基于边缘计算和深度学习的风电机组测控系统及测控方法与流程

本发明涉及风力发电技术领域，特别涉及一种基于边缘计算和深度学习的风电机组测控系统及测控方法。

背景技术：

风力发电机组在向智能化方向发展的过程中，风电机组状态监测要求也在持续提高。相比过去，目前的风电机组状态监测点的类型和数量都增加较多，叶片、塔筒、基础、螺栓等部件安装监控系统也已十分普遍。

目前的风电机组监控系统以数据采集、实时状态显示为主，通过人工读取运行状态来做出下一步决策，虽能进行远程操作，但无法做到即时快捷。另外，人工操作对每台机组都用相同、单一的对策，无法结合其他风电机组一起考虑来协调整个风场的运作，这容易造成一定的资源损失，同时，随着大规模风电场、海上风电场的兴起，因此需要一种更为智能的控制方式，让风电场能可靠、高效地运行，尽大可能地最优化获取收益。

技术实现要素：

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于边缘计算和深度学习的风电机组测控系统，该系统可以实时、快速和独立地控制各风机，风电机组控制更高效和智能化。

本发明的第二目的在于提供一种基于边缘计算和深度学习的风电机组测控方法，该方法可以更智能地实现风电机组的测控。

本发明的第一目的通过下述技术方案实现：一种基于边缘计算和深度学习的风电机组测控系统，包括：总服务器和安装在风电机组每个风机上的端传感器、端控制器、端服务器及风机主控，其中，

端传感器位于风机上待监控部件的位置，用于采集待监控部件数据；

端控制器连接端传感器和端服务器，端控制器存储有对应的深度学习模型，端控制器用于获取端传感器的采集数据，并通过深度学习模型对采集数据进行边缘计算处理，将处理结果存储在端服务器中和基于处理结果生成相应的风机控制指令；

端服务器连接总服务器，并将处理结果上传至总服务器，总服务器用于获取端服务器上传的处理结果和通过端服务器向端控制器下发对应的深度学习模型；

风机主控连接端控制器或者端服务器，当风机主控连接端控制器时，风机主控直接从端控制器获取风机控制指令，并根据控制指令对风机进行控制；当风机主控连接端服务器时，风机主控用于从端服务器获取端控制器生成的风机控制指令，并根据控制指令对风机进行控制。

优选的，每台风机具有一个对应的端服务器和至少一个端控制器，端控制器位于待监控部件的周围，一个端控制器所监控的端传感器数量为1个或者1个以上；

多台风机的端服务器连接同一个总服务器，每个端服务器安装在对应风机的塔底平台，并且连接风机上的端控制器。

优选的，端传感器类型包括加速度传感器、应变传感器、温度传感器、风速传感器；风机上所监控部件包括叶片、塔筒螺栓。

优选的，端服务器存储的数据包括原始的端传感器数据、边缘计算后的特征数据和风机控制的历史数据。

优选的，端传感器通过通信线缆连接端控制器，风机主控通过通信线缆连接端控制器或者端服务器，端控制器通过通信线缆连接端服务器，端服务器通过有线连接或者无线连接的方式连接总服务器。

本发明的第二目的通过下述技术方案实现：一种基于边缘计算和深度学习的风电机组测控方法，所述方法应用于本发明第一目的所述的基于边缘计算和深度学习的风电机组测控系统，具体包括如下步骤：

总服务器通过每台风机的端服务器将对应的深度学习模型下发给每台风机的端控制器；

当风机在运行时，风机上的端传感器采集所监控部件的数据，并发送给端控制器；

端控制器接收端传感器的采集数据，然后通过深度学习模型对采集数据进行边缘计算处理，得出处理结果并存储在端服务器中，并且基于处理结果直接或者通过端服务器向风机主控发送相应的风机控制指令；

风机主控从端控制器或者端服务器获取风机控制指令，并根据风机控制指令对风机进行控制，同时，端服务器将处理结果上传给总服务器。

优选的，方法还包括：总服务器定期从端服务器获取其存储的数据，并基于数据对对应的深度学习模型进行优化，然后通过端服务器向端控制器发送优化后的深度学习模型，使端控制器内的模型得以更新。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明基于边缘计算和深度学习的风电机组测控系统中，每台风机上的端控制器可以通过深度学习模型对采集数据进行边缘计算处理，生成对应的风机控制指令，从而实现风电机组各个风机的独立控制和稳定运行，风机能够即时快捷地处理端传感器的采集数据和做出反馈，与远程控制的方式相比，能够避免人工处理延时和疏忽造成的资源和经济损失，风机工作效率更高。总服务器可以通过端服务器获取端控制器的处理结果和向端控制器下发对应的深度学习模型，与现有的人工操作对每台机组都用相同、单一的对策相比，本发明系统具有高度的独立性和匹配性，各风电机组端独立采集和处理数据，总服务器又能够结合考虑风电机组中多个风机的运行情况来协调整个风场的运作，使得风电场运行更智能高效。

(2)本发明应用智能算法来实现机组运行对策可持续优化，总服务器可以定时获取最新数据对智能模型进行优化，实现风场级的状态特性学习，通过端服务器来统一更新端控制器的智能模型，从而实现机组运行对策优化，对提高风电机组可利用率、提升发电效能非常有利。

附图说明

图1是本发明基于边缘计算和深度学习的风电机组测控系统的结构框图。

图2是图1测控系统的第一种安装方式的示意图。

图3是图1测控系统的第二种安装方式的示意图。

图4是本发明基于边缘计算和深度学习的风电机组测控方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例公开了一种基于边缘计算和深度学习的风电机组测控系统，风电机组具有多个风机(风机1，风机2，风机3，……，风机n)，如图1所示，包括：总服务器1和安装在风电机组每个风机上的端传感器2、端控制器3、端服务器4及风机主控5。

每台风机具有一个对应的端服务器和至少一个端控制器，一个端控制器所监控的端传感器数量为1个或者1个以上。多台风机的端服务器连接同一个总服务器。

端传感器位于风机上待监控部件的位置，用于采集待监控部件数据。端传感器类型包括：加速度传感器、应变传感器、温度传感器、风速传感器等等。风机上所监控部件包括叶片、塔筒螺栓，当所监控部件为塔筒螺栓时，端传感器对应采集到螺栓的变形数据、预紧力等。

图2和3为本实施例系统的两种安装方式。如图2，端传感器位于叶片或者轮毂，端控制器位于机舱。如图3，端传感器和端控制器均位于塔筒。端传感器通过通信线缆连接端控制器，端控制器通过通信线缆连接端服务器。当然，也可以是采用无线通信方式。端控制器位于待监控部件的周围，例如，要监控塔筒螺栓，端传感器在塔筒螺栓位置，端控制器则可安装在法兰附近。

每个端服务器连接风机上对应的端控制器，并且为了方便不时查看和维护端服务器，每个端服务器安装在对应风机的塔底平台。

端控制器存储有对应的深度学习模型，控制器用于获取端传感器的采集数据，并通过深度学习模型对采集数据进行边缘计算处理，将处理结果存储在端服务器中和基于处理结果生成相应的风机控制指令。这里的边缘计算是指，在数据源(风机上的端控制器)实时处理数据，通过边缘计算，数据的处理可在未传到风场总服务器的情况下直接进行。

端服务器存储的数据包括原始的端传感器数据、边缘计算后的特征数据和风机控制的历史数据。端服务器通过通信线缆连接总服务器，并将存储的数据包括处理结果上传至总服务器。端服务器和总服务器之间不仅可以传递数据，还可以更新端服务器的原有软件。

总服务器用于获取端服务器上传的处理结果和通过端服务器向端控制器下发对应的深度学习模型。深度学习是目前广泛研究的智能识别方法，通过模拟神经网络对研究对象的特征进行多方面分解，具有较高的识别准确度。本实施例的总服务器还可以定期获取端服务器中的数据来让模型继续学习优化。

风机主控通过通信线缆连接端控制器或者端服务器。当风机主控连接端控制器时(也就是连接方式1)，风机主控直接从端控制器获取风机控制指令，然后根据风机控制指令对风机进行控制。

当风机主控连接端服务器时(也就是连接方式2)，风机主控则从端服务器获取端控制器生成的风机控制指令，并根据控制指令对风机进行控制。

本实施例还公开了一种基于边缘计算和深度学习的风电机组测控方法，所述方法应用于上述风电机组测控系统，如图4所示，具体包括如下步骤：

总服务器通过每台风机的端服务器将对应的深度学习模型下发给每台风机的端控制器；

当风机在运行时，风机上的端传感器采集所监控部件的数据，并发送给端控制器；

端控制器接收端传感器的采集数据，然后通过深度学习模型对采集数据进行边缘计算处理，得出处理结果并存储在端服务器中，并且基于处理结果直接或者通过端服务器向风机主控发送相应的风机控制指令；

风机主控从端控制器或者端服务器获取风机控制指令，并根据风机控制指令对风机进行控制，同时，端服务器将处理结果上传给总服务器。

在上述过程中，总服务器还定期从端服务器获取其存储的数据，并基于数据对对应的深度学习模型进行优化，然后通过端服务器向端控制器发送优化后的深度学习模型，使端控制器内的模型得以更新。

因此，通过上述方法，各个风机能够独立运作，能够即时快捷地做出反馈。总服务器也能够结合考虑风电机组中多个风机的运行情况协调整个风场的运作，风电场运行更智能高效。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。