基于SCADA数据的风电机组监测方法、装置和介质与流程

本发明涉及风力发电，尤其涉及一种基于scada数据的风电机组监测方法、装置、设备及介质。

背景技术：

1、风力发电作为清洁能源的重要组成部分，在全球能源供应中占有越来越重要的地位。随着风电技术的发展，风电机组的规模、复杂度及其在电网中的作用也日益增加。由于风电机组常处于遥远或恶劣的环境中，如何有效监测其运行状态以确保高效和安全运行成为一个重要研究课题。因此，对风电机组进行实时且准确的状态监测和故障预测显得尤为重要。

2、传统的风电机组监测技术主要包括振动分析、温度监测、声音诊断等方法。这些方法依赖于传感器收集机组各部件的操作数据，通过分析这些数据的异常来判断机组是否存在潜在的故障。例如，振动分析技术通过分析齿轮箱、轴承等部件的振动特征来识别故障；温度监测则关注关键部件如发电机和变压器的温度变化。传统的风电机组监测技术，如振动分析、温度监测和声音诊断，为机组故障检测提供了一定的基础，它们通常只能在故障引起显著参数变化后才能进行检测，因此，在预防性维护和早期故障预警方面的效果有限。此外，这些方法依赖于固定的阈值或简单的数据比较，使得在面对复杂或非线性数据时容易发生误报和漏报，导致维护决策的不准确。更重要的是，大多数传统方法未能充分利用丰富的历史数据和先进的机器学习技术来提高故障诊断的准确性和预测能力，这限制了它们在动态和复杂运行环境中的应用效果。

3、因此，亟需提出一种基于scada(supervisory control and data acquisition，数据采集与监视控制系统)数据的风电机组监测方法、装置、设备和介质，以解决风电机组在动态和复杂运行环境中无法提前预警故障和故障诊断的准确率低下的问题。

技术实现思路

1、为克服相关技术中存在的问题，本公开提供一种基于scada数据的风电机组监测方法、装置、设备和介质，以解决相关技术中风电机组在动态和复杂运行环境中无法提前预警故障和故障诊断的准确率低下的技术问题。

2、本说明书一个或多个实施例提供了一种基于scada数据的风电机组监测方法，包括以下步骤：

3、实时采集风电机组的scada数据，预处理后作为实际观测数据；

4、利用正常运行的历史scada数据，建立风电机组的mset正常运行模型；

5、将所述实际观测数据输入到所述mset正常运行模型中获取预测数据，计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列；

6、对所述残差序列进行序贯概率比检验，根据检验结果分析风电机组是否存在异常状态。

7、优选地，还包括以下步骤：

8、当所述检验结果表明风电机组存在异常状态时，自动触发警报，并提供风电机组的所有运行数据进行故障诊断。

9、优选地，所述计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列，可以表示为：

10、rt＝yactual,t-ypredicted,t；

11、其中，yactual,t代表在时间t的实际观测数据，ypredicted,t代表mset正常运行模型在同一时间的预测数据。

12、优选地，所述序贯概率比检验的公式表示为：

13、

14、其中，λ(t)代表数据序列在第t个数据点时的序贯概率比，f1代表存在异常状态下的概率密度函数，f0代表正常运行状态下的概率密度函数，代表存在异常状态下的似然函数，代表存在正常运行状态下的似然函数。

15、本说明书一个或多个实施例提供了一种基于scada数据的风电机组监测装置，包括数据采集模块，模型建立模块，残差计算模块和检验模块；

16、所述数据采集模块，用于实时采集风电机组的scada数据，预处理后作为实际观测数据；

17、所述模型建立模块，用于利用正常运行的历史scada数据，建立风电机组的mset正常运行模型；

18、所述残差计算模块，用于将所述实际观测数据输入到所述mset正常运行模型中获取预测数据，计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列；

19、所述检验模块，用于对所述残差序列进行序贯概率比检验，根据检验结果分析风电机组是否存在异常状态。

20、优选地，还包括报警模块，用于当所述检验结果表明风电机组存在异常状态时，自动触发警报，并提供风电机组的所有运行数据进行故障诊断。

21、优选地，所述残差计算模块，具体配置为计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列，可以表示为：

22、rt＝yactual,t-ypredicted,t；

23、其中，yactual,t代表在时间t的实际观测数据，ypredicted,t代表mset正常运行模型在同一时间的预测数据。

24、优选地，所述检验模块中所述序贯概率比检验的公式表示为：

25、

26、其中，λ(t)代表数据序列在第t个数据点时的序贯概率比，f1代表存在异常状态下的概率密度函数，f0代表正常运行状态下的概率密度函数，代表存在异常状态下的似然函数，代表存在正常运行状态下的似然函数。

27、本说明书一个或多个实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于scada数据的风电机组监测方法。

28、本说明书一个或多个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于scada数据的风电机组监测方法的步骤。

29、本公开提供的一种基于scada数据的风电机组监测方法、装置、设备及介质，优点在于，通过实时采集风电机组的scada数据，预处理后作为实际观测数据，通过实时采集的风电机组的scada数据进行故障检测判断持续监测数据，提前预测潜在的机械或电气故障；利用正常运行的历史scada数据，建立风电机组的mset正常运行模型，通过对历史运行数据的深入学习和模型优化，有效减少了误报和漏报的发生，确保了风电机组的高效稳定运行；将所述实际观测数据输入到所述mset正常运行模型中获取预测数据，计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列，通过实时监测和分析机组的关键运行参数，能够快速准确地识别出机组状态的微小变化；对所述残差序列进行序贯概率比检验，根据检验结果分析风电机组是否存在异常状态，可以精确评估当前数据的异常程度，极大地提高了故障检测的敏感性和准确性。

技术特征：

1.一种基于scada数据的风电机组监测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于scada数据的风电机组监测方法，其特征在于，还包括以下步骤：

3.如权利要求1所述的基于scada数据的风电机组监测方法，其特征在于，所述计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列，可以表示为：

4.如权利要求1所述的基于scada数据的风电机组监测方法，其特征在于，所述序贯概率比检验的公式表示为：

5.一种基于scada数据的风电机组监测装置，其特征在于，包括数据采集模块，模型建立模块，残差计算模块和检验模块；

6.如权利要求5所述的基于scada数据的风电机组监测装置，其特征在于，还包括报警模块，用于当所述检验结果表明风电机组存在异常状态时，自动触发警报，并提供风电机组的所有运行数据进行故障诊断。

7.如权利要求5所述的基于scada数据的风电机组监测装置，其特征在于，所述残差计算模块，具体配置为计算所述实际观测数据与所述mset正常运行模型的预测数据之间的残差序列，可以表示为：

8.如权利要求5所述的基于scada数据的风电机组监测装置，其特征在于，所述检验模块中所述序贯概率比检验的公式表示为：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于scada数据的风电机组监测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于scada数据的风电机组监测方法的步骤。

技术总结
本发明提供了一种基于RIS的多用户协作隐蔽通信方法、装置、设备及介质，其中，方法包括：实时采集风电机组的SCADA数据，预处理后作为实际观测数据；利用正常运行的历史SCADA数据，建立风电机组的MSET正常运行模型；将所述实际观测数据输入到所述MSET正常运行模型中获取预测数据，计算所述实际观测数据与所述MSET正常运行模型的预测数据之间的残差序列；对所述残差序列进行序贯概率比检验，根据检验结果分析风电机组是否存在异常状态，以解决风电机组在动态和复杂运行环境中无法提前预警故障和故障诊断的准确率低下的问题。

技术研发人员：王超,詹鹏,周云山,郭进学,丛建鸥,常海东,邢伟,刘学武,胡晓春,赵健,孙建桥
受保护的技术使用者：中国华电科工集团有限公司
技术研发日：
技术公布日：2024/11/14