簇群风机风速计的监测方法及其系统及计算机可读存储介质与流程

1.本发明实施例涉及风力发电技术领域，尤其涉及一种簇群风机风速计的监测方法及其系统及计算机可读存储介质。


背景技术：

2.随着煤炭、石油等能源的逐渐枯竭，人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。伴随着风电技术的不断发展，风机在电力系统中的应用日益增加。风机是将风能转化为电能的大型设备，通常设置于风能资源丰富的地区。
3.目前，风机风速计的异常预警都是利用不同风机的数据之间的相关关系判断出相似风机，基于相似风机之间的数据统计差异来判断是否发生异常的。然而，在实际过程中，会出现相似风机不断变化的现象，不利于参考风机的选择，而且，不同的统计方式和手段也会对异常预警产生很大影响。


技术实现要素：

4.本发明实施例的目的在于提供一种簇群风机风速计的监测方法及其系统及计算机可读存储介质，能够容易地基于空间位置信息确定出风机簇群，并能够对一个风机簇群中的所有风机的风速计进行监测，极大地提高了监测效率。
5.本发明实施例的一个方面提供一种簇群风机风速计的监测方法。所述方法包括：获取风电场中风机的风速计的风速数据和风机的空间位置信息；基于所述风电场中两两风机的空间位置信息确定风机簇群；以及基于所述风机簇群中所有风机的风速计的风速数据来对所述风机簇群中的所有风机的风速计进行异常监测。
6.本发明实施例的另一个方面还提供一种簇群风机风速计的监测系统。所述簇群风机风速计的监测系统包括一个或多个处理器，用于实现如上所述的簇群风机风速计的监测方法。
7.本发明实施例的又一个方面还提供一种计算机可读存储介质。所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的簇群风机风速计的监测方法。
8.本发明实施例的簇群风机风速计的监测方法及其系统及计算机可读存储介质能够基于风机的空间位置信息来确定风机簇群，风机簇群的选择简单可靠，大大降低了风机簇群的选择随机性。
9.而且，本发明实施例的簇群风机风速计的监测方法及其系统及计算机可读存储介质可以对整个风机簇群中的所有风机的风速计进行异常监测，因此，极大地提高了异常监测的效率。
附图说明
10.图1为本发明一个实施例的簇群风机风速计的监测方法的流程图；
11.图2为本发明一个实施例的确定风机簇群的示意图；
12.图3为本发明一个实施例的基于风机簇群中所有风机的风速计的风速数据来对风机簇群中的所有风机的风速计进行异常监测的具体步骤；
13.图4为本发明一个实施例的vae模型的示意图；
14.图5为本发明一个实施例的簇群风机风速计的监测系统的示意性框图。
具体实施方式
15.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
16.在本发明实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。除非另作定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出，“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明，而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而且可以包括电性的连接，不管是直接的还是间接的。在本发明说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
17.本发明实施例提供了一种簇群风机风速计的监测方法。图1揭示了本发明一个实施例的簇群风机风速计的监测方法的流程图。如图1所示，本发明一个实施例的簇群风机风速计的监测方法可以包括步骤s11至步骤s13。
18.在步骤s11中，获取风电场1中风机10(如图2所示)的风速计的风速数据和风机10的空间位置信息。
19.风电场1中包括多个风机10。风机10在运行过程中会产生大量的状态数据，风电场1的scada(supervisory control and data acquisition，监视控制及数据采集)系统会采集这些数据并进行存储，例如：风速计的风速数据、功率数据等，以便开展智能运维数据挖掘工作。风机10的空间位置信息、叶轮直径、业主信息等通常也会录入风机10的配置信息表里面，并存入到scada系统的数据库中，以作为风电场1的记录信息。
20.因此，可以从风电场1的scada系统中获取风电场1中风机10的风速计的风速数据和风机10的空间位置信息。风速计通常安装于每台风机10的机舱的后端。
21.在步骤s12中，可以基于风电场1中两两风机10的空间位置信息来确定风机簇群g。
一个风机簇群g里的风机10之间具有比较大的相关性。
22.在一些实施例中，风机10的空间位置信息可以包括风机10的经纬度坐标。步骤s12中的基于风电场1中两两风机10的空间位置信息来确定风机簇群g可以进一步包括步骤s121和步骤s122。
23.在步骤s121中，可以基于风电场1中两两风机10的经纬度坐标来计算两两风机10之间的距离d(如图2所示)。
24.对于风电场1中的任意两个风机10，例如风机10a和风机10b，其中，风机10a的经纬度坐标为(lat1,lon1)，风机10b的经纬度坐标为(lat2,lon2)。
25.两两风机10(例如风机10a和风机10b)之间的距离distance(简称d)的计算公式例子如以下所示：
26.distance＝r
e
×
(x o
b
/8
×
(c1
‑
c2))
27.其中，o
b
为地球扁率，地球扁率o
b
的计算公式如下所示：
28.o
b
＝(r
e
‑
r
b
)/r
e
29.其中，r
e
为地球的赤道半径，其值为6378137m；r
b
为地球的极半径，其值为6356752m；
30.x＝arccos(sin(p
a
)
×
sin(p
b
) cos(p
a
)
×
cos(p
b
)
×
cos(lon1
–
lon2))
31.c1＝(sin(x)
‑
x)
×
(sin(p
a
) sin(p
b
))^2/cos(x/2)^2
32.c2＝(sin(x) x)
×
(sin(p
a
)
‑
sin(p
b
))^2/sin(x/2)^2
33.p
a
＝arctan(r
b
/r
e
×
tan(lat1))
34.p
b
＝arctan(r
b
/r
e
×
tan(lat2))
35.因此，在获知两个风机10的经纬度坐标，通过上述公式即可计算出两个风机10之间的距离d。以此类推，可以根据风电场1中两两风机10之间的经纬度坐标，将风电场1中两两风机10之间的距离d都计算出来。
36.在计算出两两风机10之间的距离d之后，就可以判断出风机10之间的关系。然后，在步骤s122中，可以基于步骤s121中计算出的两两风机10之间的距离d来确定风机簇群g。
37.以下将结合图2来详细介绍如何基于两两风机10之间的距离d来确定风机簇群g。
38.如图2所示，在风电场1中包括多个风机10。在计算出风电场1中两两风机10之间的距离d之后，可以在风电场1中选定出待监测的目标风机11，从计算出的风电场1中两两风机10之间的距离d中，提取出目标风机11与风电场1中其他风机10之间的距离d，可以基于目标风机11与风电场1中其他风机10之间的距离d来确定出目标风机11的邻近风机12。
39.在一些实施例中，在目标风机11与风电场1中任一其他风机10之间的距离d小于或等于预定的距离阈值时，则将该风机10确定为目标风机11的邻近风机12。
40.在一个实施例中，可以风机10的叶轮直径的预定倍数来确定距离阈值。采用叶轮直径的预定倍数作为距离阈值，是基于风机之间的位置关系和地形、气候因素等考虑，为消除风机之间的尾流影响，通常风机之间的距离要大于叶轮直径的预定倍数；另外，如果距离太远，则容易受地形和气候因素的干扰，造成风速数据差别太大，不易建模。因此，例如，可以5倍叶轮直径来确定该距离阈值，从而，既可以降低风机之间的尾流影响，又方便建模。具体地，可以目标风机11为中心，以5倍叶轮直径的大小为半径划一个圈，划在圈内的所有风机可以被视为目标风机11的邻近风机12。如图2所示，在目标风机11的前后左右四个方向的
四台风机分别被确认为目标风机11的邻近风机12。
41.在另一个实施例中，可以依据风电场1中风机10之间的布局，例如对于矩阵式排布的风电场1来说，可以风电场1中风机10的行间距和列间距中的最大值来确定该距离阈值。
42.然后，将目标风机11和目标风机11的所有邻近风机12选择作为一个风机簇群g。
43.本发明实施例的簇群风机风速计的监测方法可以依据风机10之间的空间位置信息来确定风机簇群g，依据空间位置信息将相关性较高的风机10划分在一个风机簇群g中，因此，风机簇群g的确定方式简单、方便，降低了风机选择的难度；而且，风机簇群g一旦确定，风机簇群g相对比较可靠、固定，不会像现有的出现相似风机10不断变化的现象。
44.在整个风电场1中，可以通过合理地选择多个目标风机11，将整个风电场1按照风机10之间的相关性划分为多个风机簇群g，从而可以覆盖到整个风电场1的所有风机10。在一些实施例中，为减少风机簇群数，提高运行效率，风机簇群g内风机的数量以大于等于3为宜。
45.返回参照图1所示，在步骤s12中的基于两两风机10之间的空间位置信息初步确定出风机簇群g之后，为了进一步确定该风机簇群g中邻近风机12之间的相关性，本发明实施例的簇群风机风速计的监测方法还可以进一步包括步骤s21。在步骤s21中，可以基于风机簇群g中的风机风速计的风速数据的相关性来对步骤s12中的风机簇群g进行二次确认，以得到二次确认后的风机簇群g
′
。基于空间位置信息和运行数据信息综合确定出风机簇群，进一步地提高了监测效率。
46.在一些实施例中，步骤s21中的基于风机簇群g中的风机风速计的风速数据的相关性来对风机簇群g进行二次确认可以进一步包括步骤s211和步骤s212。
47.在步骤s211中，计算风机簇群g中目标风机11与邻近风机12的风速计的风速数据之间的相关系数。
48.在一个实施例中，目标风机11与邻近风机12的风速计的风速数据之间的相关系数可以采用皮尔森相关系数(pearson correlation coefficient)。因此，在步骤s211中，可以计算风机簇群g中目标风机11与邻近风机12的风速计的风速数据之间的皮尔森相关系数。
49.目标风机11与邻近风机12的风速计的风速数据之间的皮尔森相关系数的计算公式如以下公式所示：
[0050][0051]
其中，r表示皮尔森相关系数，n代表采样数量，x
i
代表目标风机11的风速计的风速数据，y
i
代表邻近风机12的风速计的风速数据，代表目标风机11的风速计的风速的均值，代表邻近风机12的风速计的风速的均值，σ
x
代表目标风机11的风速计的风速的标准差，σ
y
代表邻近风机12的风速计的风速的标准差。
[0052]
在步骤s212中，可以基于步骤s211中计算出的风机簇群g中目标风机11与邻近风机12的风速计的风速数据之间的相关系数，例如皮尔森相关系数r来对步骤s12中得到的风机簇群g进行二次确认，以得到二次确认后的风机簇群g
′
。
[0053]
在计算出的目标风机11与风机簇群g中任一邻近风机12的风速计的风速数据之间的皮尔森相关系数大于或等于预定值，例如大于0.9时，则在风机簇群g中保留该邻近风机12；在计算出的目标风机11与任一邻近风机12的风速计的风速数据之间的皮尔森相关系数小于预定值，例如小于0.9时，则将该邻近风机12从风机簇群g中删除。从而，可以得到二次确认后的风机簇群g
′
，进一步确保风机簇群g中风机10之间的相关性，进一步提高风机簇群g的划分精度。例如，如图2所示，通过上述的皮尔森相关系数的计算，发现目标风机11与目标风机11前方、后方及右侧的邻近风机12的风速计的风速数据之间的皮尔森相关系数大于0.9，而目标风机11与目标风机11左侧的邻近风机12的风速计的风速数据之间的皮尔森相关系数小于0.9，则在该风机簇群g中保留目标风机11前方、后方及右侧的三个邻近风机12，而将目标风机11左侧的邻近风机12从该风机簇群g中删除，从而得到二次确认后的风机簇群g
′
。
[0054]
在一些实施例中，如果在选定的目标风机11的风速计发生异常的情况下，则目标风机11与风机簇群g中任一邻近风机12的风速计的风速数据之间的皮尔森相关系数都很差，则此时，可以直接判断选定的目标风机11的风速计发生异常，则需另外选择目标风机来确定风机簇群以进行后续的异常监测。
[0055]
继续返回参照图1，在步骤s13中，可以基于步骤s12确认出的风机簇群g中所有风机10的风速计的风速数据来对风机簇群g中的所有风机10的风速计进行异常监测。
[0056]
在本发明实施例的簇群风机风速计的监测方法包括步骤s21的情况下，则在步骤s13中，可以基于步骤s21中二次确认后的风机簇群g
′
中所有风机10的风速计的风速数据来对二次确认后的风机簇群g
′
中所有风机10的风速计进行异常监测。
[0057]
以下将结合图3来详细介绍如何基于风机簇群g/g
′
中所有风机10的风速计的风速数据来对风机簇群g/g
′
中的所有风机10的风速计进行异常监测。
[0058]
在步骤s11中获取的风电场1中风机风速计的风速数据包括历史风速数据和当前风速数据。可以从风电场1中风机风速计的风速数据中，提取出该风机簇群g/g
′
中所有风机10的风速计的预定时间段内(例如一年内)的历史风速数据和当前风速数据。
[0059]
步骤s13中的基于风机簇群g/g
′
中所有风机10的风速计的风速数据来对风机簇群g/g
′
中的所有风机10的风速计进行异常监测可以包括步骤s31至步骤s33。
[0060]
如图3所示，在步骤s31中，将获取到的风机簇群g/g
′
中所有风机10的风速计的预定时间段内(例如一年内)的历史风速数据输入到vae(variational auto
‑
encoder，变分自编码器)模型中进行训练，生成vae模型的参数信息，从而可以得到训练好的vae模型。图4揭示了本发明一个实施例的vae模型的示意图。vae模型包括一个输入层、一个输出层以及在输入层和输出层之间的多个隐藏层。在本发明的实施例中，输入层输入的数据为风机簇群g/g
′
中所有风机10某时刻的实时风速，输出层输出的数据为风机簇群g/g
′
中所有风机10对应该时刻的预测风速。需要注意的是，图4所示的该vae模型图形仅是vae众多模型中的一种形式，然而，本发明实施例的vae模型并不局限于图4所示的限定形式。训练好的vae模型可以用于后面的风机风速计的异常判断。
[0061]
在一些实施例中，为了提高获取到的风速数据的质量，在步骤s31之前，本发明实施例的步骤s13中的基于风机簇群g/g
′
中所有风机10的风速计的风速数据来对风机簇群g/g
′
中的所有风机10的风速计进行异常监测还可以进一步包括步骤s30。在步骤s30中，对获
取到的风机簇群g/g
′
中所有风机10的风速计的预定时间段内(例如一年内)的历史风速数据进行预处理以获得预处理后的历史风速数据。
[0062]
对预定时间段内的历史风速数据进行预处理可以包括以下处理中的至少一种：
[0063]
处理1：对历史风速数据进行数据清洗。
[0064]
其中，对历史风速数据进行数据清洗可以进一步包括处理1.1和/或处理1.2。在处理1.1中，考虑到可用数据量的大小，可以从历史风速数据中删除小于预定的第一风速阈值和大于预定的第二风速阈值的风速数据，其中，第二风速阈值大于第一风速阈值。例如，从历史风速数据中删除小于3米/秒和大于20米/秒的风速数据。在处理1.2中，可以从历史风速数据中删除有数据缺失的风速数据。
[0065]
处理2：对清洗后的历史风速数据进行归一化处理。
[0066]
因此，通过上述预处理之后，可以获得更高质量的历史风速数据。
[0067]
在本发明实施例的步骤s13包括步骤s30的情况下，则在步骤s31中的将历史风速数据输入到vae模型中进行训练包括：将步骤s30中的预处理后的历史风速数据输入到vae模型中进行训练，以得到训练好的vae模型。
[0068]
在得到训练好的vae模型之后，过程可以进入到步骤s32。在步骤s32中，可以将获取到的风机簇群g/g
′
中所有风机10的风速计的当前风速数据输入到在步骤s31中得到的训练好的vae模型中，从而可以得到训练好的vae模型输出的风机簇群g/g
′
中各个风机10对应的预测风速数据。然后，过程可以进入到步骤s33。
[0069]
在步骤s33中，可以基于风机簇群g/g
′
中各个风机10的当前风速数据与步骤s32中得到的对应的预测风速数据来确定该风机簇群g/g
′
中各个风机10的风速计是否异常。
[0070]
其中，步骤s33的基于风机簇群g/g
′
中各个风机10的当前风速数据与对应的预测风速数据来确定该风机簇群g/g
′
中各个风机10的风速计是否异常可以进一步包括步骤s331至步骤s334。
[0071]
继续参照图3所示，在步骤s331中，计算风机簇群g/g
′
中各个风机10的当前风速数据与对应的预测风速数据之间的差值以得到风机簇群g/g
′
中各个风机10的风速残差。
[0072]
在步骤s332中，判断步骤s331中得到的风机簇群g/g
′
中各个风机10的风速残差是否超过预定的风速阈值。在判断为是的情况下，则过程进一步前进到步骤s333。否则的话，则过程返回到步骤s331，计算下一采样时刻该风机簇群g/g
′
中各个风机10的风速残差。
[0073]
在步骤s333中，在步骤s332中判断出风机簇群g/g
′
中各个风机10的风速残差超过预定的风速阈值的情况下，则继续判断预定的风速阈值的情况是否持续预定周期。在判断为是的情况下，则过程进入到步骤s334。否则的话，则过程返回到步骤s331。
[0074]
在步骤s334中，在风机簇群g中某风机10的风速残差超过预定的风速阈值，并持续预定周期时，则确定该风机10的风速计发生异常。
[0075]
返回参照图1所示，在一些实施例中，本发明实施例的簇群风机风速计的监测方法还可以进一步包括步骤s14。在步骤s14中，在监测到风机簇群g中某风机10的风速计发生异常时，则触发该风速计故障报警。
[0076]
本发明实施例的簇群风机风速计的监测方法能够基于风机10的空间位置信息来确定风机簇群g，风机簇群g的选择简单，大大降低了风机簇群g的选择难度。
[0077]
而且，本发明实施例的簇群风机风速计的监测方法可以对整个风机簇群g中的所
有风机10的风速计进行异常监测和预警，因此，极大地提高了异常监测和预警的效率。并且，本发明实施例的簇群风机风速计的监测方法还可以同时对整个风电场中的多个风机簇群g中的每一个风机簇群g中的风机风速计进行异常监测和预警，因此，最大程度地提高了异常监测和预警的效率。
[0078]
本发明实施例还提供了一种簇群风机风速计的监测系统200。图5揭示了本发明一个实施例的簇群风机风速计的监测系统200的示意性框图。如图5所示，簇群风机风速计的监测系统200可以包括一个或多个处理器201，用于实现上面任一实施例所述的簇群风机风速计的监测方法。在一些实施例中，簇群风机风速计的监测系统200可以包括计算机可读存储介质202，计算机可读存储介质202可以存储有可被处理器201调用的程序，可以包括非易失性存储介质。在一些实施例中，簇群风机风速计的监测系统200可以包括内存203和接口204。在一些实施例中，本发明实施例的簇群风机风速计的监测系统200还可以根据实际应用包括其他硬件。
[0079]
本发明实施例的簇群风机风速计的监测系统200具有与上面所述的簇群风机风速计的监测方法相类似的有益技术效果，故，在此不再赘述。
[0080]
本发明实施例还提供了一种计算机可读存储介质。计算机可读存储介质上存储有程序，该程序被处理器执行时，实现上面任一实施例所述的簇群风机风速计的监测方法。
[0081]
本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变存储器/阻变存储器/磁存储器/铁电存储器(pram/rram/mram/feram)等新型存储器、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0082]
以上对本发明实施例所提供的簇群风机风速计的监测方法及其系统及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明实施例的簇群风机风速计的监测方法及其系统及计算机可读存储介质进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的精神和原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。