一种风电场智能运维调度方法及系统与流程

本技术属于数据采集控制系统，具体为一种风电场智能运维调度方法及系统。

背景技术：

1、风电场智能化运维直接关系到风电设备的运行稳定性和发电效率，对保障能源供应和降低项目运营成本具有重要意义。目前，在风电场运维领域中仍存在一项难以克服的技术问题：风电设备之间由于自身配置差异和极端环境条件干扰，时常发生通信延迟或信号阻断等问题，例如作为风电机组核心设备而具备高度耦合关系的风机变流器和变桨系统之间仍缺乏标准化的通信方式，通信效率及可靠性均有待优化。受到上述通信问题的影响，现场数据的实时传递易出现滞后甚至缺失，导致运维系统无法及时、全面的掌握风电机组的运行状态及设备间的协同工况。当机组发生异常状况时，运维系统及后台人员难以及时且精准获知故障点位，往往错失故障处置的最佳时机，进一步导致故障影响范围扩大、设备损耗加巨，造成不必要的经济损失与运行风险。

技术实现思路

1、针对以上问题，本技术提供一种风电场智能运维调度方法及系统，用于解决风电机组设备间易发生数据传递受阻导致的运维决策滞后、故障处置不及时的问题，实现了实时捕捉机组协同运行状态与故障早期识别，提升风电场运维智能化水平与整体发电运营效益。

2、第一方面，本技术实施例提供了一种风电场智能运维调度方法，包括：

3、实时获取目标风电机组中部署的分布式采集节点发送的点位振动信号和所述目标风电机组的机组工况数据；其中，所述点位振动信号至少包括风机变流器振动信号和变桨系统振动信号；

4、对各所述点位振动信号进行分频振幅融合，得到整机等效振动信号，并将所述整机等效振动信号与所述机组工况数据构成机组振动信息流；

5、根据所述机组振动信息流的协作指标关联特征，在所述机组振动信息流中生成潜在故障点标记；

6、获取与所述潜在故障点标记关联的历史故障记录，根据所述历史故障记录获取所述潜在故障点的故障识别结果；

7、根据所述机组振动信息流中与所述故障识别结果匹配的目标故障振动信号和故障关联工况数据，计算修复时间阈值；

8、根据所述修复时间阈值生成对所述目标风电机组的运维调度指令集。

9、可选的，所述对各所述点位振动信号进行分频振幅融合，得到整机等效振动信号，并将所述整机等效振动信号与所述机组工况数据构成机组振动信息流，包括：

10、分别对各所述点位振动信号进行目标频率成分提取，得到各所述点位振动信号分别在各目标频段的频率成分信号；

11、分别对各所述目标频段内的所述频率成分信号进行加权幅值融合，得到所述整机等效振动信号；

12、对各所述整机等效振动信号和各所述机组工况数据进行时域对齐处理，得到所述机组振动信息流。

13、可选的，所述根据所述机组振动信息流的协作指标关联特征，在所述机组振动信息流中生成潜在故障点标记，包括：

14、在所述机组振动信息流中的各所述整机等效振动信号中识别峰值幅值异常点和振动耦合异常点；

15、在所述机组振动信息流中获取与所述峰值幅值异常点具有时域对齐关系的所述机组工况数据；

16、根据所述机组工况数据对所述峰值幅值异常点进行异常点筛选，得到振动幅值异常点；

17、在所述机组振动信息流中标记出所述振动幅值异常点和所述振动耦合异常点，得到所述潜在故障点标记。

18、可选的，所述获取与所述潜在故障点标记关联的历史故障记录，根据所述历史故障记录获取所述潜在故障点的故障识别结果，包括：

19、在故障模式库中获取与所述潜在故障点的信号异常模式一致的至少一组所述历史故障记录；

20、在所述机组振动信息流中获取与所述潜在故障点关联的所述机组工况数据，根据所述机组工况数据生成与所述潜在故障点关联的实时负载波动信号；

21、分别计算所述实时负载波动信号与各所述历史故障记录中的历史负载波动信号之间的相关强度系数；

22、根据所述相关强度系数中的目标相关强度系数所对应的所述历史故障记录，确定所述潜在故障点的所述故障识别结果。

23、可选的，所述根据所述机组振动信息流中与所述故障识别结果匹配的目标故障振动信号和故障关联工况数据，计算修复时间阈值，包括：

24、将所述目标故障振动信号和所述故障关联工况数据输入至预设的故障演变预测模型，获取所述故障演变预测模型输出的故障程度时域序列；

25、计算所述故障程度时域序列中的目标故障程度数据所对应的序列时域位置与当前时间之间的间隔，作为所述修复时间阈值。

26、可选的，所述根据所述修复时间阈值生成对所述目标风电机组的运维调度指令集，包括：

27、在所述历史故障记录中，分别获取各所述故障识别结果关联的历史调度指令集和所述历史调度指令集的历史执行耗时；

28、分别根据各所述故障识别结果对应的所述修复时间阈值和所述历史执行耗时，在所述历史调度指令集中获取各所述故障识别结果对应的候选调度指令集；

29、根据所述候选调度指令集的预测执行耗时与相应的所述修复时间阈值，生成所述故障识别结果的故障优先级排序；

30、根据所述故障优先级排序对所述候选调度指令集进行融合拼接处理，得到所述运维调度指令集。

31、可选的，所述在所述历史故障记录中，分别获取各所述故障识别结果关联的历史调度指令集和所述历史调度指令集的历史执行耗时，包括：

32、在所述历史故障记录中，查询分别与各所述故障识别结果的故障相似度达到故障匹配阈值的匹配故障记录；

33、在查询到所述故障识别结果的所述匹配故障记录的情况下，确定所述匹配故障记录中的所述历史调度指令集和对应的所述历史执行耗时与所述故障识别结果关联；

34、在未查询到所述故障识别结果的所述匹配故障记录的情况下，在所述历史故障记录中查询与所述故障识别结果的故障相似度达到故障参考阈值的预设数量的参考故障记录；

35、根据所述参考故障记录中的所述历史调度指令集确定与所述故障识别结果关联的所述历史调度指令集和所述历史执行耗时。

36、可选的，所述根据所述候选调度指令集的预测执行耗时与相应的所述修复时间阈值，生成所述故障识别结果的故障优先级排序，包括：

37、分别获取各所述候选调度指令集的所述历史执行耗时与对应的所述修复时间阈值之间的时间长度差值；

38、按照所述时间长度差值递增的顺序对所述候选调度指令集进行优先级排序，并根据所述优先级排序后的各所述候选调度指令集对应的所述故障识别结果，确定所述故障优先级排序。

39、可选的，在所述根据所述修复时间阈值生成对所述目标风电机组的运维调度指令集之后，还包括：

40、实时监测各所述目标故障振动信号的信号波动状态，判断各所述目标故障振动信号是否存在波动加剧趋势；

41、若任一所述目标故障振动信号存在所述波动加剧趋势，根据所述波动加剧趋势对所述目标风电机组进行子系统资源占用率重分配。

42、第二方面，本技术实施例提供了一种风电场智能运维调度系统，包括：

43、数据采集模块，用于实时获取目标风电机组中部署的分布式采集节点发送的点位振动信号和所述目标风电机组的机组工况数据；其中，所述点位振动信号至少包括风机变流器振动信号和变桨系统振动信号；

44、信息流处理模块，用于对各所述点位振动信号进行分频振幅融合，得到整机等效振动信号，并将所述整机等效振动信号与所述机组工况数据构成机组振动信息流；

45、故障点标记模块，用于根据所述机组振动信息流的协作指标关联特征，在所述机组振动信息流中生成潜在故障点标记；

46、故障识别模块，用于获取与所述潜在故障点标记关联的历史故障记录，根据所述历史故障记录获取所述潜在故障点的故障识别结果；

47、时间预测模块，用于根据所述机组振动信息流中与所述故障识别结果匹配的目标故障振动信号和故障关联工况数据，计算修复时间阈值；

48、指令生成模块，用于根据所述修复时间阈值生成对所述目标风电机组的运维调度指令集。

49、本技术实施例提供的一种风电场智能运维调度方法及系统，通过实时获取目标风电机组的点位振动信号和机组工况数据，并对各点位振动信号进行分频振幅融合，得到整机等效振动信号，并将整机等效振动信号与机组工况数据构成机组振动信息流，根据机组振动信息流的协作指标关联特征，在机组振动信息流中生成潜在故障点标记，获取关联的历史故障记录以获取所述潜在故障点的故障识别结果，并在机组振动信息流中获取与故障识别结果匹配的目标故障振动信号和故障关联工况数据，据此计算修复时间阈值，从而根据修复时间阈值生成对目标风电机组的运维调度指令集，解决了风电机组设备间易发生数据传递受阻导致的运维决策滞后、故障处置不及时的问题，实现了实时捕捉机组协同运行状态与故障早期识别，提升风电场运维智能化水平与整体发电运营效益。