【技术实现步骤摘要】
本专利技术涉及重大能源设备状态评估与故障诊断领域，尤其涉及一种基于感知计算协同的海上风电机组智能化监测方法。
技术介绍
1、海上风电场建设的蓬勃发展，衍生出的海上风电机组监测运维的相关问题也受到了广泛关注。海上风电场一般建设在风力资源丰富但人迹罕至的地区，比如沿海或者附近的岛屿等，在更加复杂的海洋环境条件下，就机组故障率而言，海上风电明显高于陆上风电，更加多变的自然条件还给运维带来很多新挑战。在海上风电的运维成本构成中，定期巡检维护成本远低于故障后维修成本，但因为海上风电场机组台数多，部署位置分散和工况复杂等特点，定期巡检也有着诸多不便。定期的检修虽能对缺陷消除、保障机组安全运行起到有效的促进作用，但也有明显的弊端，主要表现在过维修、欠维修及盲目维修等方面。此外，单纯靠人工维修船的蹲点维护，运维成本极高，也容易出现由于操作人员对缺陷、故障类型判断失误或维护不及时导致的发电损失甚至运行安全问题。
2、建设智能化的海上风电机组运维平台，结合边缘智能技术对风电机组的关键参数进行远程实时监测，根据收集到的状态参数和环境参数，利用人工智能算法实现实时运行状态评估和故障诊断，是解决海上风电机组健康管理问题的有效手段，可有效减少运维成本和降低机组事故率，对提高发电效率、提升海上风电场稳定性和建设智能化海上风电网络具有重要意义。当前对风电机组状态评估和故障诊断方法的研究中，总体上可分为两大类：(1)基于物理模型的方法；(2)基于数据驱动的方法。由于近年来风电机组趋向大型化、复杂化，建立精准的、能反映风电机组内部部件耦合特性的数学或物
3、通过边缘计算、云平台、工业大数据和人工智能技术的集成与管理，研究基于scada数据的风电机组智能化监测方案，还是有利可图的。因为与其他需要额外加装传感器的技术相比，基于scada的解决方案在建立状态监控系统时，不需要过多的硬件投资。具有成本效益且易于部署和更新。随着人工智能算法和大数据分析技术的发展，利用数据驱动的方法挖掘scada数据中的隐藏信息已得到了研究，陆上风电机组的状态评估和故障诊断方法也得到一定发展，可以给海上风电机组提供大量参考。目前开展的研究工作主要可以分为三大类：(1)“预处理”：考虑到风机的非计划停机和传感器故障等，风电场实际采集的数据集中往往存在异常数据。如果直接作为风电功率预测模型的输入数据，会影响预测的准确性和可靠性。因此在训练预测模型之前，需要对异常数据进行清洗和剔除。(2)“状态评估”：根据设备或部件的历史监测数据，对当前设备或部件的运行情况进行评估，并对未来一段时间内的设备或部件的状态、故障趋势做出预测，评价指标是参数的预测精确度，故障预警的时间提前量。(3)“故障诊断”:判断设备或部件的异常状态，识别故障类型、位置以及具体原因，进而达到故障隔离的目的，并为维修操作进行决策提供参考，重点是建立数据驱动、多参数融合的故障诊断模型。评价指标是整机故障部件定位和故障部件的故障类型定类的精度。后两类工作通常是建立正常行为模型，与正常行为的显著偏差(如模型估计与测量参数之间的残差、与聚类中心的距离等)可以识别为异常。在研究以上三类问题时，重视环境因素，可以提高数据驱动模型的精度，减少不确定性，这在状态监控和辅助诊断中已得到初步应用。近年的研究表明，通过使用环境变量，可以提高状态监测相关活动的建模性能；此外，在没有额外计算量和高处理能力需求的情况下，整合关键环境变量将有助于增强早期故障预警算法，从而优化运维决策，降低成本。
4、结合上述背景的介绍与分析，在利用scada数据设计风电机组的监测方案时，有三个主要的困难：(1)海上风电机组的scada数据具有多元、多量、更易含异常数据的特点，如何合理处理多维数据，研究海上风电设备多参数关联关系，有效地利用提取的故障相关特征，实现对风电机组的深度挖掘与状态预测，提高状态评估的准确性和可靠性，是当下的难点之一；(2)海上风电机组所处的环境条件多变，运行状态易受影响，在复杂工况下，如常见的强噪声、变速变载等,如何综合考虑海上风电机组的人-机-物-法-环生态体系周期，提高算法的鲁棒性，并集成边缘计算和云平台技术，实现多技术融合的智能监测方案，也是目前需要解决的难点之一；(3)季节变化、风机部件老化会对已有模型的精度产生影响，如何实现高效的数据管理，保障生效中模型的精度，及时完成模型版本的迭代更新，也是目前的重点之一。
5、因此，本领域的技术人员致力于寻找一种可远程实现，准确度优于人工排查，且可靠度高的全面的监测解决的方案。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术提供了一种可远程实现，准确度优于人工排查，且可靠度高的全面的监测解决的方案。
2、为实现上述目的，本专利技术提供了一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，本专利技术精细化了scada数据的预处理过程，分步完成了参数筛选、分类异常剔除和风机运行工况划分；基于风速、环境温度和输出功率三个参数，使用k-means聚类算法将风机运行工况进行分类，记录下分类结果和聚类的中心点，用于后续判断风机所属的工况。
3、进一步地，所述方法包括以下步骤：
4、步骤1、利用海上风电机组正常运行时的scada系统历史数据，进行参数筛选和分类预处理，然后进行风机运行工况的划分，针对每一种运行工况，为每风机分别建立基于神经网络的运行参数预测模型；
5、步骤2、利用按工况分类并训练好的预测模型，对反应海上风机运行状态的重点参数进行预测，通过设定可调双阈值，对滑动窗口平滑后的预测残差进行分析，实现风机的故障预警，同时监测模型的精度；
6、步骤3、在发出故障预警后，接着对故障类型进行识别，利用xgboost多分类模型进一步确定异常数据对应的故障类别，形成状态评估衔接故障诊断的监测链路；
7、步骤4、在线监测阶段，搭建端边云协同的海上风电机组智能化监测架构，系统地将端边云、风机scada系统数据和ai算法进行整合,形成智能化的监测体系。
8、进一步地，所述步骤1还包括：
9、步骤1.1、根据领域专家知识和风机操作手册，得到先验知识，预选出能较好反应风机运行状态的关键参数，接着采用vine copula模型进行scada参本文档来自技高网...
【技术保护点】
1.一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，本专利技术精细化了SCADA数据的预处理过程，分步完成了参数筛选、分类异常剔除和风机运行工况划分；基于风速、环境温度和输出功率三个参数，使用K-means聚类算法将风机运行工况进行分类，记录下分类结果和聚类的中心点，用于后续判断风机所属的工况。
2.如权利要求1所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述方法包括以下步骤：
3.如权利要求2所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤1还包括：
4.如权利要求3所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤1.1中，在离线建模阶段，收集海上风电机组的历史SCADA数据，包括健康运行时的数据和系统告警日志；根据海上风电机组研究领域的专家知识和风机操作手册，再使用Vine copula模型进一步研究多维参数之间的依赖关系；通过选择适当的Copula函数和Vine结构，捕捉参数之间的线性或非线性相关性，从而更准确地描述参数之间的相互作用，整理得到具
5.如权利要求4所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤2还包括以下步骤：
6.如权利要求5所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤2中研究真实值与预测值的残差时，使用滑动窗口平滑残差，避免偶现较大波动的影响；设定了双阈值，阈值1为误差限，用于判断故障预警，当残差超过阈值1时，标记该条SCADA数据为异常，当平滑后的残差超过阈值1时，发出对应类型的故障预警；针对模型版本更新迭代问题，设定了阈值2为精度限，用于保证模型精度，当平滑后的残差持续超过阈值2时，需通知云端重新训练、测试模型，待稳定后下发至边缘侧。
7.如权利要求6所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤3还包括以下步骤：
8.如权利要求7所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤3.1中，SCADA系统中可以获得指示风机运行状态变化的报警日志，包括故障事件、故障警告或其他相关信息，通过操作人员的验证和分析，可以总结故障的根本原因、故障模式和准确的停机和维护时间戳等；从中提取出的异常数据段，可以触发预测算法的故障预警；
9.如权利要求8所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤4中，“端”是指海上风电机组设备，其配有数据采集与监视控制(SCADA)系统，可以采集到大量与环境和运行状态相关的参数，通过通讯接口与协议向边缘网关传输实时数据，并支持反向接受发送过来的基础控制指令；
10.如权利要求9所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤4.2中，云平台上可实现：(1)模型管理：包括模型创建、编辑、样本上传、模型的训练、发布等；(2)模型推理，以验证训练结果：包括加载模型列表、管理模型推理接口、支持模型分布式推理、支持高并发推理、模型缓存、模型热加载等；(3)样本管理：样本数据集创建、上传、预处理、样本标注；(4)模型算法库：对自定义上传的模型算法根据算法特点进行管理，对于自定义算法进行标准化改造后上传到算法库，对各类主流算法进行镜像预搭建，预训练模型管理等；
...【技术特征摘要】
1.一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，本发明精细化了scada数据的预处理过程，分步完成了参数筛选、分类异常剔除和风机运行工况划分；基于风速、环境温度和输出功率三个参数，使用k-means聚类算法将风机运行工况进行分类，记录下分类结果和聚类的中心点，用于后续判断风机所属的工况。
2.如权利要求1所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述方法包括以下步骤：
3.如权利要求2所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤1还包括：
4.如权利要求3所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤1.1中，在离线建模阶段，收集海上风电机组的历史scada数据，包括健康运行时的数据和系统告警日志；根据海上风电机组研究领域的专家知识和风机操作手册，再使用vine copula模型进一步研究多维参数之间的依赖关系；通过选择适当的copula函数和vine结构，捕捉参数之间的线性或非线性相关性，从而更准确地描述参数之间的相互作用，整理得到具有普适性的知识；现有的大型风电机组配有的scada系统已经能采集到百余个参数，利用得到的先验知识，可以从中筛选出能较好反应风机运行状态的关键参数；通过减少数据集中参数的数量，同时保留最重要最关键的信息，可提高训练的模型的性能、减少计算开销；
5.如权利要求4所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤2还包括以下步骤：
6.如权利要求5所述的一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，所述步骤2中研究真实值与预测值的残差时，使用滑动窗口平滑残差，避免偶现较大波动的影响；设定了双阈值，阈值1为误差限，用于判断故...
【专利技术属性】
技术研发人员：范书豪，杨博，刘琦，陈彩莲，关新平，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。