一种基于云上云架构的新能源发电系统的制作方法

1.本发明涉及风力发电设备领域，特别是一种基于云上云架构的新能源发电系统。


背景技术：

2.近几年，随着信息技术的不断发展，从风电场建造特点来看，管理模式更加趋于将数字化网络化和智能化等高科技信息技术融入至风电场管理，先进的管理模式直接影响着风电场运维管理效率，利用智能化操作系统对事故现场进行诊断，降低事故发生率，将风机运行与电网协同有机结合起来，准确而高效的完成电网调度指令，为竞价上网打下坚实的基础。
3.目前行业内已实现光伏发电一体化，将数据采集、大数据分析、工控系统、边缘计算集成到逆变单元，计算出结果数据后，传输至后台控制。但是目前未实现风电发力一体化，当前风力发电常规架构是分散数据采集及工控的方式，这种架构下不能适应信息化要求，后续进行新能源场站接入集控中心时，增加工作量及成本，同时，这种架构不便于风力发电站和风力发电机组的管理，当风力发电站和风力发电机组出现异常情况或故障时，只能人工检修处理，不能及时发现故障情况，无法及时排查安全隐患。


技术实现要素：

4.本发明所要解决的技术问题是，针对现有技术不足，提供一种基于云上云架构的新能源发电系统，实现风力发电一体化，减少重复建设，降低风力发电成本投入，及时排查安全隐患。
5.为解决上述技术问题，本发明所采用的技术方案是：一种基于云上云架构的新能源发电系统，包括：
6.下云，用于采集风机数据，对所述风机数据进行处理，获取风电机组塔筒状态、风力机变桨系统状态、风力发电机组叶片状态、风电机组功率状态、齿轮箱轴承状态数据；
7.上云，用于存储风电机组塔筒状态、风力机变桨系统状态、风力发电机组叶片状态、风电机组功率状态、齿轮箱轴承状态数据，并利用各种状态数据进行综合决策，将决策指令发送至下云，控制风机机组运行。
8.本发明设置了上云(管理云)和下云(基础云)，下云可以采集风电机组数据，并进行状态分析，上云获取风电机组各个部分的状态数据后，进行综合决策，可以及时发现风力发电机组或风力发电站的故障情况，及时排查安全隐患；当新的发电站需要接入时，只需要接入到对应的下云接口，即可实现统一管理和调度。本发明实现了风力发电一体化，减少了重复建设，降低了风力发电成本投入。
9.为了进一步减少重复建设，降低成本，所述下云和下云的布置方法包括：
10.对于无省级区域集控中心的新能源企业，下云布置在风场升压站，上云布置在省级区域监控室或集团监控中心；
11.对于有省级区域集控中心的新能源企业，下云布置在省级区域集控中心，上云布
置在集团监控中心。
12.为了进一步降低成本，每个上云可以管理多个下云。本发明中，每个所述上云与多个所述下云通信，所述下云数量与风场升压站/省级区域集控中心数量相同。
13.具体地，本发明中，所述下云包括：
14.风电机组塔筒状态判断模块；
15.风力机变桨系统状态计算模块；
16.风力发电机组叶片状态计算模块；
17.风电机组功率状态计算模块；
18.齿轮箱轴承状态计算模块；
19.其中，所述风力机变桨系统状态计算模块利用叶片变桨速度，判断变桨系统状态正常或异常；
20.所述风力发电机组叶片状态计算模块利用风力发电机组叶片振动信号，判断叶片是否覆冰；
21.所述风电机组功率状态计算模块利用全场风电机组信息、风电机组状态、限功率标识位、实时风速和有功功率，判断风电机组功率曲线是否正常；
22.所述齿轮箱轴承状态计算模块利用齿轮箱轴承温度，判断齿轮箱轴承状态是否正常。
23.本发明可以监控风电机组塔筒状态、风力机变桨系统状态、风力发电机组叶片状态、风电机组功率状态、齿轮箱轴承状态，对风力发电机组的各个关键部位进行状态监控，及时发现各个部位的状态是否异常，便于及时处理异常状态，确保风力发电机组安全。
24.所述上云利用各种状态数据进行综合决策的具体实现过程包括：
25.当同时满足以下条件时，判定风电机组正常：变桨系统状态正常、叶片无覆冰或轻微覆冰、风电机组功率曲线正常、齿轮箱轴承状态正常；
26.否则，判断风电机组异常，并发出告警信号至对应的下云。
27.上云可以及时将异常状态反馈至对应的下云，下云可以及时将异常数据反馈至对应的中心，便于及时处理异常数据。
28.所述风力发电机组叶片状态计算模块包括：
29.采集端，用于采集风力发电机组叶片振动信号；
30.处理端，用于计算所述叶片振动信号的自相关功率谱，进而计算得到初始固有频率f
′
；利用下式计算频率偏差率δf：利用所述频率偏差率δf评估叶片覆冰程度；其中，f是叶片当前振动频率。
31.自相关功率谱曲线上有多个波峰值，波峰值(识别峰值)对应的频率即固有频率。本发明中，初始固有频率f
′
是指自相关功率谱曲线上第一个波峰值对应的固有频率。
32.实验证明，叶片固有频率仅与叶片质量、形状、材质等固有特性有关，在不发生特殊情况的时间内叶片固有频率固定不变。叶片覆冰会改变叶片的质量、外形、刚度分布等固有特性，从而引起叶片固有频率的显著变化。因此通过识别自相关功率谱中叶片固有频率是否发生明显变化可以准确判断叶片覆冰状态。
33.本发明利用叶片振动信号计算初始固有频率，进而计算频率偏差率，利用该频率
偏差率判断叶片的覆冰程度，该方法无需获取历史覆冰数据，也无需人为设定相关判断标准，频率偏差率仅与叶片振动信号相关，因此本发明可以准确地反映叶片覆冰情况。本发明无需采集大量数据，计算过程简单，计算量小，因此可以及时地评估叶片覆冰情况，且对硬件设备没有较高的计算性能要求，容易实现。进一步的，由于本发明可以及时地反映叶片覆冰情况，因此可以在判断覆冰达到一定程度时及时停止风力发电机组运行，提高了风力发电机组的寿命。
34.所述采集端包括双轴加速度传感器；所述双轴加速度传感器安装于叶片前缘距离叶根1/3的叶片重心处。在该位置采集的信号能最真实、客观地反映叶片的运行情况。
35.传感器通过固定块固定于所述叶片上。通过固定块安装传感器，可以确保传感器安装稳固，防止叶片旋转过程中传感器脱落。
36.双轴加速度传感器可以测量叶片的运动加速度和静态加速度，更加真实准确地反映叶片的运行情况，进而确保叶片固有频率计算准确、真实。
37.本发明中，叶片前缘是指靠近叶根的叶片部分。双轴加速度传感器安装在叶片前缘。将叶片在长度方向上均分为三段，双轴加速度传感器安装在包含叶根的叶片段上，且安装点即该叶片段的重心。
38.所述处理端计算所述叶片振动信号的自相关功率谱的具体实现过程包括：对所述叶片振动信号进行高通滤波，滤除频率低于设定值的振动信号，将滤波后的振动信号数据分为多组，对每组数据进行傅里叶变换，计算傅里叶变换后得到的频域幅值的平方和，得到所述自相关功率谱。将滤波后的数据进行分组处理，可以简化计算过程，缩短计算时间，进一步提高了计算效率。
39.为了兼顾计算效率和计算精度，本发明中，上述每组数据中的数据点数大于20个周期包含的数据点数，且相邻两组数据重叠50％。
40.为了便于采集数据，所述双轴加速度传感器与数据采集器通信。所述数据采集器安装于风力发电机组轮毂内。
41.通过大量实验研究发现，频率偏差率δf与叶片覆冰程度的对应关系为：0≤δf≤5％，判定为无覆冰；5％＜δf≤9％，判定为轻微覆冰；9％＜δf≤13％，判定为较重覆冰；δf＞13％，判定为严重覆冰。实践表明，本发明确定的对应关系，在一定的条件(机舱外温度低于-3℃)下，可以客观、真实地反映叶片覆冰程度。
42.与现有技术相比，本发明所具有的有益效果为：
43.1、本发明实现了风力发电一体化，减少重复建设，降低风力发电成本投入，及时排查安全隐患；
44.2、本发明能准确、及时、客观地监测叶片覆冰情况，实时反映出覆冰对叶片动力特性的影响，便于在叶片覆冰达到一定程度时，及时停止风力发电机组运行，提高了风力发电机组的寿命。
附图说明
45.图1为本发明实施例下云结构示意图；
46.图2为本发明实施例上云结构示意图；
47.图3为本发明实施例叶片振动数据自相关功率谱计算原理图。
具体实施方式
48.本发明实施例中，在区域级新能源集控中心设置下云-基础云。在集团级新能源集控中心设置上云-管理云。
49.对于没有省级区域集控中心的新能源企业，下云布置在风场升压站，上云布置在省级区域监控室及集团级监控中心。对于有省级区域集控中心的新能源企业，下云布置在省级区域集控中心，上云布置在集团监控中心。
50.下云主要采集风机数据，进行数据云存储，并经过单向隔离装置，传输至区域级集控中心，对采集的数据通过风电机组塔筒状态在线监测、风力机变桨系统故障智能预警、风力发电机组叶片覆冰预警、风电机组功率曲线异常智能判定、齿轮箱轴承状态监测等数学模型进行计算，算出特征值，用于设备状态监测、经济运行分心、辅组决策分析。
51.如图1所示，本发明实施例的下云包括以下模块：
52.风电机组塔筒状态判断模块(cn212003450u)；
53.风力机变桨系统状态计算模块(cn112228290a)；
54.风力发电机组叶片状态计算模块；
55.风电机组功率状态计算模块(cn112267972a)；
56.齿轮箱轴承状态计算模块(cn112431726a)；
57.其中，所述风力机变桨系统状态计算模块利用叶片变桨速度，判断变桨系统状态正常或异常；
58.所述风力发电机组叶片状态计算模块利用风力发电机组叶片振动信号，判断叶片是否覆冰；
59.所述风电机组功率状态计算模块利用全场风电机组信息、风电机组状态、限功率标识位、实时风速和有功功率，判断风电机组功率曲线是否正常；
60.所述齿轮箱轴承状态计算模块利用齿轮箱轴承温度，判断齿轮箱轴承状态是否正常。
61.如图2所示，本发明实施例的上云的功能包含数据云存储、监视展示等，对下云通过数学模型、边缘计算、神经网络计算后，特征值传输给上云(管理云)进行综合决策、经济运行、设备状态分析，并在集团级监控中心进行展示。
62.本发明实施例中，当同时满足以下条件时，判定风电机组正常：变桨系统状态正常、叶片无覆冰或轻微覆冰、风电机组功率曲线正常、齿轮箱轴承状态正常；
63.否则，判断风电机组异常，并发出告警信号(例如语音报警等)至对应的下云。
64.如图3所示，本发明实施例中，风力发电机组叶片状态计算模块实现过程包括：采集叶片原始振动数据后，先将原始振动加速度数据进行高通滤波，将低于0.5hz以下的转速信号滤除。再将滤波后的数据分成多组数据，每组数据点数大于20个周期包含的数据点数，相邻两组数据相互重叠50％，优势在于单组数据可以计算固有频率，无需庞大的采样点数量。对每组数据均做傅里叶变换，频域幅值平方处理。然后把所有组数据累加出一个自相关功率谱，得出初始固有频率f
′
。
65.自相关功率谱曲线上有多个波峰值，波峰值(识别峰值)对应的频率即固有频率。识别峰值是指功率谱密度大小明显增大的峰值。初始固有频率f
′
是指自相关功率谱曲线上第一个波峰值对应的固有频率。
66.叶片固有频率仅与叶片质量、形状、材质等固有特性有关，在不发生特殊情况的时间内，叶片固有频率固定不变。而叶片覆冰会改变叶片的质量、外形、刚度分布等固有特性，从而引起叶片固有频率的显著变化。依据自相关功率谱计算出叶片初始运行状态的前六阶固有频率，通过自相关功率谱中一阶固有频率与叶片当前振动频率的偏差大小，判定叶片结冰状态和结冰程度。因此通过识别自相关功率谱中叶片固有频率是否发生明显变化可以判断叶片覆冰状态。
[0067][0068]
其中，δf是频率偏差率，f是叶片当前振动频率，f
′
是初始固有频率。
[0069]
频率偏差率与覆冰程度的关系对照表如表1所示。
[0070]
表1频率偏差率与覆冰程度的对应关系
[0071][0072]
本发明实施例2风力发电机组叶片状态计算模块包括：
[0073]
采集端(数据采集装置)，包括数据采集器和传感器。传感器采用双轴加速度传感器，双轴加速度传感器的x、y轴灵敏度均不小于1000mv/g；x、y轴量程：
±
5g；频率范围：0.1～10000hz(
±
3db)；振幅非线性：≤1％；工作电压：18～30vdc；工作温度：-40℃～ 70℃；雷击浪涌：4kv；信号输出：模拟量输出，4～24madc或者0.8～4.2vdc；防护等级：ip68。监测点(即传感器安装位置)选择在叶片前缘距离叶根约1/3叶片重心处，挥舞和摆振方向的加速度传感器利用电木板材质的固定块集中安装，为便于叶片振动信号的引入，需将数据采集器安装在轮毂内。由于环境的特殊性，数据采集器配置了具备ip54防护等级的专用接线箱。采集装置外置wifi天线，将采集到的信号传输至场站(中央处理器)。
[0074]
处理端(中央处理器)，接收数据采集器传输的信号后，进行叶片覆冰检测。
[0075]
本发明实施例中，双轴加速度传感器的具体安装过程如下：
[0076]
1)预先制作测量线，将测量线一端固定在叶片叶根处，通过另一端标记出传感器固定块在叶尖处的安装位置，并根据固定块粘贴面画出具体安装位置，需保证摆振方向传感器的垂直度；
[0077]
2)利用50目砂纸对叶片前缘传感器固定块预装位置进行轻微打磨，打磨深度不超过1mm，后用酒精对打磨表面进行清理；
[0078]
3)在传感器固定块与叶片结合面涂抹约2-3mm厚度-3123l5快粘型聚氨酯，并迅速对准叶片安装面，调试垂直方向后，用力按压固定块5分钟，待传感器固定块稳定后，即可松手；
[0079]
4)传感器电缆采用s形铺设完毕后，在固定块四周涂抹边长大于60mm宽度的-552结构胶，再安装传感器，并将电缆航插接入对应的传感器插口；
[0080]
5)在传感器与固定块接触面四周涂抹-552结构胶，加强传感器与固定块之间的稳固性。