[發(fā)明專利]風電場故障預警方法、裝置、計算機設備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211424856.2
• 申請日: 2022-11-14
• 公開（公告）號: CN115809866A
• 公開（公告）日: 2023-03-17
• 發(fā)明（設計）人: 陳可;劉明全;周磊;于躍;蘇小溪;倪孟巖;周忠;吳良書
• 申請（專利權(quán)）人: 潤電風能（佛岡）有限公司
• 主分類號: G06Q10/20
• 分類號: G06Q10/20;G01R31/34;G06N20/00
• 代理公司: 華進聯(lián)合專利商標代理有限公司 44224
• 代理人: 周婷婷

本申請涉及一種風電場故障預警方法、裝置、計算機設備、存儲介質(zhì)和計算機程序產(chǎn)品。所述方法包括：獲取風電場的風機狀態(tài)數(shù)據(jù)；根據(jù)所述風機狀態(tài)數(shù)據(jù)，通過機器學習方式獲取狀態(tài)偏差量；若根據(jù)所述狀態(tài)偏差量判定風機發(fā)生異常時，推送預警提示消息；根據(jù)判定風機發(fā)生異常時對應的狀態(tài)偏差量，生成風機故障維修建議數(shù)據(jù)；推送所述風機故障維修建議數(shù)據(jù)。采用本方法能夠提高預警準確度。

技術(shù)領域

本申請涉及故障預警技術(shù)領域，特別是涉及一種風電場故障預警方法、裝置、計算機設備、存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)

隨著傳感器技術(shù)、無線通訊技術(shù)、信息壓縮算法、大數(shù)據(jù)、機器學習算法、移動通訊設備等技術(shù)的發(fā)展，傳統(tǒng)的風電SCADA(Supervisory Control And Data Acquisition，數(shù)據(jù)采集與監(jiān)視控制系統(tǒng))系統(tǒng)已不能滿足電力生產(chǎn)的需要。

傳統(tǒng)的風電SCADA監(jiān)控系統(tǒng)雖然可以對風力發(fā)電機實時監(jiān)控，但是，無法做到故障的預警，沒有搭載故障預警及專家診斷系統(tǒng)。

當復雜故障發(fā)生后，維護人員往往要往返現(xiàn)場幾次，并且攜帶優(yōu)盤用于拷貝數(shù)據(jù)，還要拍攝照片，上交給專家組，專家組通過專業(yè)診斷軟件和數(shù)據(jù)分析后給出修復方案，再由維護人員進行故障修復，此方法的預警準確度較低。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠提高預警準確度的風電場故障預警方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

第一方面，本申請?zhí)峁┝艘环N風電場故障預警方法。所述方法包括：

獲取風電場的風機狀態(tài)數(shù)據(jù)；

根據(jù)所述風機狀態(tài)數(shù)據(jù)，通過機器學習方式獲取狀態(tài)偏差量；

若根據(jù)所述狀態(tài)偏差量判定風機發(fā)生異常時，推送預警提示消息；

根據(jù)判定風機發(fā)生異常時對應的狀態(tài)偏差量，生成風機故障維修建議數(shù)據(jù)；

推送所述風機故障維修建議數(shù)據(jù)。

在其中一個實施例中，所述根據(jù)所述風機狀態(tài)數(shù)據(jù)，通過機器學習方式獲取狀態(tài)偏差量包括：

根據(jù)所述風電場的風機狀態(tài)數(shù)據(jù)，獲取自身機組狀態(tài)數(shù)據(jù)及相鄰機組狀態(tài)數(shù)據(jù)；

根據(jù)所述自身機組狀態(tài)數(shù)據(jù)及所述相鄰機組狀態(tài)數(shù)據(jù)，通過機器學習方式獲取基于相鄰機組的狀態(tài)偏差量。

在其中一個實施例中，所述根據(jù)所述風機狀態(tài)數(shù)據(jù)，通過機器學習方式獲取狀態(tài)偏差量包括：

根據(jù)所述風電場的風機狀態(tài)數(shù)據(jù)，獲取歷史記錄中相同工況下不同時間的自身機組狀態(tài)數(shù)據(jù)；

根據(jù)所述相同工況下不同時間的自身機組狀態(tài)數(shù)據(jù)，通過機器學習方式獲取自身機組狀態(tài)偏差量。

在其中一個實施例中，所述根據(jù)所述風機狀態(tài)數(shù)據(jù)，通過機器學習方式獲取狀態(tài)偏差量包括：

根據(jù)所述風電場的風機狀態(tài)數(shù)據(jù)，獲取自身機組狀態(tài)數(shù)據(jù)、相鄰機組狀態(tài)數(shù)據(jù)、以及歷史記錄中相同工況下不同時間的自身機組狀態(tài)數(shù)據(jù)；

根據(jù)所述自身機組狀態(tài)數(shù)據(jù)及所述相鄰機組狀態(tài)數(shù)據(jù)，通過機器學習方式獲取基于相鄰機組的狀態(tài)偏差量、并根據(jù)所述相同工況下不同時間的自身機組狀態(tài)數(shù)據(jù)，通過機器學習方式獲取自身機組狀態(tài)偏差量；

歸集所述基于相鄰機組狀態(tài)的偏差量及所述自身機組狀態(tài)偏差量，獲取風機的狀態(tài)偏差量。

在其中一個實施例中，所述獲取風電場的風機狀態(tài)數(shù)據(jù)之前，還包括：

接收風電場SCADA系統(tǒng)發(fā)送的風機狀態(tài)數(shù)據(jù)，所述風機狀態(tài)數(shù)據(jù)由所述風電場SCADA系統(tǒng)采用預設毫秒級采樣周期采集得到。