一种智能化设备健康管理系统及方法与流程

1.本发明涉及风电场智能管理技术领域，具体来说，涉及一种智能化设备健康管理系统及方法。


背景技术：

2.风电场是利用风力发电的新能源环保型发电厂，
3.随着风电场规模的扩大和信息技术的发展，以场站级为核心的经营管理方式，存在一定的不足，主要表现在资源分散，成本高、效率低，以驻场运维为核心，导致运维人员过多、投入大、运维质量参差不齐；另外，电站分布区域广，现场条件艰苦，人员流动大，后勤配套投入高；存量风电资产逐年提升，对人力资源的需求量过大，加之缺乏数据积累和挖掘分析，难以预知设备健康状态，尤其是重大事故，带来巨大的潜在经济损失和人身安全隐患。
4.现有的风电场内的风机与光伏发电设备不间断运行，需要进行大量的设备监测与维护，一旦某一设备出现异常，不仅需要付出巨大劳动量进行检修更换，还会造成大量的经济损失，因此设备需要更加智能化的监测方法，来最大程度的降低设备异常造成的经济损失。
5.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.针对相关技术中的问题，本发明提出一种智能化设备健康管理系统及方法，以克服现有相关技术所存在的上述技术问题。
7.为此，本发明采用的具体技术方案如下：
8.根据本发明的一个方面，提供了一种智能化设备健康管理系统及方法，包括以下模块组成：
9.智能综合管理模块，用于构建预警算法，并配置到预警模块中，并实现系统内的智能化调度；
10.数据服务模块，用于采集与获取实时运行数据并构建统一的数据标准、数据接入及存储体系，统一进行数据管理；
11.风机预警诊断模块，用于对风机设备进行实时监测与预警；
12.叶片检测预警模块，用于实时监测风机叶片的运行情况与健康状态；
13.光伏设备预警诊断模块，用于对光伏设备的进行实时监测，实现故障诊断、预警分析与状态评估；
14.人机交互模块，用于提供人机交互界面，对设备预警信息统一进行管理和分析；
15.所述智能综合管理模块、所述数据服务模块、所述风机预警诊断模块、所述叶片检测诊断模块、所述光伏设备预警诊断模块及所述人机交互模块依次保持连接。
16.进一步的，所述数据服务模块包括数据采集模块、数据处理模块、数据整合模块、大数据储存模块及数据输送模块。
17.进一步的，所述风机预警诊断模块通过接收的风机设备运行数据，经过整合分析形成过程数据，并实时进行数据监测、收集和存储，通过机器学习与多元统计实现风机设备的故障监测和失效预警；
18.其中，所述风机设备包括发电机、齿轮箱、变桨电机、变桨逆变器、变桨控制柜、变流控制器、变流逆变器、双极型晶体管、变流器及冷却散热系统。
19.进一步的，所述叶片检测预警模块通过构建叶片载荷异常模型，检测叶片累计疲劳曲线来预测叶片的开裂风险，当开裂风险超过预设阈值时进行报警。
20.进一步的，所述光伏设备预警诊断模块基于光伏电站拓扑结构关系，通过关联度分析法与极差分析法判断光伏设备的限电状态，结合辐照强度和电站出力情况，并通过时间序列法对光伏设备运行数据趋势进行综合诊断，及时检测故障信息与推送失效预警；
21.其中，所述光伏设备包括光伏逆变器、直流汇流箱及光伏组串。
22.进一步的，所述人机交互模块包括显示模块、报警模块及操作按键模块。
23.根据本发明的另一个方面，还提供了一种智能化设备健康管理方法，该方法包括以下步骤：
24.通过智能综合管理模块配置风机设备与光伏设备的运行任务，设置预警算法并调度到预警模块中；
25.实时监测与采集风机设备、叶片及光伏设备各自的实时数据；
26.由数据服务模块接收实时数据并进行处理，并与原始数据整合进行存储形成运行数据；
27.风机预警诊断模块接收风机设备运行数据，进行整合分析，利用机器学习与多元统计算法进行监测，当风机设备出现状态异常时，发送预警信号；
28.叶片检测预警模块接收叶片运行数据，并对失效叶片的累积疲劳进行分析和特征提取，建立基于叶片累积疲劳的叶片载荷异常模型，通过监测叶片累计疲劳曲线来预测叶片的开裂风险，当监测出有损坏风险时，发送预警信号；
29.光伏设备预警诊断模块接收运行数据，通过大数据挖掘、分析模型和算法模型，统一对光伏发电数据进行处理和分析管理，及时发现运行状态异常的光伏设备，发送预警信号；
30.人机交互模块实时显示风机设备、叶片及光伏设备的健康信息，并在接收预警信号时发出报警信号。
31.进一步的，所述由数据服务模块接收实时数据并进行处理，并与原始数据整合进行存储形成运行数据包括以下步骤：
32.删除实时数据中的无关数据、重复数据，平滑噪声数据，并处理缺失值与异常值；
33.将运实时数据与多个数据源提供的原始数据整合成为运行数据；
34.过滤运行数据中的冗余数据，并存储至大数据储存模块。
35.进一步的，所述建立基于叶片累积疲劳的叶片载荷异常模型包括以下步骤：
36.提取叶片振动、风速、功率、位置、变桨速率及风机状态等数据分析；
37.针对数据进行异常值处理，剔除异常数据样本；
38.采用tf-idf方法提取叶片的运行特征和环境特征；
39.特征组合，对叶片的运行特征和环境特征进行组合；
40.运用累积理论得到叶片疲劳数值；
41.根据疲劳数值的趋势和正负例训练的结果构建叶片载荷异常模型。
42.进一步的，所述健康信息包括健康度、重要任务、健康概况、任务概况、任务详情、各区域健康情况
43.本发明的有益效果为：通过实时监测与对不同设备采用不同的诊断方法，可实现对风机、光伏发电设备故障预警，对新能源设备运行数据、运维数据、环境预测数据进行收集、存储和深度挖掘，建立预警算法，实现新能源设备健康隐患的提前报警，产生预警信息，实现尽早发现亚健康状态并及时消除，从而降低故障率，延长平均故障间隔时间，进而大大降低设备异常造成的经济损失，保证风电场的发电效率与风力利用率。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1是根据本发明实施例的一种智能化设备健康管理系统的结构框图；
46.图2是根据本发明实施例的一种智能化设备健康管理方法的流程图。
47.图中：
48.1、智能综合管理模块；2、数据服务模块；3、风机预警诊断模块；4、叶片检测预警模块；5、光伏设备预警诊断模块；6、人机交互模块。
具体实施方式
49.根据本发明的实施例，提供了一种智能化设备健康管理系统。
50.现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的智能化设备健康管理系统，包括以下模块组成：
51.智能综合管理模块1，用于构建预警算法，并配置到预警模块中，并实现系统内的智能化调度；
52.数据服务模块2，用于采集与获取实时运行数据并构建统一的数据标准、数据接入及存储体系，统一进行数据管理；
53.其中，数据服务模块2包括数据采集模块、数据处理模块、数据整合模块、大数据储存模块及数据输送模块。
54.风机预警诊断模块3，用于对风机设备进行实时监测与预警；
55.其中，所述风机预警诊断模块3通过接收的风机设备运行数据，经过整合分析形成过程数据，并实时进行数据监测、收集和存储，通过机器学习与多元统计实现风机设备的故障监测和失效预警；
56.此外，所述风机设备包括发电机、齿轮箱、变桨电机、变桨逆变器、变桨控制柜、变流控制器、变流逆变器、双极型晶体管(igbt)、变流器及冷却散热系统。
57.叶片检测预警模块4，用于实时监测风机叶片的运行情况与健康状态；
58.其中，所述叶片检测预警模块4通过构建叶片载荷异常模型，检测叶片累计疲劳曲
线来预测叶片的开裂风险，当开裂风险超过预设阈值时进行报警。并且预警可避免叶片直接损坏，采用提前修复等方式处理，可以带来很大收益。如果叶片更换以及由此而产生的叶片的运行和吊装更换费用，以及避免由此而造成的最少8天的停机时间，1台机组潜在节约相关经济价值约58万元。
59.光伏设备预警诊断模块5，用于对光伏设备的进行实时监测，实现故障诊断、预警分析与状态评估；
60.其中，所述光伏设备预警诊断模块5基于光伏电站拓扑结构关系，通过关联度分析法与极差分析法判断光伏设备的限电状态，结合辐照强度和电站出力情况，并通过时间序列法对光伏设备运行数据趋势进行综合诊断，及时检测故障信息与推送失效预警；
61.此外，所述光伏设备包括光伏逆变器、直流汇流箱及光伏组串。
62.人机交互模块6，用于提供人机交互界面，对设备预警信息统一进行管理和分析；
63.其中，所述人机交互模块6包括显示模块、报警模块及操作按键模块。
64.所述智能综合管理模块、所述数据服务模块、所述风机预警诊断模块、所述叶片检测诊断模块、所述光伏设备预警诊断模块及所述人机交互模块依次保持连接。
65.根据本发明的另一个实施例，如图2所示，还提供了一种智能化设备健康管理方法，该方法包括以下步骤：
66.s1、通过智能综合管理模块1配置风机设备与光伏设备的运行任务，设置预警算法并调度到预警模块中；
67.s2、实时监测与采集风机设备、叶片及光伏设备各自的实时数据；
68.s3、由数据服务模块2接收实时数据并进行处理，并与原始数据整合进行存储形成运行数据；
69.其中，所述由数据服务模块2接收实时数据并进行处理，并与原始数据整合进行存储形成运行数据包括以下步骤：
70.s31、删除实时数据中的无关数据、重复数据，平滑噪声数据，并处理缺失值与异常值；
71.s32、将运实时数据与多个数据源提供的原始数据整合成为运行数据；
72.s33、过滤运行数据中的冗余数据，并存储至大数据储存模块。
73.s4、风机预警诊断模块3接收风机设备运行数据，进行整合分析，利用机器学习与多元统计算法进行监测，当风机设备出现状态异常时，发送预警信号；
74.s5、叶片检测预警模块4接收叶片运行数据，并对失效叶片的累积疲劳进行分析和特征提取，建立基于叶片累积疲劳的叶片载荷异常模型，通过监测叶片累计疲劳曲线来预测叶片的开裂风险，当监测出有损坏风险时，发送预警信号；
75.其中，所述建立基于叶片累积疲劳的叶片载荷异常模型包括以下步骤：
76.s51、提取叶片振动、风速、功率、位置、变桨速率及风机状态等数据分析；
77.s52、针对数据进行异常值处理，剔除异常数据样本；
78.s53、采用tf-idf方法提取叶片的运行特征和环境特征；
79.其中，tf-idf是一种用于资讯检索与文本挖掘的常用加权技术，tf-idf是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度，字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频
率成反比下降。tf-idf加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了tf-idf以外，互联网上的搜寻引擎还会使用基于连结分析的评级方法，以确定文件在搜寻结果中出现的顺序。
80.s54、特征组合，对叶片的运行特征和环境特征进行组合；
81.s55、运用累积理论得到叶片疲劳数值；
82.s56、根据疲劳数值的趋势和正负例训练的结果构建叶片载荷异常模型。
83.s6、光伏设备预警诊断模块5接收运行数据，通过大数据挖掘、分析模型和算法模型，统一对光伏发电数据进行处理和分析管理，及时发现运行状态异常的光伏设备，发送预警信号；
84.s7、人机交互模块6实时显示风机设备、叶片及光伏设备的健康信息，并在接收预警信号时发出报警信号。
85.其中，所述健康信息包括健康度、重要任务、健康概况、任务概况、任务详情、各区域健康情况。
86.综上所述，借助于本发明的上述技术方案，通过实时监测与对不同设备采用不同的诊断方法，可实现对风机、光伏发电设备故障预警，对新能源设备运行数据、运维数据、环境预测数据进行收集、存储和深度挖掘，建立预警算法，实现新能源设备健康隐患的提前报警，产生预警信息，实现尽早发现亚健康状态并及时消除，从而降低故障率，延长平均故障间隔时间，进而大大降低设备异常造成的经济损失，保证风电场的发电效率与风力利用率。
87.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。