一种风电机组运行状态的监测系统及监测方法与流程

1.本技术涉及风电机组监测技术领域，尤其是涉及一种风电机组运行状态的监测系统及监测方法。


背景技术：

2.风力资源是取之不尽用之不绝的能源，利用风力发电可以减少环境污染，节省煤炭、石油等常规能源。但由于自然风具有很强的不确定性，风电机组在不同运行工况之间动态切换，风电机组各部件的动态性、相关性和随机性特征明显；且风电机组运行环境极其恶劣，各部件因载荷、疲劳和腐蚀等问题，不可避免地造成机械强度和运行性能随着运行环境和运行时间的变化而逐渐下降，从而导致风电机组故障频发、发电性能下降。所以，对风电机组的运行状态进行监测具有重要意义。
3.现阶段，传统的云计算模式在计算过程中数据传输距离较远，会导致数据在传输的过程实时性降低，进而使得对风电机组的运行状态监测结果的维护处理的实时性降低，并且在数据传输的过程中也增加了网络传输压力，致使信息流处理的非实时性直接影响到了风电机组运行状态的故障信息确定的准确性以及对故障信息处理的及时性。很难保证对海量监测数据处理的实时性以及准确性，且对风电机组的故障处理的等待时间较长，所以，如何对风电机组状态进行监测并减少在状态监测过程中的数据传输压力，以及对风电机组的故障信息进行快速处理减少等待时间成为了亟需解决的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种风电机组运行状态的监测系统及监测方法，通过将边缘服务器设置在待监测风电机组的较近的位置处，以使边缘服务器接收到的端侧设备层发送待监测风电机组的每个监测设备的多个运行状态参数的数据传输压力小，且向云中心平台调用每个监测设备的监测分析模型以减少边缘服务器层的负载负荷，然后利用监测分析模型对相对应的监测设备的故障信息进行判断，确定出故障信息并对故障信息等级进行判断，从而实现了利用在待监测风电机组预设距离处的边缘服务器进行故障信息传输从而减少了数据传输时的网络压力，并对故障等级进行判断将故障信息分布传输，从而避免了对多个待监测设备进行故障维修时的等待时间长，提高了故障维修的效率。
5.本技术实施例提供了一种风电机组运行状态的监测系统，所述监测系统包括端侧设备层、边缘服务器以及云中心平台：
6.所述端侧设备层，用于在预设周期内实时获取待监测风电机组的每个待监测设备的多个运行状态参数，并将多个运行状态参数发送至在待监测风电机组的预设距离处的边缘服务器中，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理；
7.所述边缘服务器，用于接收所述端侧设备层发送的至少一个待监测设备的多个运行状态参数，并向所述云中心平台发送获取至少一个待监测设备相对应的监测分析模型的
指令，针对于每一个待监测设备，在接收到该待监测设备所对应的监测分析模型之后，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，输出该待监测设备所对应的故障信息，并对所述故障信息的等级进行判断，确定将该故障信息发送给所述端侧设备层或者所述云中心平台；
8.所述云中心平台，用于响应所述边缘服务器发送的获取至少一个待监测设备所对应的监测分析模型的指令之后，将预先训练好的至少一个待监测设备所对应的监测分析模型发送至所述边缘服务器，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
9.在一些实施例中，所述边缘服务器用于通过以下方式对所述故障信息的等级进行判断：
10.针对于每一个待监测设备的多个故障信息，对该待监测设备的每一个故障信息的故障等级进行检测，若该所述故障信息的故障等级小于该故障信息对应的参考故障等级，则将该故障信息发送给所述端侧设备层进行维修处理；
11.若该所述故障信息的故障等级大于该故障信息对应的参考故障等级，则将该故障信息发送给所述云中心平台进行维修处理。
12.在一些实施例中，针对于每一个待监测设备，所述云中心平台用于通过以下对步骤训练与该待监测设备对应的监测分析模型：
13.从预先建立的该待监测设备的运行状态参数数据库中获取多个历史运行状态参数；
14.将多个所述历史运行状态参数输入至深度学习模型，输出该待监测设备的预测运行状态参数；
15.基于每一个历史运行状态参数以及该历史运行状态参数对应的预测运行状态参数，确定出深度学习模型的预测残差值；
16.基于所述预测残差值对所述深度学习模型进行迭代训练得到所述监测分析模型。
17.在一些实施例中，所述云中心平台还用于：
18.在预设周期内获取各个待监测设备的多个运行状态参数；
19.针对于每一个待监测设备，基于该待监测设备多个运行状态参数，确定该待监测设备的运行状态；
20.针对于每一个待监测设备，对该待监测设备所对应的监测分析模型根据所述运行状态进行模型优化，以使监测分析模型满足待监测设备的运行状态。
21.在一些实施例中，所述边缘服务器还用于：
22.在接收到所述端侧设备层发送的各个监测设备的多个运行状态参数之后，将每一个待监测设备所对应的多个运行状态参数依据该待监测设备的标签信息进行分类存储。
23.在一些实施例中，所述态监测系统还包括第一网络层模块以及第二网络层模块，其中，所述第一网络层模块与所述端侧设备层以及所述边缘服务器通信连接，所述第二网络层模块与所述边缘服务器与所述云中心平台通信连接：
24.所述第一网络层模块，用于接收所述端侧设备层的各个待监测设备的多个运行状态参数，并将各个待监测设备的多个运行状态参数发送至所述边缘服务器；
25.所述第二网络层模块，用于接收所述边缘服务器发送获取监测分析模型的指令，
并将所述发送获取监测分析模型的指令发送至所述云中心平台。
26.本技术实施例还提供了一种风电机组运行状态的监测方法，所述监测方法包括：
27.在预设监测周期内获取待监测风电机组的每一个待监测设备的多个运行状态参数；
28.针对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，基于多个所述运行状态参数检测所述待监测设备的运行状态是否存在故障信息；若检测出该待监测设备的运行状态存在故障信息，则输出该待监测设备所对应的故障信息；
29.获取每一个所述故障信息相对应的维修策略，基于多个所述维修策略对多个所述待监测设备所对应的故障信息进行维修。
30.在一些实施例中，针对于每一个待监测设备，所述基于多个所述运行状态参数检测所述待监测设备的运行状态是否故障信息，包括：
31.将该待监测设备对应的多个运行状态参数输入至与该待监测设备相对应的监测分析模型之中，基于输入的多个运行状态参数，计算出该待监测设备的健康评价指标；
32.检测该待监测设备对应的健康评价指标是否满足预设的参考健康评价指标，若该健康评价指标小于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备的运行状态不存在故障信息；
33.若该健康评价指标大于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备存在故障信息。
34.在一些实施例中，所述监测方法还包括：
35.针对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，若检测出该待监测设备的运行状态不存在故障信息，则基于该待监测设备的多个运行状态参数预测该待监测设备的预期运行状态，并输出该待监测设备对应的预期运行状态以及相应的维护策略；
36.获取每一个所述待监测设备相对应的维护策略，基于多个所述维护策略对多个所述待监测设备进行维护。
37.在一些实施例中，在获取每一个所述故障信息相对应的维修策略，基于多个所述维修策略对多个所述待监测设备所对应的故障信息进行维修之后，所述监测方法还包括：
38.针对于每一个待监测设备，基于该待监测设备相对应的维修策略对该待监测设备进行维修处理之后，获取该待监测设备的多个维修运行状态参数，将多个所述维修运行状态参数输入至该待监测设备对应的所述监测分析模型之中，若所述监测分析模型输出的该待监测设备对应的预期运行状态未变化，则对所述监测分析模型进行优化。
39.本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的一种风电机组运行状态的监测方法的步骤。
40.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的一种风电机组运行状态的监测方法的步骤。
41.本技术实施例提供的一种风电机组运行状态的监测系统及监测方法，所述监测系统包括端侧设备层、边缘服务器以及云中心平台：所述端侧设备层，用于在预设周期内实时获取待监测风电机组的每个待监测设备的多个运行状态参数，并将多个运行状态参数发送至在待监测风电机组的预设距离处的边缘服务器中，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理；所述边缘服务器，用于接收所述端侧设备层发送的至少一个待监测设备的多个运行状态参数，并向所述云中心平台发送获取至少一个待监测设备相对应的监测分析模型的指令，针对于每一个待监测设备，在接收到该待监测设备所对应的监测分析模型之后，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，输出该待监测设备所对应的故障信息，并对所述故障信息的等级进行判断，确定将该故障信息发送给所述端侧设备层或者所述云中心平台；所述云中心平台，用于响应所述边缘服务器发送的获取至少一个待监测设备所对应的监测分析模型的指令之后，将预先训练好的至少一个待监测设备所对应的监测分析模型发送至所述边缘服务器，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
42.这样，通过将边缘服务器设置在待监测风电机组的较近的处理层，以使当端侧设备层发送待监测风电机组的每个监测设备的多个运行状态参数时，向云中心平台调用每个监测设备的监测分析模型，利用监测分析模型对相对应的监测设备的故障信息进行判断，当确定出故障信息之后，对故障信息等级进行判断，将等级低的故障信息发送给端侧设备层进行处理，将等级高的故障信息发送给云中心平台进行处理，从而提高对于故障信息进行处理的时效性，并且减少了网络传输压力，提高了数据传输效率。
43.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
44.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
45.图1为本技术实施例所提供的一种风电机组运行状态的监测系统的结构示意图之一；
46.图2为本技术实施例所提供的一种风电机组运行状态的监测系统的结构示意图之二；
47.图3为本技术实施例所提供的一种风电机组运行状态的监测方法；
48.图4为本技术实施例所提供的另一种风电机组运行状态的监测方法；
49.图5为本技术实施例所提供的一种电子设备的结构示意图。
50.图标：100-监测系统；110-端侧设备层；120-边缘服务器；130-云中心平台；140-第一网络层模块；150-第二网络层模块；500-电子设备；510-处理器；520-存储器；530-总线。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
52.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
53.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“对风电机组进行监测”，给出以下实施方式，对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
54.需要说明的是，本技术实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
55.本技术实施例下述方法、系统、电子设备或计算机可读存储介质可以应用于任何需要进行风电机组进行监测的场景，本技术实施例并不对具体的应用场景作限制，任何使用本技术实施例提供的一种风电机组运行状态的监测系统及监测方法的方案均在本技术保护范围内。
56.首先，对本技术可适用的应用场景进行介绍。本技术可应用于风电机组监测技术领域，尤其是涉及一种风电机组运行状态的监测系统及监测方法。
57.风力资源是取之不尽用之不绝的能源，利用风力发电可以减少环境污染，节省煤炭、石油等常规能源。但由于自然风具有很强的不确定性，风电机组在不同运行工况之间动态切换，风电机组各部件的动态性、相关性和随机性特征明显；且风电机组运行环境极其恶劣，各部件因载荷、疲劳和腐蚀等问题，不可避免地造成机械强度和运行性能随着运行环境和运行时间的变化而逐渐下降，从而导致风电机组故障频发、发电性能下降。所以，对风电机组的运行状态进行监测具有重要意义。
58.现阶段，传统的云计算模式难以保证数据分析、处理与响应的实时性，致使信息流处理的非实时性直接影响到了风电机组运行控制的稳定性与监控的可靠性。很难实现保证海量监测数据处理的实时性以及实时掌握风电机组的运行状态，所以，如何对风电机组状态进行监测并减少在状态监测过程中的数据传输压力成为了亟需解决的问题。
59.基于此，本技术实施例提供了一种风电机组运行状态的监测系统，通过将边缘服务器设置在待监测风电机组的较近的处理层，以使当端侧设备层发送待监测风电机组的每个监测设备的多个运行状态参数时，向云中心平台调用每个监测设备的监测分析模型，利用监测分析模型对相对应的监测设备的故障信息进行判断，当确定出故障信息之后，对故障信息等级进行判断，将等级低的故障信息发送给端侧设备层进行处理，将等级高的故障
信息发送给云中心平台进行处理，从而提高对于故障信息进行处理的时效性，并且减少了网络传输压力，提高了数据传输效率。
60.请参阅图1，图1为本技术实施例所提供的一种风电机组运行状态的监测系统的结构示意图之一。如图1所示，本技术实施例提供的监测系统100包括：端侧设备层110、边缘服务器120以及云中心平台130。其中，端侧设备层110用于在预设时间内实时获取待监测风电机组的每个待监测设备的多个运行状态参数，并将运行状态参数发送给边缘服务器120中，接收边缘服务器120发送的故障信息对待监测设备进行及时维修处理。边缘服务器120用于接收端侧设备层110发送的待监测设备的运行状态参数，并获取云中心平台130发送的监测分析模型，利用监测分析模型对相对应的待监测设备的故障信息进行确定，并对故障信息的等级进行确定以判断将故障信息发送给端侧设备层110或者是云中心平台130之中。云中心平台130用于对待监测设备所对应的监测分析模型进行训练，并将监测分析模型发送给边缘服务器120，以使边缘服务器120对故障信息进行检测。
61.具体的，所述端侧设备层110，用于在预设周期内实时获取待监测风电机组的每个待监测设备的多个运行状态参数，并将多个运行状态参数发送至在待监测风电机组的预设距离处的边缘服务器120中，接收所述边缘服务器120发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
62.这里，端侧设备层110用于对风电机组现场设备的状态信息和运行数据进行采集，其中，端侧设备层110中设置着温度传感器、压力传感器、电流电压传感器、风速风向传感器以及各类数据采集传感器用于对待监测风电机组的每个待监测设备的运行状态参数进行采集。
63.这里，待监测风电机组是由风轮、发电机、风机齿轮箱等其他设备组成，其中，风力发电电源是由风力发电机组、支撑发电机组的塔架、蓄电池充电控制器、逆变器、卸荷器、并网控制器、蓄电池组等组成。
64.这里，待监测设备可以为风轮、发电机、风机齿轮箱等其他设备，待监测设备的运行状态参数可以包括齿轮箱主轴承温度、齿轮箱油温等其他参数信息。
65.这里，当端侧设备层110接收到边缘服务器120发送的待监测设备的故障信息时，端侧设备层110会通知维修人员对该故障信息进行维修处理。
66.在一可选实施例中，所述边缘服务器120，用于接收所述端侧设备层110发送的至少一个待监测设备的多个运行状态参数，并向所述云中心平台130发送获取至少一个待监测设备相对应的监测分析模型的指令，针对于每一个待监测设备，在接收到该待监测设备所对应的监测分析模型之后，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，输出该待监测设备所对应的故障信息，并对所述故障信息的等级进行判断，确定将该故障信息发送给所述端侧设备层或者所述云中心平台130。
67.这里，当边缘服务器120在接收到端侧设备层110发送的每个待监测设备的多个运行状态参数之后，向云中心平台130发送获取至少一个待监测设备相对应的监测分析模型的指令，对于每一个监测设备，将该监测设备对应的运行状态参数输入至该监测设备对应的监测分析模型之中，对该待监测设备进行故障信息检测，并输出该待监测设备所存在的故障信息，并对故障信息的等级进行判断，以确定出将该待监测设备所对应的故障信息发送给端侧设备层110或者是云中心平台130进行维修处理。
68.这里，边缘服务器层120还用于在接收到所述端侧设备层110发送的多个监测设备的多个运行状态参数之后，将每一个待监测设备所对应的多个运行状态参数依据该待监测设备的标签信息进行分类存储。
69.这里，每一个待监测设备对应一个监测分析模型，其中，可以根据待监测设备的标签信息与监测分析模型的标签信息进行匹配，以确定出待监测设备所对应的监测分析模型。
70.这里，边缘服务器层120还包括系统运行环境、算法平台、设备交互、数据预处理、数据服务、边缘计算、边缘服务应用、网络服务、协议转换、模型同步和信息安全服务。
71.这里，边缘服务器120通过以下方式检测所述待监测设备的运行状态是否故障信息：
72.将该待监测设备对应的多个运行状态参数输入至与该待监测设备相对应的监测分析模型之中，基于输入的多个运行状态参数，计算出该待监测设备的健康评价指标；检测该待监测设备对应的健康评价指标是否满足预设的参考健康评价指标，若该健康评价指标小于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备的运行状态不存在故障信息；若该健康评价指标大于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备存在故障信。
73.其中，将待监测设备的多个运行状态参数输入至相对应的监测分析模型之中，根据输入的多个运行状态参数信息确定出该待监测设备所对应的健康评价指标，其中，健康评价指标是用于表征多个运行状态参数所对应的运行状态，将该健康评价指标是否满足预设的参考健康评价指标，若该健康评价指标小于参考健康评价指标，则确定出该待监测设备的运行状态不存在故障信息；若该健康评价指标大于参考健康评价指标，则确定出该待监测设备的运行状态存在故障信息。
74.举例来讲，对待监测设备为齿轮箱进行故障信息检测，将获取到的齿轮箱的运行状态参数为主轴承温度，齿轮箱前轴承温度，齿轮箱后轴承温度，齿轮箱油液温度输入至齿轮箱相对应的监测分析模型之中，根据主轴承温度，齿轮箱前轴承温度，齿轮箱后轴承温度确定出齿轮箱的健康评价指标，将该健康评价指标是否满足预设的参考健康评价指标，若该健康评价指标小于参考健康评价指标，则确定出该齿轮箱的运行状态不存在故障信息；若该健康评价指标大于参考健康评价指标，则确定出该齿轮箱的运行状态存在故障信息，则对齿轮箱进行维修。
75.在一可选实施例中，所述边缘服务器120用于通过以下方式对所述故障信息的等级进行判断：
76.针对于每一个待监测设备的多个故障信息，对该待监测设备的每一个故障信息的故障等级进行检测，若该所述故障信息的故障等级小于该故障信息对应的参考故障等级，则将该故障信息发送给所述端侧设备层进行维修处理。
77.这里，对于每一个待监测设备的故障信息，对该故障信息的故障等级进行检测，若故障信息的故障等级小于该故障信息所对应的参考故障等级，则将该故障信息发送给端侧设备层110进行维修处理。
78.其中，参考故障等级是根据历史故障信息进行设定。
79.若该所述故障信息的故障等级大于该故障信息对应的参考故障等级，则将该故障
信息发送给所述云中心平台进行维修处理。
80.这里，若故障信息的故障等级大于该故障信息所对应的参考故障等级，则将该故障信息发送给云中心平台130进行维修处理。
81.在一可选实施例中，所述云中心平台130，用于响应所述边缘服务器120发送的获取至少一个待监测设备所对应的监测分析模型的指令之后，将预先训练好的至少一个待监测设备所对应的监测分析模型发送至所述边缘服务器，接收所述边缘服务器120发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
82.这里，云中心平台130在接收到边缘服务器120发送的获取至少一个待监测设备所对应的监测分析模型指令之后，云中心平台将对应的监测分析模型打包发送给边缘服务器120，以使边缘服务器120利用监测分析模型进行故障分析，云中心平台130并接收所述边缘服务器120发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
83.在一可选实施例中，针对于每一个待监测设备，所述云中心平台130用于通过以下对步骤训练与该待监测设备对应的监测分析模型：
84.(1)从预先建立的该待监测设备的运行状态参数数据库中获取多个历史运行状态参数。
85.其中，从该待监测设备的运行状态参数数据库中获取到该待监测设备的多个历史运行状态参数。
86.(2)将多个所述历史运行状态参数输入至深度学习模型，输出该待监测设备的预测运行状态参数。
87.其中，将多个历史状态参数输入到深度学习模型里，深度学习模型输出该待监测设备的预测运行状态参数。
88.(3)基于每一个历史运行状态参数以及该历史运行状态参数对应的预测运行状态参数，确定出该深度学习模型的预测残差值。
89.其中，通过以下公式确定出该深度学习模型的预测残差值：
[0090][0091]
其中，t1，tm均为待监测部件的历史运行状态参数，为历史运行状态参数对应的预测运行状态参数，xi为预测残差值。
[0092]
(4)基于所述预测残差值对所述深度学习模型进行迭代训练得到所述监测分析模型。
[0093]
其中，根据预测残差值对深度学习模型进行迭代训练得到监测分析模型。
[0094]
在一可选实施例中，所述云中心平台130还用于：
[0095]
在预设周期内获取各个待监测设备的多个运行状态参数；针对于每一个待监测设备，基于该待监测设备多个运行状态参数，确定该待监测设备的运行状态；针对于每一个待监测设备，对该待监测设备所对应的监测分析模型根据所述运行状态进行模型优化，以使监测分析模型满足待监测设备的运行状态。
[0096]
进一步的，请参阅图2，图2为本技术实施例所提供的一种风电机组运行状态的监测系统的结构示意图之二。如图2所示，监测系统100还包括第一网络层模块140以及第二网络层模块150，其中，所述第一网络层模块140与所述端侧设备层110以及所述边缘服务器
120通信连接，所述第二网络层模块150与所述边缘服务器120与所述云中心平台130通信连接。
[0097]
所述第一网络层模块140，用于接收所述端侧设备层的各个待监测设备的多个运行状态参数，并将各个待监测设备的多个运行状态参数发送至所述边缘服务器120。
[0098]
其中，第一网络层模块140的上行为待监测风电机阻的待监测设备的运行状态数据输入边缘服务器120，下行为控制和反馈指令对端侧设备层110的输入。
[0099]
所述第二网络层模块150，用于接收所述边缘服务器发送获取监测分析模型的指令，并将所述发送获取监测分析模型的指令发送至所述云中心平台130。
[0100]
其中，第二网络层模块150通过有线/无线网络的方式连接边缘服务器120和云中心平台130。
[0101]
其中，第二网络层模块150还用于通过接收所述边缘服务器120发送的第一通信协议以及云中心平台130发送的第二通信协议，基于所述第一通信协议与所述第二通信协议进行匹配，若所述第一通信协议与所述第二通信协议匹配成功后，则边缘服务器120以及云中心平台130双方认证成功，以使边缘服务器120以及云中心平台130双方进行通信，从而完成边缘服务器120和云中心平台130的双向身份认证，用以提升数据交互过程中的安全性。
[0102]
本技术实施例提供的一种风电机组运行状态的监测系统，所述监测系统包括端侧设备层、边缘服务器以及云中心平台：所述端侧设备层，用于在预设周期内实时获取待监测风电机组的每个待监测设备的多个运行状态参数，并将多个运行状态参数发送至在待监测风电机组的预设距离处的边缘服务器中，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理；所述边缘服务器，用于接收所述端侧设备层发送的至少一个待监测设备的多个运行状态参数，并向所述云中心平台发送获取至少一个待监测设备相对应的监测分析模型的指令，针对于每一个待监测设备，在接收到该待监测设备所对应的监测分析模型之后，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，输出该待监测设备所对应的故障信息，并对所述故障信息的等级进行判断，确定将该故障信息发送给所述端侧设备层或者所述云中心平台；所述云中心平台，用于响应所述边缘服务器发送的获取至少一个待监测设备所对应的监测分析模型的指令之后，将预先训练好的至少一个待监测设备所对应的监测分析模型发送至所述边缘服务器，接收所述边缘服务器发送的待监测设备的故障信息，并对待监测设备的故障信息进行维修处理。
[0103]
这样，通过将边缘服务器设置在待监测风电机组的较近的处理层，以使当端侧设备层发送待监测风电机组的每个监测设备的多个运行状态参数时，向云中心平台调用每个监测设备的监测分析模型，利用监测分析模型对相对应的监测设备的故障信息进行判断，当确定出故障信息之后，对故障信息等级进行判断，将等级低的故障信息发送给端侧设备层进行处理，将等级高的故障信息发送给云中心平台进行处理，从而提高对于故障信息进行处理的时效性，并且减少了网络传输压力，提高了数据传输效率。
[0104]
请参阅图3为本技术实施例所提供的一种风电机组运行状态的监测方法，如图3所示，所述监测方法包括：
[0105]
s301：在预设监测周期内获取待监测风电机组的每一个待监测设备的多个运行状态参数。
[0106]
该步骤中，利用传感器在预设监测周期内实时获取待监测风电机组的每一个待监测设备的多个运行状态参数。
[0107]
进一步的，控制边缘服务器在接收到所述端侧设备层发送的各个监测设备的多个运行状态参数之后，将每一个待监测设备所对应的多个运行状态参数依据该待监测设备的标签信息进行分类存储。
[0108]
s302：针对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，基于多个所述运行状态参数检测所述待监测设备的运行状态是否存在故障信息；若检测出该待监测设备的运行状态存在故障信息，则输出该待监测设备所对应的故障信息。
[0109]
该步骤中，对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至与该待监测设备相对应的监测分析模型之中，在监测分析模型中根据运行状态参数检测该待监测设备的运行状态是否存在故障信息，若检测出存在故障信息则输出该待监测设备所对应的故障信息。
[0110]
其中，故障信息可以为发电机振动过大、发电机过热、轴承过热等其他类型的故障信息。
[0111]
这里，对于每一个待监测设备，所述基于多个所述运行状态参数检测所述待监测设备的运行状态是否故障信息，包括：
[0112]
a：将该待监测设备对应的多个运行状态参数输入至与该待监测设备相对应的监测分析模型之中，基于输入的多个运行状态参数，计算出该待监测设备的健康评价指标。
[0113]
其中，将该待监测设备对应的多个运行状态参数输入到与该待监测设备相对应的监测分析模型之中，利用输入的运行状态参数确定出该待监测设备的健康评价指标。
[0114]
b：检测该待监测设备对应的健康评价指标是否满足预设的参考健康评价指标，若该健康评价指标小于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备的运行状态不存在故障信息。
[0115]
其中，对该待监测设备对应的健康评价指标和参考健康评价指标进行检测，若该健康评价指标小于参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备的运行状态不存在故障信息。
[0116]
c：若该健康评价指标大于所述参考健康评价指标，则确定出该多个运行状态参数对应的待监测设备存在故障信息。
[0117]
在一可选实施例中，控制边缘服务器用于通过以下方式对所述故障信息的等级进行判断：
[0118]
针对于每一个待监测设备的多个故障信息，对该待监测设备的每一个故障信息的故障等级进行检测，若该所述故障信息的故障等级小于该故障信息对应的参考故障等级，则将该故障信息发送给所述端侧设备层进行维修处理；
[0119]
若该所述故障信息的故障等级大于该故障信息对应的参考故障等级，则将该故障信息发送给所述云中心平台进行维修处理。
[0120]
在一可选实施例中，控制云中心平台用于通过以下对步骤训练与该待监测设备对应的监测分析模型：
[0121]
从预先建立的该待监测设备的运行状态参数数据库中获取多个历史运行状态参
数；
[0122]
将多个所述历史运行状态参数输入至深度学习模型，输出该待监测设备的预测运行状态参数；
[0123]
基于每一个历史运行状态参数以及该历史运行状态参数对应的预测运行状态参数，确定出深度学习模型的预测残差值；
[0124]
基于所述预测残差值对所述深度学习模型进行迭代训练得到所述监测分析模型。
[0125]
在一可选实施例中，控制第一网络层模块用于接收所述端侧设备层的各个待监测设备的多个运行状态参数，并将各个待监测设备的多个运行状态参数发送至所述边缘服务器；控制第二网络层模块用于接收所述边缘服务器发送获取监测分析模型的指令，并将所述发送获取监测分析模型的指令发送至所述云中心平台。
[0126]
s303：获取每一个所述故障信息相对应的维修策略，基于多个所述维修策略对多个所述待监测设备所对应的故障信息进行维修。
[0127]
该步骤中，当确定出待监测设备所对应的故障信息之后，根据该故障信息所对应的维修策略，对待监测设备的故障信息进行维修。
[0128]
在一可选实施例中，在获取每一个所述故障信息相对应的维修策略，基于多个所述维修策略对多个所述待监测设备所对应的故障信息进行维修之后，所述监测方法还包括：
[0129]
针对于每一个待监测设备，基于该待监测设备相对应的维修策略对该待监测设备进行维修处理之后，获取该待监测设备的多个维修运行状态参数，将多个所述维修运行状态参数输入至该待监测设备对应的所述监测分析模型之中，若所述监测分析模型输出的该待监测设备对应的预期运行状态未变化，则对所述监测分析模型进行优化。
[0130]
这里，当对待监测设备进行相应的维修处理后，获取该待监测设备的维修运行状态参数，将多个维修运行状态参数输入至该待监测设备对应的所述监测分析模型之中，若监测分析模型输出的该待监测设备对应的预期运行状态没有发生改变，则对所述监测分析模型进行优化。
[0131]
进一步的，请参阅图4，图4为本技术实施例所提供的另一种风电机组运行状态的监测方法。如图4所示，监测方法包括：
[0132]
s401：在预设监测周期内获取待监测风电机组的每一个待监测设备的多个运行状态参数。
[0133]
其中，s401的描述可以参照s101的描述，并且能达到相同的技术效果，对此不做赘述。
[0134]
s402：针对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，若检测出该待监测设备的运行状态不存在故障信息，则基于该待监测设备的多个运行状态参数预测该待监测设备的预期运行状态，并输出该待监测设备对应的预期运行状态以及相应的维护策略。
[0135]
该步骤中，将该待监测设备对应的多个运行状态参数输入至与该待监测设备相对应的监测分析模型之中，若检测出该待监测设备的运行状态不存在故障信息，则可以根据该待监测设备的多个运行状态参数预测该待监测设备的预期运行状态，并输出该待监测设备对应的预期运行状态和相应的维护策略。
[0136]
s403：获取每一个所述待监测设备相对应的维护策略，基于多个所述维护策略对多个所述待监测设进行维护。
[0137]
该步骤中，利用待监测设备相对应的维护策略对该待监测设备进行维护，以防止待监测设备出现故障信息。
[0138]
本技术提供了一种风电机组运行状态的监测方法，所述监测方法包括：在预设监测周期内获取待监测风电机组的每一个待监测设备的多个运行状态参数；针对于每一个待监测设备，将该待监测设备所对应的多个运行状态参数输入至该待监测设备相对应的监测分析模型之中，基于多个所述运行状态参数检测所述待监测设备的运行状态是否存在故障信息；若检测出该待监测设备的运行状态存在故障信息，则输出该待监测设备所对应的故障信息；获取每一个所述故障信息相对应的维修策略，基于多个所述维修策略对多个所述待监测设备所对应的故障信息进行维修。
[0139]
这样，通过实时获取待监测风电机组的每个监测设备的多个运行状态参数时，并利用监测分析模型对相对应的监测设备的故障信息进行判断，当确定出故障信息之后，及时对故障信息进行处理。
[0140]
请参阅图5，图5为本技术实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
[0141]
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图3以及图4所示方法实施例中的一种风电机组运行状态的监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0142]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图3以及图4所示方法实施例中的一种风电机组运行状态的监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0143]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0144]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0145]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0146]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0147]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以
存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0148]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。