022-10-17 | 2023-09-22 | 北京天泽智云科技有限公司 | 风电机组发电机故障评估模型训练方法和故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117057676A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2634328C (en) | Method and system for trend detection and analysis | |
US9674058B2 (en) | Time series data processing device, time series data processing method, and computer-readable recording medium storing time series data processing program | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
CN110926809A (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
US20220004163A1 (en) | Apparatus for predicting equipment damage | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
Godreau et al. | Continuous improvement of HSM process by data mining | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
EP0907913B1 (en) | Automatic control loop monitoring and diagnostics | |
CN116680113A (zh) | 一种设备检测实施控制系统 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN117057676B (zh) | 多数据融合的故障分析方法、设备及存储介质 | |
CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
CN114576102A (zh) | 风电机组轴承状态的预测方法、装置、设备及存储介质 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
CN113591984A (zh) | 设备运行事件的检测方法、装置、电子设备和存储介质 | |
CN108537174B (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
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 |