智慧风电场监控系统关键技术研究及应用

智慧风电场监控系统关键技术研究及应用摘要：在风电产业快速发展的同时，也暴露出一些问题，比如风电场监控系统不完善、机组信息获取困难、故障诊断能力差等。

在风机设备智能化程度越来越高的今天，对风机监控系统提出了更高的要求，智慧风电场监控系统应运而生。

关键词：智慧风场；健康系统；技术智慧风电场监控系统以软件作为基础，以硬件为载体，是一种分布式的系统。

智慧风电场监控系统充分利用云计算、物联网、大数据等技术，实现对风电场关键设备的远程监测、故障诊断、智能控制和预测性维护等功能，通过对风机设备运行状态的实时采集和状态分析，实现风机设备故障诊断和预测性维护。

下面介绍智慧风电场监控系统关键技术及应用。

1智慧数据平台智慧数据平台是基于大数据、云计算、物联网、人工智能等技术，通过数据分析处理，实现对风机设备运行状态的实时监测，并对风机设备进行故障诊断，实现风电机组的智能控制和预测性维护，从而提高风电机组的运行效率和发电效率。

智慧数据平台利用云计算、大数据等技术，充分整合各种资源，实现对各种信息数据的存储与管理。

利用大数据技术对数据进行挖掘分析，使数据价值最大化。

智慧数据平台主要包括以下几个部分：⑴数据存储平台：根据各个部门和用户的需求，建立不同的数据库，实现数据存储。

比如日志数据库、风机模型库、风机性能预测库、智能预测库等。

⑵数据处理平台：主要是通过数据挖掘分析技术来提高决策水平和预测精度。

比如可以对风机运行过程中的大量原始数据进行挖掘分析，然后通过关联规则分析技术、数据挖掘技术等来对风机运行过程中产生的海量数据进行分析，从而得出相应的规律和结论。

⑶云计算平台：主要是利用云计算技术，把分布在不同地方的计算资源集中起来，同时实现了对计算资源和存储资源的共享。

比如可以实现不同地域之间的数据共享、计算共享等。

1.1数据采集与监控智慧风电场监控系统中的数据采集主要包括风机关键参数、风功率数据、电力数据等，利用各种传感器对风机运行过程中的各种参数进行实时采集，并将采集到的数据上传到智慧数据平台。

为了保证数据采集的准确性和实时性，需要通过计算机网络对风机运行过程中所需的各种参数进行统一监控。

在风机监控系统中，需要将各类传感器、控制设备、执行机构等接入智慧数据平台，实现对风机运行过程中的各项参数进行统一监测和集中控制。

智慧数据平台利用云计算技术来对传感器信息进行统一管理，利用大数据技术对传感器信息进行挖掘分析，并将分析结果发送给各执行机构，从而实现对风机运行过程中各项参数的集中监控。

智慧数据平台还需要将采集到的风机运行过程中所需的各类参数通过通信网络上传到云端服务器，并通过大数据技术对上传数据进行处理和分析。

通过这种方式不仅可以保证风电场各设备之间的信息传递和数据共享，同时还可以通过云计算技术对收集到的大量数据进行快速处理和分析。

1.2智能分析在风电机组正常运行过程中，会产生大量的数据，其中包括大量的历史运行数据、气象数据、运维数据以及其他相关数据。

这些数据是对风电机组性能进行评估的重要依据，也是开展预测性维护的基础。

利用数据挖掘技术对大量的历史数据进行分析，从中提取有效信息，提取出对风机运行状态有指导意义的信息，这就是智能分析。

1.2.1智能预测：主要是根据风机历史运行数据、气象数据和相关参数进行数据挖掘，从中提取出能够预测风电机组性能的模型和方法。

比如可以利用支持向量机、神经网络、遗传算法、粒子群优化算法等方法来对风机运行性能进行预测。

另外，还可以利用模糊逻辑、专家系统等方法来对风机性能进行预测。

1.2.2智能控制：主要是根据风机运行工况，结合具体情况来分析风电机组控制策略和优化控制算法，使其能够适应不同的环境，从而提高风机的发电效率。

比如可以利用模糊逻辑、神经网络、遗传算法等方法来对风电场的功率控制进行优化，从而提高其发电效率。

1.2.3智能运维：主要是根据风机运行状态和相关参数对风机进行监控和管理，及时发现故障，减少故障发生，降低维修成本。

比如可以利用支持向量机模型、神经网络模型等方法来对风电机组故障进行诊断和预测，并通过云平台向风电场远程运维人员提供监控和管理服务。

1.2.4智能优化：主要是根据系统提供的历史运行数据以及相关参数来进行优化，从而减少不必要的维护工作和缩短维护时间。

1.2.5智能决策：主要是根据风电场的实际情况和用户需求来建立智慧决策平台，为用户提供决策支持服务。

比如可以利用遗传算法、人工神经网络、专家系统等方法来对风电场的运维策略进行优化。

1.3远程控制风电场远程监控系统主要由远程控制中心、风电机组控制装置和风机传感器三部分组成。

远程控制中心利用物联网技术实现对风电场内每台风机的远程监控，并能对风机运行数据进行实时采集、分析、显示、存储和记录，并在需要时为风电机组的运行状态提供决策支持。

远程控制中心主要由以下几个模块组成：1.3.1数据采集模块：通过采集现场传感器的信号，将数据传输到控制中心。

1.3.2数据分析模块：对采集的数据进行分析，并生成报表。

1.3.3控制模块：根据需要对风机进行控制。

主要包括风机转速调节、变桨调节、变速调节、变桨与变速调节等。

1.3.4风机传感器：对风电机组的状态进行实时监测，并将监测结果以短信方式发送到监控中心。

1.3.5远程控制单元：通过物联网技术和通信技术，把风电场内每台风机连接到网络上，实现远程监控。

这种方式不仅可以大大提高工作效率，还能有效降低运行成本，从而降低维护成本和维修费用。

1.3.6基于互联网的远程监控系统软件：通过互联网技术实现对风电机组的远程监控。

2机组状态监测风电机组状态监测是指通过各种检测手段，对设备的运行状态进行实时监测，以及时发现设备潜在的故障。

状态监测可分为在线监测和离线监测两种。

在线监测是指对风机设备运行状态进行实时的采集，并将其发送到风电场监控系统进行显示和分析；离线监测是指通过传感器对风机设备运行状态进行实时的采集，并将其发送到风电场监控系统进行显示和分析。

风机设备状态监测主要包括机组振动、电流、电压、温度、湿度、风量及风速等参数。

在线检测能够实时反映设备的运行情况，但不能及时发现问题。

离线监测则能够对故障发生前的故障征兆进行提前预测，但对故障的发生没有任何影响。

在线与离线监测相结合，能够更全面地反映设备的运行情况。

在智慧风电场监控系统中，可以同时使用在线和离线检测功能，以更全面地反映设备的运行情况。

目前，针对风机状态检测主要采用振动分析法和电流分析法两种方法。

其中，振动分析法是基于对振动信号进行检测而得出的一种故障诊断方法，由于这种方法需要对振动信号进行检测，因此无法在风电场内使用。

电流分析法则是基于电流信号检测风机设备运行状态并进行故障诊断的一种方法，该方法能够在风电场内使用，但需要将电流信号接入到监控系统中。

离线检测一般通过对振动和电流信号进行采集，并将采集到的数据传送给监控系统。

由于离线检测无法及时发现风机设备故障，因此，必须要将离线检测和在线监测结合起来。

在实际应用过程中，离线检测往往是根据经验对设备故障进行诊断，因此存在较大的误差。

而在线检测是在离线检测的基础上对设备运行状态进行实时监测与分析，从而及时发现设备故障。

针对风机状态监测的研究主要包括两个方面：一方面是基于在线与离线监测数据建立起准确、全面的机组状态评估模型；另一方面是将在线监测与离线监测相结合，提高对故障诊断能力。

在风机状态评估方面，主要分为三个步骤：首先是根据在线监测和离线检测得到的数据对风机进行状态评估；然后是根据评估结果确定风机处于正常、异常和故障状态；最后是对风机进行维护和维修。

基于在线与离线监测数据建立起准确、全面的机组状态评估模型是一个比较复杂的过程；而在此基础上通过与离线监测数据相结合对风机进行故障诊断则更具实际意义。

在机组状态诊断方面，主要采用基于多传感器融合技术的机组状态诊断方法。

该方法通过对机组运行数据进行采集、处理和分析，得到机组运行状态与故障之间的关系。

基于该关系建立起准确、全面的机组状态评估模型，并利用该模型对风电机组运行状况进行分析和诊断。

通过采用多传感器融合技术实现了对风机运行状态信息的充分采集和利用；在此基础上结合在线与离线监测数据建立起准确、全面的机组状态评估模型。

这种方法不仅能够准确地对风电机组运行状况进行评估，还能将故障诊断能力提高到一个新的水平。

小波分析是一种非平稳、时频局部化、多分辨率分析技术，其目的是通过对信号进行分解、重构等手段提取信号特征信息。

在风机运行过程中往往会受到各种因素的影响而使其发生故障；因此，对风机进行故障诊断时需要结合故障特征信息进行分析。

基于小波分析技术建立起准确、全面的机组故障诊断模型是一种比较有效的方法。

在实际应用过程中应注意以下几个问题：首先，在对风机运行状态进行评估时要综合考虑多种因素；其次，在建立模型时要充分考虑风电机组设备运行过程中存在的一些随机干扰因素；最后要注意模型预测结果与实际数据之间是否存在差异。

3智能控制技术3.1智能控制策略目前，国内外已有许多风电机组的智能控制策略，但由于风电机组的复杂性，这些策略大都是针对某一特定的机组或机型。

例如：有的针对某一风场的风机，有的针对某一区域的风机，还有的针对某一时段的风机。

由于不同地区、不同气候条件下风力发电机组运行状态与运行环境不同，因此需要研究和开发适合不同地区、不同气候条件下的智能控制策略。

3.2风电机组智能控制算法智能控制是指在不了解风力发电机组内部工作原理的情况下，通过对风力发电机组内部各部分数学模型及控制方法进行分析研究，最终设计出合理有效的风电机组智能控制算法。

智能控制算法可以分为模糊控制、自适应模糊控制、神经网络控制等。

目前，已有学者将神经网络算法应用到风电机组中。

神经网络算法具有良好的泛化能力、较强的自学习能力和较好的鲁棒性，可以提高风电机组的智能控制水平。

3.3风场仿真模型风场仿真模型是整个风电场智能控制系统中最重要的部分之一，包括机组运行状态分析、风场风速分布计算、功率预测计算等内容。

风场仿真模型建立在对风场各种影响因素深入分析基础上，以风电场机组运行数据为依据，采用一定的算法和模型建立起风电机组运行仿真模型。

3.4风电场监控系统软件智慧风电场监控系统软件主要包括三大模块：通信模块、数据分析模块和智能监控模块。

其中，通信模块实现各风电机组与后台中心计算机之间信息传递和数据交换；数据分析模块主要对各风电机组实时运行状态进行数据分析处理，包括风力发电机有功功率、无功功率、桨距角、偏航角和塔筒高度等；智能监控模块实现对风电场内部各个关键设备进行远程监控。

随着智慧风电场监控系统技术水平不断提升，风电机组在各个环节都可以实现智能化控制，可以更加科学合理地利用风能资源。

比如：对风电机组进行无人值守；实现风电场与电网之间的智能互联；实现风电机组故障自诊断和自愈；实现故障智能分析和故障预测；实现风电场管理信息化等。