CN115238918A - 一种基于边缘计算的海上风电场智能运维方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的海上风电场智能运维方法，包括：海上边缘计算节点收集海上风电场数据；对海上风电场数据进行智能识别，确定所属数据核心等级和接收者，并传输至相应数据存储模块；海上边缘计算节点和陆上云集控中心的数据存储模块对收集的信息处理后存储至其服务器；海上边缘计算节点和陆上云集控中心结合服务器中存储的历史监测数据，进行分析统计、设备健康评估与故障诊断并产生实时分析数据报告；海上边缘计算节点和陆上云集控中心发出相应控制调节指令，海上边缘计算节点智能响应；陆上云集控中心智能输出运维方案，并将运维方案实时传输给进行海上运维计划的船只。本发明可缩短风机的故障处理时间，提高海上作业运维效率。

Description

一种基于边缘计算的海上风电场智能运维方法

技术领域

本发明涉及海上风电的技术领域，尤其是指一种基于边缘计算的海上风电场智能运维方法。

背景技术

海上风电具有风资源优越、单机装机容量大、风机发电量高以及适合大规模开发等优势，目前，我国海上风电进入快.速发展期，但由于海上风电机组所处的特殊环境，海上风电发展仍面临诸多挑战。相对于陆上，海上运维受制因素很多，如气象条件、海洋条件、船期安排和航线安排等，这导致出海运维成本居高不下。海上风电在管理和技术上，存在海上运维风险高、设备故障率高、受环境影响大、运维管理弱、抗风险能力低、运维成本高等风险。目前落后的运维管理状态已经成为影响海上风电市场发展的一个重要瓶颈。

边缘计算是一种在网络边缘执行计算任务的新型计算模型，能够比云计算模型更加迅速和可靠地响应终端的数据处理需求；在海上风电场智能运维，如何协调边缘计算节点和云计算中心进行智能运维信息处理，是智能运维***迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于边缘计算的海上风电场智能运维方法，提高海上作业运维效率。

为实现上述目的，本发明所提供的技术方案为：一种基于边缘计算的海上风电场智能运维方法，包括以下步骤：

步骤1，海上边缘计算节点的采集模块收集海上风电场数据，包括海上风电场设备数据、海洋水文气象数据及机组维护数据；

步骤2，根据预设的数据分类标准对收集的海上风电场数据进行智能识别，确定所属数据核心等级，根据数据所属核心等级确定数据接收者，并传输至数据接收者的数据存储模块；其中，数据接收者有：海上边缘计算节点、陆上云集控中心、海上边缘计算节点和陆上云集控中心；

步骤3，海上边缘计算节点和陆上云集控中心的数据存储模块对收集到的海上风电场数据，进行数据处理后分别存储至海上边缘计算节点的风电场本地化数据服务器和陆上云集控中心的云数据服务器，进一步实现海上风电场运行状态监测；其中，风电场本地化数据服务器用于存储短期内的海上风电场历史数据，并支持短期数据的回看和缓存；

步骤4，海上边缘计算节点和陆上云集控中心结合各自服务器中存储的历史监测数据，进行分析统计、设备健康评估与故障诊断，并产生实时分析数据报告；

步骤5，根据处理与分析后各自获得的实时分析数据报告，海上边缘计算节点和陆上云集控中心发出相应的控制调节指令，传输至海上边缘计算节点的智能响应模块，智能响应模块将控制调节指令发送给海上风电场各设备；

步骤6，结合云数据服务器中存储的机组维护数据、运维记录和历史故障统计及处理方案，以及在线获取的海洋水文气象预报数据，陆上云集控中心智能输出运维方案，并将运维方案通过海上边缘计算节点的智能响应模块实时传输给进行海上运维计划的船只，及时对运行出现的异常情况进行处理。

进一步，在步骤1中，所述海上风电场设备数据包括风机、升压站和海底电缆实时运行状态数据，所述海洋水文气象数据包括海浪高度、风速、天气状况、雷暴和大雾情况，所述机组维护数据包括机组定期运维计划、运维人员及排班、运维船只数据和备品备件数据；所述海上风电场设备数据、海洋水文气象数据及机组维护数据能从风电SCADA***、升压站综合自动化***、CMS振动监测***、海洋气象及风功率预测***、海缆监测***、AGC/AVC能量管理***、油液在线监测***和运维船舶GIS定位管理***中获取。

进一步，在步骤2中，若数据接收者是海上边缘计算节点，则发送到海上边缘计算节点的数据存储模块；若数据接收者是陆上云集控中心，则发送至陆上云集控中心的数据存储模块；若数据接收者同时包括海上边缘计算节点和陆上云集控中心，则同时发送至海上边缘计算节点和陆上云集控中心的数据存储模块。

进一步，在步骤4中，分析统计、设备健康评估与故障诊断，并产生实时分析数据报告具体步骤为：

401)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t1时间的海洋水文气象数据，获取实时时间节点后t2时间的海洋天气预报部门定时发布的气象预报及大风大浪预警数据；判断海洋水文气象数据、气象预报和大风大浪预警数据中是否出现风险标准环境，如果是，则分别统计风险次数和持续时间，确定风险级别，产生风险记录，如果不是，则不作出处理；判断风险记录是否超出阈值，如果是，则分别输出安全差值报告，如果不是，则不作出处理；

402)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t3时间的海上风电场设备数据，比对实时海上风电场设备数据，以及比对同一发电场的各个风机、升压站、海底电缆的状态参数，并分别产生状态差值报告；

403)海上边缘计算节点和陆上云集控中心分别获取上述实时海上风电场设备数据，采用相互比较法和最小二乘法进行数据清洗，根据不同设备部件建立特征指标库，将特征提取后的数据带入故障诊断模型，进行故障分类和匹配，最后给出实时故障诊断数据；海上边缘计算节点和陆上云集控中心分别对比上述实时的海上风电场设备数据和基于人工智能技术得到的海上风电场设备预测数据，获取海上风电场设备的潜在的故障预警数据；

404)海上边缘计算节点和陆上云集控中心将各自获得的安全差值报告、状态差值报告和故障诊断数据分别整合为各自的实时分析数据报告。

进一步，在步骤6中，智能输出运维方案具体步骤为：

601)判断云数据服务器中存储的历史故障统计及处理方案中是否存储有与本次故障匹配的处理方案，若存在对应的处理方案，则调取该处理方案，否则通过比较故障对设备产生的损害与维护费用，保证设备安全的前提下，确定是否出海维护；

602)若选择出海维护，则结合海洋水文气象预报数据和机组维护数据，以生成运维费用和发电量损失最优的包含船舶航行路线的处理方案；若选择不出海维护，则生成维护任务包，等待下次设备发生故障时，叠加进行维护。

本发明与现有技术相比，具有如下优点与有益效果：

本发明不仅能够通过实时监控无人值守设备获取海上风电场设备数据、海洋水文气象数据、机组维护数据、故障数据和历史运维记录等，方便海上风机发电场的运维工作，还可以根据智能响应加快调度，缩短海上风电场中风机的故障处理时间，提高海上作业运维效率。

附图说明

图1是本发明方法的流程图。

图2是智能输出运维方案的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本实施例公开了一种基于边缘计算的海上风电场智能运维方法，包括以下步骤：

步骤1，海上边缘计算节点的采集模块收集海上风电场数据，包括海上风电场设备数据、海洋水文气象数据及机组维护数据。具体地：

所述海上风电场设备数据主要包括风机、升压站和海底电缆实时运行状态数据，所述海洋水文气象数据主要包括海浪高度、风速、天气状况、雷暴和大雾情况，所述机组维护数据主要包括机组定期运维计划、运维人员及排班、运维船只数据和备品备件数据；所述海上风电场设备数据、海洋水文气象数据及机组维护数据可从风电SCADA***、升压站综合自动化***、CMS振动监测***、海洋气象及风功率预测***、海缆监测***、AGC/AVC能量管理***、油液在线监测***和运维船舶GIS定位管理***中获取。

步骤2，根据预设的数据分类标准对收集的海上风电场数据进行智能识别，确定所属数据核心等级，同时，根据数据所属核心等级确定数据接收者，并传输至数据接收者的数据存储模块，其中，数据接收者可为：海上边缘计算节点、陆上云集控中心、海上边缘计算节点、陆上云集控中心。具体地：

若数据接收者是海上边缘计算节点，则发送到海上边缘计算节点的数据存储模块；若数据接收者是陆上云集控中心，则发送至陆上云集控中心的数据存储模块；若数据接收者同时包括海上边缘计算节点和陆上云集控中心，则同时发送至其的数据存储模块。

步骤3，海上边缘计算节点和陆上云集控中心的数据存储模块对收集到的海上风电场数据，进行数据处理后分别存储至海上边缘计算节点的风电场本地化数据服务器和陆上云集控中心的云数据服务器，进一步实现海上风电场运行状态监测；其中，风电场本地化数据服务器用于存储短期内的海上风电场历史数据，并支持短期数据的回看和缓存。

步骤4，海上边缘计算节点和陆上云集控中心结合各自服务器中存储的历史监测数据，进行分析统计、设备健康评估与故障诊断并产生实时分析数据报告。具体过程如下：

401)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t1时间的海洋水文气象数据，获取实时时间节点后t2时间的海洋天气预报部门定时发布的气象预报及大风大浪预警数据；判断海洋水文气象数据、气象预报和大风大浪预警数据中是否出现风险标准环境，如果是，则分别统计风险次数和持续时间，确定风险级别，产生风险记录，如果不是，则不作出处理；判断风险记录是否超出阈值，如果是，则分别输出安全差值报告，如果不是，则不作出处理。

402)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t3时间的海上风电场设备数据，比对实时海上风电场设备数据，以及比对同一发电场的各个风机、升压站、海底电缆的状态参数，并分别产生状态差值报告。

403)海上边缘计算节点和陆上云集控中心分别获取上述实时海上风电场设备数据，采用相互比较法和最小二乘法进行数据清洗，根据不同设备部件建立特征指标库，将特征提取后的数据带入故障诊断模型，进行故障分类和匹配，最后给出实时故障诊断数据；海上边缘计算节点和陆上云集控中心分别对比上述实时的海上风电场设备数据和基于人工智能技术得到的海上风电场设备预测数据，获取海上风电场设备的潜在的故障预警数据。

404)海上边缘计算节点和陆上云集控中心将各自获得的安全差值报告、状态差值报告和故障诊断数据分别整合为各自的实时分析数据报告。

步骤5，根据处理与分析后各自获得的实时分析数据报告，海上边缘计算节点和陆上云集控中心发出相应的控制调节指令，传输至海上边缘计算节点的智能响应模块，智能响应模块将控制调节指令发送给海上风电场各设备。

步骤6，结合云数据服务器中存储的机组维护数据、运维记录和历史故障统计及处理方案，以及在线获取的海洋水文气象预报数据，陆上云集控中心智能输出运维方案，并将运维方案通过海上边缘计算节点的智能响应模块实时传输给进行海上运维计划的船只，及时对运行出现的异常情况进行处理。参见图2所示，智能输出运维方案具体过程如下：

601)判断云数据服务器中存储的历史故障统计及处理方案中是否存储有与本次故障匹配的处理方案，若存在对应的处理方案，则调取该处理方案，否则通过比较故障对设备产生的损害与维护费用，保证设备安全的前提下，确定是否出海维护。

602)若选择出海维护，则结合海洋水文气象预报数据和机组维护数据，以生成运维费用和发电量损失最优的包含船舶航行路线的处理方案；若选择不出海维护，则生成维护任务包，等待下次设备发生故障时，叠加进行维护。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于边缘计算的海上风电场智能运维方法，其特征在于，包括以下步骤：

步骤1，海上边缘计算节点的采集模块收集海上风电场数据，包括海上风电场设备数据、海洋水文气象数据及机组维护数据；

步骤2，根据预设的数据分类标准对收集的海上风电场数据进行智能识别，确定所属数据核心等级，根据数据所属核心等级确定数据接收者，并传输至数据接收者的数据存储模块；其中，数据接收者有：海上边缘计算节点、陆上云集控中心、海上边缘计算节点和陆上云集控中心；

步骤3，海上边缘计算节点和陆上云集控中心的数据存储模块对收集到的海上风电场数据，进行数据处理后分别存储至海上边缘计算节点的风电场本地化数据服务器和陆上云集控中心的云数据服务器，进一步实现海上风电场运行状态监测；其中，风电场本地化数据服务器用于存储短期内的海上风电场历史数据，并支持短期数据的回看和缓存；

步骤4，海上边缘计算节点和陆上云集控中心结合各自服务器中存储的历史监测数据，进行分析统计、设备健康评估与故障诊断，并产生实时分析数据报告；

步骤5，根据处理与分析后各自获得的实时分析数据报告，海上边缘计算节点和陆上云集控中心发出相应的控制调节指令，传输至海上边缘计算节点的智能响应模块，智能响应模块将控制调节指令发送给海上风电场各设备；

步骤6，结合云数据服务器中存储的机组维护数据、运维记录和历史故障统计及处理方案，以及在线获取的海洋水文气象预报数据，陆上云集控中心智能输出运维方案，并将运维方案通过海上边缘计算节点的智能响应模块实时传输给进行海上运维计划的船只，及时对运行出现的异常情况进行处理。

2.根据权利要求1所述的一种基于边缘计算的海上风电场智能运维方法，其特征在于，在步骤1中，所述海上风电场设备数据包括风机、升压站和海底电缆实时运行状态数据，所述海洋水文气象数据包括海浪高度、风速、天气状况、雷暴和大雾情况，所述机组维护数据包括机组定期运维计划、运维人员及排班、运维船只数据和备品备件数据；所述海上风电场设备数据、海洋水文气象数据及机组维护数据能从风电SCADA***、升压站综合自动化***、CMS振动监测***、海洋气象及风功率预测***、海缆监测***、AGC/AVC能量管理***、油液在线监测***和运维船舶GIS定位管理***中获取。

3.根据权利要求1所述的一种基于边缘计算的海上风电场智能运维方法，其特征在于，在步骤2中，若数据接收者是海上边缘计算节点，则发送到海上边缘计算节点的数据存储模块；若数据接收者是陆上云集控中心，则发送至陆上云集控中心的数据存储模块；若数据接收者同时包括海上边缘计算节点和陆上云集控中心，则同时发送至海上边缘计算节点和陆上云集控中心的数据存储模块。

4.根据权利要求1所述的一种基于边缘计算的海上风电场智能运维方法，其特征在于，在步骤4中，分析统计、设备健康评估与故障诊断，并产生实时分析数据报告具体步骤为：

401)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t1时间的海洋水文气象数据，获取实时时间节点后t2时间的海洋天气预报部门定时发布的气象预报及大风大浪预警数据；判断海洋水文气象数据、气象预报和大风大浪预警数据中是否出现风险标准环境，如果是，则分别统计风险次数和持续时间，确定风险级别，产生风险记录，如果不是，则不作出处理；判断风险记录是否超出阈值，如果是，则分别输出安全差值报告，如果不是，则不作出处理；

402)海上边缘计算节点和陆上云集控中心调用各自服务器中存储的实时时间前t3时间的海上风电场设备数据，比对实时海上风电场设备数据，以及比对同一发电场的各个风机、升压站、海底电缆的状态参数，并分别产生状态差值报告；

403)海上边缘计算节点和陆上云集控中心分别获取上述实时海上风电场设备数据，采用相互比较法和最小二乘法进行数据清洗，根据不同设备部件建立特征指标库，将特征提取后的数据带入故障诊断模型，进行故障分类和匹配，最后给出实时故障诊断数据；海上边缘计算节点和陆上云集控中心分别对比上述实时的海上风电场设备数据和基于人工智能技术得到的海上风电场设备预测数据，获取海上风电场设备的潜在的故障预警数据；

404)海上边缘计算节点和陆上云集控中心将各自获得的安全差值报告、状态差值报告和故障诊断数据分别整合为各自的实时分析数据报告。

5.根据权利要求1所述的一种基于边缘计算的海上风电场智能运维方法，其特征在于，在步骤6中，智能输出运维方案具体步骤为：

601)判断云数据服务器中存储的历史故障统计及处理方案中是否存储有与本次故障匹配的处理方案，若存在对应的处理方案，则调取该处理方案，否则通过比较故障对设备产生的损害与维护费用，保证设备安全的前提下，确定是否出海维护；

602)若选择出海维护，则结合海洋水文气象预报数据和机组维护数据，以生成运维费用和发电量损失最优的包含船舶航行路线的处理方案；若选择不出海维护，则生成维护任务包，等待下次设备发生故障时，叠加进行维护。

Images