一种基于感知计算协同的海上风电机组智能化监测方法

本发明涉及重大能源设备状态评估与故障诊断领域，尤其涉及一种基于感知计算协同的海上风电机组智能化监测方法。

背景技术：

1、海上风电场建设的蓬勃发展，衍生出的海上风电机组监测运维的相关问题也受到了广泛关注。海上风电场一般建设在风力资源丰富但人迹罕至的地区，比如沿海或者附近的岛屿等，在更加复杂的海洋环境条件下，就机组故障率而言，海上风电明显高于陆上风电，更加多变的自然条件还给运维带来很多新挑战。在海上风电的运维成本构成中，定期巡检维护成本远低于故障后维修成本，但因为海上风电场机组台数多，部署位置分散和工况复杂等特点，定期巡检也有着诸多不便。定期的检修虽能对缺陷消除、保障机组安全运行起到有效的促进作用，但也有明显的弊端，主要表现在过维修、欠维修及盲目维修等方面。此外，单纯靠人工维修船的蹲点维护，运维成本极高，也容易出现由于操作人员对缺陷、故障类型判断失误或维护不及时导致的发电损失甚至运行安全问题。

2、建设智能化的海上风电机组运维平台，结合边缘智能技术对风电机组的关键参数进行远程实时监测，根据收集到的状态参数和环境参数，利用人工智能算法实现实时运行状态评估和故障诊断，是解决海上风电机组健康管理问题的有效手段，可有效减少运维成本和降低机组事故率，对提高发电效率、提升海上风电场稳定性和建设智能化海上风电网络具有重要意义。当前对风电机组状态评估和故障诊断方法的研究中，总体上可分为两大类：(1)基于物理模型的方法；(2)基于数据驱动的方法。由于近年来风电机组趋向大型化、复杂化，建立精准的、能反映风电机组内部部件耦合特性的数学或物理模型是非常困难的，而数据驱动方法几乎不需要监测对象的先验知识。因此，基于反映风电机组运行机理和运行状态的多参数方法在近年来受到普遍关注。现有的大型风电机组均配有数据采集与监视控制(scada)系统，可以采集到大量与环境和运行状态相关的参数，包括温度、电流、电压、风速、功率等。其可以完成数据记录与储存、简单的阈值报警，但无法有效地预测风电机组的故障风险或判定故障类型。为更好地利用多元多量的scada数据，避免海量数据资源的浪费，更加需要充分利用大数据分析和人工智能算法，挖掘隐藏在scada数据中的有用信息，对风电机组的运行状态进行预测和诊断，通过进行基于数据的资产性能管理，形成低成本高效能的智能化监测解决方案，保障风电机组稳定安全运行。

3、通过边缘计算、云平台、工业大数据和人工智能技术的集成与管理，研究基于scada数据的风电机组智能化监测方案，还是有利可图的。因为与其他需要额外加装传感器的技术相比，基于scada的解决方案在建立状态监控系统时，不需要过多的硬件投资。具有成本效益且易于部署和更新。随着人工智能算法和大数据分析技术的发展，利用数据驱动的方法挖掘scada数据中的隐藏信息已得到了研究，陆上风电机组的状态评估和故障诊断方法也得到一定发展，可以给海上风电机组提供大量参考。目前开展的研究工作主要可以分为三大类：(1)“预处理”：考虑到风机的非计划停机和传感器故障等，风电场实际采集的数据集中往往存在异常数据。如果直接作为风电功率预测模型的输入数据，会影响预测的准确性和可靠性。因此在训练预测模型之前，需要对异常数据进行清洗和剔除。(2)“状态评估”：根据设备或部件的历史监测数据，对当前设备或部件的运行情况进行评估，并对未来一段时间内的设备或部件的状态、故障趋势做出预测，评价指标是参数的预测精确度，故障预警的时间提前量。(3)“故障诊断”:判断设备或部件的异常状态，识别故障类型、位置以及具体原因，进而达到故障隔离的目的，并为维修操作进行决策提供参考，重点是建立数据驱动、多参数融合的故障诊断模型。评价指标是整机故障部件定位和故障部件的故障类型定类的精度。后两类工作通常是建立正常行为模型，与正常行为的显著偏差(如模型估计与测量参数之间的残差、与聚类中心的距离等)可以识别为异常。在研究以上三类问题时，重视环境因素，可以提高数据驱动模型的精度，减少不确定性，这在状态监控和辅助诊断中已得到初步应用。近年的研究表明，通过使用环境变量，可以提高状态监测相关活动的建模性能；此外，在没有额外计算量和高处理能力需求的情况下，整合关键环境变量将有助于增强早期故障预警算法，从而优化运维决策，降低成本。

4、结合上述背景的介绍与分析，在利用scada数据设计风电机组的监测方案时，有三个主要的困难：(1)海上风电机组的scada数据具有多元、多量、更易含异常数据的特点，如何合理处理多维数据，研究海上风电设备多参数关联关系，有效地利用提取的故障相关特征，实现对风电机组的深度挖掘与状态预测，提高状态评估的准确性和可靠性，是当下的难点之一；(2)海上风电机组所处的环境条件多变，运行状态易受影响，在复杂工况下，如常见的强噪声、变速变载等,如何综合考虑海上风电机组的人-机-物-法-环生态体系周期，提高算法的鲁棒性，并集成边缘计算和云平台技术，实现多技术融合的智能监测方案，也是目前需要解决的难点之一；(3)季节变化、风机部件老化会对已有模型的精度产生影响，如何实现高效的数据管理，保障生效中模型的精度，及时完成模型版本的迭代更新，也是目前的重点之一。

5、因此，本领域的技术人员致力于寻找一种可远程实现，准确度优于人工排查，且可靠度高的全面的监测解决的方案。

技术实现思路

1、有鉴于现有技术的上述缺陷，本发明提供了一种可远程实现，准确度优于人工排查，且可靠度高的全面的监测解决的方案。

2、为实现上述目的，本发明提供了一种基于感知计算协同的海上风电机组智能化监测方法，其特征在于，本发明精细化了scada数据的预处理过程，分步完成了参数筛选、分类异常剔除和风机运行工况划分；基于风速、环境温度和输出功率三个参数，使用k-means聚类算法将风机运行工况进行分类，记录下分类结果和聚类的中心点，用于后续判断风机所属的工况。

3、进一步地，所述方法包括以下步骤：

4、步骤1、利用海上风电机组正常运行时的scada系统历史数据，进行参数筛选和分类预处理，然后进行风机运行工况的划分，针对每一种运行工况，为每风机分别建立基于神经网络的运行参数预测模型；

5、步骤2、利用按工况分类并训练好的预测模型，对反应海上风机运行状态的重点参数进行预测，通过设定可调双阈值，对滑动窗口平滑后的预测残差进行分析，实现风机的故障预警，同时监测模型的精度；

6、步骤3、在发出故障预警后，接着对故障类型进行识别，利用xgboost多分类模型进一步确定异常数据对应的故障类别，形成状态评估衔接故障诊断的监测链路；

7、步骤4、在线监测阶段，搭建端边云协同的海上风电机组智能化监测架构，系统地将端边云、风机scada系统数据和ai算法进行整合,形成智能化的监测体系。

8、进一步地，所述步骤1还包括：

9、步骤1.1、根据领域专家知识和风机操作手册，得到先验知识，预选出能较好反应风机运行状态的关键参数，接着采用vine copula模型进行scada参数之间的相关性分析，进一步确定最终筛选出的参数，减少参与后续模型训练的参数个数；

10、步骤1.2、结合数据日志，过滤限功率、停转和其他启停转换等操作员动作产生的异常数据段；

11、步骤1.3、对于运行参数，使用四分位法处理，识别并剔除极端异常值；

12、步骤1.4、对于环境参数，使用dbscan聚类算法进一步处理，剔除离群异常值；

13、步骤1.5、检查数据预处理结果，确保数据剔除率低于2％；

14、步骤1.6、基于风速、环境温度和输出功率三个参数，使用k-means聚类算法将风机的运行工况进行分类，记录下聚类的中心点，再针对每风机的每一种运行工况，分别划分用于训练模型的训练集和测试集；

15、步骤1.7、针对海上风电场的每台风机，细分多个小模型，即在每个工况类型下，分别建立基于cnn-gru-attention神经网络的海上风机运行状态预测模型，得到正常行为模式下多参数之间的非线性时间关系。

16、进一步地，所述步骤1.1中，在离线建模阶段，收集海上风电机组的历史scada数据，包括健康运行时的数据和系统告警日志；根据海上风电机组研究领域的专家知识和风机操作手册，再使用vine copula模型进一步研究多维参数之间的依赖关系；通过选择适当的copula函数和vine结构，捕捉参数之间的线性或非线性相关性，从而更准确地描述参数之间的相互作用，整理得到具有普适性的知识；现有的大型风电机组配有的scada系统已经能采集到百余个参数，利用得到的先验知识，可以从中筛选出能较好反应风机运行状态的关键参数；通过减少数据集中参数的数量，同时保留最重要最关键的信息，可提高训练的模型的性能、减少计算开销；

17、所述步骤1.2中，风电机组scada数据的异常类型可以分为三种：(1)当风速高于切入风速时，没有功率输出或负功率，即可能的错误记录、异常0值、或操作员强制停机等；(2)有稳定和持续的正功率输出，但功率低于涡轮机的额定功率，即操作员施加的限功率；(3)异常随机分散在特征空间中，可能是由于传感器故障、信号处理中的噪声或气象波动引起的，也有可能是由启停转换生成的；因此，可以分步执行scada数据的预处理过程；根据风机的操作日志，通过直接过滤数据段的方法，消除限功率、停转和其他启停等异常，主要是清理类型(1)(2)的异常数据；

18、所述步骤1.5中，通过异常剔除方法消除传感器故障或信号处理中的噪声引起的异常，主要是清理类型(3)的异常数据，即针对运行参数和环境参数，进行分类预处理，运行参数中可能出现极端异常值，故使用四分位法处理；环境参数中可能出现离群异常值，故采用k-means算法进行处理，使原始scada数据可用于进一步分析；当这些被剔除的数据点是随机的、没有系统性的缺失时，数据集中较小比例的剔除对整体的统计特性没有明显影响；

19、所述步骤1.6中，对风机进行工况分类是指将不同工作状态下的风机数据划分为不同的类别集合，以便更好地理解和管理风机的运行情况；基于风速、环境温度和输出功率三个参数，使用k-means聚类算法将风机的运行工况进行分类，并将聚类中心保存下来；每个类别下风机的运行状态具有不同的特征，在每个工况类型下将会分别建立基于神经网络的运行状态评价模型，分别判断风机在不同运行条件下的状态，通过综合工况与运行参数，相比于传统的方法有望实现更佳的精准度和更好的鲁棒性，工况分类可分为4类，具有较好的解释性；

20、所述步骤1.7中，为挖掘隐藏在scada数据中的有用信息，利用cnn(卷积神经网络)挖掘特征之间的耦合关系，提取深层空间特征；利用gru(门控循环神经网络)进一步提取深度空间特征中的时间序列信息；并引入attention机制自适应感知和识别相关网络权重，增强重要信息的影响力；利用预处理过后的数据集进行训练；cnn主要由池化层和卷积层组成，卷积层用于数据的卷积运算和潜在特征的提取；池化层用于网络参数的下采样和压缩，这两层交替使用，不仅可以最大限度地有效发现输入数据中的潜在特征，还可以减少人为提取特征带来的误差；gru可以通过门控单元学习长期记忆来处理梯度消失；在gru网络中引入了attention机制，通过分配资源来模拟大脑的注意力；通过概率分配，可以充分关注关键信息，突出其他相关信息的影响，对模型进行改进；通过给出概率而不是随机分配的权重，attention机制可以用来解决由于序列过长而丢失信息的问题。

21、进一步地，所述步骤2还包括以下步骤：

22、步骤2.1、接入scada数据中需要用到的参数，根据数据中的风速、环境温度和输出功率三个参数，判定当前风机所处的运行工况；

23、步骤2.2、利用该工况下训练好的cnn-gru-attention神经网络预测模型，对选定的参数，包括输出功率、齿轮箱温度类参数、发电机温度类参数等进行预测；

24、步骤2.3、根据真实值和预测值计算得到残差，实时监测异常情况，对残差取5个时间点的滑动窗口平均，可有效避免大的扰动造成的误判；

25、步骤2.4、设定了可调双阈值，阈值1为报警限，初始残差超过该阈值，则标记该条scada数据异常，平滑后的残差超过该阈值，意味着出现了可能的故障，发出对应类型的故障预警；

26、步骤2.5、阈值2为误差限，长期超过该阈值意味着模型的精度下降，可能是由外界环境条件变化或内部机械部件退化导致的，需通知云端重新训练模型，稳定后下发至边缘侧。

27、进一步地，所述步骤2中研究真实值与预测值的残差时，使用滑动窗口平滑残差，避免偶现较大波动的影响；设定了双阈值，阈值1为误差限，用于判断故障预警，当残差超过阈值1时，标记该条scada数据为异常，当平滑后的残差超过阈值1时，发出对应类型的故障预警；针对模型版本更新迭代问题，设定了阈值2为精度限，用于保证模型精度，当平滑后的残差持续超过阈值2时，需通知云端重新训练、测试模型，待稳定后下发至边缘侧。

28、进一步地，所述步骤3还包括以下步骤：

29、步骤3.1、根据scada系统的报警日志，提取出与故障相关的数据段；

30、步骤3.2、对触发故障预警的滑动窗口中的scada数据进行分析，将实际的故障类型标签添加到预测算法检测出的异常样本；

31、步骤3.3、训练xgboost多分类模型，并使用贝叶斯优化算法搜索xgboost多分类模型的超参数；

32、步骤3.4、将xgboost多分类模型的启用衔接在预测算法后，在检测到异常，发出故障预警后，进一步实现故障定位和诊断。

33、进一步地，所述步骤3.1中，scada系统中可以获得指示风机运行状态变化的报警日志，包括故障事件、故障警告或其他相关信息，通过操作人员的验证和分析，可以总结故障的根本原因、故障模式和准确的停机和维护时间戳等；从中提取出的异常数据段，可以触发预测算法的故障预警；

34、在所述步骤3.2中，为已知故障类别的scada数据添加标签，作为训练分类器模型的输入，从而确定预测算法筛选出的异常数据段对应的故障类别；通过贡献分析提取不同异常模式下的参数特征，利用同一风电场同类型风机的扩展数据对xgboost进行训练；

35、在所述步骤3.4中，“状态评估”和“故障诊断”是两个不同的概念，前者侧重于预测和判断，后者侧重于定性分类；为了确定风机出现异常状态的部件故障类型，需利用xgboost多分类模型判断故障的类别；风机状态监测框架的流程就是，基于风机scada数据，基于神经网络的状态预测模型监测风机在某一时间段内是否出现异常，若出现异常，则由xgboost进一步识别异常的具体类型；

36、由于风电scada数据中各异常标签对应的数据比例不均匀，采用分层抽样的方法，保证用于xgboost训练的标签样本比例与原始数据集相同；使用贝叶斯优化搜索和k-fold交叉验证，一次确定最优xgboost超参数。

37、进一步地，所述步骤4中，“端”是指海上风电机组设备，其配有数据采集与监视控制(scada)系统，可以采集到大量与环境和运行状态相关的参数，通过通讯接口与协议向边缘网关传输实时数据，并支持反向接受发送过来的基础控制指令；

38、“边”包括了边缘网关和边缘计算节点，边缘网关负责将风机scada系统采集的所有数据，上传到云端，将算法需要的实时scada数据，发送给边缘计算节点，用于预测和诊断，并接收模型推理结果；边缘计算节点负责边缘端模型的应用推理，结果反馈等，根据边缘计算节点所承载的角色、复杂度和独立性要求，选择轻量型边缘计算节点即可，用于模型的预测，模型本身的训练和更新放到了云平台上；

39、“云”指的是云平台，主要包括了数据采集存储模块、ai算法模块和可视化监控模块，数据采集存储模块负责数据的处理和存储，采用适当的加密和安全措施，以确保数据隐私和安全性；ai算法模块负责ai模型的训练、评估和下发，支持用户上传自定义ai算法包，其能够根据不同风机不同场景的数据设计响应算法，快速训练并发布对应到单个风机的ai模型；可视化监控模块实现了运行数据、算法结果信息的远程可视化监控，还包含了操作指令的远程下发；

40、所述步骤4中，在线监测流程主要包括如下步骤：

41、步骤4.1、风机scada系统的实时数据，经过边缘网关处理后，以标准化的数据格式提交到云平台，云平台处理并存储数据；

42、步骤4.2、云平台根据存储的风电机组正常运行时的历史数据，完成数据预处理、确定工况划分标准、模型训练和评估，自动构建ai模型服务镜像，下发到对应的边缘计算节点；

43、步骤4.3、边缘计算节点部署云平台下发的ai模型，对边缘网关发来的实时scada数据进行分析处理，先执行状态评估流程，根据预测残差分析的结果，将单条scada数据标记为异常，或者向云端发出与推理结果对应的故障预警信息；

44、步骤4.4、在发出故障预警信息后，接着执行故障诊断流程，利用经过良好训练的分类器模型实现故障识别，向云端发出与分类结果对应的故障诊断结果信息；

45、步骤4.5、根据返回的风电机组设备状态评估和故障诊断的结果，结合现有维护资源以及其他要求等信息，为运行维护提供决策参考；

46、步骤4.6、实时监测预测模型的性能和预测准确度；当模型性能下降或预测误差一直超过精度阈值时，自动触发模型更新流程，在云端更新模型时，通知边缘计算节点下载并部署新的模型；根据风电场的实际情况，也可以设置定期更新策略，以确保模型的实时性。

47、进一步地，所述步骤4.2中，云平台上可实现：(1)模型管理：包括模型创建、编辑、样本上传、模型的训练、发布等；(2)模型推理，以验证训练结果：包括加载模型列表、管理模型推理接口、支持模型分布式推理、支持高并发推理、模型缓存、模型热加载等；(3)样本管理：样本数据集创建、上传、预处理、样本标注；(4)模型算法库：对自定义上传的模型算法根据算法特点进行管理，对于自定义算法进行标准化改造后上传到算法库，对各类主流算法进行镜像预搭建，预训练模型管理等；

48、在所述步骤4.4中，边缘计算节点基于mqtt协议与边缘网关进行双向数据通信，还负责与、与云端ai平台进行数据双向通讯，实现数据预测结果上传、故障诊断结果上传、云端模型下载等；

49、在所述步骤4.6中，针对随时间推移模型精度下降的问题，本架构主要要实现了以下功能：(1)模型版本管理：在边缘设备上使用模型版本管理系统，确保每个设备都使用最新的模型版本，当模型在云端更新时，通知边缘设备下载并部署新的模型；(2)监控和自动化：设置了监控规则来实时监测模型的性能和预测准确度，当模型性能下降达到设定阈值时，自动触发模型更新流程；(3)定期更新：根据模型运行的实际情况和更新频率，可以设置定期更新策略，例如每月、每季度进行一次模型更新，以确保模型的实时性，这也与海上气候的变化相对应。

50、本发明可以减少后续计算开销，提高训练的模型的性能，通过划分工况来细分多个小模型，可以实现更佳的精准度，降低复杂多变的海洋环境对状态监测相关活动建模性能的影响。

51、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。