CN106874525B - 一种风电机组设备故障筛查、统计的方法与装置 - Google Patents
一种风电机组设备故障筛查、统计的方法与装置 Download PDFInfo
- Publication number
- CN106874525B CN106874525B CN201710253654.9A CN201710253654A CN106874525B CN 106874525 B CN106874525 B CN 106874525B CN 201710253654 A CN201710253654 A CN 201710253654A CN 106874525 B CN106874525 B CN 106874525B
- Authority
- CN
- China
- Prior art keywords
- fault
- time
- sub
- data
- unit
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种风电机组设备故障筛查、统计的方法与装置,对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表,通过故障筛查算法,从该数据列表中筛查出各个子故障类别名对应的故障时间和复位时间,从而计算出各个所述子故障类别名对应的停机时间;根据主故障类别名与子故障类别名的对应关系,可以通过统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。可以高效、准确的对风电机组设备故障进行统计,并且通过将数据生成可视化图表的方式,可以便于风电企业的管理人员直观的了解各机组的各类主故障的分布情况。
Description
技术领域
本发明涉及风电技术领域,特别是涉及一种风电机组设备故障筛查、统计的方法与装置。
背景技术
风能作为一种可再生的清洁能源在全球能源危机及环境恶化的背景下,受到世界各国的大力关注,尤其在我国发展更为迅猛。但是风电机组设备部件众多,都可能因为故障引起停机从而导致发电损失,为了能准确获知其故障发电损失量,就需要从大量的机组设备监测数据中精确地筛查出故障发生和复位时间,以便清楚各类故障的停机时间,从而可以统计出各个风场各个机组各类故障分布,这对风电企业的管理层在机组设备部件的运维上做出技术调整和进行质量管理意义重大。
就一个风场而言,每个月的数据采集量平均至少有十几万行,且每个机组设备的故障时间和复位时间是随机的,有的时间很短,就几分钟;有的要几天甚至十几天才能复位,有的复位了过几天可能再次发生故障。因此,故障值的出现完全无规律可循,对于如此大量的数据要按照风场位置、机组和故障类别进行人工筛查并统计故障分布,将消耗极大的人力资源与时间,并且人工统计误差较大,使得统计的准确性不高。
可见,如何高效、准确的对风电机组设备故障进行统计,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种风电机组设备故障筛查、统计的方法与装置,可以高效、准确的对风电机组设备故障进行统计。
为解决上述技术问题,本发明实施例提供一种风电机组设备故障筛查、统计的方法,包括:
对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表;所述预设格式要求包括:时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式;
依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间;
依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间;
统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。
可选的,所述对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表包括:
将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表;所述初始数据列表中包含有时间、故障编号和故障值;
将所述各个机组对应的初始数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
可选的,所述依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个子故障类别名对应的故障时间和复位时间包括:
S21:依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1;
S22:若所述故障值为1,则将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间,并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中;
S23:若所述故障值不为1,则根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点;
S24:判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且所述故障编号所属的属性信息中包括的故障值为1;
S25:若是,则将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。
可选的,所述依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间包括:
计算所述子故障类别名对应的所述故障时间和所述复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
可选的,还包括:
统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表;
统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
本发明实施例还提供了一种风电机组设备故障筛查、统计的装置,包括预处理单元、筛查单元、计算单元和生成单元:
所述预处理单元,用于对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表;所述预设格式要求包括:时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式;
所述筛查单元,用于依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间;
所述计算单元,用于依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间;
所述生成单元,用于统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。
可选的,所述预处理单元包括删除子单元和得到子单元:
所述删除子单元,用于将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表;所述初始数据列表中包含有时间、故障编号和故障值;
所述得到子单元,用于将所述各个机组对应的初始数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
可选的,所述筛查单元包括读取判断子单元、第一处理子单元、查找子单元、判断子单元和第二处理子单元:
所述读取判断子单元,用于依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1;
若所述故障值为1,则触发所述第一处理子单元,所述第一处理子单元,用于将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间,并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中;
若所述故障值不为1,则触发所述查找子单元,所述查找子单元,用于根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点;
所述判断子单元,用于判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且所述故障编号所属的属性信息中包括的故障值为1;
若是,则触发所述第二处理子单元,所述第二处理子单元,用于将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。
可选的,所述计算单元具体用于计算所述子故障类别名对应的所述故障时间和所述复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
可选的,所述生成单元还用于统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表;
所述生成单元还用于统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
由上述技术方案可以看出,通过对设备传感器采集的初始数据进行预处理,可以得到以时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式的数据列表;依据于预先设置的故障筛查算法,可以从该数据列表中筛查出各个子故障类别名对应的故障时间和复位时间;依据所述故障时间和所述复位时间,可以计算出各个所述子故障类别名对应的停机时间;根据主故障类别名与子故障类别名的对应关系,可以通过统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。可见,通过上述技术方案可以高效、准确的对风电机组设备故障进行统计,并且通过将该停机时间和停机次数生成可视化图表,可以便于风电企业的管理人员直观的了解各机组的各类主故障的分布情况。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明实施例提供的一种风电机组设备故障筛查、统计的方法的流程图;
图2为本发明实施例提供的一种筛查故障时间和复位时间的方法的流程图;
图3为本发明实施例提供的一种树状故障表的示意图;
图4为本发明实施例提供的一种风电机组设备故障筛查、统计的装置的结构示意图。
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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
风能作为一种清洁的可再生能源,越来越受到世界各国的重视。随着技术进步和环保事业的发展,风能发电被广泛应用。实现风能发电所需的装置,可以称作风电机组设备,为了后续介绍方便,可以将其简称为机组。对于一个风场而言,其包含的机组可以有多个,每个机组出现故障的类别可以有多种。为了能够准确获知机组故障导致的发电损失,需要对各机组的各类故障的停机时间进行统计。
对于机组的运行情况,可以通过设备传感器采集的数据反映。设备传感器采集的数据可以以列表的形式存储,每个月的数据采集量平均至少有十几万行,对于如此大量的数据要按照风场位置、机组和故障类别进行人工筛查并统计故障分布,将消耗极大的人力资源与时间,并且人工统计误差较大,使得统计的准确性不高。
为此,本发明实施例提供了一种风电机组设备故障筛查、统计的方法与装置,先将设备传感器采集的数据进行预处理,得到所需的数据格式要求的数据列表,通过对该数据列表中每行数据的分析,筛查出各类子故障对应的故障时间和复位时间,从而可以计算出各类子故障对应的停机时间,通过统计各主故障所对应的各类子故障的停机时间和停机次数,便可获得各个主故障的停机时间和停机次数。通过该技术方案,可以高效、准确地对风电机组设备故障进行统计,并且可以将该停机时间和停机次数生成可视化图表,以便于风电企业的管理人员可以直观的了解各机组的各类主故障的分布情况,从而在机组的运维上做出技术调整和进行质量管理。
在本发明实施例中,可以确定与机组运行质量强相关的主故障类别,对于主故障类别又包含了许多子故障类别,对于每类主故障都有其对应的主故障类别名,对于每类子故障都有其对应的子故障类别名。每个机组可能发生一个主故障或多个主故障,子故障发生则所归属的主故障就发生。为后续介绍方便,可以将主故障类别简称为主故障,可以将子故障类别简称为子故障。其中,设备传感器采集的数据反映的是子故障类别。
接下来,详细介绍本发明实施例所提供的一种风电机组设备故障筛查、统计的方法。图1为本发明实施例提供的一种风电机组设备故障筛查、统计的方法的流程图,该方法包括:
S101:对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表。
以一个风场为例,该风场中可以包含有至少一个机组,对于每个机组可以设置相关的设备传感器,对该机组的故障情况进行数据的采集。
设备传感器采集的初始数据可以包括时间、故障编号和故障值。初始数据可以以列表的形式存储,该列表中各行数据可以以数据采集的时间为依据进行排序,每行数据表示一次采集获取的数据。
时间可以用于表示数据的采集时间,在本发明实施例中可以以毫秒级为单位进行数据的采集。故障编号可以用于表示机组出现的子故障类别。故障值可以用于表示机组出现故障的情况,该故障值可以采用布尔型,即由二进制数字组成,例如,数字“1”可以用于表示该机组出现故障,数字“0”可以用于表示该机组正常或故障已经恢复。
在初始化数据中已经包含有时间、故障编号和故障值,故障编号与子故障类别名具有对应关系,考虑到各子故障类别有其所属的主故障类别,各主故障类别有其所属的机组,各机组有其所属的风场,为了便于后续对各风场各机组各类故障进行统计,因此,可以对每行数据添加对应的风场名称、主故障类别名、子故障类别名和机组编号。
风场名称可以用于对不同的风场进行标识。机组编号可以用于对不同的机组进行标识。主故障类别名可以用于表示不同类别的主故障的名称、子故障类别名可以用于表示不同类别的子故障的名称。
在本发明实施例中,由于预先对故障类别进行了划分,故此,主故障类别名与子故障类别名之间的对应关系是已知的。
考虑到初始数据是由设备传感器每隔固定时间采集得到的数据,而本发明实施例中是对机组出现故障以及恢复故障的情况进行筛查,以某一时刻采集的数据为例,当该时刻采集的数据的故障值为空时,则该行数据对后续的筛查工作并无参考价值,为了降低数据处理的复杂程度,提高工作效率,可以先对初始数据进行清洗。
具体的,可以将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表。
null值可以用于表示采集的数据为空,也即数据中包含的故障编号或故障值为空。
每个机组通过设备传感器独立的采集数据,故此,每个机组有其对应的一个初始数据列表。该初始数据列表中包含有3列数据:时间、故障编号和故障值,该初始数据列表中每行数据代表一次采集所获取的数据。
得到各个机组对应的初始数据列表后,可以将这些数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
在本发明实施例中,可以将初始数据列表按照机组的顺序进行整合。例如,一个风场中包含有10个机组分别为1-10,可以将各个机组对应的初始数据列表按照1-10的顺序进行整合。
在本发明实施例中,通过对整合后的初始化列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,可以得到以时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值这七个列的结构化数据格式的数据列表。
S102:依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间。
故障筛查算法可以用于筛查子故障类别名对应的故障时间和复位时间。由于数据列表中每行数据包含的时间均为单个时间,对于一个机组的子故障而言,该子故障发生和恢复正常时间可以是一个时间对,即一个故障时间,一个恢复时间,在数据列表中这两个时间随机出现在行数据中,利用故障筛查算法可以从数据列表中筛查出该子故障所对应的一个时间对。
故障时间可以用于表示机组出现故障时对应的时间,复位时间可以用于表示机组恢复正常时对应的时间。
为了便于后续的计算、统计,在本发明实施例中,可以将筛查出的各个子故障类别名对应的时间对,以表格的形式存储。依照风场、机组、主故障和子故障之间的对应关系,在该表格中可以包含有风场名称、机组编号、主故障类别名、子故障类别名以及故障编号、故障值和时间对(故障时间和复位时间)的信息。
S103:依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间。
停机时间可以用于表示机组从出现故障到恢复正常所花费的时间。在本发明实施例中,可以通过计算子故障类别名对应的故障时间和复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
S104:统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。
可视化图表可以将抽象的数据进行图形化展示,以达到对数据认知的放大,通过可视化图表,可以清晰有效的传达数据所代表的信息。在本发明实施例中,可视化图表可以是饼状图、柱状图等。
对于一个子故障类别,机组出现该子故障类别的次数可以有多次,故此,子故障类别名对应的时间对可以有多个,由一个时间对可以计算出对应的一个停机时间,该子故障类别名对应的停机时间的个数即为停机次数,将该子故障类别名对应的所有停机时间相加,可以得到该子故障类别名对应的总的停机时间。
每个子故障类别有其所属的主故障类别,以一个主故障类别为例,将该主故障类别或者说是该主故障类别名下包含的所有子故障类别名的停机时间相加,可以得到该主故障类别名对应的停机时间,将该主故障类别名下包含的所有子故障类别名的停机次数相加,可以得到该主故障类别名对应的停机次数。
一个机组可能包含有一个或多个主故障类别,参照上述方式,可以得到各个主故障类别的停机时间和停机次数。
以一个主故障为例,当该主故障对应的停机时间越短则可以说明机组出现该类主故障时恢复时间较短,当该主故障对应的停机次数越少则可以说明机组出现该类主故障的情况较少。为了便于风电企业的管理人员可以直观的了解各机组的各类主故障的分布情况,可以将各个主故障类别名对应的停机时间和停机次数生成可视化图表。
每个机组对应的可以得到一个可视化图表,以一个机组为例,该可视化图表可以用于展示该机组中不同主故障之间的分布情况。
由上述技术方案可以看出,通过对设备传感器采集的初始数据进行预处理,可以得到以时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式的数据列表;依据于预先设置的故障筛查算法,可以从该数据列表中筛查出各个子故障类别名对应的故障时间和复位时间;依据所述故障时间和所述复位时间,可以计算出各个所述子故障类别名对应的停机时间;根据主故障类别名与子故障类别名的对应关系,可以通过统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。可见,通过上述技术方案可以高效、准确的对风电机组设备故障进行统计,并且通过将该停机时间和停机次数生成可视化图表,可以便于风电企业的管理人员直观的了解各机组的各类主故障的分布情况。
上述技术方案可以得到每个风场每台机组的各个主故障类别名对应的停机时间和停机次数,以及对应的可视化图表。机组所对应的停机时间和停机次数可以作为机组性能的评价依据,当需要将不同机组进行比较时,则可以参照上述方式,通过统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表。
每个风场对应的可以得到一个可视化图表,以一个风场为例,该可视化图表可以用于展示该风场中不同机组之间的性能差别。
当一个机组所对应的停机时间越短,停机次数越少,则说明该机组的整体性能越好。
当需要将不同风场进行比较时,则可以参照上述方式,统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
该可视化图表可以用于展示不同风场之间的性能差别。
当一个风场所对应的停机时间越短,停机次数越少,则说明该风场的整体性能越好。
由上述介绍可知,获取子故障类别名对应的故障时间和复位时间是进行后续计算和生成可视化图表的关键步骤。考虑到风场、机组、主故障、子故障之间的包含关系,即一个风场可以包含有多个机组,每个机组可能发生多个主故障,每个主故障可以包含有多个子故障,故此,在利用故障筛查算法筛查子故障对应的故障时间和复位时间时,可以以树状故障表的形式存储每个子故障对应的故障时间和复位时间。
树状故障表可以以风场名称作为根节点,该风场对应的机组编号作为子节点,所述机组编号对应的主故障类别名作为一级节点,所述主故障类别名对应的子故障类别名作为二级节点,并将所述子故障类别名对应的故障编号、故障值和时间作为子故障的属性信息添加至属性表中。需要说明的是,每个子故障出现的次数可能有多次,因此,每个子故障对应的属性信息可以有多个,也即每个子故障类别名对应的属性表可以包含有多行数据,一行数据即为一个属性信息。
在本发明实施例中,每个风场对应有一个数据列表,经过如下筛查过程,每个风场可以获取到对应的一个树状故障表。接下来,将对该筛查过程的具体操作过程展开介绍,所述操作过程包括:
S21:依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1。
S22:若所述故障值为1,则将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间,并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中。
当所述故障值为1时,说明机组出现故障,该行数据中包括的时间即为故障时间,则可以将行数据中包括的故障编号、故障值和时间即故障时间,作为属性信息添加至该子故障类别名对应的属性表中,其具体过程如下:
可以根据行数据中包括的机组编号,从树状故障表中查找是否存在对应的子节点,也即从树状故障表中查找是否存在与行数据中包括的机组编号相同的机组编号。
若不存在对应的子节点,则根据行数据中包括的机组编号创建子节点,根据行数据中包括的主故障类别名创建一级节点,根据行数据中包括的子故障类别名创建二级节点,并将行数据中包括的故障编号、故障值和时间即故障时间,添加至该子故障类别名的属性表中。
若存在对应的子节点,则根据所述行数据中包括的主故障类别名,从所述子节点包含的一级节点中查找是否存在对应的一级节点,也即从子节点包含的一级节点中查找是否存在与该行数据中包括的主故障类别名相同的主故障类别名。
若不存在对应的一级节点,则根据行数据中包括的主故障类别名创建一级节点,根据行数据中包括的子故障类别名创建二级节点,并将行数据中包括的故障编号、故障值和时间即故障时间,添加至该子故障类别名的属性表中。
若存在对应的一级节点,则根据所述行数据中包括的子故障类别名,从所述一级节点包含的二级节点中查找是否存在对应的二级节点,也即从一级节点包含的二级节点中查找是否存在与该行数据中包括的子故障类别名相同的子故障类别名。
若不存在对应的二级节点,则根据行数据中包括的子故障类别名创建二级节点,并将行数据中包括的故障编号、故障值和时间即故障时间,添加至该子故障类别名的属性表中。
若存在对应的二级节点,则可以直接将行数据中包括的故障编号、故障值和时间即故障时间,添加至该子故障类别名的属性表中。
S23:若所述故障值不为1,则根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点。
具体的,可以从树状故障表中查找是否存在与该行数据中包括的子故障类别名相同的子故障类别名。
S24:判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且该故障编号所属的属性信息中包括的故障值为1。
当故障值不为1,也即故障值为0时,可能表示该类子故障已经恢复,此时,该行数据中包括的时间可以作为复位时间;也可能表示该类子故障未发生(正常),此时,该行数据中包括的时间并非是该子故障对应的复位时间,故此,当故障值不为1时,可以对行数据中包括的时间进行判断。
S25:若是,则将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。以一个子故障为例,从数据列表中读取的一个行数据中包括的故障编号,与树状故障表中该子故障对应的一个属性信息中包含的故障编号相同,并且该行数据中包括的故障值为0,该属性信息中包含的故障值为1,则说明该行数据中包括的时间可以作为该子故障的复位时间。当筛查出该子故障的复位时间后,便可以将该复位时间添加至对应的属性信息中,此时,该属性信息已经包含有故障时间和复位时间,则可以将该属性信息中包含的故障值由1变为0。
设备传感器每天都可以采集到大量的新数据,在本发明实施例中,可以设置一个分析周期,该分析周期用于表明对初始数据进行上述故障统计的时间,例如,可以以月为单位,每个月结束的时候对这个月所采集的初始数据进行故障统计。因为筛查的是子故障对应的故障时间和复位时间,而在一个分析周期中,数据列表中可能会存在只记录了出现子故障时的行数据,该子故障恢复时的行数据被截断到了下一个分析周期的情况,造成有些子故障没有完整的时间对。针对该种情况,可以进行如下特殊处理。
考虑到数据列表可以按照机组的顺序进行排序,对于每个机组都有对应的边界数据行,该边界数据行可以是数据列表中该机组所对应的最后一行数据。
边界数据行记录的是在分析周期的截止时间所记录的一行数据。当该边界数据行中包括的故障值为1时,则说明在截止时间机组出现了某一个子故障,考虑到故障恢复需要花费一定的时间,此时针对该故障情况,可以不计算停机时间,只作为一次故障进行次数的统计。
以一个机组为例,对于该机组的子故障中,故障值仍为1的二级节点,可以将该边界数据行中包括的时间,作为这些二级节点的复位时间,并在树状故障表中将故障值由1设置为0,从而构成一个完整的时间对。
以一个风场,例如甲风场为例,通过上述操作方式,得到的树状表的示意图如图3所示,其中甲风场对应的机组编号包括:机组编号1至机组编号n,主故障类别名包括:主故障名1至主故障名n,子故障类别名包括:子故障名1至子故障名n,其中,每个子故障对应的属性表中可以有多行数据,每行数据包含有故障编号、故障值、故障时间和复位时间这四项信息。以机组编号1的子故障名1为例,其对应的属性表中包含有多少行数据,则说明机组编号1的机组出现子故障名1的子故障的次数为多少次。
图4为本发明实施例提供的一种风电机组设备故障筛查、统计的装置的结构示意图,包括预处理单元41、筛查单元42、计算单元43和生成单元44:
所述预处理单元41,用于对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表;所述预设格式要求包括:时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式。
所述筛查单元42,用于依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间。
所述计算单元43,用于依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间。
所述生成单元44,用于统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。
可选的,所述预处理单元包括删除子单元和得到子单元:
所述删除子单元,用于将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表;所述初始数据列表中包含有时间、故障编号和故障值;
所述得到子单元,用于将所述各个机组对应的初始数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
可选的,所述筛查单元包括读取判断子单元、第一处理子单元、查找子单元、判断子单元和第二处理子单元:
所述读取判断子单元,用于依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1;
若所述故障值为1,则触发所述第一处理子单元,所述第一处理子单元,用于将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间,并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中;
若所述故障值不为1,则触发所述查找子单元,所述查找子单元,用于根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点;
所述判断子单元,用于判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且所述故障编号所属的属性信息中包括的故障值为1;
若是,则触发所述第二处理子单元,所述第二处理子单元,用于将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。
可选的,所述计算单元具体用于计算所述子故障类别名对应的所述故障时间和所述复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
可选的,所述生成单元还用于统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表;
所述生成单元还用于统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
图4所对应实施例中特征的说明可以参见图1和图2所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,通过预处理单元对设备传感器采集的初始数据进行预处理,可以得到以时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式的数据列表;筛查单元依据于预先设置的故障筛查算法,可以从该数据列表中筛查出各个子故障类别名对应的故障时间和复位时间;以便于计算单元可以依据所述故障时间和所述复位时间,计算出各个所述子故障类别名对应的停机时间;从而使得生成单元可以根据主故障类别名与子故障类别名的对应关系,统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表。可见,通过上述技术方案可以高效、准确的对风电机组设备故障进行统计,并且通过将该停机时间和停机次数生成可视化图表,可以便于风电企业的管理人员直观的了解各机组的各类主故障的分布情况。
以上对本发明实施例所提供的一种风电机组设备故障筛查、统计的方法与装置进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种风电机组设备故障筛查、统计的方法,其特征在于,包括:
对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表;所述预设格式要求包括:时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式;
依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间;
依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间;
统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表;
所述依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个子故障类别名对应的故障时间和复位时间包括:
S21:依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1;
S22:若所述故障值为1,则将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间;并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中;
S23:若所述故障值不为1,则根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点;
S24:判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且所述故障编号所属的属性信息中包括的故障值为1;
S25:若是,则将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。
2.根据权利要求1所述的方法,其特征在于,所述对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表包括:
将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表;所述初始数据列表中包含有时间、故障编号和故障值;
将所述各个机组对应的初始数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
3.根据权利要求1所述的方法,其特征在于,所述依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间包括:
计算所述子故障类别名对应的所述故障时间和所述复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
4.根据权利要求1-3任意一项所述的方法,其特征在于,还包括:
统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表;
统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
5.一种风电机组设备故障筛查、统计的装置,其特征在于,包括预处理单元、筛查单元、计算单元和生成单元:
所述预处理单元,用于对设备传感器采集的初始数据进行预处理,得到预设格式要求的数据列表;所述预设格式要求包括:时间、风场名称、故障编号、主故障类别名、子故障类别名、机组编号和故障值七个列的结构化数据格式;
所述筛查单元,用于依据于预先设置的故障筛查算法,从所述数据列表中筛查出各个所述子故障类别名对应的故障时间和复位时间;
所述计算单元,用于依据所述故障时间和所述复位时间,计算各个所述子故障类别名对应的停机时间;
所述生成单元,用于统计所有主故障类别名各自对应的子故障类别名的停机时间和停机次数,得出各个所述主故障类别名的停机时间和停机次数,并生成主故障对应的可视化图表;
所述筛查单元包括读取判断子单元、第一处理子单元、查找子单元、判断子单元和第二处理子单元:
所述读取判断子单元,用于依次读取所述数据列表的行数据,判断所述行数据中包括的故障值是否为1;
若所述故障值为1,则触发所述第一处理子单元,所述第一处理子单元,用于则将所述行数据中包括的时间,作为所述行数据中包括的子故障类别名的故障时间;并将所述故障时间以及所述行数据中包括的故障编号和故障值,作为属性信息添加至所述子故障类别名对应的属性表中;
若所述故障值不为1,则触发所述查找子单元,所述查找子单元,用于根据所述行数据中包括的子故障类别名,从树状故障表中查找对应的二级节点;
所述判断子单元,用于判断所述二级节点对应的属性表中是否存在与所述行数据中包括的故障编号相同的故障编号,并且所述故障编号所属的属性信息中包括的故障值为1;
若是,则触发所述第二处理子单元,所述第二处理子单元,用于将所述行数据中包括的时间作为复位时间,添加至所述属性信息中,并将所述属性信息中包括的故障值设置为0。
6.根据权利要求5所述的装置,其特征在于,所述预处理单元包括删除子单元和得到子单元:
所述删除子单元,用于将所述初始数据中出现null值的行记录数据删除,得到各个机组对应的初始数据列表;所述初始数据列表中包含有时间、故障编号和故障值;
所述得到子单元,用于将所述各个机组对应的初始数据列表进行整合,并对整合后的初始数据列表添加对应的风场名称、机组编号、主故障类别名和子故障类别名,得到结构化的数据列表。
7.根据权利要求5所述的装置,其特征在于,所述计算单元具体用于计算所述子故障类别名对应的所述故障时间和所述复位时间的差值,并将所述差值作为所述子故障类别名的停机时间。
8.根据权利要求5-7任意一项所述的装置,其特征在于,所述生成单元还用于统计所有机组各自对应的主故障类别名的停机时间和停机次数,得出各个所述机组的停机时间和停机次数,并生成机组对应的可视化图表;
所述生成单元还用于统计所有风场各自对应的机组的停机时间和停机次数,得出各个所述风场的停机时间和停机次数,并生成风场对应的可视化图表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253654.9A CN106874525B (zh) | 2017-04-18 | 2017-04-18 | 一种风电机组设备故障筛查、统计的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253654.9A CN106874525B (zh) | 2017-04-18 | 2017-04-18 | 一种风电机组设备故障筛查、统计的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874525A CN106874525A (zh) | 2017-06-20 |
CN106874525B true CN106874525B (zh) | 2020-05-19 |
Family
ID=59162589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710253654.9A Active CN106874525B (zh) | 2017-04-18 | 2017-04-18 | 一种风电机组设备故障筛查、统计的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874525B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018980B (zh) * | 2017-12-25 | 2021-07-27 | 北京金风科创风电设备有限公司 | 从风机控制器的仿真数据搜索故障数据的方法和设备 |
CN113610250B (zh) * | 2021-08-13 | 2024-06-14 | 西安热工研究院有限公司 | 基于缺陷单在线计算风场故障停机超24小时台数的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
CN102644545A (zh) * | 2011-02-18 | 2012-08-22 | 华锐风电科技(集团)股份有限公司 | 风电机组故障处理方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160010628A1 (en) * | 2014-07-10 | 2016-01-14 | General Electric Company | System and method for determining life of a wind turbine |
-
2017
- 2017-04-18 CN CN201710253654.9A patent/CN106874525B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
CN102644545A (zh) * | 2011-02-18 | 2012-08-22 | 华锐风电科技(集团)股份有限公司 | 风电机组故障处理方法及*** |
Non-Patent Citations (1)
Title |
---|
风电机组故障测试与统计分析;宋磊;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20100915(第2010年第09期);第2.4节、第5.1-5.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN106874525A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
US20200151581A1 (en) | Outage prevention in an electric power distribution grid using smart meter messaging | |
Hellerstein et al. | Discovering actionable patterns in event data | |
CN112036704B (zh) | 电力设备故障管理*** | |
CN103235881B (zh) | 一种基于最小割集的核反应堆故障监测*** | |
CN103675355B (zh) | 风速仪监测方法和*** | |
CN104796273A (zh) | 一种网络故障根源诊断的方法和装置 | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务***运行状态智能研判*** | |
CN109960690A (zh) | 一种大数据集群的运行维护方法及装置 | |
CN115981984A (zh) | 一种设备故障检测方法、装置、设备及存储介质 | |
CN101997709A (zh) | 一种根告警数据分析的方法及其*** | |
CN110645153A (zh) | 风力发电机组故障诊断方法、装置和电子设备 | |
CN106874525B (zh) | 一种风电机组设备故障筛查、统计的方法与装置 | |
CN110489317A (zh) | 基于工作流的云***任务运行故障诊断方法与*** | |
CN112884452A (zh) | 一种智能运维多源数据采集可视化分析*** | |
CN111782532B (zh) | 一种基于网络异常节点分析的软件故障定位方法及*** | |
CN111913824B (zh) | 确定数据链路故障原因的方法及相关设备 | |
CN101350739A (zh) | 一种ip网络中的故障定位方法 | |
CN110555049A (zh) | 基于计量异常关联度模型的故障原因疑似度分析方法 | |
CN110399278B (zh) | 基于数据中心异常监控的告警融合***及方法 | |
CN115357418A (zh) | 微服务故障检测方法、装置、存储介质及计算机设备 | |
CN104794013B (zh) | 定位***运行状态、建立***运行状态模型的方法及装置 | |
CN113641667B (zh) | 一种分布式大数据采集平台的数据异常监控***及方法 | |
CN104331362B (zh) | 一种软件故障预测方法 | |
CN113157521B (zh) | 用于区块链全生命周期的监控方法和监控*** |
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 |