本申请涉及风力发电机状态监控方法与系统。
背景技术:
风能因为其丰富的资源、成熟的技术和零排放已经成为有希望取代传统的造成污染的火力发电的最受欢迎的再生能源。到2013年底,全球风力发电机安装已达到318GW。随着风场的快速增长,昂贵的O&M(运行和维护)费用和停机期间电力销售损失已发展成为越来越紧迫的问题。以2MW风力发电机为例,如KTH的硕士论文所估计,每年产生大约24.84万美元的损失,包括24.27万美元的O&M费用和0.57万美元的电力销售损失。
在这种环境下,市场渴望能开发一种状态监控系统(CMS)产品,其能在风力发电机发展成真正失效前实时检测风力发电机的缺陷,分析故障类型,并且定位有缺陷的部件。目前市场上带有此功能的可用的产品都是基于附加的传感器(例如振动、声学等)。这些侵入式传感器不仅大大地增加了资金成本,而且会造成风力发电机的再认证的问题,而这两者对于风场的运营者来说都是不希望的。
技术实现要素:
相应地,本发明一方面提供一种风力发电机状态监控方法,包括如下步骤:
历史数据获取步骤:获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中风力发电机报告包括:被诊断为正常或有缺陷状态的风力发电机的健康状况,以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件;
模型训练步骤:基于历史SCADA数据和对应的风力发电机报告,通过建立历史SCADA数据和风力发电机报告之间的关系,训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机不同部件的不同个体模型;
整体诊断步骤:获取实时SCADA数据,输入实时SCADA数据至已训练的整体模型,从已训练的整体模型获得风力发电机的健康状况,以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤;
个体诊断步骤:输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型,以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
优选地,历史数据获取步骤包括:
获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中该风力发电机报告包括:诊断为正常或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况诊断为有缺陷状态时带有对应故障详细信息的有缺陷部件;
验证该风力发电机报告以确定该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷状态。
优选地,该模型训练步骤包括:
选择整体数据挖掘算法;
利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型,以建立整体模型的输入和输出之间的关系,整体模型的输入是历史SCADA数据,整体训练模型的输出是风力发电机的健康状况,其包括正常和有缺陷状态,以及如果所述风力发电机的健康状况被诊断为有缺陷的状态时的有缺陷部件;
选择用于风力发电机的不同部件的个体数据挖掘算法;
利用对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型,以建立个体模型的输入和输出之间的关系,每一个体模型的输入是历史SCADA数据,如果与个体模型相对应的个体部件是有缺陷的部件,则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
便利地,该模型训练步骤包括:
使用历史SCADA数据验证整体模型和个体模型的有效性。
便利地,该整体诊断步骤包括:
获取实时SCADA数据;
输入该实时SCADA数据至已训练的总体模型;
运行已训练的整体模型以实施整体数据挖掘算法;
从该已训练的整体模型获得风力发电机的健康状况;
如果已训练的整体模型确定风力发电机为有缺陷状态,则执行个体诊断步骤。
便利地,该个体诊断步骤包括:
选择与有缺陷部件相对应的已训练的个体模型作为已训练的有缺陷模型;
输入实时SCADA数据至已训练的有缺陷模型;
运行已训练的有缺陷模型以实施对应的个体数据挖掘算法;
从已训练的有缺陷模型获得该有缺陷部件的故障详细信息。
本发明的另一方面提供了一种包括计算机程序代码的计算机程序,所述计算机程序代码适于在计算机上运行时执行上述任何一个的所有步骤。
本发明的另一方面提供了一种在计算机可读介质上实现的根据上述的计算机程序。
本发明的另一方面提供了一种风力发电机状态监控系统,包括以下模块:
历史数据获取模块:用于获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中风力发电机报告包括:被诊断为正常或有缺陷状态的风力发电机的健康状况,以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件;
模型训练模块:用于基于历史SCADA数据和相应的风力发电机报告,通过建立历史SCADA数据和风力发电机报告之间的关系,训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机不同部件的不同个体模型;
整体诊断模块:用于获取实时SCADA数据,输入实时SCADA数据至已训练的整体模型,从已训练的整体模型获得风力发电机的健康状况,以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断模块;
个体诊断模块:用于输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型,以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
优选地,历史数据获取模块包括:
用于获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告的模块,其中历史SCADA数据包括风力发电机的操作数据,并且其中该风力发电机报告包括:诊断为正常或者有缺陷的状态的风力发电机的健康状况、以及如果风力发电机诊断为有缺陷的状态时带有相应故障详细信息的有缺陷的部件;
用于验证该风力发电机报告以确定该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷的状态的模块。
优选地,该模型训练模块包括:
用于选择整体数据挖掘算法的模块;
用于利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型以建立整体模型的输入和输出之间的关系的模块,整体模型的输入是历史SCADA数据,整体训练模型的输出是风力发电机的健康状况,其包括正常和有缺陷的状态,以及如果所述风力发电机的健康状况被诊断为有缺陷的状态时的有缺陷的部件;
用于选择用于风力发电机的不同部件的个体数据挖掘算法的模块;
用于利用相对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型以建立个体模型的输入和输出之间的关系的模块,每一个体模型的输入是历史SCADA数据,如果与个体模型相对应的个体部件是有缺陷的部件,则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
便利地,该模型训练模块包括:
用于使用历史SCADA数据验证整体模型和个体模型的有效性的模块。
便利地,该整体诊断模块包括:
用于获取实时SCADA数据的模块;
用于输入该实时SCADA数据至已训练的整体模型的模块;
用于运行已训练的整体模型以实施整体数据挖掘算法的模块;
用于从该已训练的整体模型获得风力发电机的健康状况的模块;
如果已训练的整体模型确定风力发电机为有缺陷状态,则执行个体诊断模块的模块。
便利地,该个体诊断模块包括:
用于选择与有缺陷的部件相对应的已训练的个体模型作为已训练的有缺陷模型的模块;
用于输入实时SCADA数据至已训练的有缺陷模型的模块;
用于运行已训练的有缺陷模型以实施对应的个体数据挖掘算法的模块;
用于从已训练的有缺陷模型获得该有缺陷的部件的故障详细信息的模块。
本发明利用历史SCADA数据和相应的风力发电机故障信息来训练整体模型和个体模型,并且输入实时SCADA数据至已训练的整体模型中用于诊断,而输入至已训练的个体模型中用于分析。本发明提出了一类基于SCADA数据的分级的成本效益好的远程级风力发电机状态监控方法和系统。利用该解决方案,风力发电机运营者能够实时监控设备状况,检测早期故障并预先安排适当的预测性维护活动。与传统的基于侵入式传感器的技术相比,由于采用了纯SCADA数据驱动技术,本发明可以节省额外监控传感器的安装,并且由于采用分级概念结构能够加速算法执行效率,由此使终端客户(风力发电机运营者)受益。
附图说明
图1示出了说明根据本发明的风力发电机状态监控方法的流程图;
图2示出了说明本发明的优选实施例的流程图;
图3示出了风力发电机状态监控系统的结构模块图。
具体实施方式
在下文中,通过结合附图的具体实施例进一步详细介绍本发明。
图1示出了说明根据本发明的风力发电机状态监控方法的流程图,包括如下步骤:
步骤101:获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中风力发电机报告包括:被诊断为正常或有缺陷状态的风力发电机的健康状况,以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件;
步骤102:基于历史SCADA数据和对应的风力发电机报告,通过建立历史SCADA数据和风力发电机报告之间的关系,训练用于整体诊断风力发电机的整体模型并且,训练用于分析风力发电机不同部件的不同个体模型;
步骤103:获取实时SCADA数据,输入实时SCADA数据至已训练的整体模型,从已训练的整体模型获得风力发电机的健康状况,以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤;
步骤104:输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型,以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
SCADA数据是从监测控制与数据采集(SCADA)系统收集的。该SCADA系统是一种电力自动化监控系统。它执行电力系统的数据收集,监测控制和过程控制。
本发明利用步骤101中获得的历史SCADA数据和对应的风力发电机报告来分别训练整体模型和个体模型。训练之后,模型建立了历史SCADA数据和风力发电机报告之间的关系。通过历史SCADA数据和对应的风力发电机报告,整体模型和个体模型可以具有良好的训练性能。由于SCADA数据包括操作数据,该历史SCADA数据可以反映风力发电机的多种历史状态。并且风力发电机报告包括风力发电机的健康状况、有缺陷部件和对应的故障详细信息。健康状况包括正常状态和有缺陷状态。有缺陷部件和对应的故障详细信息仅当风力发电机的健康状况被诊断为有缺陷状态时在风力发电机报告中涉及。在步骤103和104,实时SCADA数据被输入到已训练的整体模型和个体模型中。由于这些模型已经利用历史SCADA数据和对应的风力发电机报告进行训练并且能够基于SCADA数据识别正常状态和有缺陷状态,因此已训练的整体模型和个体模型可以从实时SCADA数据获得精确的健康状况和故障详细信息。本发明利用SCADA数据和训练模型来监控风力发电机的状态,因此其不再需要向风力发电机中安装附加的传感器。另外,分级概念结构可以加速风力发电机控制器的处理效率。
在一个实施例中,步骤101包括:
获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中该风力发电机报告包括:诊断为正常或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况被诊断为有缺陷状态时带有相应故障详细信息的有缺陷部件;
验证该风力发电机报告以识别该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷状态。
将历史SCADA数据划分为正常状态部分和有缺陷状态部分,以便于整体模型和个体模型做出正确的健康状况和故障详细信息。
在一个实施例中,步骤102包括:
选择整体数据挖掘算法;
利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型,以建立整体模型的输入和输出之间的关系,整体模型的输入是历史SCADA数据,整体训练模型的输出是风力发电机的健康状况,其包括正常和有缺陷状态,以及如果风力发电机的健康状况被诊断为有缺陷状态时的有缺陷部件;
选择用于风力发电机的不同部件的个体数据挖掘算法;
利用对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型,以建立个体模型的输入和输出之间的关系,每一个体模型的输入是历史SCADA数据,如果对应于个体模型的个体部件是有缺陷部件,则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
整体数据挖掘算法可以与个体数据挖掘算法相同或者不同。该算法包括神经网络、支持向量机、主成分分析等。
在算法选择期间,个体算法的特点和收集的数据的特征(例如数据丰富度)都应当考虑。对于不同的情况,所选择的算法可以不同。
基于作为样本输入的历史SCADA数据和对应的风力发电机报告,利用合适的算法训练整体模型,该模型可以建立SCADA数据和风力发电机报告之间的关系。随着在模型中建立了关系,将实时SCADA数据输入整体模型中可以获得作为输出的健康状况。并且同样,由于风力发电机报告包括有缺陷部件,所以如果健康状况被诊断为有缺陷状态时输入实时SCADA数据至整体模型可以获得有缺陷部件。
通过利用有缺陷部件的历史SCADA数据归纳风力发电机报告,个体模型将区分出有缺陷部件的具体的故障详细信息,包括故障类型、故障位置和故障严重性。个体模型经过训练最终建立SCADA数据与有缺陷部件的故障详细信息之间的关系。
在一个实施例中,步骤102包括:
使用历史SCADA数据验证整体模型和个体模型的有效性。
该有效性可以是检测定量。该模型可以通过验证有效性进一步优化。
在一个实施例中,步骤103包括:
获取实时SCADA数据;
输入该实时SCADA数据至已训练的整体模型;
运行已训练的整体模型以实现整体数据挖掘算法;
从已训练的整体模型获得风力发电机的健康状况;
如果已训练的整体模型判定风力发电机为有缺陷状态,则执行个体诊断步骤。
在步骤103中实施的整体数据挖掘算法可以与在步骤102中选择的算法一样以保证模型的可靠性。
在一个实施例中,步骤104包括:
选择对应于有缺陷部件的已训练个体模型作为已训练有缺陷模型;
输入实时SCADA数据至已训练的有缺陷模型;
运行已训练的有缺陷模型以实施对应的个体数据挖掘算法;
从已训练的有缺陷模型获得有缺陷部件的故障详细信息。
与步骤103中一样,在步骤104中实施的个体数据挖掘算法可以与在步骤102中选择的用于有缺陷部件的算法一样。
图2示出了说明本发明的优选实施例的流程图。
图2包括两部分。左侧方框代表实时诊断/预测;右侧方框代表使用SCADA数据的模型训练过程。更具体地,整个概念可通过下列步骤实现:
步骤201:从实际风场操作数据库收集SCADA数据和风力发电机报告,包括:
●包括操作数据和风力发电机报告的SCADA数据,所述风力发电机报告包括在典型风场中的典型风力发电机的状态(正常和有缺陷的)。
●已核实的对应于上述SCADA数据的风力发电机报告,指明哪一数据部分是正常状态以及哪一部分是有缺陷状态。
●将数据和故障信息组织成与以下数据处理一致的适当格式。
●注意,这个步骤应该离线完成,而不是在线。
步骤202:基于所收集的历史数据,模型使用特定数据挖掘算法
●选择适当的数据挖掘算法(例如神经网络、支持向量机、主成分分析等)用于模型训练。算法的选择应当同时考虑个体算法的特点和所收集的数据的特征(例如数据丰富度)。对于不同的情况,所选择的算法可以不同。
●使用所选择的数据挖掘算法(例如神经网络)来训练适用于风力发电机级诊断和预测的整体模型。该整体模型的输入是新加入的历史SCADA数据,并且输出是目标风力发电机的健康状况以及哪个部件是有缺陷的(如果风力发电机诊断为有缺陷的)。
●使用相同的或者其它数据挖掘算法来训练适用于诊断和预测风力发电机的不同部件的不同的单一模型。该单一模型的输入是新加入的历史SCADA数据,并且输出是有缺陷部件的特定的故障详细信息,包括故障类型、故障位置和故障严重性。
●使用所收集的历史数据验证所训练的模型(整体模型和单一模型)的有效性(例如检出率)。
●注意,这个步骤应该离线完成,而不是在线。
步骤203:使用已训练的整体模型(适用于风力发电机)来实施风力发电机级诊断/预测
●输入实时新加入的SCADA数据至已训练的模型。
●运行整体模型来实施为整体模型选择的嵌入式算法。
●输出所检测的风力发电机的健康指数,其具有信息包括:该风力发电机是否是正常的还是有缺陷的,并且如果是有缺陷的,那么哪个部件是有缺陷的。
●注意,这个步骤应该在线完成。
步骤204:使用对应的已训练的单一模型(适合于对应的部件)来分析有缺陷部件的具体故障详细信息
●从在步骤2中准备好的那些中选择对应于在步骤3中识别的有缺陷部件的已训练的单一模型。
●输入实时新加入的SCADA数据至对应的已训练的单一模型。
●运行单一模型来实施为对应的单一模型而选择的嵌入式算法。
●输出有缺陷部件的具体故障详细信息,其包括信息:故障位置、故障类型和故障严重性。
●注意,这个步骤应该在线完成。
术语“在线”指在线实时监控。术语“离线”指离线模型训练。
图3示出了风力发电机状态监控系统的结构模块图,包括如下模块:
历史数据获取模块301:用于获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告,其中历史SCADA数据包括风力发电机的操作数据,并且其中风力发电机报告包括:被诊断为正常或有缺陷状态的风力发电机的健康状况,以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件;
模型训练模块302:用于基于历史SCADA数据和对应的风力发电机报告,通过建立历史SCADA数据和风力发电机报告之间的关系,训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机的不同部件的不同个体模型;
整体诊断模块303:用于获取实时SCADA数据,输入实时SCADA数据至已训练的整体模型,从已训练的整体模型获得风力发电机的健康状况,以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断模块;
个体诊断模块304:用于输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型,以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
以上所述实施例仅用于表现进行详细说明的本发明的多个示例,但不应理解为用于限制本发明的保护范围。应当指出的是,对于本领域技术人员而言,在不脱离本发明技术构思的前提下,还可以做出若干修改和/或改进,这些修改和/或改进均落入本发明的保护范围。因此,本发明的保护范围取决于所附权利要求。