CN118167563A - 基于scada的风机控制参数异常检测方法及系统 - Google Patents
基于scada的风机控制参数异常检测方法及系统 Download PDFInfo
- Publication number
- CN118167563A CN118167563A CN202410164746.XA CN202410164746A CN118167563A CN 118167563 A CN118167563 A CN 118167563A CN 202410164746 A CN202410164746 A CN 202410164746A CN 118167563 A CN118167563 A CN 118167563A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- parameter
- fan
- early warning
- historical
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 329
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本申请涉及异常检测技术领域,提供基于SCADA的风机控制参数异常检测方法及系统。所述方法包括:连接目标区域的SCADA系统,采集获得第一风机在预设时间内的风机控制参数数据;获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;基于异常参数指标构建异常参数识别模型;将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果;获取异常等级;根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。本申请解决了现有技术中风机安全性不高,稳定性较差,维护成本较高的技术问题,达到了提高风机安全性和稳定性,降低维护成本的技术效果。
Description
技术领域
本申请涉及异常检测技术领域,特别是涉及基于SCADA的风机控制参数异常检测方法及系统。
背景技术
SCADA是指数据采集与视频监控系统,数据采集是将各种信息传感设备通过网络结合起来,实现任何时间、任何地点,人、机、物的互联互通;市场竞争中企业装备与运营模式的升级数据是关键。因此企业数据意识越来越强,IT与OT数据的深度融合,工业数据采集在智能制造中扮演着至关重要的角色,无处不在、无所不及,是实现智能制造目标不可或缺的关键技术之一。基于SCADA的风机控制参数异常检测方法及系统可以实时监测风力发电机组的运行状态,及时发现潜在的异常,为用户提供可靠的决策依据,提高风力发电机组的安全性和稳定性。同时,该方法及系统还可以降低维护成本和延长设备使用寿命。
综上所述,现有技术中存在风机安全性不高,稳定性较差,维护时需要更多的成本的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高风机安全性和稳定性,降低维护成本的基于SCADA的风机控制参数异常检测方法及系统。
第一方面,本申请提供了基于SCADA的风机控制参数异常检测方法,包括:连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;根据所述异常状态信息进行异常等级划分,获取异常等级;根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
第二方面,本申请提供了基于SCADA的风机控制参数异常检测系统,包括:风机控制参数数据采集模块,所述风机控制参数数据采集模块用于连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;异常参数特征提取模块,所述异常参数特征提取模块用于基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;异常参数识别模型构建模块,所述异常参数识别模型构建模块用于根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;异常参数识别结果获取模块,所述异常参数识别结果获取模块用于将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;异常等级获取模块,所述异常等级获取模块用于根据所述异常状态信息进行异常等级划分,获取异常等级;预警指令生成模块,所述预警指令生成模块用于根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
首先,连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;其次,基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;再根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;然后将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;接下来根据所述异常状态信息进行异常等级划分,获取异常等级;最后根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。本申请解决了现有技术中风机安全性不高,稳定性较差,维护成本较高的技术问题,达到了提高风机安全性和稳定性,降低维护成本的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中基于SCADA的风机控制参数异常检测方法的流程示意图;
图2为一个实施例中基于SCADA的风机控制参数异常检测方法的对异常参数指标进行补偿的流程示意图;
图3为一个实施例中基于SCADA的风机控制参数异常检测系统的结构框图。
附图标记说明:风机控制参数数据采集模块11,异常参数特征提取模块12,异常参数识别模型构建模块13,异常参数识别结果获取模块14,异常等级获取模块15,预警指令生成模块16。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了基于SCADA的风机控制参数异常检测方法,包括:
连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;
SCADA系统是数据采集与监视控制系统。它主要用于工业自动化领域,它作为能量管理系统(EMS系统)的一个最主要的子系统,有着信息完整、提高效率、正确掌握系统运行状态、加快决策、能帮助快速诊断出系统故障状态等优势,现已经成为电力调度不可缺少的工具。本申请通过连接SCADA系统,对风机进行全方位监控,提供了基于SCADA的风机控制参数异常检测方法,达到了确保设备安全、提高运行效率、预防性维护、降低运营成本、优化能源管理的技术效果,综上所述,风机控制参数异常检测对于确保风电设备的正常运行、提高能源利用效率、降低运营成本以及优化能源管理都具有重要的意义。
目标区域是需要进行研究的,挑选出来的区域,所述目标区域包括风机发电组,本申请中是指各地风机发电组的所在区域;通过适当的通信协议(例如Modbus、OPC等)与SCADA系统建立数据连接,连接所述目标区域的SCADA系统;第一风机是指所述目标区域的风机发电组中,任意挑选出来进行研究的风机,记作第一风机,在SCADA系统中配置数据采集的规则和参数,明确所述第一风机控制参数类型和时间间隔,根据配置的规则和参数,从SCADA系统中获取第一风机在预设时间内的风机控制参数数据,所述风机控制参数数据包括风机的转速、功率、温度、压力等关键参数。通过连接目标区域的SCADA系统,并采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据,为后续的异常检测和分析奠定基础。
所述SCADA系统包括但不限于温度采集模块、转速采集模块、叶片角度采集模块;
基于所述温度采集模块、转速采集模块、叶片角度采集模块,在预设时间内对第一风机进行数据采集,获取所述风机控制参数数据,其中,所述风机控制参数数据包括但不限于温度信息集合、转速信息集合、叶片角度信息集合。
在预设时间内对第一风机进行数据采集,并获取包括温度信息集合、转速信息集合、叶片角度信息集合在内的风机控制参数数据,所述SCADA系统包括但不限于温度采集模块、转速采集模块、叶片角度采集模块,其中温度采集模块是指对所述第一风机的温度进行采集的模块,转速采集模块是指对所述第一风机的扇叶转动速度进行采集的模块,叶片角度采集模块是指对所述第一风机中叶片的角度进行采集的模块,所述SCADA系统还包括对所述第一风机其他信息进行采集的模块,例如风机压强等,此处不作赘述,只要可以对所述第一风机信息进行描述的数据,所述SCADA系统都有相应的采集模块;基于SCADA系统的温度采集模块、转速采集模块和叶片角度采集模块,在预设时间内对第一风机进行数据采集,并获取到所需的风机控制参数数据,包括但不限于温度信息集合、转速信息集合和叶片角度信息集合。其中预设时间是指工作人员自行设定的,此处不做限制,所需的风机控制参数数据是在后续需要进行深入研究的风机控制参数,需要的风机控制参数数据由工作人员根据专家经验设定而成。这些数据将用于后续的风机控制优化、性能评估和异常检测等任务。
基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;
大数据是指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产,在本申请中是指从SCADA系统和其他相关来源收集大量风机参数异常类型,所述风机参数异常类型是指风机故障时数据的类型,例如振动异常、运行不稳定、风量太小和温度异常等情况发生时的风机控制参数数据,根据所述风机参数异常类型提取异常参数特征是指根据所述风机参数异常类型得到,在所述风机发生异常或者故障时,参数的异常特征,例如当所述风机振动异常时,通常出现异常的参数为风机叶片的各项数据,将所述风机叶片出现异常的参数进行特征提取,了解每种特征与异常类型之间的关系,确定特征对于异常类型的识别和分类的关键点。基于大数据可以有效地获取风机参数的异常类型,并根据这些异常类型提取相应的异常参数特征。这些特征可以用于后续的异常检测、分类和监控等任务,帮助提高风机的运行效率和安全性。
根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;
根据所述异常参数特征建立异常参数指标,其中异常参数指标是指所述异常参数特征中,不同特征对应的不同异常参数,例如当所述风机振动异常时,叶片的监控数据发生异常,则异常叶片参数可以作为一个异常参数指标,例如,对于振动异常,可以设置振动幅度的上限;对于温度异常,可以设置变桨电机和轴承的正常温度范围等;基于所述异常参数指标,构建异常参数识别模型,所述异常参数识别模型是用来分析所述异常参数的类型,通过异常参数特征建立相应的异常参数指标,并基于这些指标构建有效的异常参数识别模型。该模型可以实时监测风机的运行状态,及时发现和预警异常情况,为风机的维护和故障排除提供支持。
基于所述异常参数指标采集多个历史异常参数集合和多个历史异常参数识别结果;
基于神经网络,构建异常参数识别模型的网络结构;
采用所述多个历史异常参数集合和多个历史异常参数识别结果,对所述异常参数识别模型进行训练,直到收敛。
根据所述异常参数指标采集多个历史异常参数集合和多个历史异常参数识别结果,其中多个历史异常参数集合和多个历史异常参数识别结果是指在过去时间内所述风机发生异常时的参数集合和所述参数集合对应的所述风机的异常情况,所述异常参数识别模型通过所述多个历史异常参数集合和多个历史异常参数识别结果进行监督训练获得。通过所述多个历史异常参数集合和多个历史异常参数识别结果对所述异常参数识别模型进行监督训练,当模型输出结果趋于收敛状态时,获得所述异常参数识别模型。通过构建异常参数识别模型,更有效地提高风机故障预测的精度和准确率,为风机的稳定运行提供有力支持。
基于所述多个历史异常参数集合提取第一历史异常参数集合,以及第一历史异常参数识别结果;
采用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行异常识别单元训练,获取第一异常识别单元;
遍历所述多个历史异常参数集合,获取多个异常识别单元;
将所述多个异常识别单元进行整合,获取所述异常参数识别模型。
从所述多个历史异常参数集合中任意选择一种异常情况,例如风机温度异常时的历史异常参数集合记作第一历史异常参数集合,并根据所述第一历史异常参数集合中对应的识别结果获取所述第一历史异常参数识别结果,采用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行第一异常识别单元训练,即构建第一异常识别单元,所述第一异常识别单元的输入数据为所述第一历史异常参数集合,输出数据为所述第一历史异常参数识别结果,根据上述方法使用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行异常识别单元训练,获取第一异常识别单元,所述异常参数识别模型由多个异常识别单元组成,遍历所有的历史异常参数集合,对每一个集合都使用其对应的异常参数识别结果来训练一个异常识别单元。通过这样的方式,可以获得多个异常识别单元,每个单元对应一个特定的历史异常参数集合。将所有的异常识别单元进行整合,形成一个更加全面的异常参数识别模型。将多个异常识别单元的预测结果进行综合,以提高整体的预测精度和稳定性。通过上述步骤,基于多个历史异常参数集合,可以构建出一个具有较高精度和稳定性的异常参数识别模型。这个模型能够根据当前的异常参数数据进行异常类型的判断,为风机的维护和故障排除提供及时的预警和诊断支持。
对所述第一历史异常参数集合按照预设比例划分,获取第一训练数据集合和第一验证数据集合;
将所述第一训练数据集合作为训练数据,获取初始第一异常识别单元;
基于所述第一验证数据集合对所述初始第一异常识别单元进行验证,根据验证结果进行参数调整,直至单元准确率达到预设准确率阈值,或者达到预设迭代次数,获得所述第一异常识别单元。
将所述第一历史异常参数集合按照预设比例划分为两部分,第一训练数据集合和第一验证数据集合,按照预设比例划分规则将所述样本数据集划分为第一训练数据集合和第一验证数据集合,所述预设比例划分比例本领域技术人员可基于实际情况自定义设置,例如:85%、15%。通过所述第一训练数据集合对所述数据分析网络层初始第一异常识别单元进行监督训练,当模型输出结果趋于收敛状态时,通过所述第一验证数据集合对所述初始第一异常识别单元的输出结果准确率进行验证,获取预设准确率阈值,所述准确率阈值本领域技术人员可基于实际情况自定义设置,例如:95%。当初始第一异常识别单元输出结果准确率大于等于所述准确率阈值时,获得所述第一异常识别单元。通过构建第一异常识别单元,所述第一异常识别单元能够对新的异常参数数据进行有效的识别和分类,为风机的故障预测和预警提供可靠的依据。为后续构建异常参数识别模型提供了铺垫。
如图2所示,获取所述第一风机的应用环境信息;
根据所述应用环境信息建立环境影响指标;
根据所述环境影响指标对所述异常参数指标进行补偿。
收集所述第一风机所在地区的气候、地理、环境等应用环境信息,包括但不限于风速、风向、气温、湿度、气压、地理位置等;分析收集到的应用环境信息,找出与风机运行和异常相关的环境因素,针对所述环境因素,建立相应的环境影响指标,例如风速变化率、湿度变化范围等;根据建立的异常参数指标和环境影响指标,分析环境因素对风机异常参数的影响程度,对异常参数指标进行补偿,以消除或减少环境因素的影响,提高异常识别的准确性和可靠性;可以采用数学模型、回归分析或机器学习等方法进行补偿。综合考虑风机的应用环境和异常参数指标,更加准确地识别和预测异常情况。同时,这种补偿方法也有助于提高风机的整体运行效率和稳定性。
将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;
将收集到的所述风机控制参数数据输入到已经构建好的异常参数识别模型中进行识别,该模型根据输入的数据进行计算和分析,以识别是否存在异常,判断风机的运行状态是否正常,如果存在异常,则进一步确定异常的类型、位置等信息,将异常参数识别结果输出,所述异常参数识别结果包括异常状态信息、异常位置信息。基于异常参数识别模型对风机控制参数数据进行实时监测和异常识别,并输出相应的异常结果,从而及时发现和预警风机异常情况。这有助于风电场的运行维护人员及时采取措施,保障风机的稳定和安全运行。
根据所述异常状态信息进行异常等级划分,获取异常等级;
根据实际情况和需求,定义不同的异常等级,如低级、中级、高级等。每个等级对应不同的异常严重程度和影响范围,根据异常参数识别模型的输出结果,分析异常状态信息的特征和性质。根据分析结果,将异常状态信息划分为不同的异常等级。可以基于异常的严重程度、持续时间、影响范围等多个因素进行综合判断,将划分的异常等级作为输出结果,提供给风电场的运行维护人员。通过异常等级的划分,可以更清晰地了解风机的异常情况,并采取相应的措施进行维护和处理。同时,不同等级的异常也可以为风电场的运营管理提供决策支持,例如优先处理高级别的异常情况,合理分配资源和人力等。持续的异常等级更新和调整也是非常重要的,以适应风电场运行环境和条件的不断变化。
根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
基于异常位置信息和异常等级,生成相应的预警指令,其中第一预警指令是指根据所述异常位置信息和所述异常等级,制定的预警解决方案,例如所述低级异常等级对应的预警解决方案为通知风机维护人员,中级异常等级对应的预警解决方案为立刻切断电源并通知风机维护人员及其上级等;通过短信、邮件、电话、应用程序等多种方式将生成的第一预警指令通过适当的方式发送至管理端;管理端接收到预警指令后,进行处理和响应。可以根据预警指令的级别和内容,采取相应的措施,例如安排维护人员前往异常位置进行检查和修复、启动应急预案等。及时将异常情况通知给风机的管理人员和维护人员,以便采取相应的措施进行应对和处理。这有助于保障风机的稳定和安全运行,减少异常对风电场的影响。
对所述第一风机进行敏感区域划分,获取第一敏感区域;
判断所述异常位置信息是否处于所述第一敏感区域,获取第一判断结果;
判断所述异常等级是否满足预设异常等级,获取第二判断结果;
当所述第一判断结果与所述第二判断结果其中一个满足,则对所述第一预警指令进行预警等级提升。
对所述第一风机进行敏感区域划分,获取第一敏感区域,敏感区域是工作人员根据历史数据和经验确定的,包括风机的某些关键部位或对风机运行影响较大的区域;判断异常位置信息是否处于第一敏感区域,如果异常位置处于敏感区域,则第一判断结果为“是”,如果异常位置不在敏感区域,则第一判断结果为“否”;判断异常等级是否满足所述预设异常等级,如果异常等级达到或超过预设异常等级,则第二判断结果为“是”,如果异常等级低于预设异常等级,则第二判断结果为“否”,其中预设异常等级为工作人员根据历史数据进行设定的等级,用来判断所述第一预警指令是否需要用来升级的,当第一判断结果为“是”或第二判断结果为“是”时,意味着异常发生在敏感区域或异常等级较高,需要提升预警等级,提升预警等级是指发出更高级别的预警指令,可包括更快的响应速度、更高的优先级或更广泛的通知范围,意味着所述第一风机的故障情况较为严重。通过上述方法,可以更加准确地判断风机的异常情况,并根据实际情况调整预警等级,提高了所述第一风机的运行维护效率和安全性。
调取上一次的历史预警指令,获取预警时间间隔;
判断所述预警时间间隔是否达到预警时间间隔阈值;
若达到,则对所述第一预警指令进行预警等级提升。
从所述SCADA系统中调取上一次的预警指令的相关信息,即历史预警指令,所述历史预警指令信息包括上一次预警的时间、内容等;基于上一次的所述历史预警指令的预警时间和当前时间,计算预警时间间隔,所述预警时间间隔可以用来判断异常是否在短时间内再次发生;判断预警时间间隔是否达到或超过预警时间间隔阈值,其中预警时间间隔阈值是指工作人员自行设定的数值,若所述预警时间间隔达到或超过阈值,则意味着异常可能在短时间内再次发生或情况较为严重,如果预警时间间隔达到阈值,则对所述第一预警指令进行预警等级提升,所述预警等级的提升可以包括增加通知人数、提高通知的优先级等。通过判断预警时间间隔,可以更加准确地判断风机的异常情况,并根据实际情况调整预警等级,这有助于提高风机的运行维护效率和安全性。本申请解决了现有技术中风机安全性不高,稳定性较差,维护成本较高的技术问题,达到了提高风机安全性和稳定性,降低维护成本的技术效果。
如图3所示,本申请实施例包括基于SCADA的风机控制参数异常检测系统,包括:
风机控制参数数据采集模块11,所述风机控制参数数据采集模块11用于连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;
异常参数特征提取模块12,所述异常参数特征提取模块12用于基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;
异常参数识别模型构建模块13,所述异常参数识别模型构建模块13用于根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;
异常参数识别结果获取模块14,所述异常参数识别结果获取模块14用于将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;
异常等级获取模块15,所述异常等级获取模块15用于根据所述异常状态信息进行异常等级划分,获取异常等级;
预警指令生成模块16,所述预警指令生成模块16用于根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
进一步地,本申请实施例还包括:
应用环境信息获取模块,所述应用环境信息获取模块用于获取所述第一风机的应用环境信息;
环境影响指标建立模块,所述环境影响指标建立模块用于根据所述应用环境信息建立环境影响指标;
异常参数指标补偿模块,所述异常参数指标补偿模块用于根据所述环境影响指标对所述异常参数指标进行补偿。
进一步地,本申请实施例还包括:
SCADA系统包含模块,所述SCADA系统包含模块用于所述SCADA系统包括但不限于温度采集模块、转速采集模块、叶片角度采集模块;
风机控制参数数据获取模块,所述风机控制参数数据获取模块用于基于所述温度采集模块、转速采集模块、叶片角度采集模块,在预设时间内对第一风机进行数据采集,获取所述风机控制参数数据,其中,所述风机控制参数数据包括但不限于温度信息集合、转速信息集合、叶片角度信息集合。
进一步地,本申请实施例还包括:
异常参数采集模块,所述异常参数采集模块用于基于所述异常参数指标采集多个历史异常参数集合和多个历史异常参数识别结果;
异常参数识别模型构建模块,所述异常参数识别模型构建模块用于基于神经网络,构建异常参数识别模型的网络结构;
异常参数识别模型训练模块,所述异常参数识别模型训练模块用于采用所述多个历史异常参数集合和多个历史异常参数识别结果,对所述异常参数识别模型进行训练,直到收敛。
进一步地,本申请实施例还包括:
历史异常参数集合提取模块,所述历史异常参数集合提取模块用于基于所述多个历史异常参数集合提取第一历史异常参数集合,以及第一历史异常参数识别结果;
异常识别单元训练模块,所述异常识别单元训练模块用于采用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行异常识别单元训练,获取第一异常识别单元;
异常识别单元获取模块,所述异常识别单元获取模块用于遍历所述多个历史异常参数集合,获取多个异常识别单元;
异常识别单元整合模块,所述异常识别单元整合模块用于将所述多个异常识别单元进行整合,获取所述异常参数识别模型。
进一步地,本申请实施例还包括:
预设比例划分模块,所述预设比例划分模块用于对所述第一历史异常参数集合按照预设比例划分,获取第一训练数据集合和第一验证数据集合;
初始异常识别单元获取模块,所述初始异常识别单元获取模块用于将所述第一训练数据集合作为训练数据,获取初始第一异常识别单元;
初始异常识别单元迭代模块,所述初始异常识别单元迭代模块用于基于所述第一验证数据集合对所述初始第一异常识别单元进行验证,根据验证结果进行参数调整,直至单元准确率达到预设准确率阈值,或者达到预设迭代次数,获得所述第一异常识别单元。
进一步地,本色申请实施例还包括:
敏感区域获取模块,所述敏感区域获取模块用于对所述第一风机进行敏感区域划分,获取第一敏感区域;
第一判断结果获取模块,所述第一判断结果获取模块用于判断所述异常位置信息是否处于所述第一敏感区域,获取第一判断结果;
第二判断结果获取模块,所述第二判断结果获取模块用于判断所述异常等级是否满足预设异常等级,获取第二判断结果;
预警等级提升模块,所述预警等级提升模块用于当所述第一判断结果与所述第二判断结果其中一个满足,则对所述第一预警指令进行预警等级提升。
进一步地,本申请实施例还包括:
预警时间间隔获取模块,所述预警时间间隔获取模块用于调取上一次的历史预警指令,获取预警时间间隔;
预警时间间隔判断模块,所述预警时间间隔判断模块用于判断所述预警时间间隔是否达到预警时间间隔阈值;
预警等级提升模块,所预警等级提升模块用于若达到,则对所述第一预警指令进行预警等级提升。
关于基于SCADA的风机控制参数异常检测系统的具体实施例可以参见上文中对于基于SCADA的风机控制参数异常检测方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.基于SCADA的风机控制参数异常检测方法,其特征在于,包括:
连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;
基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;
根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;
将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;
根据所述异常状态信息进行异常等级划分,获取异常等级;
根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
2.如权利要求1所述的方法,其特征在于,还包括:
获取所述第一风机的应用环境信息;
根据所述应用环境信息建立环境影响指标;
根据所述环境影响指标对所述异常参数指标进行补偿。
3.如权利要求1所述的方法,其特征在于,连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据,包括:
所述SCADA系统包括但不限于温度采集模块、转速采集模块、叶片角度采集模块;
基于所述温度采集模块、转速采集模块、叶片角度采集模块,在预设时间内对第一风机进行数据采集,获取所述风机控制参数数据,其中,所述风机控制参数数据包括但不限于温度信息集合、转速信息集合、叶片角度信息集合。
4.如权利要求1所述的方法,其特征在于,基于所述异常参数指标构建异常参数识别模型,包括:
基于所述异常参数指标采集多个历史异常参数集合和多个历史异常参数识别结果;
基于神经网络,构建异常参数识别模型的网络结构;
采用所述多个历史异常参数集合和多个历史异常参数识别结果,对所述异常参数识别模型进行训练,直到收敛。
5.如权利要求4所述的方法,其特征在于,采用所述多个历史异常参数集合和多个历史异常参数识别结果,对所述异常参数识别模型进行训练,包括:
基于所述多个历史异常参数集合提取第一历史异常参数集合,以及第一历史异常参数识别结果;
采用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行异常识别单元训练,获取第一异常识别单元;
遍历所述多个历史异常参数集合,获取多个异常识别单元;
将所述多个异常识别单元进行整合,获取所述异常参数识别模型。
6.如权利要求5所述的方法,其特征在于,采用所述第一历史异常参数集合和所述第一历史异常参数识别结果进行异常识别单元训练,获取第一异常识别单元,包括:
对所述第一历史异常参数集合按照预设比例划分,获取第一训练数据集合和第一验证数据集合;
将所述第一训练数据集合作为训练数据,获取初始第一异常识别单元;
基于所述第一验证数据集合对所述初始第一异常识别单元进行验证,根据验证结果进行参数调整,直至单元准确率达到预设准确率阈值,或者达到预设迭代次数,获得所述第一异常识别单元。
7.如权利要求1所述的方法,其特征在于,还包括:
对所述第一风机进行敏感区域划分,获取第一敏感区域;
判断所述异常位置信息是否处于所述第一敏感区域,获取第一判断结果;
判断所述异常等级是否满足预设异常等级,获取第二判断结果;
当所述第一判断结果与所述第二判断结果其中一个满足,则对所述第一预警指令进行预警等级提升。
8.如权利要求1所述的方法,其特征在于,还包括:
调取上一次的历史预警指令,获取预警时间间隔;
判断所述预警时间间隔是否达到预警时间间隔阈值;
若达到,则对所述第一预警指令进行预警等级提升。
9.基于SCADA的风机控制参数异常检测系统,其特征在于,包括:
风机控制参数数据采集模块,所述风机控制参数数据采集模块用于连接目标区域的SCADA系统,采集获得所述目标区域内的第一风机在预设时间内的风机控制参数数据;
异常参数特征提取模块,所述异常参数特征提取模块用于基于大数据获取风机参数异常类型,根据所述风机参数异常类型提取异常参数特征;
异常参数识别模型构建模块,所述异常参数识别模型构建模块用于根据所述异常参数特征建立异常参数指标,基于所述异常参数指标构建异常参数识别模型;
异常参数识别结果获取模块,所述异常参数识别结果获取模块用于将所述风机控制参数数据输入所述异常参数识别模型进行异常识别,获取异常参数识别结果,其中,所述异常参数识别结果包括异常状态信息、异常位置信息;
异常等级获取模块,所述异常等级获取模块用于根据所述异常状态信息进行异常等级划分,获取异常等级;
预警指令生成模块,所述预警指令生成模块用于根据所述异常位置信息和所述异常等级生成第一预警指令,将所述第一预警指令发送至管理端进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164746.XA CN118167563A (zh) | 2024-02-05 | 2024-02-05 | 基于scada的风机控制参数异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164746.XA CN118167563A (zh) | 2024-02-05 | 2024-02-05 | 基于scada的风机控制参数异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118167563A true CN118167563A (zh) | 2024-06-11 |
Family
ID=91357816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410164746.XA Pending CN118167563A (zh) | 2024-02-05 | 2024-02-05 | 基于scada的风机控制参数异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118167563A (zh) |
-
2024
- 2024-02-05 CN CN202410164746.XA patent/CN118167563A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103321839B (zh) | 风机振动监测方法及系统、风机监控器 | |
CN109885021A (zh) | 一种基于实时采集数据对采集设备进行监测的方法及系统 | |
US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
CN111273174A (zh) | 电机群组故障预警方法及装置 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN117477774A (zh) | 用于多功能配电柜的智能预警系统及预警方法 | |
CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
CN117154945A (zh) | 基于云计算技术的变配电站智能监测方法 | |
CN118167563A (zh) | 基于scada的风机控制参数异常检测方法及系统 | |
CN117200060A (zh) | 基于新能源电厂的智能巡检方法及系统 | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
CN115587312A (zh) | 一种基于多维大数据分析的故障点定位方法和系统 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
KR102097772B1 (ko) | 풍력발전 종합관리용 플랫폼 시스템 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
CN117967524B (zh) | 基于物联网的多数据融合的风机健康监测方法 | |
CN115857578A (zh) | 一种凝结水泵推力瓦温度异常自预警调整系统及方法 | |
CN117272042A (zh) | 光伏电站监测方法、装置、电子设备及存储介质 | |
CN118312904A (zh) | 一种基于人工智能多模态大模型的机房过热管理方法及系统 | |
CN116934302A (zh) | 一种分布式光伏电站共享运维的管理方法及系统 | |
Yasin et al. | Reducing unplanned downtime using Predictive Maintenance (PdM) | |
CN115708027A (zh) | 设备检测系统及方法 | |
CN117993562A (zh) | 基于人工智能大数据分析的风电机组故障预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |