无人值守的风力发电运维管理方法及系统与流程

1.本技术涉及风力发电无人运维技术领域，尤其是涉及一种无人值守的风力发电运维管理方法及系统。


背景技术：

2.我国部分省份海上风电资源丰富，如广东，近海海域风能资源理论总储量约为1亿千瓦，是可再生能源中具有较大规模化发展潜力的领域。
3.随着海上风电建设规模的增加，海上运维市场也将不断增长，运维能力、运维规模、运维模式都会有很大的增长。
4.海上风电场的安全面临来自空中、水面、水下等多方位的压力，主要有海上风电场环境信息难以掌握，运维手段受海上环境限制局限于运维船、直升机以及运维人员，维护模式仍以定期维护和故障检修的“被动式运维”为主，缺乏有效的、具备可操作性的规范。
5.公开号为cn111459189a的专利一种基于自动机巢的离岸常驻式海上风电无人机全自主巡检系统，系统包括前端数据采集系统及后端数据管理及处理系统。所述前端数据采集系统包括前端无人机—自动机巢硬件平台及前端集控平台；所述前端无人机—自动机巢硬件平台与现有海上风电场风机良好结合，在接收前端集控平台所下达的指令后，可以实现海上风电机组外观的无人机自动起降、自动充换电、自动飞行以及自动巡检等功能。
6.公开号为cn111640220a的专利一种用于海上风电场的无人船巡检系统及其工作方法，包括无人船终端、岸基基站和远程指挥中心；无人船终端包括控制系统、供电模块、动力系统、声呐成像巡检设备、运动检测模块和通讯模块，控制系统分别与供电模块、动力系统、声呐成像巡检设备、运动检测模块和通讯模块连接；无人船终端通过通讯模块与岸基基站通信互联，岸基基站与远程指挥中心通信互联。提高了船只的空间和能源使用效率，降低了船员的时间投入和风险投入，能够实现运检计划的智能调度管理，将现有的人工检测、定期维护和故障检修的“被动式运维”模式，提升为基于状态检修的“主动式运维”模式。
7.上述内容提供了以无人机、无人船改善海上风电运维便捷性的方案，但是其存在以下缺陷：故障及安全事件大多为事后性察觉，“主动性相对不佳”，因此本技术提出一种新的技术方案。


技术实现要素：

8.为了改善海上风电场无人值守的主动性，本技术提供一种无人值守的风力发电运维管理方法及系统。
9.第一方面，本技术提供一种无人值守的风力发电运维管理方法，采用如下的技术方案：一种无人值守的风力发电运维管理方法，包括：建立与预搭建机器值守系统的通讯连接；其中，机器值守系统包括在无人机和/或无人船艇系统以及现场视频监控系统；
获取机器值守系统反馈的监察数据；基于监察数据执行风机及风机关联设施的缺陷智能识别，并结合时间参数产生智能识别报告；根据预设的事件分类标准对智能识别报告做事件分类，确定所属事件类别，并结合时间参数产生历史事件分类数据；以及，导入预设的预测评估模型做风电场的事件预测，产生预警提示数据。
10.可选的，所述预测评估模型设置为基于马尔科夫链处理历史时间分类数据生成。
11.可选的，还包括：执行预测响应进程；所述预测响应进程包括：发送预警提示数据至指定终端，并获取终端的反馈数据；识别反馈数据，判定是否执行无人预巡检动作，如果是，则基于发电场的实况做差异化分析处理，产生实时分析数据；如果否，则以t1为时间周期再次发送预警提示数据，直到预警提示数据对应的事件出现或接收到匹配的人工介入反馈数据。
12.可选的，所述差异化分析处理包括：调用实时时间节点前t2时间的预连接的风电场天气监测系统的环境数据，并获取实时时间节点后t3时间的在网天气预测信息；判定环境数据、在网天气预测信息中是否出现风险标准环境，如果是，则统计风险次数和持续时间，确定风险级别，产生风险记录；判断风险记录是否超出阈值，如果是，则输出安全差值报告。
13.可选的，所述差异化分析处理包括：获取预建立连接的风力发电场的风机状态监测数据；以及，比对同一发电场的各个风机的状态参数，产生状态差值报告。
14.可选的，所述差异化分析处理还包括：发送无人预巡检指令至机器值守系统，且当安全差值报告或状态差值报告符合条件库中的预设风机机组停机条件，则发送机组停止指令至风力发电场的机组。
15.可选的，所述无人预巡检指令从预巡检指令库调取，且预巡检指令库中建立各个无人预巡检指令 与预警提示数据对应的事件的一一对应关系。
16.可选的，所述差异化分析处理包括：调用预上传的风机的维修记录；其中，维修记录包括维修时间、位置、人员及修复后图像；以及，基于监察数据，比对历史维修位置的实时状态和修复后图像。
17.第二方面，本技术提供一种无人值守的风力发电运维管理系统，采用如下的技术方案：一种无人值守的风力发电运维管理系统，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上所述无人值守的风力发电运维管理方法的计算机程序。
18.综上所述，本技术包括以下至少一种有益技术效果：本方法不仅仅可以通过无人值守设备方便海上风机发电场的运维工作，还可以通过分析历史数据，在事件发生之前做预测，以提前做好维护，减少风机缺陷可能引发的经济损失等。
附图说明
19.图1是本技术的架构示意图；图2是本技术的方法流程示意图；图3是本技术的叶片缺陷识别模型示意图；图4是本技术的实施例所述的风力发电机状态监测软件的运行示意图。
具体实施方式
20.以下结合附图1-4对本技术作进一步详细说明。
21.本技术实施例公开一种无人值守的风力发电运维管理方法，其一方面用于结合目前日益成熟的海洋无人船艇调查技术手段，填补国内海上风电场风电机组基础周边海域地形地貌及海底地质情况的巡检技术手段的空白；另一方面用于在现有的无人机平台选型基础上，构建海上无人机智能巡检系统，自主识别风机表面缺陷，确保风机运行安全；用户可以通过无人船艇与无人机平台搭载的光电设备、定点的光电、ais与雷达等设备，构建海上风电场周边环境自主感知的智能系统。采用ais与光电等多源信息融合的方式检测目标并进行数据增强显示，通过光电数据智能识别船舶目标舷号字符，及时识别危险目标，维护海上风电场运行安全。
22.对于辅助本方法使用的无人船艇和无人机而言，其可以做如下配置：其中，无人船艇：a)、续航时间6小时及以上；b)、工作航速4节以上、最高航速6节以上；c)、3级海况可作业、4级海况可生存；d)、具有对水面大型障碍物自动避障功能；e)、具有对海上风电机组海域自动完成巡检的功能，集成多波束测深仪、浅地层剖面仪等调查设备，能自动采集勘察数据。
23.无人机：a)、无人机平台有效载重＞6kg，续航时间＞50min，操控距离＞10km，抗风能力6-7级，能在移动平台全自主起降；b)、根据巡检需求可集成可见光相机、红外相机等传感器，具有抛投应急及救生设备的功能；c)、具有对海上风电场风机及海域的自动巡视功能，自动采集视频、图片、正射影像，以对风机外观缺陷（掉漆、开裂等）识别。
24.参照图1和图2，无人值守的风力发电运维管理方法包括：s101、建立与预搭建机器值守系统的通讯连接。
25.其中，机器值守系统包括在无人机和/或无人船艇系统以及现场视频监控系统。
26.可以理解的是，无人机和/或无人船艇系统均为成熟现有技术，如背景中阐述的两份专利申请，已有公开，本实施例中所用与之类同，因此不再具体阐述。
27.视频监控系统，即基于固定式摄像机组所搭建，用于采集发电场各个区域的画面，做视频备案等使用；监控区的选择，由发电场管理人员人工选定。
28.发电场可选择在现场配置相应的边缘网关及配套通讯设施，作为海上节点，通过
边缘网络技运行上述系统并应用本方法；边缘网关通过有线/无线的与上述系统实现数据交互，以减小直连岸基站点而受天气干扰大，使用不稳定的情况。
29.s102、获取机器值守系统反馈的监察数据。
30.在上述基础上，监察数据包括无人机拍摄的图像/视频/正射影像、无人船艇采集的海上风电场风电机组基础周边海域地形地貌及海底地质情况、固定式摄像机组采集的风电场区域的各个指定区域图像/视频。
31.s103、基于监察数据执行风机及风机关联设施的缺陷智能识别，并结合时间参数产生智能识别报告。
32.上述缺陷智能识别基于图像识别技术实现，有如风机叶片缺陷（开裂、掉漆等）识别，如图3所示，其包括：事先输入无人航拍、视频监控和人工拍摄数据，提取其中的图片和视频，对图片和视频中的缺陷点标注，产生标注数据集，通过fastcnn算法处理、训练构建智能识别模型，后续，即可通过模型对实时的图片和视频做ai识别，产生智能识别报告。
33.可以理解的是，上述指出的公开文献中均有对缺陷识别的阐述，因此本实施例不再过多阐述。
34.s104、根据预设的事件分类标准对智能识别报告做事件分类，确定所属事件类别，并结合时间参数产生历史事件分类数据。
35.事件分类，即对风机及风机关联设施的缺陷做分类，其分类标准可以是：一，基于缺陷发生位置划分，如风机叶片损坏、塔筒损坏、叶片叶缘损坏、叶片根部损坏等；二，基于缺陷的严重程度，如风机叶片掉漆、风机叶片开裂等。
36.历史事件分类数据，除了可以用于下述内容外，其还可以供给相关工作人员作为事件备案数据等。
37.s105、导入预设的预测评估模型做风电场的事件预测，产生预警提示数据。
38.根据上述内容，本方法不仅仅可以通过无人值守设备方便海上风机发电场的运维工作，还可以通过分析历史数据，在事件发生之前做预测，以提前做好维护，减少风机缺陷可能引发的经济损失等。
39.关于预测评估模型，在本实施例中设置为基于马尔科夫链处理历史时间分类数据生成，如：1）、对上述历史事件分类数据计算转移概率矩阵，转移概率矩阵是可以根据历史数据的频率统计得到。是状态到状态转移的次数；频数除以当前行的和值即为概率。
40.2）、利用历史数据进行“马氏性”检验；3）、计算自相关系数和各种步长的权重；4）、根据c-k方程提供的算法，计算步的转移概率矩阵，又一次转移概率矩阵自乘 次得到不同滞时期的转移概率矩阵；其中为3）过程中的滞时；5）、预测下一个状态；公式如，其中，步骤2)中的，自由度时的阀值；为权重。
41.在本实施例中，之所以选择马尔科夫链的预测模型，是因为在海上，环境等影响因素多样，且前后事件联系性相对差，若基于前后联系分析，则准确性相对不佳，而不依赖过去事件的马尔可夫链模型，适用性较佳。
42.在本方法中，产生预警提示数据后，即执行预测响应进程；预测响应进程包括：发送预警提示数据至指定终端，并获取终端的反馈数据。
43.其中，终端即岸基站点的计算机、指定人员的手机等，其通过通讯基站、卫星通讯与执行本方法的主体（云服务器）连接。反馈数据包括预警查阅确认、无人预巡检介入确认、人工介入确认等。
44.可以理解的是，在事项触发后，结合时间参数记录过程数据，产生工作日志，用作后期的工作状态评定、追溯等。
45.后续，识别反馈数据，判定是否执行无人预巡检动作，如果是，则基于发电场的实况做差异化分析处理，产生实时分析数据；如果否，则以t1为时间周期再次发送预警提示数据，直到预警提示数据对应的事件出现或接收到匹配的人工介入反馈数据。
46.可以理解的是，上述t1及下述t2、t3、阈值等均为人工预设定数值。
47.关于差异化分析处理，具体的，包括：调用实时时间节点前t2时间的预连接的风电场天气监测系统的环境数据，并获取实时时间节点后t3时间的在网天气预测信息；判定环境数据、在网天气预测信息中是否出现风险标准环境，如果是，则统计风险次数和持续时间，确定风险级别，产生风险记录；判断风险记录是否超出阈值，如果是，则输出安全差值报告。
48.其中，风险标准环境，即基于经验人工确定的可能导致风机叶片损坏的环境，如台风、暴雨、冻雨等；风险级别，即上述风险标准环境的级别。
49.根据上述内容，在事件预测提示后，一方面，基于过往的环境信息对风机等做安全评估，用于辅助预警提示做参考，评判风机等可能已经存在暗伤，甚至损坏的可能性；另一方面，用于基于未来的天气信息对风机等做安全评估，辅助预警提示做参考，方便用户推测风机未来可能损伤的几率，以提前做维护等。
50.上述差异化分析处理还包括：获取预建立连接的风力发电场的风机状态监测数据；以及，比对同一发电场的各个风机的状态参数，产生状态差值报告。
51.其中，风机状态监测数据由发电场配置的风力发电机状态监测软件所得；包括实时电压、转速、倾角数值等，参见图4。
52.当上述软件具备如turbit公司开发的监测软件，可基于如气压、温度、风向和湍流强度模型预测发电机性能的，则直接比对性能参数。
53.根据上述，工作人员即可根据相邻的发电机的发电情况，辅助预警提示推测对应事件的发生几率，同时，其还有助于及时发现发电机组的故障。
54.上述差异化分析处理还包括：发送无人预巡检指令至机器值守系统，且当安全差值报告或状态差值报告符合条件库中的预设风机机组停机条件，则发送机组停止指令至风力发电场的机组。
55.需要注意的是，在本实施例中，如无人机巡检，为保障准确性和设备安全性，需要
巡检目标停机；而已知的，停机必定会产生经济损失；如果在上述事件预测后，随意对风机机组停机进行预巡检，则必定造成更大的损失，为此本方法设置为在上述差异化分析处理后，根据结果进行，即当没有必要停止检测时，如事件预测并非对应叶片时，则不停机检测。
56.可以理解的是，条件库中的预设风机机组停机条件为工作人员预设定。
57.进一步的，无人预巡检指令从预巡检指令库调取，且预巡检指令库中建立各个无人预巡检指令与预警提示数据对应的事件的一一对应关系。
58.根据上述内容，工作人员可以提前规划多种不同的巡检路线，匹配不同的预巡检指令，以减小无人机/船艇的工作量，且巡检更具针对性。
59.又因为对于风机叶片等而言，其成本为几十、甚至上百万，所以通常不会直接以修复为主，而受限于修复工艺和水平，其质量略差于与原装产品，为此，差异化分析处理还包括：调用预上传的风机的维修记录；其中，维修记录包括维修时间、位置、人员及修复后图像；以及，基于监察数据，比对历史维修位置的实时状态和修复后图像。
60.根据上述，可以更方便工作人员对历史维修点完成缺陷检查，排除并找到缺陷位置。
61.本技术实施例还公开一种无人值守的风力发电运维管理系统。
62.无人值守的风力发电运维管理系统，其包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至8中任一种无人值守的风力发电运维管理方法的计算机程序。
63.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。