本发明涉及能源发电,具体为一种基于实时数据流式处理的能源发电设备的健康预测方法。
背景技术:
1、目前在能源行业中,对于风机等能源发电设备的检修主要依靠定期巡检、故障巡检两种。现有两种检修方式主要带来以下不足:一是定期巡检主要考巡检人员视觉以及设备scada系统获取的数据进行记录,并未经过横向对比。这样会出现人员在巡检时对设备外观并未认真观察巡检导致的状态记录有误情况出现。同时在数据记录中,人员仅对单项数据进行记录,并未结合专家经验进行横向对比,导致数值记录的无对比,数据仍是分散的,需要二次录入才可以完成对比;二是因为故障而导致的巡检工作是已经造成了故障影响,带来了维修时间和金钱的损失。在故障发送时,生产设备均需要停工检修、维修,这样对生产直接影响就是电路的损失和经济的损失。同时设备已经出现故障的话,对设备自身的损坏是无法预估判断的,所以这样带来的损失也是不可预估的。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了一种基于实时数据流式处理的能源发电设备的健康预测方法,能够解决上述技术问题。
3、(二)技术方案
4、为解决上述技术问题,本发明提供如下技术方案:一种基于实时数据流式处理的能源发电设备的健康预测方法,包括以下步骤:
5、s1:通过传感器收集能源发电设备的生产数据;
6、s2:对生产数据进行初步数据清洗和分类,进一步推送到flink流式处理程序中;
7、s3:flink流式处理程序对生产数据进行全量备份;
8、s4:flink流式处理程序对生产数据进行过滤;
9、s5:利用多变量时间序列预测模型对过滤后得到的生产数据进行建模趋势分析,以得到能源发电设备下一时刻的趋势数据;
10、s6:判断趋势数据是否超出预设的正常数据区间,若是则触发预警。
11、优选的,在步骤s1之后还包括步骤s11:传感器将生产数据传输到scada系统中。
12、优选的,在步骤s11之后还包括步骤s12:scada系统将生产数据全量传输到采集服务器中,进一步的,采集服务器将生产数据全量传输到转发服务器中。
13、优选的,在步骤s12之后还包括步骤s13:在转发服务器中利用加密通信隧道,将生产数据实时传输到集中控制中心私有云环境中。
14、优选的,在步骤s13之后还包括步骤s14:集中控制中心私有云环境将生产数据写入到kafka。
15、优选的,步骤s2具体为:生产数据经过kafka直接推送到python程序,python程序根据预设的筛选规则对生产数据进行初步数据清洗和分类,进一步推送到flink流式处理程序中。
16、优选的,步骤s5具体为:利用多变量时间序列预测模型对能源发电设备历史时刻的各项生产数据进行建模趋势分析,以得到能源发电设备下一时刻的趋势数据。
17、优选的,在步骤s5中,将生产数据按时序使用前60%作为多变量时间序列预测模型的训练集,其余40%作为多变量时间序列预测模型的测试集。
18、优选的,多变量时间序列预测模型具体为lstm模型。
19、优选的,生产数据包括发电数值、温度、风速、转速。
20、(三)有益效果
21、与现有技术相比,本发明提供了一种基于实时数据流式处理的能源发电设备的健康预测方法,具备以下有益效果:(1)本发明通过多变量时间序列预测模型对过滤后得到的生产数据进行建模趋势分析,以得到能源发电设备下一时刻的趋势数据,进一步判断趋势数据是否超出预设的正常数据区间,若是则触发预警,实现对能源发电设备的提前预测管理,以避免现有故障巡检方式所带来的各项损失;(2)本发明实现对能源发电设备的智能运维管理,避免巡检人员巡检所导致的人为错误,且通过多变量时间序列预测模型实现对能源发电设备的各项生产数据的横向对比;(3)本发明利用了flink流式处理程序,使得在场站侧完成采集后数据经过flink流式处理程序后,数据会先全量备份以便后续数据分析或者应用系统的调用;(4)另外通过利用flink流式处理程序,使得大数据计算分析等能力均可进行能力集约到数据中台,大大减轻了应用系统的开发压力,同时大大减少了后续运维难度。
1.一种基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,在所述步骤s1之后还包括步骤s11:所述传感器将所述生产数据传输到scada系统中。
3.根据权利要求2所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,在所述步骤s11之后还包括步骤s12:所述scada系统将所述生产数据全量传输到采集服务器中,进一步的,所述采集服务器将所述生产数据全量传输到转发服务器中。
4.根据权利要求3所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,在所述步骤s12之后还包括步骤s13:在所述转发服务器中利用加密通信隧道,将所述生产数据实时传输到集中控制中心私有云环境中。
5.根据权利要求4所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,在所述步骤s13之后还包括步骤s14:所述集中控制中心私有云环境将所述生产数据写入到kafka。
6.根据权利要求5所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,所述步骤s2具体为:所述生产数据经过所述kafka直接推送到python程序,所述python程序根据预设的筛选规则对所述生产数据进行初步数据清洗和分类,进一步推送到所述flink流式处理程序中。
7.根据权利要求1所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于,所述步骤s5具体为:利用多变量时间序列预测模型对所述能源发电设备历史时刻的各项所述生产数据进行建模趋势分析,以得到所述能源发电设备下一时刻的趋势数据。
8.根据权利要求7所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于:在所述步骤s5中,将所述生产数据按时序使用前60%作为所述多变量时间序列预测模型的训练集,其余40%作为所述多变量时间序列预测模型的测试集。
9.根据权利要求1所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于:所述多变量时间序列预测模型具体为lstm模型。
10.根据权利要求1所述的基于实时数据流式处理的能源发电设备的健康预测方法,其特征在于:所述生产数据包括发电数值、温度、风速、转速。