一种风机安全监测的大数据处理方法技术

本发明专利技术提供一种风机安全监测的大数据处理方法，该方法包括：数据采集：采集所有被监测风机的

【技术实现步骤摘要】
一种风机安全监测的大数据处理方法


[0001]本专利技术涉及风力发电机安全监测
，具体涉及一种风机安全监测的大数据处理方法
。

技术介绍

[0002]随着风力发电机的建设以及机组单机容量的不断增大，风机的维护和安全监测成为一个难题
。
[0003]目前对于风机安全监测主要采用风力
、
振动
、
倾斜等传感器进行安全监测，通过振动传感器对风机的振动信号进行监测和分析，可以得到风机的振动参数，如加速度
、
速度
、
位移等；对采集的风力数据进行分析，在风大的情况下对风力发电机进行停机操作；对倾斜传感器数据进行分析得到风机的倾斜度等参数
。
另外还有通过
GNSS
定位技术对风机的位置和偏移量进行实时监测，可以检测风机是否存在偏移和倾斜情况
。
[0004]现有的风机安全监测系统的数据量越来越大，但是这些数据仅进行了数据采集
、
存储和预警，并没有进行充分的数据分析和挖掘，无法针对风机的形变情况进行建模
、
预测，为风机的安全运行提供建议和状态预测
。
[0005]综上所述，急需一种风机安全监测的大数据处理方法以解决现有技术中存在的问题
。

技术实现思路

[0006]本专利技术目的在于提供一种风机安全监测的大数据处理方法，实现在海量的不完整
、
存在噪声的风机监测数据中提取出风机位移的趋势特征，分析风力
、
风机高度与风机位移的关系，对风机位移进行预测
、
预警，具体技术方案如下：
[0007]一种风机安全监测的大数据处理方法，包括：
[0008]数据采集：采集所有被监测风机的
GNSS
数据
、
风力数据和
IMU
数据存至数据库中；
[0009]单个风机的实时解算：基于
GNSS
数据获得
GNSS
位移量，基于
IMU
数据获得加速度计位移量，对
GNSS
位移量和加速度计位移量进行卡尔曼滤波得到风机融合位移量；将风机融合位移量存入数据库中并基于风机融合位移量进行预警；
[0010]大数据分析：建立数据处理模型后，将单个风机的风机高度和风力数据输入至数据处理模型中得到位移模型值，根据位移模型值
、
该风机的风机融合位移量和数据处理模型的预测误差识别该风机的异常数据；基于风机的风机融合位移量动态调整该风机卡尔曼滤波计算中的卡尔曼增益
。
[0011]以上技术方案中优选的，风机融合位移量的计算方式为：
[0012][0013][0014][0015]其中，为
t
秒的风机融合位移量，为
GNSS
和加速度计的位移量差值，
K
t
为卡尔曼增益，
σ
t
为第
t
秒观测误差，
R
为观测噪声协方差矩阵，
X
acc_t
为加速度计
t
秒解算得到的位移量和速度，
θ
为根据风机融合位移量动态调整的变量参数，为预测的
t
秒的状态向量，
P
t
为
GNSS
和加速度计输出的位移量的协方差及速度的协方差，
H
t
为状态转移矩阵
。
[0016]以上技术方案中优选的，卡尔曼滤波的系统状态方程为：
[0017][0018]Δ
X
t
‑1＝
X
gnss_t
‑1‑
X
acc_t
‑1＝
[
Δ
E
t
‑1,
Δ
N
t
‑1,
Δ
U
t
‑1,
Δ
Ve
t
‑1,
Δ
Vn
t
‑1,
Δ
Vu
t
‑1]T
ꢀꢀ
(5)
，
[0019][0020]其中，为由
t
‑1秒状态预测的
t
秒状态向量，
Δ
X
t
‑1为第
t
‑1秒实际测量的状态向量，
X
gnss_t
‑1为
GNSS
在
t
‑1秒解算得到的位移量和速度，
X
acc_t
‑1为加速度计
t
‑1秒解算得到的位移量和速度，
Δ
E
t
‑1为
GNSS
和加速度计第
t
‑1秒的东方向位移量之差，
Δ
N
t
‑1为
GNSS
和加速度计第
t
‑1秒的北方向位移量之差，
Δ
U
t
‑1为
GNSS
和加速度计第
t
‑1秒的竖直向位移量之差，
Δ
Ve
t
‑1为
GNSS
和加速度计第
t
‑1秒的东方向速度之差，
Δ
Vn
t
‑1为
GNSS
和加速度计第
t
‑1秒的北方向速度之差，
Δ
Vu
t
‑1为
GNSS
和加速度计第
t
‑1秒的竖直向速度之差，
I3为
3*3
单位矩阵，03
为
3*3
的0矩阵
。
[0021]以上技术方案中优选的，卡尔曼滤波的观测方程为：
[0022][0023][0024]其中，观测向量
Δ
Z
t
＝
[
Δ
E
t
,
Δ
N
t
,
Δ
U
t
]T
。
[0025]以上技术方案中优选的，间隔
T1
时间进行一次数据处理模型建立，具体是：
[0026]将过去
T3
时间内所有风机的风力数据和风机融合位移量进行预处理，将风机高度和预处理后的风力数据和风机融合位移量划分为训练集和验证集；
[0027]以训练集中的风力数据和风机高度作为
BP
神经网络的输入，以位移模型值作为
BP
神经网络的输出，完成
BP
神经网络的训练；
[0028]将验证集中的风力数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风机安全监测的大数据处理方法，其特征在于，包括：数据采集：采集所有被监测风机的
GNSS
数据
、
风力数据和
IMU
数据存至数据库中；单个风机的实时解算：基于
GNSS
数据获得
GNSS
位移量，基于
IMU
数据获得加速度计位移量，对
GNSS
位移量和加速度计位移量进行卡尔曼滤波得到风机融合位移量；将风机融合位移量存入数据库中并基于风机融合位移量进行预警；大数据分析：建立数据处理模型后，将单个风机的风机高度和风力数据输入至数据处理模型中得到位移模型值，根据位移模型值
、
该风机的风机融合位移量和数据处理模型的预测误差识别该风机的异常数据；基于风机的风机融合位移量动态调整该风机卡尔曼滤波计算中的卡尔曼增益
。2.
根据权利要求1所述的风机安全监测的大数据处理方法，其特征在于，风机融合位移量的计算方式为：量的计算方式为：量的计算方式为：其中，为
t
秒的风机融合位移量，为
GNSS
和加速度计的位移量差值，
K
t
为卡尔曼增益，
σ
t
为第
t
秒观测误差，
R
为观测噪声协方差矩阵，
X
acc_t
为加速度计
t
秒解算得到的位移量和速度，
θ
为根据风机融合位移量动态调整的变量参数，为预测的
t
秒的状态向量，
P
t
为
GNSS
和加速度计输出的位移量的协方差及速度的协方差，
H
t
为状态转移矩阵
。3.
根据权利要求2所述的风机安全监测的大数据处理方法，其特征在于，卡尔曼滤波的系统状态方程为：
Δ
X
t
‑1＝
X
gnss_t
‑1‑
X
acc_t
‑1＝
[
Δ
E
t
‑1,
Δ
N
t
‑1,
Δ
U
t
‑1,
Δ
Ve
t
‑1,
Δ
Vn
t
‑1,
Δ
Vu
t
‑1]
T
ꢀꢀꢀ
(5)
，其中，为由
t
‑1秒状态预测的
t
秒状态向量，
Δ
X
t
‑1为第
t
‑1秒实际测量的状态向量，
X
gnss_t
‑1为
GNSS
在
t
‑1秒解算得到的位移量和速度，
X
acc_t
‑1为加速度计
t
‑1秒解算得到的位移量和速度，
Δ
E
t
‑1为
GNSS
和加速度计第
t
‑1秒的东方向位移量之差，
Δ
N
t
‑1为
GNSS
和加速度计第
t
‑1秒的北方向位移量之差，
Δ
U
t
‑1为
GNSS
和加速度计第
t
‑1秒的竖直向位移量之差，
Δ
Ve
t
‑1为
GNSS
和加速度计第
t
‑1秒的东方向速度之差，
Δ
Vn
t
...

【专利技术属性】
技术研发人员：熊用，陈浩，梁晓东，蒋洪波，雷孟飞，肖竹，杨科华，秦拯，
申请(专利权)人：湖南大学，
类型：发明
国别省市：