CN115013261B - 一种用于海上风电场的状态监测方法及*** - Google Patents

一种用于海上风电场的状态监测方法及*** Download PDF

Info

Publication number
CN115013261B
CN115013261B CN202210944185.6A CN202210944185A CN115013261B CN 115013261 B CN115013261 B CN 115013261B CN 202210944185 A CN202210944185 A CN 202210944185A CN 115013261 B CN115013261 B CN 115013261B
Authority
CN
China
Prior art keywords
offshore wind
state
wind farm
equipment
data
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
Application number
CN202210944185.6A
Other languages
English (en)
Other versions
CN115013261A (zh
Inventor
陈文进
虞伟
甘纯
黄浩
张引贤
钱建国
张静
王栋
金晨星
张俊
陈菁伟
张若依
李赢
姚斯磊
方海娜
潘永春
徐冉月
刘黎
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.)
Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhoushan Power Supply Co of State Grid Zhejiang Electric Power 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 Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210944185.6A priority Critical patent/CN115013261B/zh
Publication of CN115013261A publication Critical patent/CN115013261A/zh
Application granted granted Critical
Publication of CN115013261B publication Critical patent/CN115013261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/26—Special purpose or proprietary protocols or architectures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Sustainable Development (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种用于海上风电场的状态监测方法及***，属于海上风电场监测技术领域。本发明用于对海上风电场机组故障原因进行评估，并且对海上风电场中各个设备进行全面监测。本发明的用于海上风电场的状态监测方法，通过构建传感器布设模型、分层化通信模型、风电场运行状态模糊评价模型、海上风电机组故障预警模型，能够实现海上风电场的主要设备之间的信息共享以及数据通讯；进而根据采集到的数据进行评价，并对运行异常情况进行辨识，得到异常原因，实现海上风电场的全面状态监测，从而能提前发现海上风电场设备潜在故障的征兆，方案科学、合理，便于推广使用。

Description

一种用于海上风电场的状态监测方法及***
技术领域
本发明涉及一种用于海上风电场的状态监测方法及***，属于海上风电场监测技术领域。
背景技术
海上风电场电气设备繁多，且气候环境恶劣，风电场设备容易受到海风海浪、盐雾以及冰冻的侵袭，因此海上风电场设备的故障率会比较高，并且海上风电场距离海岸一般10-50km，海上设备检修需要专业船只或直升飞机，费用昂贵。传统的风电场维修包括计划维修和事后维修两类，两种方式存在难以及时发现设备异常并修正，以及影响供电可靠性并带来不必要经济损失的问题。
因此对海上风电场的主要设备进行实时监测，及时了解设备的运行状况，及早发现电气设备可能存在的问题，有利于提高海上风电场的管理效率，减少不必要的经济损失，并且实施海上风电场实时在线监测，通过各类传感器以及IED及时获取设备相关参数，了解设备运行状况，在设备出现异常时，检修人员能够第一时间对设备予以维修并排除隐患，从而提高海上风电场的运行管理效率。
中国专利（公布号：CN 111192163 A）公开了一种基于风电机组运行数据的发电机可靠度中短期预测方法，该方法是基于风电机组运行状态的历史数据，分析发电机相关标签点的最佳运行范围阈值，以多个监测指标作为输入指标，结合统计学方法输出每个时刻点的可靠度值，并对输出可靠度值利用深度学习方法进行时间序列分析，得到可靠度的中短期预测结果，进而利用预测的结果对发电机进行监测和检修。本发明方法具有较高的准确性及稳定性，可以实现对机组发电机可靠度的实时监控，并对未来的可靠度趋势进行预测，进而得到对下一维修工作的指导信息，为状态维修决策提供依据。
但上述方案，只是对发电机的可靠度进行预测，没有公开如何对海上风电场主要设备的运行状态趋势进行评价，也不能得到海上风电场机组故障原因，更无法对海上风电场中各个设备进行全面监测，适用范围比较窄，功能比较单一，不利于推广使用。
进一步，上述方案主要涉及监测数据的处理以及发电机可靠度的预测，没有公开如何进行海上风电场设备之间的数据传输以及通讯，特别是不同的海上风电场设备的主控***支持不同的通讯协议，信息共享困难，难以按照电网一次调频的要求直接调控风电机组。
更进一步，海上升压站和陆上站内配置的监测***中，站内主辅控***子***数量多，功能不完善，信息格式不规范，相互间独立，因此主辅设备间、辅助设施间信息无法有效共享，通信***的可靠性比较低。
发明内容
针对现有技术的缺陷，本发明的目的一在于提供一种通过构建传感器布设模型、分层化通信模型、风电场运行状态模糊评价模型、海上风电机组故障预警模型，对一种或多种物联网传感器进行合理布设；同时将一种或多种物联网传感器采集的运行数据，通过IEC61850标准协议进行传输，并能实现海上风电场的主要设备之间的信息共享以及数据通讯；进而根据采集到的数据进行评价，并对运行异常情况进行辨识，得到异常原因，实现海上风电场的全面状态监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用的用于海上风电场的状态监测方法。
本发明的目的二在于提供一种分层化通信模型，其基于IEC61850标准协议进行构建，并根据主要设备信息设置多个逻辑节点，能够实现海上风电场的主要设备之间的信息共享以及数据通讯，从而可以按照电网一次调频的要求直接调控风电机组的用于海上风电场的状态监测方法。
本发明的目的三在于提供一种通过设置一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台，对海上风电场的主要设备的运行数据进行采集，并利用IEC61850标准协议，将运行数据传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；同时通过风电场运行状态模糊评价模块、海上风电机组故障预警模块，对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用的用于海上风电场的状态监测***。
本发明的目的四在于提供一种分层化通信***，其基于IEC61850标准协议进行构建，能够按照电网一次调频的要求直接调控风电机组；进而可应用在海上升压站和陆上站内配置的监测***中，实现站内主辅控***以及子***之间的通讯以及数据传输，并能实现主辅设备间、辅助设施间信息共享，结构简单、实用，通信可靠性高的用于海上风电场的状态监测***。
为实现上述目的之一，本发明的第一种技术方案为：
一种用于海上风电场的状态监测方法，包括：
S1，确定海上风电场的主要设备信息；
S2，根据所述主要设备信息，构建传感器布设模型；其中所述传感器布设模型用于设置一种或多种物联网传感器的布设方式；
S3，构建分层化通信模型，获取所述一种或多种物联网传感器的布设方式下的采集数据，并对所述采集数据通过所述分层化通信模型进行传输；其中，所述分层化通信模型基于IEC61850标准协议进行构建，并根据所述主要设备信息设置多个逻辑节点，以实现海上风电场的主要设备之间的信息共享以及数据通讯；
S4，构建风电场运行状态模糊评价模型，基于风电场运行状态模糊评价模型对所述S3的所述采集数据进行分析，获得海上风电场运行状态趋势评估结果；
风电场运行状态模糊评价模型的构建方法如下：
S41，获取海上风电场设备的海上风电历史数据；
S42，根据S41中的海上风电历史数据，提取海上风电场设备的海上风电故障特征；
S43，利用S42中的海上风电故障特征，建立海上风电场运行状态趋势评价模型，实现对海上风电场运行状态趋势的评估；
当海上风电场运行状态趋势评估结果为劣化时，执行S5；
当海上风电场运行状态趋势评估结果为正常时，执行S3；
S5，构建海上风电机组故障预警模型，基于所述海上风电机组故障预警模型对运行异常情况进行辨识，得到异常原因，实现海上风电场的状态监测；
所述异常情况包括待风或/和机组自降额或/和异常天气降额或/和调度限电或/和异常天气停运。
本发明经过不断探索以及试验，通过构建传感器布设模型、分层化通信模型、风电场运行状态模糊评价模型、海上风电机组故障预警模型，对一种或多种物联网传感器进行合理布设；同时将一种或多种物联网传感器采集的运行数据，通过IEC61850标准协议进行传输，并能实现海上风电场的主要设备之间的信息共享以及数据通讯；进而根据采集到的数据进行评价，并对运行异常情况进行辨识，得到异常原因，实现海上风电场的全面状态监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用。
进一步，本发明的分层化通信模型，基于IEC61850标准协议进行构建，并根据主要设备信息设置多个逻辑节点，能够实现海上风电场的主要设备之间的信息共享以及数据通讯，从而可以按照电网一次调频的要求直接调控风电机组。
作为优选技术措施：
所述S1中，所述主要设备信息至少包括设备种类和设备特点或/和地理位置或/和周边环境或/和常见故障或/和待监测点。
作为优选技术措施：
所述S2中，所述传感器布设模型的构建方法包括：
S21，基于所述主要设备信息，确定数据采集点以及数据采集类型；
S22，基于S21中的数据采集点以及数据采集类型，确定物联网传感器的种类以及数量；
S23，基于S22中的物联网传感器的种类以及数量，设置物联网传感器的布设角度以及物联网传感器之间的间隔距离。
作为优选技术措施：
所述S3中，所述分层化通信模型，用于将采集数据传输至海上风电场智能状态监测平台进行数据分析，其包括过程层、间隔层和站控层；
所述过程层利用通信协议栈建立面向对象的风电场网络GOOSE与采样测量网络SV；面向对象的风电场网络GOOSE与采样测量网络SV均采用发布者/订阅者模式进行通信；所述通信协议栈包括应用层、数据链路层、物理层、会话层、传输层和网络层；所述应用层的数据直接映射到数据链路层的MAC子层，然后传递给物理层发送，而会话层、传输层和网络层均为空；
所述间隔层和站控层之间采用以太网相连，并且所述以太网为双网冗余方式；
所述站控层在通信规约层面上实施特定通信服务映射MMS的映射，所述特定通信服务映射MMS的映射通过对海上风电场设备及其功能进行建模，实现网络环境下的海上风电场设备之间数据和监控信息的实时交换；所述海上风电场设备通过光纤环网与站控层进行联网，并对纵向接入的若干海上风电场设备进行安全分区，实现海上风电场设备的监控、生产、运维和调度。
作为优选技术措施：
所述S43中所述海上风电场运行状态趋势评价模型的构建方法包括：
S431，基于海上风电场的主要设备的共有特点，建立设备层指标，
所述设备层指标至少包括如下特征状态参数：叶片***指标的特征状态参数、齿轮箱指标的特征状态参数、发电机指标的特征状态参数和电力电子装置指标的特征状态参数；
所述特征状态参数采用机组SCADA***提供的部分典型采集数据，并将未采用的采集数据对应的物联网传感器进行拆除或者在较长时间周期内采集数据；
所述叶片***指标的特征状态参数包括变桨电机温度、变桨柜电容温度、变桨柜柜体温度和变桨逆变器温度；
所述齿轮箱指标的特征状态参数包括齿轮箱油温、高速轴承温度、低速轴承温度和油压；
所述发电机指标的特征状态参数包括电机自由端轴承温度、电机驱动端轴承温度、发电机冷却风扇进出口温差以及绕组温度；
所述电力电子装置指标的特征状态参数包括振动加速度、机舱位置、机舱温度以及控制柜温度；
S432，基于S431中的设备层指标的特征状态参数，构建因素层指标，形成海上风电场设备的监测数据；
S433，基于专家经验权值和参数复相关系数权值融合的方式，对S432中的因素层指标分配初始权重，初始权重计算公式如下：
aij=b1*w1+b2*w2，
其中，aij为第i个设备层指标的第j个因素层指标的初始权重；
b1和b2分别为专家经验权值和参数复相关系数权值的独立权重系数；
w1和w2为独立使用专家经验权值和参数复相关系数权值获得的初始权重；
所述专家经验权值为主观权值，通过层次分析法获得；
所述参数复相关系数权值基于各个因素层指标的相关系数矩阵R中每个要素之间的复相关系数的计算后，将复相关系数求倒数后进行归一化处理得到；
所述设备层指标的权重向量的计算公式如下：
Ai=(ai1，ai2，…aij)；
其中，Ai为第i个设备层指标的权重向量，i=1，2，3，4；
S434，基于S432中的因素层指标的初始权重以及设备层指标的权重向量，计算各个因素层指标的动态状态参数残余寿命指征；
S435，基于所述S434中的动态状态参数残余寿命指征，构建状态分布函数模型，确定状态分布矩阵；
S436，基于S435中的状态分布矩阵的每一个矩阵要素重新计算参数复相关系数权值，得到新的参数复相关系数权值，并将新的参数复相关系数权值代入因素层指标的初始权重计算公式中，得到因素层指标的变权重；
S437，基于S436中的变权重和状态分布函数模型分别计算设备层指标下的各个因素层指标的分布函数矩阵；
S438，基于S437中的分布函数矩阵和各个因素层指标的因素指标值进行迭代计算，最终获得海上风电场设备的状态评价矩阵，实现对海上风电场运行状态趋势的评估。
作为优选技术措施：
所述动态状态参数残余寿命指征采用第一函数表示，并结合海上风电历史数据对所述第一函数进行计算，得到动态状态参数残余寿命归一化数值；其中所述动态状态参数残余寿命归一化数值用于表示设备层指标的状态信息，取值范围为0~1；所述第一函数包括中间型函数和小愈优型函数，所述第一函数中的各个变量数值根据海上风电历史数据得到。
作为优选技术措施：
所述S435的状态分布函数模型的构建方法包括：
S4351，建立状态评价矩阵，对海上风电场设备的评价等级进行分类，包括以下内容：
评价等级分为很好、良好、一般和预警；
其中，很好表示海上风电场设备运行状态优秀，设备很安全；
良好表示海上风电场设备运行状态良好，设备比较安全；
一般表示海上风电场设备运行状态合格，设备不太安全；
预警表示海上风电场设备运行状态危险，设备故障率大；
S4352，根据S4351中的评级等级，构建若干残余寿命取值区间；
S4353，根据S4532中的残余寿命取值区间，判断动态状态参数残余寿命归一化数值所属的残余寿命取值区间，得到设备层指标的评价等级。
作为优选技术措施：
当动态状态参数残余寿命归一化数值<0.3时，采用降阶正弦分布函数，用于评价很好这一等级；
当0.7<动态状态参数残余寿命归一化数值时，采用升阶正弦分布函数，用于评价预警这一等级；
当0.3≤动态状态参数残余寿命归一化数值≤0.7时，采用中间阶正弦分布函数，用于评价良好和一般这两个等级。
作为优选技术措施：
所述S5包括：海上风电机组故障预警模型设置神经网络变体单元LSTM，实时跟踪海上风电场设备的各种不同运行工况，以适应海上风电机组运行工况的多变；
所述神经网络变体单元LSTM包括重置门和更新门，其输入由当前节点状态xt和上个节点的隐藏状态ht-1构成，其输出为节点状态yt和当前节点的隐藏状态ht构成；所述重置门用于决定遗忘先前信息的程度；所述更新门用于选择和丢弃新信息；所述ht-1包括先前的输入信息；所述神经网络变体单元LSTM的构建方法如下：
S51，通过当前节点状态xt和上个节点的隐藏状态ht-1以及激活函数获取当前节点的更新门和重置门信息；
S52，基于所述S51中的重置门信息，将当前节点状态xt和上个节点的隐藏状态ht-1进行拼接，得到拼接数据；
S53，将S52中的所述拼接数据带入到tanh中得到
Figure 975623DEST_PATH_IMAGE001
；所述
Figure 299812DEST_PATH_IMAGE001
表示当前节点状态xt 和先前输入的状态隐藏信息；
S54，根据S53中的状态隐藏信息，得到当前节点的当前隐藏信息；
所述当前隐藏信息的计算公式如下：
Figure 319721DEST_PATH_IMAGE002
；
S55，根据S54中的当前隐藏信息，得到最终海上风电场设备预警输出；
所述最终海上风电场设备预警输出的计算公式如下：
Figure 119050DEST_PATH_IMAGE003
；
其中，W rx 、W rh 、W zx 、W zh 、W hx 、W hh 分别代表海上风电场设备的权重矩阵，
⊙代表点乘运算，
Xt表示在t时刻海上风电场设备的状态参量，
b r 、b z 、b h 分别代表偏置，r t 代表重置门，z t 代表更新门。
为实现上述目的之一，本发明的第二种技术方案为：
一种用于海上风电场的状态监测***，用于实施上述的一种用于海上风电场的状态监测方法；其包括一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台。
一种或多种物联网传感器，用于布设在海上风电场的主要设备上，并对海上风电场的主要设备的运行数据进行采集；
分层化通信***，利用IEC61850标准协议，获取所述一种或多种物联网传感器的布设方式下的采集数据，并将所述采集数据通过所述分层化通信模型传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；
海上风电场智能状态监测平台，设有风电场运行状态模糊评价模块、海上风电机组故障预警模块，用于对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测。
本发明经过不断探索以及试验，设置一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台，对海上风电场的主要设备的运行数据进行采集，并利用IEC61850标准协议，将运行数据传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；同时通过风电场运行状态模糊评价模块、海上风电机组故障预警模块，对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用。
进一步，本发明的分层化通信***，基于IEC61850标准协议进行构建，能够按照电网一次调频的要求直接调控风电机组；进而可应用在海上升压站和陆上站内配置的监测***中，实现站内主辅控***以及子***之间的通讯以及数据传输，并能实现主辅设备间、辅助设施间信息共享，结构简单、实用，通信可靠性高。
与现有技术相比，本发明具有以下有益效果：
本发明经过不断探索以及试验，通过构建传感器布设模型、分层化通信模型、风电场运行状态模糊评价模型、海上风电机组故障预警模型，对一种或多种物联网传感器进行合理布设；同时将一种或多种物联网传感器采集的运行数据，通过IEC61850标准协议进行传输，并能实现海上风电场的主要设备之间的信息共享以及数据通讯；进而根据采集到的数据进行评价，并对运行异常情况进行辨识，得到异常原因，实现海上风电场的全面状态监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用。
进一步，本发明的分层化通信模型，基于IEC61850标准协议进行构建，并根据主要设备信息设置多个逻辑节点，能够实现海上风电场的主要设备之间的信息共享以及数据通讯，从而可以按照电网一次调频的要求直接调控风电机组。
更进一步，本发明经过不断探索以及试验，设置一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台，对海上风电场的主要设备的运行数据进行采集，并利用IEC61850标准协议，将运行数据传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；同时通过风电场运行状态模糊评价模块、海上风电机组故障预警模块，对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测，从而能提前发现海上风电场设备潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策，方案科学、合理，切实可行，适用范围广，功能比较强大，便于推广使用。
附图说明
图1为本发明用于海上风电场的状态监测方法一种流程图；
图2为本发明风电场运行状态模糊评价模型构建方法的一种流程图；
图3为本发明传感器布设模型构建方法的一种流程图；
图4为本发明海上风电场运行状态趋势评价模型构建方法的一种流程图；
图5为本发明状态分布函数模型构建方法的一种流程图；
图6为本发明神经网络变体单元LSTM构建方法的一种流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本发明用于海上风电场的状态监测方法的第一种具体实施例：
一种用于海上风电场的状态监测方法，包括：
S1，确定海上风电场的主要设备信息；
S2，根据所述主要设备信息，构建传感器布设模型；其中所述传感器布设模型用于设置一种或多种物联网传感器的布设方式；
S3，构建分层化通信模型，获取所述一种或多种物联网传感器的布设方式下的采集数据，并对所述采集数据通过所述分层化通信模型进行传输；其中，所述分层化通信模型基于IEC61850标准协议进行构建，并根据所述主要设备信息设置多个逻辑节点，以实现海上风电场的主要设备之间的信息共享以及数据通讯；
S4，构建风电场运行状态模糊评价模型，基于风电场运行状态模糊评价模型对所述S3的所述采集数据进行分析，获得海上风电场运行状态趋势评估结果；
如图2所示，风电场运行状态模糊评价模型的构建方法如下：
S41，获取海上风电场设备的海上风电历史数据；
S42，根据S41中的海上风电历史数据，提取海上风电场设备的海上风电故障特征；
S43，利用S42中的海上风电故障特征，建立海上风电场运行状态趋势评价模型，实现对海上风电场运行状态趋势的评估；
当海上风电场运行状态趋势评估结果为劣化时，执行S5；
当海上风电场运行状态趋势评估结果为正常时，执行S3；
S5，构建海上风电机组故障预警模型，基于所述海上风电机组故障预警模型对运行异常情况进行辨识，得到异常原因，实现海上风电场的状态监测；
所述异常情况包括待风或/和机组自降额或/和异常天气降额或/和调度限电或/和异常天气停运，从而有助于细化和量化弃电原因。
如图3所示，所述S2中，所述传感器布设模型的构建方法包括：
S21，基于所述主要设备信息，确定数据采集点以及数据采集类型；
S22，基于S21中的数据采集点以及数据采集类型，确定物联网传感器的种类以及数量；
S23，基于S22中的物联网传感器的种类以及数量，设置物联网传感器的布设角度以及物联网传感器之间的间隔距离。
所述S3中，所述分层化通信模型，用于将采集数据传输至海上风电场智能状态监测平台进行数据分析，其包括过程层、间隔层和站控层；
所述过程层利用通信协议栈建立面向对象的风电场网络GOOSE与采样测量网络SV；面向对象的风电场网络GOOSE与采样测量网络SV均采用发布者/订阅者模式进行通信；所述通信协议栈包括应用层、数据链路层、物理层、会话层、传输层和网络层；所述应用层的数据直接映射到数据链路层的MAC子层，然后传递给物理层发送，而会话层、传输层和网络层均为空；
所述间隔层和站控层之间采用以太网相连，并且所述以太网为双网冗余方式；
所述站控层在通信规约层面上实施特定通信服务映射MMS的映射，所述特定通信服务映射MMS的映射通过对海上风电场设备及其功能进行建模，实现网络环境下的海上风电场设备之间数据和监控信息的实时交换；所述海上风电场设备通过光纤环网与站控层进行联网，并对纵向接入的若干海上风电场设备进行安全分区，实现海上风电场设备的监控、生产、运维和调度。
如图4所示，所述S43中所述海上风电场运行状态趋势评价模型的构建方法包括：
S431，基于海上风电场的主要设备的共有特点，建立设备层指标，
所述设备层指标至少包括如下特征状态参数：叶片***指标的特征状态参数、齿轮箱指标的特征状态参数、发电机指标的特征状态参数和电力电子装置指标的特征状态参数；
所述特征状态参数采用机组SCADA***提供的部分典型采集数据，并将未采用的采集数据对应的物联网传感器进行拆除或者在较长时间周期内采集数据；
所述叶片***指标的特征状态参数包括变桨电机温度、变桨柜电容温度、变桨柜柜体温度和变桨逆变器温度；
所述齿轮箱指标的特征状态参数包括齿轮箱油温、高速轴承温度、低速轴承温度和油压；
所述发电机指标的特征状态参数包括电机自由端轴承温度、电机驱动端轴承温度、发电机冷却风扇进出口温差以及绕组温度；
所述电力电子装置指标的特征状态参数包括振动加速度、机舱位置、机舱温度以及控制柜温度；
S432，基于S431中的设备层指标的特征状态参数，构建因素层指标，形成海上风电场设备的监测数据；
S433，基于专家经验权值和参数复相关系数权值融合的方式，对S432中的因素层指标分配初始权重，初始权重计算公式如下：
aij=b1*w1+b2*w2，
其中，aij为第i个设备层指标的第j个因素层指标的初始权重；
b1和b2分别为专家经验权值和参数复相关系数权值的独立权重系数；
w1和w2为独立使用专家经验权值和参数复相关系数权值获得的初始权重；
所述专家经验权值为主观权值，通过层次分析法获得；
所述参数复相关系数权值基于各个因素层指标的相关系数矩阵R中每个要素之间的复相关系数的计算后，将复相关系数求倒数后进行归一化处理得到；
所述设备层指标的权重向量的计算公式如下：
Ai=(ai1，ai2，…aij)；
其中，Ai为第i个设备层指标的权重向量，i=1，2，3，4；
S434，基于S432中的因素层指标的初始权重以及设备层指标的权重向量，计算各个因素层指标的动态状态参数残余寿命指征；
S435，基于所述S434中的动态状态参数残余寿命指征，构建状态分布函数模型，确定状态分布矩阵；
S436，基于S435中的状态分布矩阵的每一个矩阵要素重新计算参数复相关系数权值，得到新的参数复相关系数权值，并将新的参数复相关系数权值代入因素层指标的初始权重计算公式中，得到因素层指标的变权重；
S437，基于S436中的变权重和状态分布函数模型分别计算设备层指标下的各个因素层指标的分布函数矩阵；
S438，基于S437中的分布函数矩阵和各个因素层指标的因素指标值进行迭代计算，最终获得海上风电场设备的状态评价矩阵，实现对海上风电场运行状态趋势的评估。
所述动态状态参数残余寿命指征采用第一函数表示，并结合海上风电历史数据对所述第一函数进行计算，得到动态状态参数残余寿命归一化数值；其中所述动态状态参数残余寿命归一化数值用于表示设备层指标的状态信息，取值范围为0~1；所述第一函数包括中间型函数和小愈优型函数，所述第一函数中的各个变量数值根据海上风电历史数据得到。
如图5所示，所述S435的状态分布函数模型的构建方法包括：
S4351，建立状态评价矩阵，对海上风电场设备的评价等级进行分类，包括以下内容：
评价等级分为很好、良好、一般和预警；
其中，很好表示海上风电场设备运行状态优秀，设备很安全；
良好表示海上风电场设备运行状态良好，设备比较安全；
一般表示海上风电场设备运行状态合格，设备不太安全；
预警表示海上风电场设备运行状态危险，设备故障率大；
S4352，根据S4351中的评级等级，构建若干残余寿命取值区间；
S4353，根据S4532中的残余寿命取值区间，判断动态状态参数残余寿命归一化数值所属的残余寿命取值区间，得到设备层指标的评价等级。
当动态状态参数残余寿命归一化数值<0.3时，采用降阶正弦分布函数，用于评价很好这一等级；
当0.7<动态状态参数残余寿命归一化数值时，采用升阶正弦分布函数，用于评价预警这一等级；
当0.3≤动态状态参数残余寿命归一化数值≤0.7时，采用中间阶正弦分布函数，用于评价良好和一般这两个等级。
所述S5包括：海上风电机组故障预警模型设置神经网络变体单元LSTM，实时跟踪海上风电场设备的各种不同运行工况，以适应海上风电机组运行工况的多变；
所述神经网络变体单元LSTM包括重置门和更新门，其输入由当前节点状态xt和上个节点的隐藏状态ht-1构成，其输出为节点状态yt和当前节点的隐藏状态ht构成；所述重置门用于决定遗忘先前信息的程度；所述更新门用于选择和丢弃新信息；所述ht-1包括先前的输入信息。
如图6所示，所述神经网络变体单元LSTM的构建方法如下：
S51，通过当前节点状态xt和上个节点的隐藏状态ht-1以及激活函数获取当前节点的更新门和重置门信息；
S52，基于所述S51中的重置门信息，将当前节点状态xt和上个节点的隐藏状态ht-1进行拼接，得到拼接数据；
S53，将S52中的所述拼接数据带入到tanh中得到
Figure 970331DEST_PATH_IMAGE001
；所述
Figure 790388DEST_PATH_IMAGE001
表示当前节点状态xt 和先前输入的状态隐藏信息；
S54，根据S53中的状态隐藏信息，得到当前节点的当前隐藏信息；
所述当前隐藏信息的计算公式如下：
Figure 94331DEST_PATH_IMAGE002
；
S55，根据S54中的当前隐藏信息，得到最终海上风电场设备预警输出；
所述最终海上风电场设备预警输出的计算公式如下：
Figure 431771DEST_PATH_IMAGE003
；
其中，W rx 、W rh 、W zx 、W zh 、W hx 、W hh 分别代表海上风电场设备的权重矩阵，
⊙代表点乘运算，
Xt表示在t时刻海上风电场设备的状态参量，
b r 、b z 、b h 分别代表偏置，r t 代表重置门，z t 代表更新门。
本发明用于海上风电场的状态监测***的一种具体实施例：
一种用于海上风电场的状态监测***，用于实施上述的一种用于海上风电场的状态监测方法；
其包括一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台；
一种或多种物联网传感器，用于布设在海上风电场的主要设备上，并对海上风电场的主要设备的运行数据进行采集；
分层化通信***，利用IEC61850标准协议，获取所述一种或多种物联网传感器的布设方式下的采集数据，并将所述采集数据通过所述分层化通信模型传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；
海上风电场智能状态监测平台，设有风电场运行状态模糊评价模块、海上风电机组故障预警模块，用于对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测。
本发明海上风电场智能状态监测平台的一种具体实施例：
海上风电场智能状态监测平台为全链条监控***，能够将一次设备（GIS，变压器，箱变，风机）的在线监测、二次设备（保护装置、故障录波等）的在线监测、辅助控制***（人员，海况，航行，视频、消防，暖通）的在线监测集成整合。
所述全链条监控***分为集成总线层、数据总线层、公共服务层和应用***层四个层次，应用***层承担监视与控制、预测与调节、智能故障诊断与告警、生产及运维管理、辅助控制和web发布的功能，完成运行异常情况的辨识。
本发明用于海上风电场的状态监测方法的第二种具体实施例：
一种用于海上风电场的状态监测方法，包括：
S1，确定海上风电场的主要设备，并根据所述主要设备特点布设基于多种物联网传感器（可以实时准确获知监测对象和各类环境的信息，统一设备、物资和备件进行标准化编码，实现全场设备资产的数字化），通过物联网传感器实时采集主要设备的运行数据；
S2，将S1中的运行数据通过分层化通信***传输至海上风电场智能状态监测平台进行数据分析，确定设备的运行状况，不同设备的状态监测，特别是机组的运行状态监测；
S3，基于主要设备的历史数据，提取故障特征，构建风电机场运行状态模糊评价模型对S2中的运行数据和历史数据进行分析，并对海上风电场运行状态趋势进行评价；
S4，当S3中的评价结果为海上风电场运行状态趋势劣化时，基于海上风电机组故障预警模型对运行异常情况进行辨识，异常情况包括待风、机组自降额、异常天气降额、调度限电和异常天气停运，从而有助于细化和量化弃电原因，也有利于开展维修决策。
本发明海上风电场主要设备的具体实施例：
海上风电场的主要设备包括：
（1）电气主设备，包括风力发电机，海上变电站以及海缆；
风力发电机：包括异步感应发电机、双馈异步发电机和永磁直驱或半驱式发电机。风轮-齿轮箱-发电机所构成的中轴线涉及到机械-传动-电力三者。海面风速较大却不稳定以及海面极端环境，风力发电机故障比较高，对于风力发电机，主要监测量包括振动、温度、湿度、电压、电流。振动是最常见的状态监测量，通过在风电机组预先选定的位置安装振动加速度传感器，收集风电机组各部件振动的基础数据，从而获得海上风力发电机与传动机构的运行状况。其中温度和湿度作为电气设备的一项重要指标，能够反映风电机组的散热和除湿情况，结合电流、电压可分析机组的绕组以及线路情况。
（2）海上变电站，包括：主变室、GIS室、主控室、电容室、接地电阻室、电力变压器、各级电压配电装置、无功补偿装置、过电压保护与接地装置、继电保护装置、就地测量与操纵设备、远程微机测控***、母线与电缆设施。
海上变电站的状态监测参量包括：
非电量监测：变压器油的温度、变压器油种气体与微水含量、SF6气体密度和微水、有载分接开关、压力释放阀和环境温度与湿度；
电量监测包括：断路器分、合闸线圈电流及断路器行程、储能电动机电流、三相电流、三相电压、全电流、阻性电流以及铁芯接地电流。
变压器作为海上变电站最为关键的设备之一，对变压器的状态监测比较重要。基于关键参数的变压器状态监测，涉及局部放电、油中溶解气体以及绕组变形等的监测，将采集的参数基于声波分析后获得变压器的运行状态。
（3）海底复合电缆，用于传输电能合风电场信息通信。主要故障是地质运动和船只作业引起的，主要是通过光纤分布式传感方法对海底复合电缆的绝缘性能参数进行采集，一方面利用高功率激光脉冲在光纤中传播所获得的散射光估计温度和压力，并且采用绝缘电阻法和示波器法分别对温度和压力值进行解算；另一方面利用BOTDA技术的分布式光纤传感***对海底复合电缆沿线的应力进行测量；第三方面是利用电缆护套中的接地电流监测电缆护套绝缘，并利用低频电压电流表征电缆的主绝缘参数。
本发明物联网传感器实时采集主要设备运行数据的一种具体实施例：
每10分钟采集海上风电场的风力、机械、电气、温度等运行参数，作为机组状态信息，可在不额外增加传感器和接线的前提下实施风电机组状态检修管理，成本低，灵敏度高。
所述物联网传感器包括：低速轴位置采用低速加速度传感器；高速轴部分采用压电加速度传感器。
本发明分层化通信***的一种具体实施例：
分层化通信***通过调整单元和信号采集卡，将物联网传感器的信号输入到陆上监测平台，陆上监测平台采用小波消噪的方法进行消噪，然后通过快速傅里叶变换将输入信号进行分解，通过曲线拟合、时域分析和频域分析的方法，将采集的数据以图形的形式呈现，并根据分析得到的结果对照正常运行的信号，获得设备的运行状态。
所述分层化通信***是为了解决现有技术中监控***通信***的典型缺陷而根据IEC61850标准设计的。IEC61850的目标是实现设备间的相互操作，作为国际统一变电站通信标准已经获得广泛的认可与应用。本实施例鉴于该标准给设备通信带来的便利，将其逐步推广到整个风电场的状态监测***进行适用，特别是以智能变电站为主要电气设备的海上风电场，整体适用IEC61850标准，有利于整个***的数据传输与信息共享。其中：在实现状态监测的过程中，首先需要进行逻辑节点建模，根据标准定义的80种逻辑节点，其中包含了发电机逻辑节点ZGEN类，但对于海上风力发电机，需要对该逻辑节点的数据进行扩充，扩充发电机制动DPC（Director Power Control，直接功率控制），风机方向控制DPC，因此完善对海上风力发电机的监测。
所述分层化通信***以VSAT卫星通信***作为应急通信备用通道，包括过程层、间隔层和站控层。
过程层网络包括GOOSE与SV网络，GOOSE作为面向对象的网络，具有传播速度快的特点，GOOSE服务以peer-to-peer通信为基础，保证了GOOSE报文传输的可靠性。GOOSE与SV网络均采用发布者/订阅者模式进行通信。过程层通信协议栈中应用层数据直接映射到数据链路层的MAC子层，然后传递给物理层发送，而会话层、传输层和网络层均为空。简化了协议栈，过程层数据传输时减少了协议栈的处理过程，增强了数据的实时性，复合过程层传输的实时性要求。设立重发机制并且在报文中携带“报文存活时间”（TAL）和数据品质参数保证数据的可靠性。
间隔层和站控层之间采用以太网相连，并且网络为双网冗余方式，大幅提高数据通信的可靠性。海上风电场站控层在通信规约层面上实行特定通信服务映射对MMS的映射，MMS通过对真实设备及其功能进行建模，实现网络环境下计算机应用程序或智能电子设备之间数据和监控信息的实时交换。
站控层用于海上风电机组综合监控***之间通过光纤环网进行联网，纵向接入的通信***对应安全分区，贯通集控***的监控、生产、运维和调度，使得陆上能够及时掌握风电机组的运行数据和相关设备以及气象、环境状况。
本实施例之所以采用以上通信网络架构和方式，是由于海上风电场的特殊地理气候环境不利于工作人员长期值守，需要依赖可靠先进的通信技术，因此在局部范围内使用无线通信的基础上，长距离传输采用本实施例所提供的通信架构和通信方式。
本发明风电机场运行状态模糊评价模型的一种具体实施例：
风电机场运行状态模糊评价模型基于主要设备的历史数据，提取故障特征，并对所述运行数据和历史数据进行分析，实现海上风电场运行状态趋势的评价，其具体包括以下内容：
S31，获取主要设备的历史数据，并基于历史数据提取故障特征；
其中故障特征反映的海上风电场的主要设备故障包括发电机故障、电力电子装置故障、叶片故障和齿轮箱故障。
发电机故障：常见故障包括轴承故障、短路故障、转子偏心故障等。当发电机由正常状态演化为故障状态时，引起如下电量和非电量的变化，其中电量信号包括电流、电压、输出有功功率、电磁力矩等，非电量为振动信号；发电机的故障诊断以这些反映电机运行状态的物理量信号的变化为依据，通过传感器获取电量或非电量信号，经过信号处理后与历史数据融合，提取反映发电机故障种类和故障严重程度的特征信息。
电力电子装置故障：并网风电机组通过变频器接入电网，从而实现环境风速变化情况下也可以向电网输送高质量电能。分别通过定子侧，或转子侧接入；
叶片故障：通过有限元分析法建立风电机组的动力学模型，通过计算与模态分析获得固有频率和振型，与历史数据的固有频率和振型进行比较，获得固有频率变化趋势，作为反映叶片裂纹的故障特征；
齿轮箱故障：包括齿轮和滚动轴承故障，通过配备的振动监测***发现局部缺陷引起的振动信号中包含的丰富信息，通过有效提取故障特征，可以准确诊断缺陷种类和所处部位。
S32，对所述运行数据和S31中的历史数据进行分析，进而实现海上风电场运行状态趋势的评价，包括：
（1）建立海上风电场运行状态趋势评价体系（确定风电机组状态监测数据构成和评价状态分类）
对于风电机组状态监测数据构成：在S1中采集的指标种类丰富，但是不是每一个风机都会采集所有的指标，并且指标的格式也不尽相同，但是由于不同风机厂家的风机结构不一致，因此不能用统一指标体系衡量。此外，风电机组是一个复杂***，其性能降低和故障失效可能取决于多个子***或部件的状态，因此有必要根据风电机组不同类型的状态监测数据对风电机组的运行状态进行评估。
因此根据所有风机的共有特点，建立四个设备层指标，分别为叶片***、齿轮箱、发电机和电力电子装置。选择每个设备层指标下的主要特征状态参数作为因素层指标，从而形成风电机组监测数据，其中因素层指标中的参数采用机组SCADA***提供的部分典型运行数据，未采用的运行数据对应的传感器可以拆除或者在较长时间周期内采集数据即可，大大降低了运行成本，并且无需新增测点。
对于叶片***，采用的运行参数包括变桨电机温度、变桨柜电容温度、变桨柜柜体温度和变桨逆变器温度；
对于齿轮箱***，采用的参数为齿轮箱油温、高速轴承温度、低速轴承温度和油压；
对于发电机***，采用的参数为电机自由端轴承温度、电机驱动端轴承温度、发电机冷却风扇进出口温差以及绕组温度；
对于电力电子装置，采用的参数为振动加速度、机舱位置、机舱温度以及控制柜温度。
建立评价状态分类：分为很好、良好、一般和预警四个状态，分别用V1,V2,V3和V4表示，其中很好表示运行状态优秀，设备很安全；良好表示运行状态良好，设备比较安全；一般表示运行状态合格，设备不太安全；预警表示运行状态危险，设备故障率大。
（2）分配初始权重
基于专家经验权值和参数复相关系数权值融合的方式获得初始权重，aj=b1w1+b2w2,其中，Aj为第j个参数的初始权重；b1和b2分别为专家经验权值和参数复相关系数权值的独立权重系数，w1和w2为独立使用专家经验权值和参数复相关系数权值获得的初始权重；其中专家经验权值为主观权值，可以通过层次分析法获得（属于现有技术）；参数复相关系数权值基于各个参数的相关系数矩阵R中每个要素之间的复相关系数的计算后，将复相关系数求倒数后进行归一化处理得到；当然复相关系数也可以采用尚权法替代。
由此获得设备层指标的权重向量为A=(a1,a2,a3,a4),第i个设备层指标含有ni个因素层指标的权重向量，可表示为Ai=(ai1,ai2,…ain),i=1,2,3,4。
本实施例中分别获得如下表1所示的设备层指标权重和因素层指标权重。
表1
Figure 140489DEST_PATH_IMAGE004
（3）计算各个因素的动态状态参数残余寿命指征
采用部分估计总体的方法，这是由于变量的总体参数无法得到，由统计数据得到并采用样本估计总体的思想对动态状态参数残余寿命指征进行估计。其中动态状态参数残余寿命指征采用第一函数表示，分为中间型函数和小愈优型函数，并根据样本数据估计总体参数得到各个变量的数值，如下表2所示，然后根据第一函数计算得到各个因素的动态状态参数残余寿命归一化数值。
表2
Figure 537972DEST_PATH_IMAGE005
以上的计算原理如下：
各个指标因素分别具有不同的物理意义和量化单位，并且实时变化，因此采用动态状态参数残余寿命归一化数值表示相对的状态信息，最终表示为0~1区间内的具体数值。其中中间型函数针对例如叶片偏航角度，如叶片偏航角度的最大值xmax和最小值xmin分别表示偏航角度在机组未发生故障报警的阈值，最佳范围xa~xb表示机组运行状态良好时的偏航角度取值范围，其动态状态参数残余寿命指征为：life(x)=1，或（x-xmin）/(xa-xmin),x<xmin；或0，x在xa~xb之间，或（x-xb）/(xb-xmax),x在xb和xmax之间；或1。
小愈优型函数例如针对齿轮箱和发电机相关部位的温度，其动态状态参数残余寿命指征为：life’(x)=0,x<xmin；或（x-xmin）/(xmax-xmin),x在xmin和xmax之间；或1。
（4）计算状态分布函数
所述状态分布函数为了根据所分的四个评级等级，覆盖各个参数指标归一化后的残余寿命取值范围；
对于区间内取值偏小的数值，采用降阶正弦分布函数，用于评价很好这一等级，表示为：
Rlow(x)=1,x<a1；或0.5-0.5*Sin(Π/a2-a1)(x-0.5a1-0.5a2),x在a1和a2之间；或0，x>a2；
对于区间内取值分布偏大的数据，采用升阶正弦分布函数，用于评价预警这一等级，表示为：
Rhigh(x)=0,x<a1；或0.5+0.5*Sin(Π/a2-a1)(x-0.5a1-0.5a2),x在a1和a2之间；或1，x>a2；
对于区间内取值分布居中的数据，采用中间阶正弦分布函数，用于评价良好、一般这两个等级，表示为：
Rmiddle(x)=0,x<a1；或0.5+0.5*Sin(Π/a2-a1)(x-0.5a1-0.5a2),x在a1和a2之间；或1，x在a2和a3之间；或0.5+0.5*Sin(Π/a4-a3)(x-0.5a4-0.5a3),x在a3和a4之间；或0，x>a4；
为了避免以上三个函数之间交叉模糊区域判断不准确，从而造成输入输出行为的函数表示不是连续平滑的，因此将三个函数设置为具有一定的交叉性，交叉重叠率控制在0.3-0.5范围之间后重新构造上述三个函数。
（5）根据初始权重和状态分布函数确定指标的变权重
此时根据状态分布函数确定状态分布矩阵，根据状态分布矩阵中的每一个矩阵要素重新计算参数复相关系数权值后带入Aj=b1w1+b2w2中进行计算获得变权重；
（6）建立状态评价矩阵
根据变权重和各个评价等级的状态分布函数分别计算四个分***下各个因素层的分布函数矩阵；
根据分布函数矩阵和各个因素层的因素指标值进行迭代计算，最终获得海上风电场的状态评价矩阵，如下表3所示。
表3
Figure 329211DEST_PATH_IMAGE006
海上风电机组故障预警模型包括以下内容:
（1）将四个子***中的其中一个***看作一个非线性MIMO***，用覆盖海上风电机组全工况范围的样本数据对该***进行训练后获得神经网络变体单元LSTM，采用神经网络变体单元LSTM实时跟踪机组的各种不同运行工况，从而使得适应海上风电机组运行工况多变的问题。
神经网络变体单元LSTM具有门控机制，能很好地处理长期记忆问题，可以有效对随时间推移而获取的海上风电机组SCADA时序数据进行分析处理，从而实现对机组运行状态的评估。神经网络变体单元LSTM包括重置门和更新门，重置门决定遗忘先前信息的程度，更新门用于选择和丢弃新信息；并且神经网络变体单元LSTM减少LSTM的参数，训练速度快，能够显著提高训练效率。
神经网络变体单元LSTM输入由当前节点状态x t 和上个节点的隐藏状态h t-1 构成， 其中h t-1 包含了先前的输入信息；神经网络变体单元LSTM的输出为y t 和当前节点的隐藏状 态h t 。通过x t 、h t-1 以及激活函数获取当前节点的更新门和重置门信息。由ht-1和xt得到重置 门r的信息，之后将ht-1′和xt拼接后的数据带入到tanh中得到
Figure 142446DEST_PATH_IMAGE001
。
Figure 702740DEST_PATH_IMAGE001
中包含了当前输入x t 和先前输入的隐藏信息。
最终得到当前节点的隐藏信息
Figure 536704DEST_PATH_IMAGE002
。
（2）神经网络变体单元LSTM的最终输出由输出门和门控单元共同决定，如式(1)所示：
Figure 549659DEST_PATH_IMAGE003
(1)；
其中，将输出压缩到0-1之间；W rx 、W rh 、W zx 、W zh 、W hx 、W hh 代表权重矩阵，⊙代表点乘运 算，Xt表示在t时刻风电机组状态参量，b r 、b z 、b h 代表偏置，h t 代表t时刻隐藏节点，
Figure 494482DEST_PATH_IMAGE001
代表 第一个候选状态，r t 代表重置门，z t 代表更新门。
在海上风电机组状态评估过程中，将每个时间步的风电机组SCADA数据构造为长 度为 T的向量
Figure 909282DEST_PATH_IMAGE007
，这里m即表示风电机组SCADA数据的长度，t 表示时间。将经过预处理的风电机组某一时间段内的SCADA数据送入注意力层，之后将神经 网络变体单元LSTM隐层输出通过全连接层实现预测。
应用本发明的一种具体实施例：
本实施例由24台2MW变速变桨风电机组构成的海上风电场，机组SCADA***记录了每10分钟的而运行数据，选取其中一台发生其中一片叶片变桨与其他两片叶片不同步情况的风力发电机组进行***运行回归模型的参数识别，确认叶片变桨轴承保持架和滚动体损坏，具体包括：采集风机故障前12个月的10分钟数据记录共计60000项，预处理包括剔除机组维修、调试、手动启停机以及常规保养期间的所有数据，以及有功功率为负值的数据，从而获得32000个有效数据，采用其中16000个数据作为样本集训练LSSVM回归模型，数据集覆盖了风电机组的全部运行工况，通过对于神经网络变体单元LSTM的参数寻优，获得在观测值为风力发电机风轮转速、3个叶片桨距角，以及3个叶片变桨电机驱动电流共7个参量组成观测值向量基础上的模型参数。
将传感器的采集值进行预处理后形成特征向量的实测值，将特征向量的实测值与神经网络变体单元LSTM计算结果的偏离定义为***观测值，通过GMM模型拟合机组正常运行时多维观测值的分布规律；采用背景减除目标检测法识别整个风电***的残余寿命状态，避免单参数或多维评估方法造成信息丢失的技术缺陷。
用于确定背景分布的先验概率T通过试验方法评估不同取值对辨识效果的影响的方式取得，本实施例中，实验的K值固定为16，T值分别取0.5，0.6，0.7，0.8的情况下，应用以上剩余的16000个数据进行测试，当T值为0.5和0.6时，所选的背景模型不能有效覆盖***的全部正常运行工况，发生误判，T值取0.7时的检出时间早于取0.8时的检出时间，从而识别灵敏度最高。
采用以上方法，将与待风、机组自降额、异常天气降额、调度限电和异常天气停运的故障状况相对应的参数逐一确定后，判断待风、机组自降额、异常天气降额、调度限电和异常天气停运的故障状况发生的先验概率作为残余寿命指征（故障类似于背景上的新的物体），从而提前发现潜在故障的征兆，有助于细化和量化弃电原因，也有利于开展维修决策。
应用本发明方法的一种设备实施例：
一种计算机设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种用于海上风电场的状态监测方法。
应用本发明方法的一种计算机介质实施例：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种用于海上风电场的状态监测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种用于海上风电场的状态监测方法，其特征在于，包括：
S1，确定海上风电场的主要设备信息；
S2，根据所述主要设备信息，构建传感器布设模型；其中所述传感器布设模型用于设置一种或多种物联网传感器的布设方式；
S3，构建分层化通信模型，获取所述一种或多种物联网传感器的布设方式下的采集数据，并对所述采集数据通过所述分层化通信模型进行传输；其中，所述分层化通信模型基于IEC61850标准协议进行构建，并根据所述主要设备信息设置多个逻辑节点，以实现海上风电场的主要设备之间的信息共享以及数据通讯；
S4，构建风电场运行状态模糊评价模型，基于风电场运行状态模糊评价模型对所述S3的所述采集数据进行分析，获得海上风电场运行状态趋势评估结果；
风电场运行状态模糊评价模型的构建方法如下：
S41，获取海上风电场设备的海上风电历史数据；
S42，根据S41中的海上风电历史数据，提取海上风电场设备的海上风电故障特征；
S43，利用S42中的海上风电故障特征，建立海上风电场运行状态趋势评价模型，实现对海上风电场运行状态趋势的评估；
当海上风电场运行状态趋势评估结果为劣化时，执行S5；
当海上风电场运行状态趋势评估结果为正常时，执行S3；
所述海上风电场运行状态趋势评价模型的构建方法包括：
S431，基于海上风电场的主要设备的共有特点，建立设备层指标，
所述设备层指标至少包括如下特征状态参数：叶片***指标的特征状态参数、齿轮箱指标的特征状态参数、发电机指标的特征状态参数和电力电子装置指标的特征状态参数；
所述特征状态参数采用机组SCADA***提供的部分典型采集数据，并将未采用的采集数据对应的物联网传感器进行拆除或者在较长时间周期内采集数据；
所述叶片***指标的特征状态参数包括变桨电机温度、变桨柜电容温度、变桨柜柜体温度和变桨逆变器温度；
所述齿轮箱指标的特征状态参数包括齿轮箱油温、高速轴承温度、低速轴承温度和油压；
所述发电机指标的特征状态参数包括电机自由端轴承温度、电机驱动端轴承温度、发电机冷却风扇进出口温差以及绕组温度；
所述电力电子装置指标的特征状态参数包括振动加速度、机舱位置、机舱温度以及控制柜温度；
S432，基于S431中的设备层指标的特征状态参数，构建因素层指标，形成海上风电场设备的监测数据；
S433，基于专家经验权值和参数复相关系数权值融合的方式，对S432中的因素层指标分配初始权重，初始权重计算公式如下：
aij=b1*w1+b2*w2，
其中，aij为第i个设备层指标的第j个因素层指标的初始权重；
b1和b2分别为专家经验权值和参数复相关系数权值的独立权重系数；
w1和w2为独立使用专家经验权值和参数复相关系数权值获得的初始权重；
所述专家经验权值为主观权值，通过层次分析法获得；
所述参数复相关系数权值基于各个因素层指标的相关系数矩阵R中每个要素之间的复相关系数的计算后，将复相关系数求倒数后进行归一化处理得到；
所述设备层指标的权重向量的计算公式如下：
Ai=(ai1，ai2，…aij)；
其中，Ai为第i个设备层指标的权重向量，i=1，2，3，4；
S434，基于S432中的因素层指标的初始权重以及设备层指标的权重向量，计算各个因素层指标的动态状态参数残余寿命指征；
S435，基于所述S434中的动态状态参数残余寿命指征，构建状态分布函数模型，确定状态分布矩阵；
S436，基于S435中的状态分布矩阵的每一个矩阵要素重新计算参数复相关系数权值，得到新的参数复相关系数权值，并将新的参数复相关系数权值代入因素层指标的初始权重计算公式中，得到因素层指标的变权重；
S437，基于S436中的变权重和状态分布函数模型分别计算设备层指标下的各个因素层指标的分布函数矩阵；
S438，基于S437中的分布函数矩阵和各个因素层指标的因素指标值进行迭代计算，最终获海上风电场设备的状态评价矩阵，实现对海上风电场运行状态趋势的评估；
S5，构建海上风电机组故障预警模型，基于所述海上风电机组故障预警模型对运行异常情况进行辨识，得到异常原因，实现海上风电场的状态监测；
所述异常情况包括待风或/和机组自降额或/和异常天气降额或/和调度限电或/和异常天气停运。
2.如权利要求1所述的一种用于海上风电场的状态监测方法，其特征在于，
所述S1中，所述主要设备信息至少包括设备种类和设备特点或/和地理位置或/和周边环境或/和常见故障或/和待监测点。
3.如权利要求1所述的一种用于海上风电场的状态监测方法，其特征在于，
所述S2中，所述传感器布设模型的构建方法包括：
S21，基于所述主要设备信息，确定数据采集点以及数据采集类型；
S22，基于S21中的数据采集点以及数据采集类型，确定物联网传感器的种类以及数量；
S23，基于S22中的物联网传感器的种类以及数量，设置物联网传感器的布设角度以及物联网传感器之间的间隔距离。
4.如权利要求1所述的一种用于海上风电场的状态监测方法，其特征在于，
所述S3中，所述分层化通信模型，用于将采集数据传输至海上风电场智能状态监测平台进行数据分析，其包括过程层、间隔层和站控层；
所述过程层利用通信协议栈建立面向对象的风电场网络GOOSE与采样测量网络SV；面向对象的风电场网络GOOSE与采样测量网络SV均采用发布者/订阅者模式进行通信；所述通信协议栈包括应用层、数据链路层、物理层、会话层、传输层和网络层；所述应用层的数据直接映射到数据链路层的MAC子层，然后传递给物理层发送，而会话层、传输层和网络层均为空；
所述间隔层和站控层之间采用以太网相连，并且所述以太网为双网冗余方式；
所述站控层在通信规约层面上实施特定通信服务映射MMS的映射，所述特定通信服务映射MMS的映射通过对海上风电场设备及其功能进行建模，实现网络环境下的海上风电场设备之间数据和监控信息的实时交换；所述海上风电场设备通过光纤环网与站控层进行联网，并对纵向接入的若干海上风电场设备进行安全分区，实现海上风电场设备的监控、生产、运维和调度。
5.如权利要求1所述的一种用于海上风电场的状态监测方法，其特征在于，
所述动态状态参数残余寿命指征采用第一函数表示，并结合海上风电历史数据对所述第一函数进行计算，得到动态状态参数残余寿命归一化数值；其中所述动态状态参数残余寿命归一化数值用于表示设备层指标的状态信息，取值范围为0~1；所述第一函数包括中间型函数和小愈优型函数，所述第一函数中的各个变量数值根据海上风电历史数据得到。
6.如权利要求5所述的一种用于海上风电场的状态监测方法，其特征在于，
所述S435的状态分布函数模型的构建方法包括：
S4351，建立状态评价矩阵，对海上风电场设备的评价等级进行分类，包括以下内容：
评价等级分为很好、良好、一般和预警；
其中，很好表示海上风电场设备运行状态优秀，设备很安全；
良好表示海上风电场设备运行状态良好，设备比较安全；
一般表示海上风电场设备运行状态合格，设备不太安全；
预警表示海上风电场设备运行状态危险，设备故障率大；
S4352，根据S4351中的评级等级，构建若干残余寿命取值区间；
S4353，根据S4532中的残余寿命取值区间，判断动态状态参数残余寿命归一化数值所属的残余寿命取值区间，得到设备层指标的评价等级。
7.如权利要求6所述的一种用于海上风电场的状态监测方法，其特征在于，
当动态状态参数残余寿命归一化数值<0.3时，采用降阶正弦分布函数，用于评价很好这一等级；
当0.7<动态状态参数残余寿命归一化数值时，采用升阶正弦分布函数，用于评价预警这一等级；
当0.3≤动态状态参数残余寿命归一化数值≤0.7时，采用中间阶正弦分布函数，用于评价良好和一般这两个等级。
8.如权利要求1-7任一所述的一种用于海上风电场的状态监测方法，其特征在于，
所述S5包括：海上风电机组故障预警模型设置神经网络变体单元LSTM，实时跟踪海上风电场设备的各种不同运行工况，以适应海上风电机组运行工况的多变；
所述神经网络变体单元LSTM包括重置门和更新门，其输入由当前节点状态xt和上个节点的隐藏状态ht-1构成，其输出为节点状态yt和当前节点的隐藏状态ht构成；所述重置门用于决定遗忘先前信息的程度；所述更新门用于选择和丢弃新信息；所述ht-1包括先前的输入信息；所述神经网络变体单元LSTM的构建方法如下：
S51，通过当前节点状态xt和上个节点的隐藏状态ht-1以及激活函数获取当前节点的更新门和重置门信息；
S52，基于所述S51中的重置门信息，将当前节点状态xt和上个节点的隐藏状态ht-1进行拼接，得到拼接数据；
S53，将S52中的所述拼接数据带入到tanh中得到
Figure 26159DEST_PATH_IMAGE001
；所述
Figure 762034DEST_PATH_IMAGE001
表示当前节点状态xt和先前输入的状态隐藏信息；
S54，根据S53中的状态隐藏信息，得到当前节点的当前隐藏信息；
所述当前隐藏信息的计算公式如下：
Figure 383770DEST_PATH_IMAGE002
；
S55，根据S54中的当前隐藏信息，得到最终海上风电场设备预警输出；
所述最终海上风电场设备预警输出的计算公式如下：
Figure 521491DEST_PATH_IMAGE003
；
其中，W rx 、W rh 、W zx 、W zh 、W hx 、W hh 分别代表海上风电场设备的权重矩阵，
⊙代表点乘运算，
Xt表示在t时刻海上风电场设备的状态参量，
b r 、b z 、b h 分别代表偏置，r t 代表重置门，z t 代表更新门。
9.一种用于海上风电场的状态监测***，用于实施如权利要求1-8任一所述的一种用于海上风电场的状态监测方法，其特征在于，
包括：一种或多种物联网传感器、分层化通信***、海上风电场智能状态监测平台；
所述一种或多种物联网传感器，用于布设在海上风电场的主要设备上，并对海上风电场的主要设备的运行数据进行采集；
所述分层化通信***，利用IEC61850标准协议，获取所述一种或多种物联网传感器的布设方式下的采集数据，并将所述采集数据通过所述分层化通信模型传输至海上风电场智能状态监测平台，并实现海上风电场设备之间的数据传输以及通讯，完成海上风电场设备的信息共享；
海上风电场智能状态监测平台，设有风电场运行状态模糊评价模块、海上风电机组故障预警模块，用于对运行数据进行数据分析，确定风电场的主要设备的运行状况，并对风电场的主要设备的运行状态进行监测。
CN202210944185.6A 2022-08-08 2022-08-08 一种用于海上风电场的状态监测方法及*** Active CN115013261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210944185.6A CN115013261B (zh) 2022-08-08 2022-08-08 一种用于海上风电场的状态监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944185.6A CN115013261B (zh) 2022-08-08 2022-08-08 一种用于海上风电场的状态监测方法及***

Publications (2)

Publication Number Publication Date
CN115013261A CN115013261A (zh) 2022-09-06
CN115013261B true CN115013261B (zh) 2022-12-06

Family

ID=83066170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210944185.6A Active CN115013261B (zh) 2022-08-08 2022-08-08 一种用于海上风电场的状态监测方法及***

Country Status (1)

Country Link
CN (1) CN115013261B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394546B (zh) * 2022-10-27 2023-01-06 山东晨宇电气股份有限公司 海上风电试验变压器
CN115640496B (zh) * 2022-12-16 2023-03-10 天津众联智能科技有限责任公司 基于改进层次分析法的电气隐患判断方法
CN116880241B (zh) * 2023-08-04 2024-06-25 山东大学 海上风电机组地面试验平台的多层级控制集成***及方法
CN116976650B (zh) * 2023-09-21 2023-12-12 常州易管智能科技有限公司 一种基于大数据的电网精益化管理调控方法
CN117006002B (zh) * 2023-09-27 2024-02-09 广东海洋大学 基于数字孪生的海上风力发电机监测方法及***
CN117612358B (zh) * 2024-01-23 2024-04-16 山东恒迈信息科技有限公司 一种基于数据分析的监测预警管理方法
CN117967527B (zh) * 2024-02-04 2024-07-19 西安风创能源科技有限公司 一种基于实时运行数据的风电机组运行状态监控***
CN118013862B (zh) * 2024-04-09 2024-07-05 湖南大学 一种风电场短期电压稳定性仿真模型构建、评估及监测方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估***及评估方法
CN103234753A (zh) * 2013-04-11 2013-08-07 华北电力大学 基于高斯过程建模的风电机组轴系状态监测方法
CN103670950A (zh) * 2013-11-25 2014-03-26 北京能高自动化技术股份有限公司 移动式风力发电机组状态监控***
WO2016077997A1 (en) * 2014-11-18 2016-05-26 Abb Technology Ltd Wind turbine condition monitoring method and system
CN107580315A (zh) * 2017-09-13 2018-01-12 潘金文 一种用于智能电网的风电机组状态监测***
WO2018082373A1 (zh) * 2016-11-02 2018-05-11 广州特种承压设备检测研究院 海上风力机叶片运行状态监测***
CN108167135A (zh) * 2017-12-26 2018-06-15 中国能源建设集团广东省电力设计研究院有限公司 海上风电场风机辅控***、方法以及装置
CN207847858U (zh) * 2017-12-26 2018-09-11 中国能源建设集团广东省电力设计研究院有限公司 海上风电场风机辅控***
CN110259646A (zh) * 2019-05-06 2019-09-20 明阳智慧能源集团股份公司 一种基于历史数据的风力发电机组部件状态预警方法
JP2020133616A (ja) * 2019-02-14 2020-08-31 三菱重工業株式会社 稼働状態評価方法、及び、稼働状態評価装置
CN113361186A (zh) * 2021-04-28 2021-09-07 山东大学 一种基于完全数据风电机组故障诊断方法
CN113420509A (zh) * 2021-07-07 2021-09-21 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组状态评价方法、装置及存储介质
CN113689072A (zh) * 2021-07-16 2021-11-23 中国绿发投资集团有限公司 一种基于马尔科夫链的海上风电机组运行状态评估方法
CN113982850A (zh) * 2021-09-10 2022-01-28 大唐国信滨海海上风力发电有限公司 融合高低频信号的风机综合健康分析方法及***
CN216565476U (zh) * 2022-01-05 2022-05-17 上海电气风电集团股份有限公司 风电场数据传送***
CN114666352A (zh) * 2022-03-01 2022-06-24 中国华能集团清洁能源技术研究院有限公司 一种海上风电设备监测数据处理方法及设备
CN114856941A (zh) * 2022-05-18 2022-08-05 江苏科技大学 海上风电场及机组故障诊断运维***及其诊断运维方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009004385B4 (de) * 2009-01-12 2010-11-25 Repower Systems Ag Verfahren und Anordnung zum Überwachen einer Windenergieanlage
KR101768810B1 (ko) * 2016-06-02 2017-08-30 두산중공업 주식회사 풍력단지 통합 제어 모니터링 시스템
CN111537219B (zh) * 2020-01-20 2021-11-02 内蒙古工业大学 一种基于温度参数的风机齿轮箱性能检测与健康评估方法
CN112818590A (zh) * 2021-01-13 2021-05-18 中国长江三峡集团有限公司 一种风电场发电量评估及微观选址模型建立方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估***及评估方法
CN103234753A (zh) * 2013-04-11 2013-08-07 华北电力大学 基于高斯过程建模的风电机组轴系状态监测方法
CN103670950A (zh) * 2013-11-25 2014-03-26 北京能高自动化技术股份有限公司 移动式风力发电机组状态监控***
WO2016077997A1 (en) * 2014-11-18 2016-05-26 Abb Technology Ltd Wind turbine condition monitoring method and system
WO2018082373A1 (zh) * 2016-11-02 2018-05-11 广州特种承压设备检测研究院 海上风力机叶片运行状态监测***
CN107580315A (zh) * 2017-09-13 2018-01-12 潘金文 一种用于智能电网的风电机组状态监测***
CN108167135A (zh) * 2017-12-26 2018-06-15 中国能源建设集团广东省电力设计研究院有限公司 海上风电场风机辅控***、方法以及装置
CN207847858U (zh) * 2017-12-26 2018-09-11 中国能源建设集团广东省电力设计研究院有限公司 海上风电场风机辅控***
JP2020133616A (ja) * 2019-02-14 2020-08-31 三菱重工業株式会社 稼働状態評価方法、及び、稼働状態評価装置
CN110259646A (zh) * 2019-05-06 2019-09-20 明阳智慧能源集团股份公司 一种基于历史数据的风力发电机组部件状态预警方法
CN113361186A (zh) * 2021-04-28 2021-09-07 山东大学 一种基于完全数据风电机组故障诊断方法
CN113420509A (zh) * 2021-07-07 2021-09-21 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组状态评价方法、装置及存储介质
CN113689072A (zh) * 2021-07-16 2021-11-23 中国绿发投资集团有限公司 一种基于马尔科夫链的海上风电机组运行状态评估方法
CN113982850A (zh) * 2021-09-10 2022-01-28 大唐国信滨海海上风力发电有限公司 融合高低频信号的风机综合健康分析方法及***
CN216565476U (zh) * 2022-01-05 2022-05-17 上海电气风电集团股份有限公司 风电场数据传送***
CN114666352A (zh) * 2022-03-01 2022-06-24 中国华能集团清洁能源技术研究院有限公司 一种海上风电设备监测数据处理方法及设备
CN114856941A (zh) * 2022-05-18 2022-08-05 江苏科技大学 海上风电场及机组故障诊断运维***及其诊断运维方法

Also Published As

Publication number Publication date
CN115013261A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115013261B (zh) 一种用于海上风电场的状态监测方法及***
CN104503399B (zh) 一种集团级风电机组状态监测及故障诊断平台
CN102022264B (zh) 用于风力涡轮机健康管理的***和方法
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及***
CN112733283A (zh) 一种风电机组部件故障预测方法
CN105205569A (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
CN106019195A (zh) 一种电力计量自动化检定流水线故障诊断***
CN109583075B (zh) 基于温度参数预测的永磁直驱风力机服役质量评价方法
CN106997513A (zh) 基于大数据分析的配网设备状态评价***
CN108053110A (zh) 一种基于pmu数据的变压器状态在线诊断方法
CN114036656B (zh) 风电机组齿轮箱的故障诊断方法及装置
CN110363404A (zh) 一种干式空心电抗器状态数据分析方法
CN110879586A (zh) 一种调相机故障诊断和状态监测方法和***
CN114925718A (zh) 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法
CN117649044A (zh) 一种海上风电机组多维度量化状态评估方法
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
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
CN115828173A (zh) 基于故障知识与因果推理的风机故障诊断方法及***
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Kaidis Wind Turbine Reliability Prediction: A Scada Data Processing & Reliability Estimation Tool
Joshi et al. Soft computing methods and its applications in condition monitoring of dgs—a review
CN214330806U (zh) 风力发电机***和风力发电机的故障分析设备
Sparling Transformer monitoring-moving forward from monitoring to diagnostics
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与***
Bo et al. Multi-fault Diagnosis of Wind Turbine Based on Imprecise Probability

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Wenjin

Inventor after: Zhang Jun

Inventor after: Chen Jingwei

Inventor after: Zhang Ruoyi

Inventor after: Li Ying

Inventor after: Yao Silei

Inventor after: Fang Haina

Inventor after: Pan Yongchun

Inventor after: Xu Ranyue

Inventor after: Liu Li

Inventor after: Yu Wei

Inventor after: Gan Chun

Inventor after: Huang Hao

Inventor after: Zhang Yinxian

Inventor after: Qian Jianguo

Inventor after: Zhang Jing

Inventor after: Wang Dong

Inventor after: Jin Chenxing

Inventor before: Chen Wenjin

Inventor before: Zhang Jun

Inventor before: Chen Jingwei

Inventor before: Zhang Ruoyi

Inventor before: Li Ying

Inventor before: Yao Silei

Inventor before: Fang Haina

Inventor before: Pan Yongchun

Inventor before: Xu Ranyue

Inventor before: Liu Li

Inventor before: Yu Wei

Inventor before: Gan Chun

Inventor before: Huang Hao

Inventor before: Zhang Yinxian

Inventor before: Qian Jianguo

Inventor before: Zhang Jing

Inventor before: Wang Dong

Inventor before: Jin Chenxing