CN117494618A - 一种基于实时网络的风电场智能图像监控系统 - Google Patents
一种基于实时网络的风电场智能图像监控系统 Download PDFInfo
- Publication number
- CN117494618A CN117494618A CN202410003844.5A CN202410003844A CN117494618A CN 117494618 A CN117494618 A CN 117494618A CN 202410003844 A CN202410003844 A CN 202410003844A CN 117494618 A CN117494618 A CN 117494618A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- unit
- wind
- image
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000295 complement effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011157 data evaluation Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000003631 expected effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明公开了一种基于实时网络的风电场智能图像监控系统，涉及图像监控技术领域，包括联合仿真单元、数据监测单元、图像调用单元、指令运行单元、实时数据采集单元、数据处理单元、数据存储单元、基本模型搭建单元和风机电气建模单元，本发明通过数据处理单元中异常初步识别模块和异常算法识别模块，来筛选和删除机组输出功率异常的数据，由于异常数据大多由于网络异常以及环境因素影响产生的，不能够真实反映风电机组整体的运行状态，通过改进最优方差算法将其过滤，使得系统在后续仿真过程中所产生的预测数据能够更加准确，同时联合仿真单元利用多软件之间的数据交互，不仅实现了实时仿真的效果，而且搭建的风电机组模型更加精细化。
Description
技术领域
本发明涉及图像监控技术领域，具体为一种基于实时网络的风电场智能图像监控系统。
背景技术
风电场智能图像监控系统主要应用于对整个风电场的集中监控和管理，不仅能够实时监测和显示各个风力发电机的运行状态、发电功率、风速、风向等数据，还可以对风电场的运行进行远程控制和优化调度，使得操作人员能够及时了解风电机组的运行状态，在申请号为202021058191.4发明专利中公开了“一种基于风电场监控的网络安全态势感知系统，包括风能数据采集装置用于采集风能信息，并将风能信息传输至数据管理系统；风电场机组数据采集装置用于采集风力机组设备数据，并将风力机组设备数据传输至数据管理系统；数据管理系统用于存储风能数据、风电场机组数据，并将数据传输至风电场预测系统；风电场预测系统采用网络安全感知系统，用于分析处理数据管理系统的数据，对风能、风电机组进行监控、预测；决策装置用于根据风电场预测系统的输出结果，判断是否触发应急预案。通过将风电场的数据实时发送至数据管理系统进行存储，随后通过风电场预测系统对风电数据进行处理分析，对实现风电场的远距离监控、维护、调度。”；
上述对比文件解决了传统风电场监控系统在风能预测、设备故障分析不能很好的满足风电建设要求等问题，但是系统运行时，对于采集的数据没有进行异常数据识别，影响后续系统对数据分析预测的准确度，同时该系统并未对风电机组进行建模仿真，操作人员无法查看风电机组的运行效果及时调整计划，并且对于摄像头采集到图像信息也没有进行完整处理，使得图像的质量较低，不便于操作人员观察风电机组的外部细节。
发明内容
本发明的目的在于提供一种基于实时网络的风电场智能图像监控系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于实时网络的风电场智能图像监控系统，包括联合仿真单元、数据监测单元、图像调用单元和指令运行单元，
实时数据采集单元，所述实时数据采集单元通过风速计、风向传感器和温湿度传感器获取当前风电机组周围环境数据，利用测控装置、电机计量终端以及其他设备采集风电机组的电力相关数据，使用转速传感器、振动传感器以及其他传感器捕捉风电机组内部组件运行数据，同时在网络异常时，利用手工补数应用对数据进行手工补录，将获取的原始数据传输至风电机组控制器；
数据处理单元，所述数据处理单元利用实时数据采集单元获取采集到的原始数据后，进行数据清洗，将风速和功率数据进行结合，绘制出机组风速-功率曲线图，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除；
数据存储单元，所述数据存储单元提取风电机组控制器中各风电机组基本信息以及相关性能参数传输至服务器数据库后，再将经过数据处理单元处理的数据存储至服务器数据库中；
基本模型搭建单元，所述基本模型搭建单元利用FAST仿真软件完成空气动力学模型、结构动力学模型和变化风速模型的初步搭建，提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息；
风机电气建模单元，所述风机电气建模单元利用RT-LAB软件搭建风电机组的电气模型，其中包括发电机、换流器、变压器、传输线和电网模型。
优选的，所述实时数据采集单元包括气象数据采集模块、电力数据采集模块、机组数据采集模块和数据补录模块，所述气象数据采集模块利用测风塔上安装的风速计获取当前风电机组周围的风速数据，通过风向传感器获取风向数据，利用温湿度传感器获取温度和湿度数据，将这些数据传输至数据采集器，所述电力数据采集模块通过测控装置采集电网运行状态信息，电力计量终端采集电能量数据信息，PMU装置测量在暂态过程中各节点的电压向量，故障录波装置收集主变压器保护记录数据、数据线保护记录数据以及故障信息数据，将相关数据信息传输至控制器，所述机组数据采集模块通过转速传感器采集风电机组转动速度，振动传感器对风车叶片运行状态下的振动情况进行采集，角度传感器测量风电机组中旋转部件的位置和转角信息，位移传感器检测风电设备中部件的微小位移数据，红外测温仪测量风电机组内部温度数据，将这些数据传输至数据采集器，所述数据补录模块在网络发生异常的情况下，通过手工补数应用对数据进行手动补录，并且直接将数据采集器中的原始数据传输至控制器。
优选的，所述数据处理单元包括数据预处理模块、功率曲线绘制模块、异常初步识别模块和异常算法识别模块，所述数据预处理模块利用实时数据采集单元获取采集到的原始数据后，进行数据清洗，删除冗余以及无效数据，所述功率曲线绘制模块获取数据预处理模块中的风速以及功率数据后，将这些数据进行结合，绘制出机组风速-功率曲线图，所述异常初步识别模块根据风电机组运行机理分析，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，所述异常算法识别模块将异常初步识别模块处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除，所述改进最优方差算法具体为：
；
其中，表示/>点的功率，/>表示第/>到第/>的平均功率，/>、/>和/>表示常数，/>表示数据点个数，/>和/>表示方差的两个阈值。
优选的，所述基本模型搭建单元包括空气动力学搭建模块、结构动力学搭建模块、风速搭建模块和输入文件配置模块，所述空气动力学搭建模块利用FAST仿真软件通过叶素动量理论计算分析风力机的气动载荷，得到准确的空气动力学转矩，完成空气动力学模型的初步搭建，所述结构动力学搭建模块通过FAST仿真软件建立完整的坐标系统定义刚性结构，采用模态表示法对柔性结构进行描述，结合动力学方程确定各部件的运动学方程，完成结构动力学模型的初步搭建，所述风速搭建模块利用FAST软件根据水平风速、垂直风速、风方向以及其他参数来确定简单风速模型的搭建，再通过Turbsim程序采用统计学模型进行数值模拟，输出的风速文件被FAST软件直接调用，完成变化风速模型的初步搭建，所述输入文件配置模块提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息。
优选的，所述联合仿真单元包括数据更新模块、数据交互模块和混合仿真模块，所述数据更新模块利用处理器读取FAST软件当前的仿真时间，通过计时器对其进行计时，当计时器清零时，FAST软件中各模块进行数据计算和更新，所述数据交互模块将FAST仿真软件中计算得到的发电机转速数据以及其他数据传输至RT-LAB软件进行计算分析，同时RT-LAB软件中的电磁转矩以及其他数据将传输至FAST软件中进行计算分析，所述混合仿真模块根据FAST软件和RT-LAB软件在仿真过程中不断进行数据收发，搭建出的单个机组精细化模型后，在RT-LAB软件中电磁暂态模型的基础上，通过频率相关网络等值方法将数据传输至电力系统仿真软件中，利用电力系统仿真软件中建立外部电网的机电暂态模型，根据外部电网的动态特性，完成风电场并网建模。
优选的，所述数据监测单元包括实时监测模块、数据分析模块和预警提示模块，所述实时监测模块通过监测装置实时监测数据预处理模块所获取到风机的运行状态以及各项参数，并利用处理器提取联合仿真单元中仿真软件产生的预测数据，所述数据分析模块将实时监测模块获取到的数据利用处理器通过深度学习算法来提取具有故障特征和异常状态的数据，并与服务器中故障库进行比对，确定故障以及异常的类型，所述预警提示模块根据数据分析模块确定故障以及异常的类型后，将具有故障特征和异常状态的数据和类型传输至可视化界面，由可视化界面进行输出。
优选的，所述图像调用单元包括图像采集模块、图像处理模块、图像存储模块和图像输出模块，所述图像采集模块通过多个视频摄像头对当前风电机组进行拍摄，将获取到的图像数据信息传输至处理器，所述图像处理模块利用处理器通过加权平均法对图像进行灰度处理后，通过处理算法计算分析，去除图像信息中的噪声，来提高图像清晰度后，再利用处理算法删除图像中不相关的像素以及边缘点，添加图像边界点，确保图像中的物体与背景信息相互交融，所述图像存储模块获取图像处理模块中的图像信息后，通过风电机组控制器将图像信息传输至服务器数据库，所述图像输出模块通过控制系统从服务器数据库中查询相关图像信息后，将这些图像信息传输至可视化界面，由可视化界面进行输出，所述处理算法包括中值滤波算法，所述中值滤波算法具体为：
；
其中，表示领域像素值，/>表示常数，/>表示第/>个领域像素值，/>表示像素点数目。
优选的，所述指令运行单元包括指令接收模块、数据模拟模块、数据评估模块和机组控制模块，所述指令接收模块当用户对风电机组发出的控制指令和参数信息后，由控制系统接收控制指令和参数信息，并将指令进行解析，所述数据模拟模块按照控制指令调取数据至相应接口后，将参数信息利用FAST软件、RT-LAB软件和电力系统仿真软件进行仿真，仿真结束后的预测数据将会在风电机组模型上进行模拟实现，所述数据评估模块将仿真软件计算分析的数据与预期结果数据进行对比，若计算分析的数据与预期结果数据不符，则该控制指令无法达到预期效果，需要重新进行输入，若计算分析的数据与预期结果数据相符合，则判断该控制指令能够达到预期效果，所述机组控制模块利用数据评估模块确定控制指令能够达到预期效果后，将控制指令和参数信息传输至风电机组控制器，从而控制风电机组运行。
与现有技术相比，本发明的有益效果是：
本发明通过数据处理单元中异常初步识别模块和异常算法识别模块，来筛选和删除机组输出功率异常的数据，由于异常数据大多由于网络异常以及环境因素影响产生的，不能够真实反映风电机组整体的运行状态，通过改进最优方差算法将其过滤，使得系统在后续仿真过程中所产生的预测数据能够更加准确，同时联合仿真单元利用多软件之间的数据交互，不仅实现了实时仿真的效果，而且搭建的风电机组模型更加精细化，操作人员能够观察风电机组模型获取现场风电机组的内部组件的运行状态，通过数据分析模块提取具有故障特征以及异常状态的数据，确定其类型，便于操作人员及时处理风电机组所产生的故障问题；
本发明通过图像处理模块对图像进行灰度处理，能够简化矩阵，提高系统的运算速度，利用处理算法去除图像信息中的噪声，增加图像清晰度，使得图像质量能够大大提高，删除图像中不相关的像素以及边缘点，添加图像边界点，确保图像中的物体与背景信息相互交融，指令运行单元中的数据模拟模块确保指令在执行前能够提前在风电机组模型中进行模拟，避免错误以及无效指令影响风电机组正常运行，操作人员能够根据模拟结果及时进行计划性调整，一方面方便操作人员第一时间获得指令执行后的预期结果数据，另一方面保证风电机组硬件安全，数据评估模块将会根据仿真结果进行评估，判断控制指令是否有效，确保符合要求的指令能够及时下达至风电机组控制器，使得风电机组能够正常运行。
附图说明
图1为本发明实施例提供整体系统流程示意图；
图2为本发明实施例提供的实时数据采集单元的内部模块框图；
图3为本发明实施例提供的基本模型搭建单元的内部模块框图；
图4为本发明实施例提供的联合仿真单元的内部模块框图；
图5为本发明实施例提供的图像调用单元的内部模块框图。
图中：1、实时数据采集单元；101、气象数据采集模块；102、电力数据采集模块；103、机组数据采集模块；104、数据补录模块；2、数据处理单元；201、数据预处理模块；202、功率曲线绘制模块；203、异常初步识别模块；204、异常算法识别模块；3、数据存储单元；4、基本模型搭建单元；401、空气动力学搭建模块；402、结构动力学搭建模块；403、风速搭建模块；404、输入文件配置模块；5、风机电气建模单元；6、联合仿真单元；601、数据更新模块；602、数据交互模块；603、混合仿真模块；7、数据监测单元；701、实时监测模块；702、数据分析模块；703、预警提示模块；8、图像调用单元；801、图像采集模块；802、图像处理模块；803、图像存储模块；804、图像输出模块；9、指令运行单元；901、指令接收模块；902、数据模拟模块；903、数据评估模块；904、机组控制模块。
具体实施方式
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做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。
请参阅图1-5，本发明提供一种技术方案：一种基于实时网络的风电场智能图像监控系统，包括联合仿真单元6、数据监测单元7、图像调用单元8和指令运行单元9；
实时数据采集单元1，实时数据采集单元1通过风速计、风向传感器和温湿度传感器获取当前风电机组周围环境数据，利用测控装置、电机计量终端以及其他设备采集风电机组的电力相关数据，使用转速传感器、振动传感器以及其他传感器捕捉风电机组内部组件运行数据，同时在网络异常时，利用手工补数应用对数据进行手工补录，将获取的原始数据传输至风电机组控制器；
数据处理单元2，数据处理单元2利用实时数据采集单元1获取采集到的原始数据后，进行数据清洗，将风速和功率数据进行结合，绘制出机组风速-功率曲线图，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除；
数据存储单元3，数据存储单元3提取风电机组控制器中各风电机组基本信息以及相关性能参数传输至服务器数据库后，再将经过数据处理单元2处理的数据存储至服务器数据库中；
基本模型搭建单元4，基本模型搭建单元4利用FAST仿真软件完成空气动力学模型、结构动力学模型和变化风速模型的初步搭建，提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息；
风机电气建模单元5，风机电气建模单元5利用RT-LAB软件搭建风电机组的电气模型，其中包括发电机、换流器、变压器、传输线和电网模型。
实时数据采集单元1包括气象数据采集模块101、电力数据采集模块102、机组数据采集模块103和数据补录模块104，气象数据采集模块101利用测风塔上安装的风速计获取当前风电机组周围的风速数据，通过风向传感器获取风向数据，利用温湿度传感器获取温度和湿度数据，将这些数据传输至数据采集器，电力数据采集模块102通过测控装置采集电网运行状态信息，电力计量终端采集电能量数据信息，PMU装置测量在暂态过程中各节点的电压向量，故障录波装置收集主变压器保护记录数据、数据线保护记录数据以及故障信息数据，将相关数据信息传输至控制器，机组数据采集模块103通过转速传感器采集风电机组转动速度，振动传感器对风车叶片运行状态下的振动情况进行采集，角度传感器测量风电机组中旋转部件的位置和转角信息，位移传感器检测风电设备中部件的微小位移数据，红外测温仪测量风电机组内部温度数据，将这些数据传输至数据采集器，数据补录模块104在网络发生异常的情况下，通过手工补数应用对数据进行手动补录，并且直接将数据采集器中的原始数据传输至控制器；
数据处理单元2包括数据预处理模块201、功率曲线绘制模块202、异常初步识别模块203和异常算法识别模块204，数据预处理模块201利用实时数据采集单元1获取采集到的原始数据后，进行数据清洗，删除冗余以及无效数据，功率曲线绘制模块202获取数据预处理模块201中的风速以及功率数据后，将这些数据进行结合，绘制出机组风速-功率曲线图，异常初步识别模块203根据风电机组运行机理分析，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，异常算法识别模块204将异常初步识别模块203处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除，所述改进最优方差算法具体为：
；
其中，表示/>点的功率，/>表示第/>到第/>的平均功率，/>表示常数，/>表示数据点个数，/>和/>表示方差的两个阈值；
基本模型搭建单元4包括空气动力学搭建模块401、结构动力学搭建模块402、风速搭建模块403和输入文件配置模块404，空气动力学搭建模块401利用FAST仿真软件通过叶素动量理论计算分析风力机的气动载荷，得到准确的空气动力学转矩，完成空气动力学模型的初步搭建，结构动力学搭建模块402通过FAST仿真软件建立完整的坐标系统定义刚性结构，采用模态表示法对柔性结构进行描述，结合动力学方程确定各部件的运动学方程，完成结构动力学模型的初步搭建，风速搭建模块403利用FAST软件根据水平风速、垂直风速、风方向以及其他参数来确定简单风速模型的搭建，再通过Turbsim程序采用统计学模型进行数值模拟，输出的风速文件被FAST软件直接调用，完成变化风速模型的初步搭建，输入文件配置模块404提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息；
联合仿真单元6包括数据更新模块601、数据交互模块602和混合仿真模块603，数据更新模块601利用处理器读取FAST软件当前的仿真时间，通过计时器对其进行计时，当计时器清零时，FAST软件中各模块进行数据计算和更新，数据交互模块602将FAST仿真软件中计算得到的发电机转速数据以及其他数据传输至RT-LAB软件进行计算分析，同时RT-LAB软件中的电磁转矩以及其他数据将传输至FAST软件中进行计算分析，混合仿真模块603根据FAST软件和RT-LAB软件在仿真过程中不断进行数据收发，搭建出的单个机组精细化模型后，在RT-LAB软件中电磁暂态模型的基础上，通过频率网络等值方法将数据传输至电力系统仿真软件中，利用电力系统仿真软件中建立外部电网的机电暂态模型，根据外部电网的动态特性，完成风电场并网建模；
数据监测单元7包括实时监测模块701、数据分析模块702和预警提示模块703，实时监测模块701通过监测装置实时监测数据预处理模块201所获取到风机的运行状态以及各项参数，并利用处理器提取联合仿真单元6中仿真软件产生的预测数据，数据分析模块702将实时监测模块701获取到的数据利用处理器通过深度学习算法来提取具有故障特征和异常状态的数据，并与服务器中故障库进行比对，确定故障以及异常的类型，预警提示模块703根据数据分析模块702确定故障以及异常的类型后，将具有故障特征和异常状态的数据和类型传输至可视化界面，由可视化界面进行输出；
图像调用单元8包括图像采集模块801、图像处理模块802、图像存储模块803和图像输出模块804，图像采集模块801通过多个视频摄像头对当前风电机组进行拍摄，将获取到的图像数据信息传输至处理器，图像处理模块802利用处理器通过加权平均法对图像进行灰度处理后，通过处理算法计算分析，去除图像信息中的噪声，来提高图像清晰度后，再利用处理算法删除图像中不相关的像素以及边缘点，添加图像边界点，确保图像中的物体与背景信息相互交融，图像存储模块803获取图像处理模块802中的图像信息后，通过风电机组控制器将图像信息传输至服务器数据库，图像输出模块804通过控制系统从服务器数据库中查询相关图像信息后，将这些图像信息传输至可视化界面，由可视化界面进行输出，所述处理算法包括中值滤波算法，所述中值滤波算法具体为：
；
其中，表示领域像素值，/>表示常数，/>表示第/>个领域像素值，/>表示像素点数目；
所述处理算法还包括腐蚀处理算法，所述腐蚀处理算法具体为：
；
其中，表示腐蚀后的图像，/>表示腐蚀/>的结构元素模板，/>表示任一种由0或1像素组成的图形，/>表示某点在图像中横坐标，/>表示某点在图像中纵坐标；
所述处理算法还包括膨胀处理算法，所述膨胀处理算法具体为：
；
其中，表示膨胀后的图像，/>表示膨胀/>的结构元素模板，/>表示经过二值化后的图像像素集合，/>表示某点在图像中横坐标，/>表示某点在图像中纵坐标；
指令运行单元9包括指令接收模块901、数据模拟模块902、数据评估模块903和机组控制模块904，指令接收模块901当用户对风电机组发出的控制指令和参数信息后，由控制系统接收控制指令和参数信息，并将指令进行解析，数据模拟模块902按照控制指令调取数据至相应接口后，将参数信息利用FAST软件、RT-LAB软件和电力系统仿真软件进行仿真，仿真结束后的预测数据将会在风电机组模型上进行模拟实现，数据评估模块903将仿真软件计算分析的数据与预期结果数据进行对比，若计算分析的数据与预期结果数据不符，则该控制指令无法达到预期效果，需要重新进行输入，若计算分析的数据与预期结果数据相符合，则判断该控制指令能够达到预期效果，机组控制模块904利用数据评估模块903确定控制指令能够达到预期效果后，将控制指令和参数信息传输至风电机组控制器，从而控制风电机组运行。
工作原理：本发明通过实时数据采集单元1中的气象数据采集模块101获取当前风电机组周围的风速、风向、温度和湿度数据，将这些数据传输至数据采集器，并且电力数据采集模块102采集电网运行状态信息、电能量数据信息、在暂态过程中各节点的电压向量和主变压器保护记录数据、数据线保护记录数据以及故障信息数据，将相关数据信息传输至控制器，同时机组数据采集模块103采集风电机组转动速度、风车叶片运行状态下的振动情况、风电机组中旋转部件的位置和转角信息、风电设备中部件的微小位移数据和风电机组内部温度数据，将这些数据传输至数据采集器，当网络发生异常时，利用数据补录模块104对数据进行手动补录，通过数据处理单元2中数据预处理模块201对实时数据采集单元1中的原始数据进行数据清洗，删除冗余数据，功率曲线绘制模块202将风速和功率数据绘制成风速-功率曲线图，由异常初步识别模块203根据风电机组运行机理分析，删除输出功率为零或者负值的异常数据后，利用异常算法识别模块204通过改进最优方差算法对数据进行筛选，进一步删除异常数据，数据存储单元3会将处理后的数据存储至服务器数据库中，同时将风电机组控制器中存储的风电机组基本信息传输至数据库，通过基本模型搭建单元4中的空气动力学搭建模块401完成空气动力学模型的搭建，利用结构动力学搭建模块402来完成结构动力学模型的搭建，风速搭建模块403完成风速模型的搭建，再通过输入文件配置模块404将相关数据信息传输至FAST软件内部的主输入文件和各个性能模块的输入文件中，利用风机电气建模单元5搭建风电机组的电气模型后，联合仿真单元6中数据更新模块601读取FAST软件当前仿真时间，使得FAST软件中各模块进行数据计算和更新，数据交互模块602将FAST软件计算得到的发电机转速数据以及其他数据传输至RT-LAB软件进行分析，同时将RT-LAB软件中的电磁转矩以及其他数据传输至FAST软件进行计算，再利用混合仿真模块603搭建出单个机组精细化模型后，在RT-LAB软件中电磁暂态模型的基础上，通过频率网络等值方法将数据传输至电力系统仿真软件中，完成风电场并网建模后，通过数据监测单元7中的实时监测模块701获取风机运行状态以及各项参数，并利用处理器提取仿真软件中预测数据，根据数据分析模块702对数据进行分析，提取具有故障特征和异常状态的数据，在服务器故障库进行比对，确定类型后，由预警提示模块703将这些数据以及类型输出，图像调用单元8中图像采集模块801通过视频摄像头采集图像信息后，将这些图像信息传输至图像处理模块802，图像处理模块802通过处理算法提高图像质量，图像存储模块803将这些处理后的图像信息存储至服务器数据库中，当需要调取相应的图像信息时，图像输出模块804将这些图像信息进行输出，指令运行单元9中的指令接收模块901接收控制指令和参数信息，并将指令进行解析，通过数据模拟模块902将仿真结束后的预测数据在风电机组模型上进行模拟实现，由数据评估模块903将仿真软件计算分析的数据与预期结果数据进行对比，若计算分析的数据与预期结果数据不符，则该控制指令无法达到预期效果，需要重新进行输入，若计算分析的数据与预期结果数据相符合，则判断该控制指令能够达到预期效果，最后机组控制模块904将控制指令和参数信息传输至风电机组控制器，从而控制风电机组运行。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于实时网络的风电场智能图像监控系统，包括联合仿真单元（6）、数据监测单元（7）、图像调用单元（8）和指令运行单元（9），其特征在于：
实时数据采集单元（1），所述实时数据采集单元（1）通过风速计、风向传感器和温湿度传感器获取当前风电机组周围环境数据，利用测控装置、电机计量终端以及其他设备采集风电机组的电力相关数据，使用转速传感器、振动传感器以及其他传感器捕捉风电机组内部组件运行数据，同时在网络异常时，利用手工补数应用对数据进行手工补录，将获取的原始数据传输至风电机组控制器；
数据处理单元（2），所述数据处理单元（2）利用实时数据采集单元（1）获取采集到的原始数据后，进行数据清洗，将风速和功率数据进行结合，绘制出机组风速-功率曲线图，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除；
数据存储单元（3），所述数据存储单元（3）提取风电机组控制器中各风电机组基本信息以及相关性能参数传输至服务器数据库后，再将经过数据处理单元（2）处理的数据存储至服务器数据库中；
基本模型搭建单元（4），所述基本模型搭建单元（4）利用FAST仿真软件完成空气动力学模型、结构动力学模型和变化风速模型的初步搭建，提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息；
风机电气建模单元（5），所述风机电气建模单元（5）利用RT-LAB软件搭建风电机组的电气模型，其中包括发电机、换流器、变压器、传输线和电网模型。
2.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述实时数据采集单元（1）包括气象数据采集模块（101）、电力数据采集模块（102）、机组数据采集模块（103）和数据补录模块（104），所述气象数据采集模块（101）利用测风塔上安装的风速计获取当前风电机组周围的风速数据，通过风向传感器获取风向数据，利用温湿度传感器获取温度和湿度数据，将这些数据传输至数据采集器，所述电力数据采集模块（102）通过测控装置采集电网运行状态信息，电力计量终端采集电能量数据信息，PMU装置测量在暂态过程中各节点的电压向量，故障录波装置收集主变压器保护记录数据、数据线保护记录数据以及故障信息数据，将相关数据信息传输至控制器，所述机组数据采集模块（103）通过转速传感器采集风电机组转动速度，振动传感器对风车叶片运行状态下的振动情况进行采集，角度传感器测量风电机组中旋转部件的位置和转角信息，位移传感器检测风电设备中部件的微小位移数据，红外测温仪测量风电机组内部温度数据，将这些数据传输至数据采集器，所述数据补录模块（104）在网络发生异常的情况下，通过手工补数应用对数据进行手动补录，并且直接将数据采集器中的原始数据传输至控制器。
3.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述数据处理单元（2）包括数据预处理模块（201）、功率曲线绘制模块（202）、异常初步识别模块（203）和异常算法识别模块（204），所述数据预处理模块（201）利用实时数据采集单元（1）获取采集到的原始数据后，进行数据清洗，删除冗余以及无效数据，所述功率曲线绘制模块（202）获取数据预处理模块（201）中的风速以及功率数据后，将这些数据进行结合，绘制出机组风速-功率曲线图，所述异常初步识别模块（203）根据风电机组运行机理分析，当风速数值低于切入风速、高于切出风速以及风速数值在切入风速和切出风速之间时，将该范围内输出功率为零或者负值的异常数据进行识别和删除，所述异常算法识别模块（204）将异常初步识别模块（203）处理的数据进行提取后，通过改进最优方差算法对数据进行计算分析，筛选出机组风速-功率曲线图中的全部异常数据，并将这些数据删除。
4.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述基本模型搭建单元（4）包括空气动力学搭建模块（401）、结构动力学搭建模块（402）、风速搭建模块（403）和输入文件配置模块（404），所述空气动力学搭建模块（401）利用FAST仿真软件通过叶素动量理论计算分析风力机的气动载荷，得到准确的空气动力学转矩，完成空气动力学模型的初步搭建，所述结构动力学搭建模块（402）通过FAST仿真软件建立完整的坐标系统定义刚性结构，采用模态表示法对柔性结构进行描述，结合动力学方程确定各部件的运动学方程，完成结构动力学模型的初步搭建，所述风速搭建模块（403）利用FAST软件根据水平风速、垂直风速、风方向以及其他参数来确定简单风速模型的搭建，再通过Turbsim程序采用统计学模型进行数值模拟，输出的风速文件被FAST软件直接调用，完成变化风速模型的初步搭建，所述输入文件配置模块（404）提取服务器数据库中相关数据信息，将这些数据信息传输至FAST仿真软件内部的主输入文件和各个性能模块的输入文件中，确定各模型详细参数信息。
5.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述联合仿真单元（6）包括数据更新模块（601）、数据交互模块（602）和混合仿真模块（603），所述数据更新模块（601）利用处理器读取FAST软件当前的仿真时间，通过计时器对其进行计时，当计时器清零时，FAST软件中各模块进行数据计算和更新，所述数据交互模块（602）将FAST仿真软件中计算得到的发电机转速数据以及其他数据传输至RT-LAB软件进行计算分析，同时RT-LAB软件中的电磁转矩以及其他数据将传输至FAST软件中进行计算分析，所述混合仿真模块（603）根据FAST软件和RT-LAB软件在仿真过程中不断进行数据收发，搭建出的单个机组精细化模型后，在RT-LAB软件中电磁暂态模型的基础上，通过频率网络等值方法将数据传输至电力系统仿真软件中，利用电力系统仿真软件中建立外部电网的机电暂态模型，根据外部电网的动态特性，完成风电场并网建模。
6.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述数据监测单元（7）包括实时监测模块（701）、数据分析模块（702）和预警提示模块（703），所述实时监测模块（701）通过监测装置实时监测数据预处理模块（201）所获取到风机的运行状态以及各项参数，并利用处理器提取联合仿真单元（6）中仿真软件产生的预测数据，所述数据分析模块（702）将实时监测模块（701）获取到的数据利用处理器通过深度学习算法来提取具有故障特征和异常状态的数据，并与服务器中故障库进行比对，确定故障以及异常的类型，所述预警提示模块（703）根据数据分析模块（702）确定故障以及异常的类型后，将具有故障特征和异常状态的数据和类型传输至可视化界面，由可视化界面进行输出。
7.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述图像调用单元（8）包括图像采集模块（801）、图像处理模块（802）、图像存储模块（803）和图像输出模块（804），所述图像采集模块（801）通过多个视频摄像头对当前风电机组进行拍摄，将获取到的图像数据信息传输至处理器，所述图像处理模块（802）利用处理器通过加权平均法对图像进行灰度处理后，通过处理算法计算分析，去除图像信息中的噪声，来提高图像清晰度后，再利用处理算法删除图像中不相关的像素以及边缘点，添加图像边界点，确保图像中的物体与背景信息相互交融，所述图像存储模块（803）获取图像处理模块（802）中的图像信息后，通过风电机组控制器将图像信息传输至服务器数据库，所述图像输出模块（804）通过控制系统从服务器数据库中查询相关图像信息后，将这些图像信息传输至可视化界面，由可视化界面进行输出。
8.根据权利要求1所述的一种基于实时网络的风电场智能图像监控系统，其特征在于：所述指令运行单元（9）包括指令接收模块（901）、数据模拟模块（902）、数据评估模块（903）和机组控制模块（904），所述指令接收模块（901）当用户对风电机组发出的控制指令和参数信息后，由控制系统接收控制指令和参数信息，并将指令进行解析，所述数据模拟模块（902）按照控制指令调取数据至相应接口后，将参数信息利用FAST软件、RT-LAB软件和电力系统仿真软件进行仿真，仿真结束后的预测数据将会在风电机组模型上进行模拟实现，所述数据评估模块（903）将仿真软件计算分析的数据与预期结果数据进行对比，若计算分析的数据与预期结果数据不符，则该控制指令无法达到预期效果，需要重新进行输入，若计算分析的数据与预期结果数据相符合，则判断该控制指令能够达到预期效果，所述机组控制模块（904）利用数据评估模块（903）确定控制指令能够达到预期效果后，将控制指令和参数信息传输至风电机组控制器，从而控制风电机组运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410003844.5A CN117494618B (zh) | 2024-01-03 | 2024-01-03 | 一种基于实时网络的风电场智能图像监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410003844.5A CN117494618B (zh) | 2024-01-03 | 2024-01-03 | 一种基于实时网络的风电场智能图像监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494618A true CN117494618A (zh) | 2024-02-02 |
| CN117494618B CN117494618B (zh) | 2024-04-09 |
Family
ID=89669487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410003844.5A Active CN117494618B (zh) | 2024-01-03 | 2024-01-03 | 一种基于实时网络的风电场智能图像监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494618B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103715718A (zh) * | 2014-01-10 | 2014-04-09 | 华北电力大学 | 网源联合仿真及其多级调度闭环控制系统 |
| US20190067939A1 (en) * | 2016-05-18 | 2019-02-28 | China Electric Power Research Institute Company Limited | Multi-time-scale digital/analog hybrid simulation system and method for power distribution network and storage medium |
| CN110134919A (zh) * | 2019-04-30 | 2019-08-16 | 华北电力大学 | 风电机组异常数据清洗方法 |
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
| CN114421490A (zh) * | 2021-12-15 | 2022-04-29 | 国网浙江省电力有限公司电力科学研究院 | 风电参与电网频率支撑的快速仿真模型的构建方法 |
| CN115933429A (zh) * | 2022-10-19 | 2023-04-07 | 浙江运达风电股份有限公司 | 一种基于电压源型风电机组的实时仿真系统搭建方法 |
| CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
-
2024
- 2024-01-03 CN CN202410003844.5A patent/CN117494618B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103715718A (zh) * | 2014-01-10 | 2014-04-09 | 华北电力大学 | 网源联合仿真及其多级调度闭环控制系统 |
| US20190067939A1 (en) * | 2016-05-18 | 2019-02-28 | China Electric Power Research Institute Company Limited | Multi-time-scale digital/analog hybrid simulation system and method for power distribution network and storage medium |
| CN110134919A (zh) * | 2019-04-30 | 2019-08-16 | 华北电力大学 | 风电机组异常数据清洗方法 |
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
| CN114421490A (zh) * | 2021-12-15 | 2022-04-29 | 国网浙江省电力有限公司电力科学研究院 | 风电参与电网频率支撑的快速仿真模型的构建方法 |
| CN115933429A (zh) * | 2022-10-19 | 2023-04-07 | 浙江运达风电股份有限公司 | 一种基于电压源型风电机组的实时仿真系统搭建方法 |
| CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨洋;孙静;杨培栋;肖湘宁;潘明明;: "适用于混合仿真的戴维南等值阻抗改进求取算法", 电力工程技术, no. 04, 28 July 2017 (2017-07-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494618B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2869144B1 (en) | Simulation testing platform for wind power plant and testing method thereof | |
| CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
| CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
| CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
| CN102434387A (zh) | 风机检测诊断系统 | |
| KR20210108257A (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
| CN116054417B (zh) | 一种变电站用的监控系统及方法 | |
| Cui et al. | An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes | |
| CN114386632A (zh) | 一种基于电力大数据的配电运维系统 | |
| He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
| CN110608133B (zh) | 一种海上风力发电控制系统及方法 | |
| CN117494618B (zh) | 一种基于实时网络的风电场智能图像监控系统 | |
| 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 | |
| CN208431106U (zh) | 风电机组偏航系统在线监测机构 | |
| CN106525214A (zh) | 一种风力发电机振动检测系统 | |
| CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
| CN116221037A (zh) | 一种风电机组监测方法和装置 | |
| CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN113537051A (zh) | 一种复杂大场景下的海上人员安全作业监控算法 | |
| WO2021122194A1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
| CN112749820A (zh) | 一种风电功率预测方法及系统 | |
| CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测系统 | |
| Li | Optimization of Computer Communication Monitoring System for Wind Turbine Speed |
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 |