CN113127237A - 风力发电机组的主故障识别方法和*** - Google Patents

风力发电机组的主故障识别方法和*** Download PDF

Info

Publication number
CN113127237A
CN113127237A CN201911376358.3A CN201911376358A CN113127237A CN 113127237 A CN113127237 A CN 113127237A CN 201911376358 A CN201911376358 A CN 201911376358A CN 113127237 A CN113127237 A CN 113127237A
Authority
CN
China
Prior art keywords
data
fault
main
mark
piece
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
Application number
CN201911376358.3A
Other languages
English (en)
Inventor
李长俊
张言军
薛袭峰
贺海涛
刘芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service Co Ltd
Original Assignee
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Jinfeng Software Technology Co ltd, Qinghai Green Energy Data Co ltd, Beijing Goldwind Smart Energy Service Co Ltd filed Critical Jiangsu Jinfeng Software Technology Co ltd
Priority to CN201911376358.3A priority Critical patent/CN113127237A/zh
Publication of CN113127237A publication Critical patent/CN113127237A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0781—Error filtering or prioritizing based on a policy defined by the user or on a policy defined by a hardware/software module, e.g. according to a severity level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0787—Storage of error reports, e.g. persistent data storage, storage using memory protection
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供了一种风力发电机组的主故障识别方法和***。所述主故障识别方法包括：获取SCADA***中与主故障相关的数据序列，所述数据序列包括至少一条数据，所述至少一条数据的类型包括动态故障数据、遥信数据以及主故障变位数据中的至少一种；对所述与主故障相关的数据序列进行格式化以获得中间数据序列，其中，所述中间数据序列中的每条中间数据具有对应的时间标识、数据类型标记以及疑似度；基于所述中间数据序列，获得至少一条结果数据；针对所述至少一条结果数据进行主故障分析，以识别主故障，其中，数据类型标记包括开始数据标记、结束数据标记以及无效数据标记，疑似度表示主故障的发生概率。根据本公开，可准确进行主故障识别。

Description

风力发电机组的主故障识别方法和***
技术领域
本公开涉及风力发电技术，具体而言，涉及一种风力发电机组的主故障 识别方法和***。
背景技术
风力发电是一种清洁能源获取方式，正在广泛的应用和逐步的发展。在 风力发电机组(以下可简称为风机)运行过程中可能会发生各种故障，这些 故障会由风机的主控制器(例如，可编程逻辑控制器(可简称为PLC))发送 到风电场数据采集与监视控制(可简称为SCADA)***，SCADA***通知 抢修人员进行故障处理。通常将风机的主故障(又称为首故障)作为故障发 生的标识以及抢修(例如，生成工单、派工)的依据。主故障的产生会伴随关联数据(例如，监视数据)的变化和产生，关联数据包括实时数据(可简称为 RData)、主故障变位数据(可简称为CData)和动态故障数据(可简称为FData)。
目前的主故障识别方法将第一个接收到的动态故障作为主故障。然而， 在实际运行过程中，可能由于风机的PLC的处理逻辑错误、网络(根据不同 网络接入方式，网络可包括公用通信网和无线网络)不稳定、数据采集错误、 SCADA处理顺序的不同、上送数据的积压、各节点程序的重启、上送数据不 合格等原因，导致无法准确识别主故障(例如，无法准确识别主故障的开始 和结束)，甚至无法识别主故障。主故障识别不出或识别不准确将影响故障次 数等的统计，还可能由于不能根据主故障及时进行抢修的原因而造成经济损 失和设备损耗，进而影响电场考核以及风电场稳定运行。
发明内容
本公开提供了一种风力发电机组的主故障识别方法和***，以解决现有 的主故障识别方法的主故障识别不准确或不能识别出主故障的问题。
根据本公开的示例性实施例，提供了一种风力发电机组的主故障识别方 法，其中，主故障识别方法包括：获取SCADA***中与主故障相关的数据 序列，数据序列包括至少一条数据，至少一条数据的类型包括动态故障数据、 遥信数据以及主故障变位数据中的至少一种；对与主故障相关的数据序列进 行格式化以获得中间数据序列，其中，中间数据序列中的每条中间数据具有 对应的时间标识、数据类型标记以及疑似度；基于中间数据序列，获得至少 一条结果数据；针对至少一条结果数据进行主故障分析，以识别主故障，其中，数据类型标记包括开始数据标记、结束数据标记以及无效数据标记，疑 似度表示主故障的发生概率。
可选的，针对至少一条结果数据进行主故障分析的步骤包括：利用主故 障模型对至少一条结果数据进行主故障分析，以识别主故障，其中，主故障 模型定义了主故障类型，以及与主故障类型对应的时间窗、主故障识别规则 以及设备类型。
可选的，利用主故障模型对至少一条结果数据进行主故障分析的步骤包 括：基于设备类型确定对应的主故障类型，根据与主故障类型对应的时间窗 以及主故障识别规则进行主故障识别分析。
可选的，获取SCADA***中与主故障相关的数据序列的步骤包括：对 SCADA***的原始数据进行预处理，并获得与主故障相关的数据序列。
可选的，预处理包括过滤以及转换的步骤；其中，对SCADA***的原 始数据进行过滤包括：查找与原始数据的类型对应的数据过滤规则；根据查 找到的数据过滤规则，对原始数据进行过滤，以保留与主故障相关的主故障 数据、遥信数据以及主故障变位数据；对SCADA***的原始数据进行转换 包括：查找与主故障数据、遥信数据以及主故障变位数据对应的数据转换规 则；根据查找到的数据转换规则，将主故障数据、遥信数据以及主故障变位 数据转换为相应的代码数据，以获得与主故障相关的数据序列。
可选的，对与主故障相关的数据序列进行格式化以获得中间数据序列的 步骤包括：按照时间顺序对所有转换后的代码数据进行排序并统一格式化， 按照代码数据的类型对格式化后的数据进行疑似度赋值。
可选的，基于中间数据序列，获得至少一条结果数据的步骤包括：根据 时间标识确定中间数据序列中具有最早时间标识的中间数据，并筛选出包括 具有最早时间标识的中间数据以及与其类型一致的所有中间数据；将与筛选 出的中间数据对应的数据类型标记设置在时间轴上；在时间轴上按照时间顺 序，将最早的开始数据标记或者任意一个结束数据标记之后的第一个开始数 据标记作为一条结果数据的开始标识，并且将该开始标识之后的第一个结束 数据标记作为一条结果数据的结束标识。
可选的，识别主故障的步骤包括：基于与具有最早时间标识的中间数据 对应的设备类型确定对应的时间窗；针对任意一条结果数据，在时间轴上， 以最早时间标识所表示的时间作为时间窗的起始时间；确定时间窗之内所存 在的所有开始数据标记，并且计算与确定的开始数据标记对应的疑似度之和； 确定时间窗之内所存在的所有结束数据标记，并且计算与确定的结束数据标 记对应的疑似度之和；对于与确定的开始数据标记对应的疑似度之和大于预 定疑似度阈值的结果数据，将与该结果数据的开始标识对应的中间数据，作 为主故障开始数据；对于与确定的结束数据标记对应的疑似度之和大于预定 疑似度阈值的结果数据，将与该结果数据的结束标识对应的中间数据，作为 主故障结束数据。
根据本公开的另一示例性实施例，提供了一种风力发电机组的主故障识 别***，其中，主故障识别***包括：数据清洗单元，用于获取SCADA*** 中与主故障相关的数据序列，数据序列包括至少一条数据，至少一条数据的 类型包括动态故障数据、遥信数据以及主故障变位数据中的任意一种；数据 格式化单元，用于对与主故障相关的数据序列进行格式化以获得中间数据序 列，其中，中间数据序列中的每条中间数据具有对应的时间标识、数据类型 标记以及疑似度；主故障识别单元，用于基于中间数据序列，获得至少一条 结果数据，针对至少一条结果数据进行主故障分析，以识别主故障；消息中 间件，用于缓存并且向数据格式化单元转发数据清洗单元获取的数据序列； 内存或缓存，用于以队列的形式存储通过数据格式化单元获得的中间数据序 列，以队列的形式存储通过主故障识别单元获得的至少一条结果数据；数据 库，用于备份内存或缓存中的数据，其中，数据类型标记包括开始数据标记、 结束数据标记以及无效数据标记，疑似度表示主故障的发生概率。
可选的，主故障识别单元利用主故障模型对至少一条结果数据进行主故 障分析，以识别主故障，其中，主故障模型定义了主故障类型，以及与主故障 类型对应的时间窗、主故障识别规则以及设备类型。
可选的，主故障识别单元基于设备类型确定对应的主故障类型，根据与 主故障类型对应的时间窗以及主故障识别规则进行主故障识别分析。
可选的，数据获取单元对SCADA***的原始数据进行预处理，并获得 与主故障相关的数据序列。
可选的，预处理包括过滤以及转换；其中，对SCADA***的原始数据 进行过滤包括：查找与原始数据的类型对应的数据过滤规则；根据查找到的 数据过滤规则，对原始数据进行过滤，以保留与主故障相关的主故障数据、 遥信数据以及主故障变位数据；对SCADA***的原始数据进行转换包括： 查找与主故障数据、遥信数据以及主故障变位数据对应的数据转换规则；根 据查找到的数据转换规则，将主故障数据、遥信数据以及主故障变位数据转 换为相应的代码数据，以获得与主故障相关的数据序列。
可选的，数据格式化单元按照时间顺序对所有转换后的代码数据进行排 序并统一格式化，按照代码数据的类型对格式化后的数据进行疑似度赋值。
可选的，结果数据获取单元根据时间标识确定中间数据序列中具有最早 时间标识的中间数据，并筛选出包括具有最早时间标识的中间数据以及与其 类型一致的所有中间数据；将与筛选出的中间数据对应的数据类型标记设置 在时间轴上；在时间轴上按照时间顺序，将最早的开始数据标记或者任意一 个结束数据标记之后的第一个开始数据标记作为一条结果数据的开始标识， 并且将该开始标识之后的第一个结束数据标记作为一条结果数据的结束标识。
可选的，主故障识别单元基于与具有最早时间标识的中间数据对应的设 备类型确定对应的时间窗；针对任意一条结果数据，在时间轴上，以最早时 间标识所表示的时间作为时间窗的起始时间；确定时间窗之内所存在的所有 开始数据标记，并且计算与确定的开始数据标记对应的疑似度之和；确定时 间窗之内所存在的所有结束数据标记，并且计算与确定的结束数据标记对应 的疑似度之和；对于与确定的开始数据标记对应的疑似度之和大于预定疑似 度阈值的结果数据，将与该结果数据的开始标识对应的中间数据，作为主故 障开始数据；对于与确定的结束数据标记对应的疑似度之和大于预定疑似度 阈值的结果数据，将与该结果数据的结束标识对应的中间数据，作为主故障 结束数据。
根据本公开的另一示例性实施例，提供了一种风力发电机组的主故障识 别***，主故障识别***包括：
SCADA***，用于从风力发电机组的PLC获取原始数据，原始数据包 括动态故障数据、遥信数据以及主故障变位数据中的至少一种；主故障识别 ***，用于根据SCADA***的原始数据来识别主故障；运维检修***，用 于根据主故障识别***的识别出的主故障发出抢修通知。
根据本公开的另一示例性实施例，提供了一种存储指令的计算机可读存 储介质，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如 上的主故障识别方法。
在本公开的示例性实施例中，对与主故障相关的数据序列进行格式化， 将该数据序列格式化为具有时间标识、数据类型标记以及疑似度的中间数据 序列，并基于通过对中间数据序列的分析所得到的结果数据进行主故障识别。 该方法将所有主故障相关数据序列作为主故障识别的基础，并按照赋值的疑 似度基于相应的识别规则对主故障进行准确识。该方法能够有效解决现有方 法中因数据传输不稳定导致不能准确识别出主故障的问题。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还 有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本公开示例性实 施例的上述和其他目的和特点将会变得更加清楚，其中：
图1示出根据本公开的示例性实施例的风力发电机组的主故障识别方法 的流程图；
图2是示出风机PLC、SCADA***、主故障识别***以及运维检修系 统之间的连接关系的示意图；
图3示出根据本公开的示例性实施例的主故障识别***的结构示意图；
图4示出示出根据本公开的示例性实施例的主故障模型的结构示意图；
图5示出示出根据本公开的示例性实施例的时间轴上的中间数据和结果 数据；
图6示出根据本公开的示例性实施例的时间窗的示意图；
图7示出根据本公开的又一示例性实施例的主故障识别方法的流程图；
图8示出根据本公开的示例性实施例的在时间轴上设置数据时判断需要 执行的操作的方法的流程图；
图9示出与图8对应的时间轴；
图10示出根据本公开的示例性实施例的获取上一条数据的操作的流程 图；
图11示出根据本公开的示例性实施例的获取下一条数据的操作的流程 图；
图12示出根据本公开的示例性实施例的获取结束数据的操作的流程图；
图13示出根据本公开的示例性实施例的计算疑似度的操作的流程图。
具体实施方式
现将详细参照本公开的实施例，实施例的示例在附图中示出，其中，相 同的标号始终指的是相同的部件。以下将通过参照附图来说明实施例，以便 解释本公开。
在本公开的示例性实施例中，主故障可表示在故障产生时上送的源故障， 通常是(按动态故障发生的顺序，也称为时标顺序)第一个产生的动态故障。 按照正常的数据产生顺序，通常先产生主故障，随后，关联数据产生或发生 变化。主故障识别不准确可能由多种原因导致，例如，如果数据延迟传输、丢 失，则可能导致主故障识别错误；又如，如果用于主故障识别的数据的类型 单一(例如，仅使用动态故障数据来进行主故障识别)，则可能丢失部分信息， 导致不能准确识别主故障，甚至不能识别出主故障。
如上文所述，主故障的产生会伴随关联数据的变化和产生，关联数据包 括实时数据、主故障变位数据和动态故障数据。在本公开中可利用实时数据、 主故障变位数据和动态故障数据中的一种或多种来进行主故障识别。
变位数据可理解为异常数据，主故障变位数据可理解为与由动态故障或 者与由动态故障引起的子故障相关的异常数据。变位数据根据不同厂家的不 同类型风力发电机组而不同。可从SCADA***获得实时数据、主故障变位 数据和动态故障数据，实时数据包括遥信数据和遥测数据，其中，与主故障 相关的数据主要是遥信数据。与主故障识别相关的数据按照优先级从高到低 顺序依次是：动态故障数据、主故障变位数据、实时数据。在一个完整的故障 过程中，只有一条主故障数据，主故障数据具有开始和结束，可具有多条实 时数据、多条主故障变位数据和多条动态故障数据。由于动态故障数据、主 故障变位数据、实时数据这三类数据与主故障数据相关联，因此主故障识别 ***可接收这三类数据中的至少一类数据，并根据本公开的方法识别主故障， 并且可确定主故障的开始和结束。
现有的主故障识别***仅依靠动态故障数据来识别主故障，没有考虑主 故障变位数据和实时数据。在风力发电机组发生故障后，现有的主故障识别 ***可能没有接收到动态故障数据，从而没有识别并报出主故障。在这种情 况下，风力发电机组受到故障影响无法正常发电，需要通过风机停转等外部 表现发现故障，或通过监测装置发现故障，如电能表显示风机停止发电。因 为没有识别出主故障，所以就没有发出通知和检修，直到通过其他手段发现 故障，在故障出现到发现故障这段时间造成了经济损失。如果发生了故障却没有及时检修，则导致风机带故障运行，从而可能会减少风机使用寿命。
另外，现有的主故障识别***接收到动态故障的顺序可能并不是动态故 障的时标顺序(产生时间的顺序)。在这种情况下，现有的主故障识别***可 能按照第一个接收到的动态故障作为主故障报出，但是第一个接收到的动态 故障可能不是实际上的主故障，即第一个实际发生的动态故障。这个动态故 障可能指向错误的故障源，进而导致抢修不及时，增加了抢修的难度和时间。
此外，现有的主故障识别***可能接收到的延迟的动态故障，也就是说， 网络不稳定、拥塞等原因可能造成动态故障的数据包延迟到达现有的主故障 识别***。在这种情况下，主故障可能未被及时识别，导致抢修不及时。
考虑到以上问题，本公开的示例性实施例提供了一种风力发电机组的主 故障识别方法、装置和***，以下将结合附图进行详细描述。
图1示出根据本公开的示例性实施例的风力发电机组的主故障识别方法 的流程图，如图1中所示，根据本公开的示例性实施例的风力发电机组的主 故障识别方法可包括步骤101至步骤104。
在步骤101，获取SCADA***中与主故障相关的数据序列，所述数据 序列包括至少一条数据，所述至少一条数据的类型包括主故障数据、遥信数 据以及主故障变位数据中的任意一种。在步骤102，对所述与主故障相关的数 据序列进行格式化以获得中间数据序列，其中，所述中间数据序列中的每条 中间数据具有对应的时间标识、数据类型标记以及疑似度，所述疑似度表示 主故障的发生概率。在步骤103，基于所述中间数据序列，获得至少一条结果 数据。在步骤104，针对所述至少一条结果数据进行主故障分析，以识别主故 障。
以上的步骤101至步骤104可由主故障识别***来执行，主故障识别系 统可与SCADA***通信连接以便从SCADA***获得与主故障相关的数据 序列。同时，还可与运维检修***通信连接，以便将识别出的主故障发送给 运维检修***，使得运维检修***能够根据识别出的主故障发出抢修通知、 进行故障位置分析、进行故障原因分析等。另外，SCADA***与风力发电机 组通信连接，从风力发电机组的PLC(简称为风机PLC)获取与主故障相关 的数据序列。
图2是示出风机PLC、SCADA***、主故障识别***以及运维检修系 统之间的连接关系的示意图，图2中箭头示出了数据传输方向。具体而言， SCADA***将实时数据、主故障变位数据、动态故障数据传输给主故障识别 ***，主故障识别***将其识别出的主故障数据传输给运维检修***。
由于本申请主要涉及主故障识别，因此以下结合图3来详细描述图2中 的主故障识别***。
图3示出根据本公开的示例性实施例的主故障识别***的结构示意图， 如图3中所示，根据本公开的示例性实施例的主故障识别***可包括数据清 洗单元、数据格式化单元、主故障识别单元、以及数据库。
具体而言，数据清洗单元用于获取SCADA***中与主故障相关的数据 序列，所述数据序列包括至少一条数据，所述至少一条数据的类型包括动态 故障数据、遥信数据以及主故障变位数据中的任意一种。
优选地，为了避免在数据格式化单元堆积大量数据，导致数据丢失，可 以设置消息中间件，用于缓存并且向数据格式化单元转发数据清洗单元获取 的数据序列。
数据格式化单元对所述与主故障相关的数据序列进行格式化以获得中间 数据序列，其中，所述中间数据序列中的每条中间数据具有对应的时间标识、 数据类型标记以及疑似度，所述数据类型标记包括开始数据标记、结束数据 标记以及无效数据标记，所述疑似度表示主故障的发生概率。也就是说，数 据格式化单元从经过预处理的原始数据产生中间数据，具体而言，对原始数 据进行格式的归一化以产生中间数据，这将在下文中被详细描述。这样的中 间数据(如图3中的中间数据M)以队列的形式被存储到内存或缓存中。
主故障识别单元从内存或缓存获取中间数据序列，基于所述中间数据序 列，获得至少一条结果数据，针对所述至少一条结果数据进行主故障分析， 以识别主故障。结果数据(如图3中的结果数据R)可以队列的形式存储在 内存或缓存中。
内存或缓存可快速存取数据，以提高主故障识别的整体的处理速度，但 是，内存或缓存的容量是有限的，这就需要设置数据库以长久保存内存或缓 存中的数据。具体而言，内存或缓存可保存最近一段时间内的数据，也就是 说，数据带有时间标识，可根据时间标识保存与当前时间点之前的预定时间 段内的数据，不在所述预定时间段内的数据将被删除。为了保证数据不丢失， 即为了保存历史数据，可将数据存储在数据库(简称为DB)中。换言之，可 通过数据库备份内存或缓存中的数据。
另外，内存或缓存中还可存储模型库(简称为MDB)，DB还可备份内存 或缓存中的MDB。MDB中存储将在下文中详细描述的主故障模型。
使用内存或缓存保存适当数量的数据，可以有效提高数据的查询速度， 还可减轻数据库的负担，进而显著提高主故障识别的实时性和稳定性。在主 故障识别***启动时将相关数据加载到内存或缓存中，在主故障识别***运 行过程中更新数据。内存或缓存的数据存储情况如以下的表1中所示：
表1
Figure BDA0002341077770000091
参照图1描述的获取数据序列的步骤、以及结合图3描述的数据清洗单 元所执行的获取数据序列的操作可通过多种实现方式来实现。在本公开的示 例性实施例中描述一种可行的实现方式，但是这仅仅是用于说明目的，并不 用于限制本公开的保护范围，其他可行的实现方式也可用于实现相关操作和 步骤。
具体而言，通过对SCADA***的原始数据进行预处理，以获得与主故 障相关的数据序列。SCADA***的原始数据是直接从风力发电机组接收并存 储的未经清洗的数据，这里的清洗可包括过滤和转换两重含义。未经转换的 原始数据可理解为：各个SCADA数据的字段含义是不统一的，这不便于对 数据进行分析。
如上文所述，原始数据(SCADA数据)包括动态故障数据、实时数据以 及主故障变位数据，实时数据包括遥测数据和遥信数据。主故障变位数据包 括与位置信号相关的数据。动态故障数据、实时数据以及主故障变位数据都 可先后经过过滤和转换。
以下详细描述对数据的过滤，对数据的过滤需要利用以下将详细描述的 主故障模型，其中，主故障模型中定义了用于进行过滤的数据清洗规则，在 需要使用数据清洗规则时，可预先查找需要的数据清洗规则。
过滤包括两个维度，纵向的第一个维度的过滤是对接收到的全部原始数 据有选择的保留，只保留主故障识别所需要的数据，其他数据丢弃。横向第 二个维度的过滤是对接收到的各类型数据的字段有选择的保留，例如，过滤 后保留的字段包括：设备ID、设备类型、时间标识、以及值等。可以理解的 是，不同类型的数据包括的字段可以相同，也可以不同。
具体地，对于实时数据，可根据主故障模型中的数据清洗规则对数据进 行过滤，以保留主故障识别所需要的数据。过滤包括从实时数据中删除遥测 数据，对遥信数据中与主故障相关的数据进行保留，其他数据删除。如在1s 钟内接收到了400条实时数据，包括200条遥信数据、以及200条遥测数据， 则首先将200条遥测数据丢弃，只保留200条遥信数据；再根据主故障模型 中的数据清洗规则对这200条遥信数据进行过滤，只保留数据清洗规则中定 义的与主故障识别相关数据，其他数据丢弃。对主故障变位数据的过滤包括 保留与主故障相关的主故障变位数据，其他变位数据被删除。对动态故障数 据的过滤包括保留类型与主故障相关的动态故障数据，其他类型的动态故障 数据被删除。以上过滤中涉及的保留和删除也是依据数据清洗规则来执行的， 例如，每个数据具有数据类型，数据清洗规则中定义了将被保留的数据类型 和将被删除的数据类型，从而可实现基于数据清洗规则的数据保留和删除。
另外，还可根据数据清洗规则对原始数据的字段进行过滤，只保留用于 主故障识别的关键字段，其他字段删除。例如，数据清洗规则定义了将被保 留的字段和将被删除的字段。
例如，经过以上对数据字段的处理后获得的原始数据中，遥信数据的字 段包括：设备ID、设备类型、时间标识(即数据的产生时间)、类型(例如， 风速、故障、发电量)、以及值(状态码)，可能有多个状态码，通常第一个状 态码对应一个状态；主故障变位数据的字段包括：设备ID、设备类型、时间 标识、以及值(例如，表示故障发生和结束的标志)；动态故障数据的字段包 括：设备ID、设备类型、时间标识、以及值(例如，故障标志)。如上所述，“值”这个字段含义不统一，需要进行转换，例如，转换为包括“0”和“1” 的代码数据，其中，“0”表示正常，“1”表示异常，第一个“1”是故障开始， 最后一个“0”是故障结束。
数据清洗为后续主故障识别提供了必要和充分的数据基础，并将对主故 障识别无关的数据丢弃，减少了数据空间占用、提高了处理速度。
以下详细描述对数据的格式化，格式化的对象针对的是已经经过清洗的 原始数据，格式化后得到中间数据。具体地，格式化后获得的中间数据的属 性如下表2所示：
表2
序号 属性 说明
1 设备ID
2 设备类型
3 时间标识 简称时标，数据产生的时间
4 类型标识 表示数据源
5 状态标识 故障标志
6 主故障疑似度 来自主故障模型
7 数据类型标记 开始数据S，结束数据E，无效数据I
8 其他属性 如设备标识、状态标识等
以上的代码数据在经过格式化后获得“状态标识”，可表示故障是否发生， “状态标识”和“时间标识”相结合可获得开始数据(被标记为“S”)，结束 数据(被标记为“E”)，无效数据(被标记为“I”)，通过“数据类型标记”区 分，例如，“0”表示正常，“1”表示异常，第一个“1”是故障开始，最后一 个“0”是故障结束，多个代码数据形成代码“100111100”，第一个“1”对应 的数据的数据类型标记为S，下一个“1”之前的“0”对应的数据类型标记为E，与该E相邻的“1”被标记为另一个S，以此类推，其余代码对应的数据 类型标记为I。
为了更好的理解上述数据清洗以及格式化的过程，以下将结合图4来具 体描述主故障模型。
图4示出根据本公开的示例性实施例的主故障模型的结构示意图。如图 4中所示，在模型库中的主故障模型可定义数据清洗规则、不同数据类型的疑 似度、时间窗以及主故障判定规则。主故障模型具有树型结构，存储在DB中， 主故障识别***启动后将主故障模型从DB加载到内存或缓存中作为模型库， 用于快速访问主故障模型，提高模型访问效率。主故障模型按各个主故障(例 如，主故障1至主故障n)存储数据，每个主故障包括对应的时间窗、主故障 判定规则和设备类型，设备类型按照设备的数据类型划分，对于每个数据类型，定义数据清洗规则和疑似度。
主故障模型定义针对接收到的原始数据的过滤、转换和格式化的数据清 洗规则；同时还定义了与每个数据类型对应的疑似度以及主故障的疑似度阈 值，用于根据中间数据M获得结果数据R；具体地，动态故障数据、遥信数 据以及主故障变位数据具有不同的疑似度，在主故障识别的过程中根据这些 数据的疑似度进行主故障识别，从而避免单一使用第一个接收到的动态故障 数据作为主故障数据的情况所带来的弊端。
时间窗(Extent)包括开始时间窗和结束时间窗。对于每次主故障都有开 始和结束，而每个开始和结束都可能有多个开始数据和结束数据，本公开针 对落入时间窗内的数据进行主故障识别。开始时间窗和结束时间窗分别定义 了主故障开始的时间范围(开始时间窗)和主故障结束的时间范围(结束时 间窗)，用于在这个时间范围内计算中间数据的疑似度之和，用于后续疑似度 的判定。开始时间窗和结束时间窗分别用于主故障开始的识别和判定以及主 故障结束的识别和判定。
可以理解的是，以上的疑似度、时间窗、数据清洗规则可根据历史数据 和经验来预先确定，也可以通过训练模型或者数据统计的方式得到。
在获得了中间数据的基础上，为了进行主故障分析，还需要对中间数据 做进一步分析以得到结果数据。具体过程包括：根据时间标识确定所述中间 数据序列中具有最早时间标识的中间数据，并筛选出包括具有最早时间标识 的中间数据以及与其类型一致的所有中间数据；将与筛选出的中间数据对应 的数据类型标记设置在时间轴上；在所述时间轴上按照时间顺序，将最早的 开始数据标记S或者任意一个结束数据标记E之后的第一个开始数据标记作 为一条结果数据的开始标识，并且将该开始标识之后的第一个结束数据标记 作为所述一条结果数据的结束标识。以下结合图5来详细描述结果数据的产 生过程。
图5示出根据本公开的示例性实施例的时间轴上的中间数据和结果数据。 如图5中所示，S表示带有开始数据标记的数据，E表示带有结束数据标记的 数据，RS表示结果数据的开始标识，RE表示结果数据的结束标识。
具体而言，可对中间数据序列进行分析，找出最早时间标识的中间数据 以及随后的中间数据，在时间轴上，以数据类型标记代表中间数据，从而获 得了图5中的带有“S”、“E”、“I”的时间轴。随后，按照如下规则确定开 始标识和结束标识：在所述时间轴上按照时间顺序，将最早的开始数据标记 或者任意一个结束数据标记之后的第一个开始数据标记作为一条结果数据的 开始标识，并且将该开始标识之后的第一个结束数据标记作为所述一条结果 数据的结束标识。通过以上规则，在图5所示时间轴上确定了4条结果数据 R。
结果数据可作为主故障数据的候选数据，具有开始时间和结束时间，开 始时间取决于与开始标识对应的中间数据的时间标识，结束时间取决于与结 束标识对应的中间数据的时间标识，结果数据的属性和特点如表3所示：
表3
序号 属性 说明
1 开始标识
2 结束标识
3 发生疑似度
4 结束疑似度
5 其他属性 如设备ID、状态标识等
如上表所示，结果数据R的特点是具有开始标识和结束标识。多条结果 数据R将整个时间轴上的中间数据划分为多个部分，每个部分包括多条中间 数据，从而将数据进行更详细划分，以解决不按照时间接收数据所带来的对 主故障识别的影响。
在确定了结果数据的情况下，如图1的步骤104所述，可针对结果数据 进行主故障分析，以识别主故障。具体而言，利用主故障模型对所述至少一 条结果数据进行主故障分析，以识别主故障。
具体而言，通过如下操作进行主故障分析：基于与具有最早时间标识的 中间数据对应的设备类型确定对应的时间窗；针对任意一条结果数据，在所 述时间轴上，以所述最早时间标识所表示的时间作为时间窗的起始时间；确 定所述时间窗之内所存在的所有开始数据标记，并且计算与确定的开始数据 标记对应的疑似度之和；确定所述时间窗之内所存在的所有结束数据标记， 并且计算与确定的结束数据标记对应的疑似度之和；对于与确定的开始数据 标记对应的疑似度之和大于预定疑似度阈值的结果数据，将与该结果数据的 开始标识对应的中间数据，作为主故障开始数据；对于与确定的结束数据标 记对应的疑似度之和大于预定疑似度阈值的结果数据，将与该结果数据的结 束标识对应的中间数据，作为主故障结束数据。
为了更加清楚的说明主故障识别过程，下面结合图6对时间窗进行说明。
图6示出根据本公开的示例性实施例的时间窗的示意图。在图6中，在 时间轴上，分别带有开始数据标记S0、S1、S2以及S3的4条数据(可称为开始 数据)中的3条数据位于开始时间窗内，分别带有结束数据标记E0、E1以及 E2的3条数据(可称为结束数据)位于结束时间窗内。对于每个候选的结果 数据R，计算发生疑似度和结束疑似度，其中，结果数据R的发生疑似度＝ 启示于该条结果数据中的最早时间标识所表示的时间的开始时间窗之内的所有具有开始数据标记S的中间数据的疑似度之和；结果数据R的结束疑似度 ＝启示于该条结果数据中的最早时间标识所表示的时间的结束时间窗之内的 所有具有结束数据标记E的中间数据的疑似度之和。在一段时间内，数据疑 似度之和有可能超过100％，例如，当疑似度之和等于或大于80％时，认为主 故障发生，80％为预定疑似度阈值。对于发生疑似度和结束疑似度而言，疑似 度阈值可以相同也可以不同。如果S0、S1、S2之和大于80％，则将与S0对应 的中间数据的作为主故障开始数据，如果E0、E1以及E2之和大于80％，则将 与E0对应的中间数据的作为主故障结束数据。
图7示出根据本公开的又一示例性实施例的主故障识别方法的流程图。 与图1的不同之处包括：本实施例的操作涉及更具体的处理器，步骤303至 步骤309、步骤311、步骤312是新增步骤，没有执行图1的步骤104。
参照图7，在步骤301，处理器接收原始数据，这与图1的步骤101相 同；在步骤302，根据原始数据产生中间数据M，这与图1的步骤102相同； 在步骤303，判断是否启用中间件，如果启用中间件，则在步骤304，启用消 息中间件；在步骤305判断是否对数据进行缓存，如果是，则在步骤306中 进行中间数据M的缓存，即将中间数据存入内存或缓存；在步骤307，判断 是否为与先前数据重复的数据，如果不是与先前数据重复的数据则在步骤308 判断是否为有效数据，如果不是有效数据，则在步骤309中将中间数据M存 入DB；如果是有效数据，则在步骤310中根据中间数据M确定结果数据R， 这与图1的步骤103相同；在步骤311，将中间数据和结果数据存入DB，并 且更新内存或缓存，还可选择性的设置结果数据的疑似度；在步骤312，判断 是否保存成功，如果保存成功，则结束流程，否则返回步骤306将数据存入 缓存并且随后执行步骤307。
在本公开的示例性实施例中，判别数据是否与先前数据重复，与先前数 据重复的数据被称为重复数据，过滤重复数据。重复数据包括：与先前数据 在时间标识等属性上均相同的数据；以及与先前数据在时间标识和类型标识 上相同，但是其他属性不同(例如，状态标识不同)的数据。
如上所述，当具体描述从中间数据产生结果数据的过程时，需要利用时 间轴(具体为“将与筛选出的中间数据对应的数据类型标记设置在时间轴 上”)，如果时间轴上已经设置了数据，那么需要根据当前的中间数据执行更 新操作Upd和/或***操作Ins，更新操作Upd是对时间轴上的已经设置的数 据进行更改，而不新增数据，***操作Ins是在时间轴上新增数据。可参照图 8、图9和表4来理解在时间轴上设置数据时判断需要执行的操作(Upd和/ 或Ins)的方法。
图8示出根据本公开的示例性实施例的在时间轴上设置数据时判断需要 执行的操作的方法的流程图，图9示出与图8对应的时间轴，表4示出当产 生一条中间数据时，如何修改结果数据。在本示例性实例中，当前数据C的 上一条有效数据为数据L，下一条有效数据为数据N，S为开始数据标记，解 释为具有开始数据标记的中间数据，E为结束数据标记，解释为具有结束数 据标记的中间数据。
表4
Figure BDA0002341077770000161
为了对疑似度进行修正，可使用疑似度修改功能。如果启用了疑似度修 改功能，每次执行图8所示流程时，还可选择性的修改结果数据R的疑似度， 结果数据R的新的疑似度＝0或R的原疑似度+C的疑似度。时标是时间 标识的简写，NULL表示无数据(空数据)。结果数据R的原疑似度为在对应 的时间窗内计算的疑似度之和。与序号6、7、8对应的筛选条件可替换为： 结果数据R的开始时间不大于L的时间标识，且结果数据R的结束时间无时 间标识。结果数据R的开始时间是与结果数据R的开始标识对应的时间点， 结果数据R的结束时间是与结果数据R的结束标识对应的时间点。
如以上的表4所示，根据当前数据C的数据类型标记(S、E、或I)、上 一条有效数据L、下一条有效数据N来判断操作的类型(Ins、Upd还是同时 执行Ins和Upd)。
类似的，参照图8，在步骤401，判断是否存在重复数据，如果存在重复 数据，则在步骤402中计算疑似度(例如，将与当前数据重复的数据的疑似 度作为当前数据的疑似度)，否则在步骤403，获取上一条数据L；在步骤404， 判断当前数据是否为开始数据S，如果是则执行步骤405，否则执行步骤406； 在步骤405判断数据L是否为空或结束数据E，如果是，则在步骤407中获 取数据N，在步骤408中，当数据N为空时执行Ins，当数据N为结果数据时执行Upd，当数据N为结束数据时执行Ins，随后可选择性的执行计算疑似 度的步骤；在步骤406中判断数据L是否为空或结束数据E，如果不是，则 在步骤409中获取数据N；在步骤410中，当数据N为空时执行Upd，当数 据N为开始数据S时执行Upd和Ins，当数据N为结束数据E时执行Upd， 随后可选择性的执行计算疑似度的步骤；在步骤405的判断结果为否或者步 骤406的判断结果为是时，执行步骤411，以选择性的计算疑似度，可参照图 13所示方法来计算疑似度。
图9借助于时间轴示出了与表4表示的操作类似的操作，这里不再赘述。 在表4中涉及如下操作：获取上一条有效数据、获取下一条有效数据、获取 下一条有效数据N的下一条具有结束数据标记E的有效数据，这些操作详见 如下的针对图10至图12的描述。
图10示出根据本公开的示例性实施例的获取上一条数据的操作的流程 图。如图10所示，在步骤501，判断当前数据的识别是否在内存范围(预定 的时间范围)之内，如果是，则在步骤503从内存或缓存获取上一条有效数 据L，否则在步骤502从DB获取上一条有效数据L；在步骤504，判断数据 L是否存在于内存或缓存中，如果是则结束流程，否则执行步骤502以从DB 获取数据L。
图11示出根据本公开的示例性实施例的获取下一条数据的操作的流程 图。如图11所示，在步骤601，判断数据C的时标是否为最新数据，如果是， 则在步骤602下一条有效数据N为空；否则在步骤603判断时标是否在内存 范围(例如，距离数据时标的时间段为20分钟)，如果是则在步骤604从内 存或缓存中获取下一条有效数据N，否则在步骤605从DB获取下一条有效 数据N。
图12示出根据本公开的示例性实施例的获取结束数据的操作的流程图。 如图12中所示，在步骤701判断数据N的时标是否在内存范围之内，如果 是，则在步骤702中从内存或缓存中获取数据N之后的第一条结果数据E， 否则在步骤703中从DB中获取数据N之后的第一条结果数据E。
图13示出根据本公开的示例性实施例的计算疑似度的操作的流程图。如 图13中所示，在步骤801，从模型库中的主故障模型中获取对应的时间窗； 在步骤802，获取应的主故障；在步骤803，判断数据是否在时间窗之前或在 时间窗之内，如果是，则在步骤804中计算疑似度，否则结束流程。
主故障疑似度计算采用主故障开始和结束分别计算的方式。根据主故障 疑似度的定义，每类主故障都定义了开始时间窗和结束时间窗。时间窗的值 来自主故障模型，时间窗的确定依据主要为历史数据，并依据经验数据进行 修正。历史数据是指根据以往发生的主故障相关数据的开始和结束集中分布 时间，依据经验数据的修正是指根据故障发生的经验值来修正分布时间。计 算在当前时间窗内所有中间数据的疑似度之和，如果达到80％，则认为是主 故障。
如果对于开始数据S的时间窗为5秒，则计算在这个时间窗内(从开始 数据S的时标向后推5秒)的所有数据的疑似度之和，如果达到了80％以上， 则认为是主故障开始。对于主故障的结束也进行类似计算。对于当前已经计 算出的疑似度，如果新的数据在时间窗之前或者在时间窗之内，要重新计算 疑似度；否则不重新计算疑似度。
在本公开的示例性实施例中，根据主故障模型所定义的主故障疑似度阈 值判定主故障的产生和结束。
R的发生疑似度＝相关S数据的疑似度之和。在时间窗内，数据的疑似 度相加，有可能超过100％，达到80％就认为主故障发生。
R的结束疑似度＝相关E数据的疑似度之和。在时间窗内，数据的疑似 度相加，有可能超过100％，达到80％就认为主故障结束。
主故障识别后将产生告警，用于展示到人机界面，以及发送主故障告警 到运维检修***，以生成抢修工单，进行派工处理。还要将完整的主故障存 储到DB。
为了优化识别主故障的时效性，时标在最近20分钟内的数据存储到内存 或缓存，并且至少存储最后一条数据。20分钟不是固定值，可以根据配置调 整。20分钟以外的数据存储到DB，当需要时从DB加载到内存或缓存。
在本公开的示例性实施例中，当故障发生时(首个故障为主故障)，故障 识别***会接收到动态故障，与此同时，预定时间范围内(例如5s内)会产 生对应的实时数据和变位数据(主故障变位数据)。在此基础上，制定实时数 据、主故障变位数据、动态故障数据的权重(20％，30％，50％)，用于确定主 故障的产生。疑似度用于表示这样的权重。各类型中间数据的疑似度可以根 据实际运行情况来调整。
另外，根据本公开的另一示例性实施例，提供了一种存储指令的计算机 可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至 少一个计算装置执行如上所述的主故障识别方法。
本公开的优点及有益效果包括：
(1)主故障不丢失、不漏报，解决主故障缺失问题。运维***能够根据 主故障进行抢修安排，减少风电场的经济损失和设备损失。风电场指标运算 能够统计到这个故障，使统计报表更准确。
(2)主故障不误报，解决主故障识别不准确问题。重要意义在于能够准 确指向故障细节，使抢修安排更有针对性，提高了主故障的价值和抢修效率。
(3)主故障及时上报。使主故障能够及时上报到SCADA***和运维检 修***，使抢修安排更快速地开展，更快地进行故障处理，减少经济损失。
(4)主故障关联分析和判断无需人工参与。减少人工参与的不确定性、 不稳定性，将规则整理到库，充分发挥模型的优势。并且模型也可以在运行 过程中不断优化和改进，更准确的进行主故障判断和生成。
(5)主故障识别方法及***使用风电场的SCADA数据，无需额外增加 传感器、网络设备，节省了投资，并且易于部署和实施。
以上描述了根据本公开构思的实施例，在不脱离本公开的保护范围的情 况下，各个实施例中的特征可进行组合，这些组合也将落入本公开的保护范 围之内。
计算机可读存储介质是可存储由计算机***读出的数据的任意数据存储 装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读 光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过 互联网的数据传输)。
此外，应该理解，根据本公开示例性实施例的各个单元可被实现硬件组 件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以 例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单 元。
此外，根据本公开示例性实施例的方法可以被实现为计算机可读存储介 质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述 计算机代码。当所述计算机代码在计算机中被执行时实现本公开的上述方法。
虽然已表示和描述了本公开的一些示例性实施例，但本领域技术人员应 该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神 的情况下，可以对这些实施例进行修改。

Claims (10)

1.一种风力发电机组的主故障识别方法，其特征在于，所述主故障识别方法包括：
获取SCADA***中与主故障相关的数据序列，所述数据序列包括至少一条数据，所述至少一条数据的类型包括动态故障数据、遥信数据以及主故障变位数据中的至少一种；
对所述与主故障相关的数据序列进行格式化以获得中间数据序列，其中，所述中间数据序列中的每条中间数据具有对应的时间标识、数据类型标记以及疑似度；
基于所述中间数据序列，获得至少一条结果数据；
针对所述至少一条结果数据进行主故障分析，以识别主故障，
其中，所述数据类型标记包括开始数据标记、结束数据标记以及无效数据标记，所述疑似度表示主故障的发生概率。
2.根据权利要求1所述的主故障识别方法，其特征在于，针对所述至少一条结果数据进行主故障分析的步骤包括：
利用主故障模型对所述至少一条结果数据进行主故障分析，以识别主故障，
其中，所述主故障模型定义了主故障类型，以及与所述主故障类型对应的时间窗、主故障识别规则以及设备类型。
3.根据权利要求2所述的主故障识别方法，其特征在于，利用主故障模型对所述至少一条结果数据进行主故障分析的步骤包括：
基于所述设备类型确定对应的主故障类型，根据与主故障类型对应的时间窗以及主故障识别规则进行主故障识别分析。
4.根据权利要求1所述的主故障识别方法，其特征在于，获取SCADA***中与主故障相关的数据序列的步骤包括：
对SCADA***的原始数据进行预处理，并获得与主故障相关的数据序列。
5.根据权利要求4所述的主故障识别方法，其特征在于，所述预处理包括过滤以及转换的步骤；
其中，对SCADA***的原始数据进行过滤包括：
查找与原始数据的类型对应的数据过滤规则；
根据查找到的数据过滤规则，对原始数据进行过滤，以保留与主故障相关的主故障数据、遥信数据以及主故障变位数据；
对SCADA***的原始数据进行转换包括：
查找与所述主故障数据、遥信数据以及主故障变位数据对应的数据转换规则；
根据查找到的数据转换规则，将所述主故障数据、遥信数据以及主故障变位数据转换为相应的代码数据，以获得与主故障相关的数据序列。
6.根据权利要求5所述的主故障识别方法，其特征在于，对所述与主故障相关的数据序列进行格式化以获得中间数据序列的步骤包括：
按照时间顺序对所有转换后的代码数据进行排序并统一格式化，按照代码数据的类型对格式化后的数据进行疑似度赋值。
7.根据权利要求3至6中的任意一项所述的主故障识别方法，其特征在于，所述基于所述中间数据序列，获得至少一条结果数据的步骤包括：
根据时间标识确定所述中间数据序列中具有最早时间标识的中间数据，并筛选出包括具有最早时间标识的中间数据以及与其类型一致的所有中间数据；
将与筛选出的中间数据对应的数据类型标记设置在时间轴上；
在所述时间轴上按照时间顺序，将最早的开始数据标记或者任意一个结束数据标记之后的第一个开始数据标记作为一条结果数据的开始标识，并且将该开始标识之后的第一个结束数据标记作为所述一条结果数据的结束标识。
8.根据权利要求7所述的主故障识别方法，其特征在于，所述识别主故障的步骤包括：
基于与具有最早时间标识的中间数据对应的设备类型确定对应的时间窗；
针对任意一条结果数据，在所述时间轴上，以所述最早时间标识所表示的时间作为时间窗的起始时间；
确定所述时间窗之内所存在的所有开始数据标记，并且计算与确定的开始数据标记对应的疑似度之和；
确定所述时间窗之内所存在的所有结束数据标记，并且计算与确定的结束数据标记对应的疑似度之和；
对于与确定的开始数据标记对应的疑似度之和大于预定疑似度阈值的结果数据，将与该结果数据的开始标识对应的中间数据，作为主故障开始数据；
对于与确定的结束数据标记对应的疑似度之和大于预定疑似度阈值的结果数据，将与该结果数据的结束标识对应的中间数据，作为主故障结束数据。
9.一种风力发电机组的主故障识别***，其特征在于，所述主故障识别***包括：
数据清洗单元，用于获取SCADA***中与主故障相关的数据序列，所述数据序列包括至少一条数据，所述至少一条数据的类型包括动态故障数据、遥信数据以及主故障变位数据中的任意一种；
数据格式化单元，用于对所述与主故障相关的数据序列进行格式化以获得中间数据序列，其中，所述中间数据序列中的每条中间数据具有对应的时间标识、数据类型标记以及疑似度；
主故障识别单元，用于基于所述中间数据序列，获得至少一条结果数据，针对所述至少一条结果数据进行主故障分析，以识别主故障；
内存或缓存，用于以队列的形式存储通过数据格式化单元获得的中间数据序列，以队列的形式存储通过主故障识别单元获得的所述至少一条结果数据；
数据库，用于备份内存或缓存中的数据，
其中，所述数据类型标记包括开始数据标记、结束数据标记以及无效数据标记，所述疑似度表示主故障的发生概率。
10.一种存储指令的计算机可读存储介质，其特征在于，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1到8中的任一权利要求所述的主故障识别方法。
CN201911376358.3A 2019-12-27 2019-12-27 风力发电机组的主故障识别方法和*** Pending CN113127237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911376358.3A CN113127237A (zh) 2019-12-27 2019-12-27 风力发电机组的主故障识别方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911376358.3A CN113127237A (zh) 2019-12-27 2019-12-27 风力发电机组的主故障识别方法和***

Publications (1)

Publication Number Publication Date
CN113127237A true CN113127237A (zh) 2021-07-16

Family

ID=76767204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911376358.3A Pending CN113127237A (zh) 2019-12-27 2019-12-27 风力发电机组的主故障识别方法和***

Country Status (1)

Country Link
CN (1) CN113127237A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137890A (zh) * 2021-12-30 2022-03-04 北京华能新锐控制技术有限公司 实现海上风电设备远程重启的装置、远程io模块及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090031181A1 (en) * 2007-07-27 2009-01-29 Gm Global Technology Operations, Inc. Automated root cause identification of logic controller failure
CN102129447A (zh) * 2010-01-13 2011-07-20 通用汽车环球科技运作有限责任公司 使用时序数据挖掘的故障预测架构
CN103306893A (zh) * 2012-03-09 2013-09-18 北京光耀能源技术股份有限公司 一种风力发电机故障预警及报警方法
CN104360237A (zh) * 2014-11-21 2015-02-18 国家电网公司 地区电网主设备故障在线智能辨识方法
CN104572329A (zh) * 2014-12-31 2015-04-29 杭州华为企业通信技术有限公司 一种故障确定方法及装置
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨***的状态监测和故障诊断方法
CN107797063A (zh) * 2017-09-19 2018-03-13 北京瑞盈同创智能技术研究院有限公司 基于scada的风电机组运行状态评估及故障诊断方法
CN108052633A (zh) * 2017-12-20 2018-05-18 重庆科凯前卫风电设备有限责任公司 基于scada***的风电场故障数据采集***及采集方法
CN108415789A (zh) * 2018-01-24 2018-08-17 西安交通大学 面向大规模混合异构存储***的节点故障预测***及方法
KR102036788B1 (ko) * 2018-09-06 2019-10-25 연세대학교 산학협력단 동기위상기 측정신호에 기초한 실시간 전력계통 고장위치 추정 시스템 및 방법
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090031181A1 (en) * 2007-07-27 2009-01-29 Gm Global Technology Operations, Inc. Automated root cause identification of logic controller failure
CN102129447A (zh) * 2010-01-13 2011-07-20 通用汽车环球科技运作有限责任公司 使用时序数据挖掘的故障预测架构
CN103306893A (zh) * 2012-03-09 2013-09-18 北京光耀能源技术股份有限公司 一种风力发电机故障预警及报警方法
CN104360237A (zh) * 2014-11-21 2015-02-18 国家电网公司 地区电网主设备故障在线智能辨识方法
CN104572329A (zh) * 2014-12-31 2015-04-29 杭州华为企业通信技术有限公司 一种故障确定方法及装置
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨***的状态监测和故障诊断方法
CN107797063A (zh) * 2017-09-19 2018-03-13 北京瑞盈同创智能技术研究院有限公司 基于scada的风电机组运行状态评估及故障诊断方法
CN108052633A (zh) * 2017-12-20 2018-05-18 重庆科凯前卫风电设备有限责任公司 基于scada***的风电场故障数据采集***及采集方法
CN108415789A (zh) * 2018-01-24 2018-08-17 西安交通大学 面向大规模混合异构存储***的节点故障预测***及方法
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
KR102036788B1 (ko) * 2018-09-06 2019-10-25 연세대학교 산학협력단 동기위상기 측정신호에 기초한 실시간 전력계통 고장위치 추정 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137890A (zh) * 2021-12-30 2022-03-04 北京华能新锐控制技术有限公司 实现海上风电设备远程重启的装置、远程io模块及方法
CN114137890B (zh) * 2021-12-30 2023-08-08 北京华能新锐控制技术有限公司 实现海上风电设备远程重启的装置、远程io模块及方法

Similar Documents

Publication Publication Date Title
US20220121994A1 (en) Method and apparatus for implementing model training, and computer storage medium
CN109391629B (zh) 轨道交通综合监控***数据处理方法
CN109918313B (zh) 一种基于GBDT决策树的SaaS软件性能故障诊断方法
CN106777392A (zh) 基于流计算的风电机组scada数据的实时处理方法
WO2022116922A1 (zh) 磁盘失效预测方法、预测模型训练方法、电子设备
CN108683658B (zh) 基于多rbm网络构建基准模型的工控网络流量异常识别方法
CN110769074B (zh) 一种新能源集控***数据断点续传方法
CN114693025A (zh) 一种智慧园区维护方法和维护***
CN110971488A (zh) 一种数据处理方法、装置、服务器和存储介质
CN113127237A (zh) 风力发电机组的主故障识别方法和***
CN109873858B (zh) 一种业务数据分布式监控方法和分布式监控集群
CN116319858A (zh) 一种智能船舶物联网数据运维监控方法及***
CN115859200A (zh) 一种数据检测方法及***
CN113825162B (zh) 电信网络故障原因定位方法及装置
CN111897802B (zh) 数据库容器故障定位方法及***
CN113656287B (zh) 软件实例故障的预测方法、装置、电子设备及存储介质
CN110929849B (zh) 一种基于神经网络模型压缩的视频检测方法和装置
CN109143878B (zh) 多路采集通道的遥信消息和soe消息处理方法
JP2010102462A (ja) 障害推定装置、方法及びプログラム
CN112800102A (zh) 告警相关性计算方法、装置及计算设备
CN113836457B (zh) 一种基于信息识别分析的移动互联网终端缓存管理方法、***及存储介质
CN111064783A (zh) 一种数据采集装置及方法
CN116112344B (zh) 一种机房故障网络设备检测方法、设备及介质
CN116743618B (zh) 厂站远动设备的数据采集分析方法、设备及介质
FI130073B (en) Predictive maintenance of cable modems

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