[go: up one dir, main page]

CN116398362A - 一种风电场现场设备监控方法、装置和设备 - Google Patents

一种风电场现场设备监控方法、装置和设备 Download PDF

Info

Publication number
CN116398362A
CN116398362A CN202310494497.6A CN202310494497A CN116398362A CN 116398362 A CN116398362 A CN 116398362A CN 202310494497 A CN202310494497 A CN 202310494497A CN 116398362 A CN116398362 A CN 116398362A
Authority
CN
China
Prior art keywords
wind
wind turbine
fault
power generation
wind motor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310494497.6A
Other languages
English (en)
Inventor
孟靖祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huailai Cloud Exchange Network Technology Co ltd
Original Assignee
Huailai Cloud Exchange Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huailai Cloud Exchange Network Technology Co ltd filed Critical Huailai Cloud Exchange Network Technology Co ltd
Priority to CN202310494497.6A priority Critical patent/CN116398362A/zh
Publication of CN116398362A publication Critical patent/CN116398362A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本申请涉及风电机检测技术领域，尤其涉及一种风电场现场设备监控方法、装置和设备，该方法包括：获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；基于所述多张连续图像信息，确定风电机外部组件是否故障，并基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障的内部组件；将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。本申请具有的技术效果是提高了故障风电机的检测准确度。

Description

一种风电场现场设备监控方法、装置和设备
技术领域
本申请涉及风电机检测的技术领域，尤其是涉及一种风电场现场设备监控方法、装置和设备。
背景技术
风力发电机是一种设置在风电场中，且将风能转换为电能的重要电力设备。风电场是指将风能获取、转换成电能并通过输电线路送入电网的场所，风电场中设置有多个风力发电机，风力发电机产生的电能对风电场所在区域居民的生产生活有着重要影响。当任一风力发电机出现故障时，风电场总发电量会因此受到影响，因而如何在地理跨度大的风电场中，准确定位故障风力发电机有着重要作用。
相关技术中，会使用振动传感器检测风电机机舱的振动数据，并将振动数据大于预设数据阈值的风电机确定为故障发电机，并发送故障信号，然而，当无故障的风电机处于恶劣天气时，风电机的机舱同样会产生剧烈振动，此时振动传感器就会发送错误的故障信号，可见，相关技术中故障风电机的检测准确度较低。
发明内容
为了提高检测准确度，本申请提供一种风电场现场设备监控方法、装置和设备。
第一方面，本申请提供一种风电场现场设备监控方法，采用如下的技术方案：
一种风电场现场设备监控方法，包括：
获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；
基于所述多张连续图像信息，确定风电机外部组件是否故障，并基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障的内部组件；
将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
通过采用上述技术方案，通过获取目标区域内每一风电机的多张连续图像信息，以便确定风电机外部组件是否故障，获取风电机的内部多个组件及各自对应的温度信息，以便确定风电机的内部多个组件是否故障，而通过两次判断，将满足风电机外部组件故障，或，风电机的内部多个组件故障的风电机确定为故障风电机，有效提高了故障风电机检测的准确度。
在一种可能实现的方式中，所述风电机外部组件包括风电机机舱和风电机桨叶，所述基于所述多张连续图像信息，确定风电机外部组件是否故障，包括：
获取风向数据和风速数据；
基于所述多张连续图像信息和风电机机舱的多个关键点，确定风电机机舱的所有关键点各自对应的位置信息；
基于风电机机舱的所有关键点各自对应的位置信息，确定风电机机舱的所处方位；
基于风向数据和风电机机舱的所处方位确定风电机机舱是否处于正常偏航状态；
基于所述多张连续图像信息，确定风电机桨叶的转动速度，并基于风电机桨叶的转动速度和风速数据确定风电机桨叶是否处于正常运转状态；
将机舱未处于正常偏航状态，或，风电机桨叶未处于正常转动状态的风电机，确定为风电机外部组件故障。
通过采用上述技术方案，获取风向数据和风速数据，基于所有多张图像信息和多个关键点确定关键点各自对应的位置信息，以便通过所有位置信息确定风电机机舱的整体位置，进而可以根据风电机机舱的位置确定风电机机舱是否处于最优迎风状态；基于多张连续图像信息确定风电机桨叶的转动速度，以便确定在当前风速情况下，风电机桨叶的转速是否随风速变化；进而，当机舱未处于正常偏航状态，和/或，风电机桨叶的转速也未处于正常转速时，确定为故障风电机桨叶，基于风电机机舱的所处方位和桨叶转速有效提高了判断风电机桨叶故障的准确度。
在一种可能实现的方式中，所述基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障，包括：
获取所有内部组件各自对应的工作数据；
将所有内部组件各自对应的工作数据，输入至与每一内部组件对应的预设的预估工作温度模型中，以得到每一组件对应的预估工作温度；
获取每一组件的实际工作温度，并基于所有内部组件、各自对应的预估工作温度和各自对应的实际工作温度，确定是否存在异常运行的内部组件；
将异常运行的内部组件，确定内部故障组件。
通过采用上述技术方案，获取每一风电机内部多个组件各自对应的工作数据，并将所有组件各自对应的工作数据输入至各自对应的预估工作温度模型中，以便得到每一内部组件在当前工作状态下的实际工作温度；再获取每一内部组件的实际工作温度，根据每一内部组件的实际工作温度和预估工作温度，以确定风电机内部的多个组件是否存在温度过高而异常运行的问题，当风电机内部的组件异常运行时会导致风电机无法正常发电，因而将异常运行的内部组件确定为内部故障组件，进而，有效提高了判断组件是否故障的准确度。
在一种可能实现的方式中，所述将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机之后之后，还包括：
获取每一故障风电机的型号信息和故障信息，其中，所述故障信息表征发生故障的风电机的若干故障部位；基于每一故障风电机的所述型号信息和故障信息，生成故障报警信号，其中，所述故障报警信号用于提醒维修人员维修故障风电机。
通过采用上述技术方案，通过获取风电机型号信息和故障信息，并生成对应的故障报警信号，以便通过提醒可以及时维修故障风电机，进而减少对风电场发电量的影响。
在一种可能实现的方式中，所述基于所述型号信息和故障信息，生成故障报警信号之后，还包括：
针对目标区域，获取预设时长内每一故障风电机对应的所有故障报警信号；
基于每一故障风电机对应的所有故障报警信号，确定每一故障风电机的所有组件各自对应的故障频率，其中，风电机所有组件表征风电机的外部组件和风电机的内部多个组件；
基于目标区域内，每一风电机的所有组件各自对应的故障频率，确定目标区域的风电机的故障等级，并基于所述故障等级确定维修人员。
通过采用上述技术方案，获取预设时长内每一故障风电机的所有故障报警信号，以便基于所有故障报警信号确定每一风电机每一组件的故障频率，进而可以确定目标区域内风电机的故障等级，并根据故障等级确定维修人员以便通过调整维修人员降低目标区域风电机的故障频率。
在一种可能实现的方式中，基于所述多张连续图像信息，确定风电机桨叶是否故障之前，还包括：
对所述多张连续图像信息进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；相应的，所述基于所述多张连续图像信息，确定风电机桨叶是否故障，包括：
基于多张预处理后的连续图像信息，确定风电机桨叶是否故障。
通过采用上述技术方案，对多张连续图像信息进行预处理，通过尺寸调整以使图片更符合处理标准；通过去均值处理，以更突显风电机桨叶，对经过预处理后的图片进行处理，可以有效提高图片分析效率。
在一种可能实现的方式中，所述获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息之前，还包括：
获取目标区域内当前时段的预测发电量和当前时段的实际发电量，其中，预测发电量为基于多个气象影响数据和发电量预测模型得到的；
基于所述实际发电量和所述预测发电量，确定目标区域内当前时段的所有风电机是否正常发电；
相应的，所述获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息，包括：
若否，则获取存在不正常发电的风电机的目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息。
通过采用上述技术方案，通过获取目标区域内当前时段的预测发电量和当前时段的实际发电量，并判断实际发电量与预测发电量是否相同，以便确定目标区域内当前时段是否存在无法正常发电的风电机，若否，则表明目标区域内当前时段存在无法正常发电的风电机，否则，则表明目标区域内当前时段的风电机正常发电。
在一种可能实现的方式中，所述发电量预测模型的训练过程，包括：
获取训练集，其中，训练集包括多个气象影响数据获取时段和各自对应的获取时段的下一时段的实际发电量数据，所述气象影响数据包括光照强度数据、湿度数据、尘土含量数据和风速数据；
将多个气象影响数据输入至待训练发电量预测模型中，以得到多个气象影响数据各自对应的预测发电量；
基于多个气象影响数据各自对应的预测发电量和各自对应的获取时段的下一时段的实际发电量，确定损失值；
根据损失值和多个气象影响数据对待训练发电量预测模型进行迭代训练，直至损失值达到预设损失阈值，将达到预设损失阈值的待训练发电量预测模型，确定为发电量预测模型。
通过采用上述技术方案，根据损失值对待训练发电量预测模型进行迭代训练，最终得到训练完成的发电量预测模型，通过对待训练发电量预测模型进行迭代训练，可以不断降低损失值，使得损失值逐渐接近预设损失阈值，根据达到预设损失阈值的发电量预测模型预测发电量，可以有效提高发电量预测的准确度。
第二方面，本申请提供一种风电场现场设备监控装置，采用如下的技术方案：
一种风电场现场设备监控装置，包括：
获取模块，用于获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；
确定模块，用于基于所述多张连续图像信息，确定风电机外部组件是否故障，并基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障的内部组件；故障风电机确定模块，用于将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
第三面，本申请提供一种电子设备，采用如下的技术方案：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行如第一方面任一项的风电场现场设备监控方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行如第一方面任一项的风电场现场设备监控方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过获取目标区域内每一风电机的多张连续图像信息，以便确定风电机外部组件是否故障，获取风电机的内部多个组件及各自对应的温度信息，以便确定风电机的内部多个组件是否故障，而通过两次判断，将满足风电机外部组件故障，或，风电机的内部多个组件故障的风电机确定为故障风电机，有效提高了故障风电机检测的准确度。
2.根据损失值对待训练发电量预测模型进行迭代训练，最终得到训练完成的发电量预测模型，通过对待训练发电量预测模型进行迭代训练，可以不断降低损失值，使得损失值逐渐接近预设损失阈值，根据达到预设损失阈值的发电量预测模型预测发电量，可以有效提高发电量预测的准确度。
附图说明
图1为本申请实施例提供的一种风电场现场设备监控方法的流程示意图。
图2为本申请实施例提供的风电机正常偏航状态示意图。
图3为本申请实施例提供的一种风电场现场设备监控装置的结构示意图。
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种风电场现场设备监控方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。
结合图1，图1为本申请实施例提供的一种风电场现场设备监控方法的流程示意图，其中，该方法包括步骤S101、步骤S102和步骤S103，其中：
步骤S101、获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的内部多个组件及各自对应的温度信息。
具体的，每一风电机对应的多张连续图像信息可以通过技术人员拍摄得到，也可以通过无人机航拍得到，其中，在本申请实施例中，为更好基于图像确定风电机是否故障，优选的，多张连续图像可以为从不同角度拍摄得到的。每一风电机有多个内部组件，在本申请实施例中，优选的，基于内部组件对风电机正常运行的影响度，多个内部组件可以包括：齿轮箱、发电机和高速轴，每一组件对应的温度信息由对应的温度传感器监测得到的。
步骤S102、基于多张连续图像信息，确定风电机外部组件是否故障，并基于内部多个组件及各自对应的温度信息，确定风电机的内部多个组件是否故障。
具体的，风电机外部组件包括风电机机舱和风电机桨叶，通过多张连续图像可以更加准确的确定风电机外部组件是否故障；而基于内部多个组件和各自对应的温度信息，即当内部任一组件温度异常时，则可以确定风电机内部组件故障，基于温度可以准确确定风电机内部组件是否异常。
步骤S103、将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
具体的，当检测到风电机的外部组件发生故障，或，风电机内部存在至少一个故障组件，则确定风电机故障。
基于上述实施例，通过获取目标区域内每一风电机的多张连续图像信息，以便确定风电机外部组件是否故障，获取风电机的内部多个组件及各自对应的温度信息，以便确定风电机的内部多个组件是否故障，而通过两次判断，将满足风电机外部组件故障，或，风电机的内部多个组件故障的风电机确定为故障风电机，有效提高了故障风电机检测的准确度。
进一步地，在本申请实施例中，风电机外部组件包括风电机机舱和风电机桨叶，基于多张连续图像信息，确定风电机外部组件是否故障，包括步骤SA1-SA6(附图未示出)，其中：
步骤SA1、获取风向数据和风速数据。
具体的，可以从气象数据查询系统中调用目标区域当前时段内的风向数据和风速数据。
步骤SA2、基于多张连续图像信息和风电机机舱的多个关键点，确定风电机机舱的所有关键点各自对应的位置信息。
具体的，每一风电机机舱上设置有预设数量的关键点，关键点设置在风电机机舱边缘侧，进而可以通过连接多个关键点形成机舱轮廓，在本申请实施例中，不对预设数量进行限定，用户可自行设置。其中，可以通过建立空间三维坐标系确定风电机机舱的所有关键点各自对应的位置信息，具体可以包括：将多张连续图像信息输入至三维实景建模软件中，以建立空间三维模型，并基于空间三维模型构建空间三维坐标系，本申请实施例不对空间三维坐标系的原点进行限定。进而，基于空间三维坐标系可以得到每一关键点在空间三维坐标系中的三维位置。
需要注意的是，风电机机舱可以随着风向转动。
步骤SA3、基于风电机机舱的所有关键点各自对应的位置信息，确定风电机机舱的所处方位。
具体的，可以通过风电机机舱的位置范围确定风电机机舱的所处方位，具体可以包括：将风电机机舱的所有关键点在空间三维坐标系中的三维位置进行连接，以绘制风电机机舱的轮廓，进一步的，可以根据风电机机舱的轮廓确定风电机末端和起始端，连接起始端和末端形成的直线的走向，即为风电机机舱的所处方位。
步骤SA4、基于风向数据和风电机机舱的所处方位确定风电机机舱是否处于正常偏航状态。
具体的，基于风电机机舱的所处方位可以确定风电机机舱在目标区域中的实际角度，再根据风向数据确定在空间三维坐标系中风向的角度；当风电机机舱的所处方位与风向角度相对时，可以确定风电机机舱处于迎风状态时，则表明风电机处于正常偏航状态；若风电机机舱未处于迎风状态，则表明风电机机舱未正常偏航。具体可以参考图2，如图2所示，当风电机机舱处于正常偏航状态时，风电机机舱的所处方位为迎风方向。
步骤SA5、基于多张连续图像信息，确定风电机桨叶的转动速度，并基于风电机桨叶的转动速度和风速数据确定风电机桨叶是否处于正常运转状态。
具体的，可以通过风电机桨叶关键点的位置信息，或，转速识别模型确定风电机桨叶的转动速度。
其中，基于风电机桨叶关键点的位置信息确定风电机桨叶的转速的方式包括：选取任意两张图像信息，确定每一图像信息中关键点的位置和两张图像的间隔时间，基于关键点的位置和角度计算公式得到与关键点对应的风电机桨叶的旋转角度，可以理解的是选取关键点的二维位置，以方便计算。其中，角度计算公式：
Figure BDA0004211484300000081
其中，x1和y1表征关键点在第一张图像中的位置信息，x2和y1表征关键点在第二张图像中的位置信息，θ表征风电机桨叶旋转的角度，基于关键点的旋转角度可以得到风电机桨叶的旋转角度，进而可以确定风电机桨叶的转动速度。
转速识别模型确定风电机桨叶的转动速度，具体可以包括，将多张连续图像输入至转速识别模型中，转速识别模型可以通过识别多张图像，以确定风电机桨叶的转速。
进一步的，可以根据风电机桨叶转动速度和风速的计算公式计算得到在当下风速数据下，风电机桨叶的转动速度，风电机桨叶转动速度的计算公式为：
Figure BDA0004211484300000082
L＝F*V，其中，L表征风量，D2表征风电机桨叶的长度，Q1表征流量系数，μ2表征风电机桨叶的转速，F表征风速横截面积，V表征风速。
步骤SA6、将机舱未处于正常偏航状态，或，风电机桨叶未处于正常转动状态的风电机，确定为风电机外部组件故障。
具体的，当风电机机舱未处于正常偏航状态，或，风电机桨叶未处于正常运转状态，则可以确定风电机外部组件存在故障，进而无法正常发电。
基于上述实施例，获取风向数据和风速数据，基于所有多张图像信息和多个关键点确定关键点各自对应的位置信息，以便通过所有位置信息确定风电机机舱的整体位置，进而可以根据风电机机舱的位置确定风电机机舱是否处于最优迎风状态；基于多张连续图像信息确定风电机桨叶的转动速度，以便确定在当前风速情况下，风电机桨叶的转速是否随风速变化；进而，当机舱未处于正常偏航状态，和/或，风电机桨叶的转速也未处于正常转速时，确定为故障风电机桨叶，基于风电机机舱的所处方位和桨叶转速有效提高了判断风电机桨叶故障的准确度。
进一步，在本申请实施例中，基于内部多个组件及各自对应的温度信息，确定风电机的内部多个组件是否故障，包括步骤SB1-SB4(附图未示出)，其中：
步骤SB1、获取风电机所有内部组件各自对应的工作数据。
具体的，工作数据表征内部组件的工作频率，其中，在本申请实施例中，为提高准确度，优选的，齿轮箱的工作数据可以为齿轮箱的输出转速，高速轴的工作数据可以为高速轴的功率，发电机的工作数据可以为发电机的输出功率。
步骤SB2、将所有内部组件各自对应的工作数据，输入至与每一内部组件对应的预设的预估工作温度模型中，以得到每一内部组件对应的预估工作温度。
具体的，每一内部组件对应唯一的预估工作温度模型，将每一内部组件输入至对应的预估工作温度模型中，进而可以得到在当前工作数据下组件的预估工作温度。例如，齿轮箱对应的预估工作温度模型为齿轮箱预估工作温度模型，高速轴对应的预估工作温度模型为高速轴预估工作温度模型，发电机对应的预估工作温度模型为发电机预估工作温度模型。电子设备将采集到的多个组件各自对应的温度输入至对应的预估工作温度模型中，以得到每一内部组件对应的预估工作温度。
步骤SB3、获取每一组件的实际工作温度，并基于所有组件、各自对应的预估工作温度和各自对应的实际工作温度，确定是否存在异常运行的内部组件。
步骤SB4、将异常运行的内部组件，确定内部组件故障。
具体的，判断每一内部组件的预估工作温度和实际工作温度的差值是否在预设温度差值范围内，预设温度差值范围可根据实际需求设置，若否，则可以确定对应的内部组件存在异常，其中，可以理解的是，当内部组件异常时，表现为内部组件温度升高。将异常运行的内部组件，确定为内部故障组件。
基于上述实施例，获取每一风电机的环境温度和内部多个组件各自对应的工作数据，并将环境温度和组件工作数据输入至各自对应的预估工作温度模型中，以便得到每一个组件在当前环境温度和工作状态下的实际工作温度；再获取每一组件的实际温度，根据每一组件的实际温度和工作温度，以确定风电机内部的多个组件是否存在温度过高而异常运行的问题，当风电机内部的组件异常运行时会导致风电机无法正常发电，因而将异常运行的内部组件确定为内部故障组件，进而，有效提高了判断组件是否故障的准确度。
进一步，在本申请实施例中，基于多张连续图像信息，确定风电机外部组件是否故障，并基于内部多个组件及各自对应的温度信息，确定风电机的内部多个组件是否故障之后，还包括：
获取每一故障风电机的型号信息和故障信息，其中，故障信息表征发生故障的风电机的若干故障部位；基于每一故障风电机的型号信息和故障信息，生成故障报警信号，其中，故障报警信号用于提醒维修人员维修故障风电机。
具体的，目标区域内风电机的型号可以不同，也可以相同，每一风电机的型号为预先存储至电子设备中的。当电子设备确定风电机故障时，则获取故障风电机的位置信息，其中，故障风电机的位置信息为从多张连续图像信息中获得的，进一步，再根据风电机的型号和位置信息数据库，确定风电机的型号信息。风电机的故障信息，为风电机的故障部位，即风电机的外部故障组件，或，风电机的内部故障组件。例如，当电子设备确定风电机内部齿轮箱故障，即风电机内部组件故障时，则基于风电机型号信息和齿轮箱故障生成对应的故障报警信号，其中，故障报警信号可以通过无线传输方式传输至技术人员的移动设备，也可以传输至故障报警中心，本申请实施例不对其进行限定，用户可自行设置。
基于上述实施例，通过获取风电机型号信息和故障信息，并生成对应的故障报警信号，以便通过提醒可以及时维修故障风电机，进而减少对风电场发电量的影响。
进一步，在本申请实施例中，基于型号信息和故障信息，生成故障报警信号之后，还包括步骤SC1-SC3(附图未示出)，其中：
步骤SC1、针对目标区域，获取预设时长内每一故障风电机的所有故障报警信号。
具体的，电子设备生成故障报警信号后，会对故障报警信号自动进行记录，通过记录所有故障报警信号，可以生成故障报警信息库，故障信息报警库中包括每一风电机和对应的所有故障报警信号。其中，本申请实施例不对预设时长进行限定，可以为三个月，也可以为六个月，用户可自行设置。
步骤SC2、基于每一故障风电机对应的所有故障报警信号，确定每一故障风电机的所有组件各自对应的故障频率，其中，风电机所有组件表征风电机的外部组件和风电机的内部多个组件。
具体的，故障频率的时间单位可以为天，也可以为每月。例如，在3个月内，风电机的齿轮箱生成三次故障报警信号，风电机的发动机生成六次故障报警信号，则可以确定风电机的齿轮箱的故障频率为一次/月，发动机的故障频率为两次/月。
步骤SC3、基于目标区域内，每一风电机的所有组件各自对应的故障频率，确定目标区域的风电机的故障等级，并基于故障等级确定维修人员。
具体的，可以基于故障频率之和，或，任一组件故障频率阈值，确定目标区域的风电机的故障等级。其中，在本申请实施例中，优选的，设置目标区域的风电机的故障等级分为安全级别和危险级别。
其中，基于故障频率之和确定目标区域的风电机的故障等级具体可以包括，将所有组件对应的故障频率相加，得到故障频率之和；根据故障频率之和，判断是否不小于预设故障频率之和的最小阈值，若是，则表明目标区域的风电机的故障等级为危险级别，否则，则表明为安全级别。
基于任一组件故障频率阈值确定目标区域的风电机的故障等级具体可以包括：判断每一组件故障频率是否不小于预设故障频率阈值，若存在任一组件故障频率不小于预设故障频率阈值，则表明目标区域的风电机的故障等级为危险级别。
进一步的，当故障等级为安全级别时，则增加维修人员的数量，并针对故障率较高的风电机的组件，对对应的维修人员的数量进行增加；当故障等级为危险级别时，则针对故障率较高的风电机的组件对应的维修人员进行替换，并基于历史维修数据替换成故障修复率较高的维修人员。
基于上述实施例，获取预设时长内每一故障风电机的所有故障报警信号，以便基于所有故障报警信号确定每一风电机每一组件的故障频率，进而可以确定目标区域内风电机的故障等级，并根据故障等级对维修人员调整策略有针对性的进行定制，以便通过调整维修人员降低目标区域风电机的故障频率。
进一步，在本申请实施例中，基于多张连续图像信息，确定风电机桨叶是否故障之前，还包括：
对多张连续图像信息进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，基于多张连续图像信息，确定风电机桨叶是否故障，包括：
基于多张预处理后的连续图像信息，确定风电机桨叶是否故障。
具体的，对多长连续图像信息进行尺寸调整，本申请实施例不对调整的具体尺寸进行限定，用户可以自行设置，将多长连续图像信息进行去均值处理，以移除图像信息中的阴影部分，凸显风电机桨叶的边缘特征。
基于上述实施例，对多张连续图像信息进行预处理，通过尺寸调整以使图片更符合处理标准；通过去均值处理，以更突显风电机桨叶，对经过预处理后的图片进行处理，可以有效提高图片分析效率。
进一步，在本申请实施例中，获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息之前，还包括：
获取目标区域内当前时段的预测发电量和当前时段的实际发电量，其中，预测发电量为基于多个气象影响数据和发电量预测模型得到的。
具体的，气象影响数据为从气象统计系统中得到的，实际发电量为从发电量统计设备中得到的。
基于实际发电量和预测发电量，确定目标区域内当前时段的所有风电机是否正常发电；
相应的，获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息，包括：
若否，则获取存在不正常发电的风电机的目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息。
具体的，电子设备判断获取到的实际发电量和预测发电量的差值是否在预设差值范围内，若是，则表明目标区域内当前时段的所有风电机处于正常工作状态，否则，则执行步骤S101，且表明目标区域当前时段内存在风电机未正常发电，即风电机处于故障状态，预设差值范围可以根据实际需求设置。
基于上述实施例，通过获取目标区域内当前时段的预测发电量和当前时段的实际发电量，并判断实际发电量与预测发电量是否相同，以便确定目标区域内当前时段是否存在无法正常发电的风电机，若否，则表明目标区域内当前时段存在无法正常发电的风电机，否则，则表明目标区域内当前时段的风电机正常发电。
进一步，在本申请实施例中，发电量预测模型的训练过程，包括步骤SD1-SD4(附图未示出)，其中：
步骤SD1、获取训练集，其中，训练集包括多个气象影响数据获取时段和各自对应的获取时段的下一时段的实际发电量数据，气象影响数据包括光照强度数据、湿度数据、尘土含量数据和风速数据。
具体的，光照强度数据由光辐射传感器检测得到，湿度数据由湿度传感器检测得到，尘土含量数据为基于气象数据统计系统中得到，实际发电量数据为基于发电量统计系统得到。
步骤SD2、将多个气象影响数据输入至待训练发电量预测模型中，以得到多个气象影响数据各自对应的预测发电量。
具体的，将温度数据和光照强度数据输入至待训练发电量预测模型中，进而可以得到温度数据和光照强度数据各自对应的预测发电量。
步骤SD3、基于多个气象影响数据各自对应的预测发电量和各自对应的样本获取时段的下一时段的实际发电量，确定损失值。
具体的，根据每一气象影响数据各自对应的预测发电量和各自对应的实际发电量，并基于预设损失函数确定损失值，损失值越小，预测发电量和实际发电量的差值越小，预测发电量的数据准确度越高。其中，本申请实施例不对预设损失函数进行限定，用户可结合实际需求自行设置。
步骤SD4、根据损失值和多个气象影响数据对待训练发电量预测模型进行迭代训练，直至损失值达到预设损失阈值，将达到预设损失阈值的待训练发电量预测模型，确定为发电量预测模型。
具体的，预设损失阈值为用户预先设置好的，本申请实施例不对预设损损失阈值进行限定，对待训练发电量预测模型进行迭代训练。其中，迭代训练是利用边坡唯一预设模型进行重复反馈过程的活动，重复运算步骤，通过对待训练发电量预测模型进行迭代训练，可以有效提高模型的准确性。利用预设损失函数根据训练气象数据获取时刻的发电量和各自对应的气象影响数据获取时刻的惬意时刻的实际发电量进行计算，得到损失值，当损失值不小于预设损失阈值时，则确定发电量预测模型训练完成。
基于上述实施例，根据损失值对待训练发电量预测模型进行迭代训练，最终得到训练完成的发电量预测模型，通过对待训练发电量预测模型进行迭代训练，可以不断降低损失值，使得损失值逐渐接近预设损失阈值，根据达到预设损失阈值的发电量预测模型预测发电量，可以有效提高发电量预测的准确度。
上述实施例从方法流程的角度介绍一种风电场现场设备监控方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种风电场现场设备监控装置，具体详见下述实施例。
本申请实施例提供一种风电场现场设备监控装置，如图3所示，该风电场现场设备监控装置具体可以包括：
获取模块210，用于获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；
确定模块220，用于基于多张连续图像信息，确定风电机外部组件是否故障，并基于多个内部组件及各自对应的温度信息，确定风电机的多个内部组件中是否故障的内部组件；
故障风电机确定模块230，用于将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
本申请实施例中的一种可能的实现方式，确定模块220在执行基于多张连续图像信息，确定风电机外部组件是否故障时，用于：
获取风向数据和风速数据；
基于多张连续图像信息和风电机机舱的多个关键点，确定风电机机舱的所有关键点各自对应的位置信息；
基于风电机机舱的所有关键点各自对应的位置信息，确定风电机机舱的所处方位；
基于风向数据和风电机机舱的所处方位确定风电机机舱是否处于正常偏航状态；
基于多张连续图像信息，确定风电机桨叶的转动速度，并基于风电机桨叶的转动速度和风速数据确定风电机桨叶是否处于正常运转状态；
将机舱未处于正常偏航状态，或，风电机桨叶未处于正常转动状态的风电机，确定为风电机外部组件故障。
本申请实施例中的一种可能的实现方式，确定模块220在执行基于多个内部组件及各自对应的温度信息，确定风电机的多个内部组件中是否故障时，用于：
获取所有内部组件各自对应的工作数据；
将所有内部组件各自对应的工作数据，输入至与每一内部组件对应的预设的预估工作温度模型中，以得到每一组件对应的预估工作温度；
获取每一组件的实际工作温度，并基于所有内部组件、各自对应的预估工作温度和各自对应的实际工作温度，确定是否存在异常运行的内部组件；
将异常运行的内部组件，确定内部故障组件。
本申请实施例中的一种可能的实现方式，风电场现场设备监控装置，还包括：
故障报警模块，用于：
获取每一故障风电机的型号信息和故障信息，其中，故障信息表征发生故障的风电机的若干故障部位；基于每一故障风电机的型号信息和故障信息，生成故障报警信号，其中，故障报警信号用于提醒维修人员维修故障风电机。
本申请实施例中的一种可能的实现方式，风电场现场设备监控装置，还包括：
维修人员确定模块，用于：
针对目标区域，获取预设时长内每一故障风电机对应的所有故障报警信号；
基于每一故障风电机对应的所有故障报警信号，确定每一故障风电机的所有组件各自对应的故障频率，其中，风电机所有组件表征风电机的外部组件和风电机的内部多个组件；
基于目标区域内，每一风电机的所有组件各自对应的故障频率，确定目标区域的风电机的故障等级，并基于故障等级确定维修人员。
本申请实施例中的一种可能的实现方式，风电场现场设备监控装置，还包括：
图像预处理模块，用于：
对多张连续图像信息进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，确定模块220在执行基于多张连续图像信息，确定风电机桨叶是否故障时，用于：基于多张预处理后的连续图像信息，确定风电机桨叶是否故障。
本申请实施例中的一种可能的实现方式，风电场现场设备监控装置，还包括：
风电机发电模块，用于：
获取目标区域内当前时段的预测发电量和当前时段的实际发电量，其中，预测发电量为基于多个气象影响数据和发电量预测模型得到的；
基于实际发电量和预测发电量，确定目标区域内当前时段的所有风电机是否正常发电；
相应的，获取模块210在执行获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息时，用于：
若否，则获取存在不正常发电的风电机的目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息。
本申请实施例中的一种可能的实现方式，风电场现场设备监控装置，还包括：
发电量预测训练模块，用于：
获取训练集，其中，训练集包括多个气象影响数据获取时段和各自对应的获取时段的下一时段的实际发电量数据，气象影响数据包括光照强度数据、湿度数据、尘土含量数据和风速数据；
将多个气象影响数据输入至待训练发电量预测模型中，以得到多个气象影响数据各自对应的预测发电量；
基于多个气象影响数据各自对应的预测发电量和各自对应的获取时段的下一时段的实际发电量，确定损失值；
根据损失值和多个气象影响数据对待训练发电量预测模型进行迭代训练，直至损失值达到预设损失阈值，将达到预设损失阈值的待训练发电量预测模型，确定为发电量预测模型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的一种风电场现场设备监控装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的风电场现场设备监控方法可相互对应参照
本申请实施例提供了一种电子设备，如图4所示，图4为本申请实施例提供的一种电子设备的结构示意图，图4所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请实施例方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与相关技术相比，通过获取目标区域内每一风电机的多张连续图像信息，以便确定风电机外部组件是否故障，获取风电机的内部多个组件及各自对应的温度信息，以便确定风电机的内部多个组件是否故障，而通过两次判断，将满足风电机外部组件故障，或，风电机的内部多个组件故障的风电机确定为故障风电机，有效提高了故障风电机检测的准确度。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种风电场现场设备监控方法，其特征在于，包括：
获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；
基于所述多张连续图像信息，确定风电机外部组件是否故障，并基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障的内部组件；
将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
2.根据权利要求1所述的风电场现场设备监控方法，其特征在于，所述风电机外部组件包括：风电机机舱和风电机桨叶，
所述基于所述多张连续图像信息，确定风电机外部组件是否故障，包括：
获取风向数据和风速数据；
基于所述多张连续图像信息和风电机机舱的多个关键点，确定风电机机舱的所有关键点各自对应的位置信息；
基于风电机机舱的所有关键点各自对应的位置信息，确定风电机机舱的所处方位；
基于风向数据和风电机机舱的所处方位确定风电机机舱是否处于正常偏航状态；
基于所述多张连续图像信息，确定风电机桨叶的转动速度，并基于风电机桨叶的转动速度和风速数据确定风电机桨叶是否处于正常运转状态；
将机舱未处于正常偏航状态，或，风电机桨叶未处于正常转动状态的风电机，确定为风电机外部组件故障。
3.根据权利要求1所述的风电场现场设备监控方法，其特征在于，所述基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障，包括：
获取所有内部组件各自对应的工作数据；
将所有内部组件各自对应的工作数据，输入至与每一内部组件对应的预设的预估工作温度模型中，以得到每一组件对应的预估工作温度；
获取每一组件的实际工作温度，并基于所有内部组件、各自对应的预估工作温度和各自对应的实际工作温度，确定是否存在异常运行的内部组件；
将异常运行的内部组件，确定内部故障组件。
4.根据权利要求1所述的风电场现场设备监控方法，其特征在于，所述将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机之后，还包括:
获取每一故障风电机的型号信息和故障信息，其中，所述故障信息表征发生故障的风电机的若干故障部位；基于每一故障风电机的所述型号信息和故障信息，生成故障报警信号，其中，所述故障报警信号用于提醒维修人员维修故障风电机。
5.根据权利要求4所述的风电场现场设备监控方法，其特征在于，所述基于所述型号信息和故障信息，生成故障报警信号之后，还包括：
针对目标区域，获取预设时长内每一故障风电机对应的所有故障报警信号；
基于每一故障风电机对应的所有故障报警信号，确定每一故障风电机的所有组件各自对应的故障频率，其中，风电机所有组件表征风电机的外部组件和风电机的内部多个组件；
基于目标区域内，每一风电机的所有组件各自对应的故障频率，确定目标区域的风电机的故障等级，并基于所述故障等级确定维修人员。
6.根据权利要求1所述的风电场现场设备监控方法，其特征在于，所述基于所述多张连续图像信息，确定风电机桨叶是否故障之前，还包括：
对所述多张连续图像信息进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，所述基于所述多张连续图像信息，确定风电机桨叶是否故障，包括：
基于多张预处理后的连续图像信息，确定风电机桨叶是否故障。
7.根据权利要求1所述的风电场现场设备监控方法，其特征在于，所述获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息之前，还包括：
获取目标区域内当前时段的预测发电量和当前时段的实际发电量，其中，预测发电量为基于多个气象影响数据和发电量预测模型得到的；
基于所述实际发电量和所述预测发电量，确定目标区域内当前时段的所有风电机是否正常发电；
相应的，所述获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息，包括：
若否，则获取存在不正常发电的风电机的目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息。
8.根据权利要求7所述的风电场现场设备监控方法，其特征在于，所述发电量预测模型的训练过程，包括：
获取训练集，其中，训练集包括多个气象影响数据获取时段和各自对应的获取时段的下一时段的实际发电量数据，所述气象影响数据包括光照强度数据、湿度数据、尘土含量数据和风速数据；
将多个气象影响数据输入至待训练发电量预测模型中，以得到多个气象影响数据各自对应的预测发电量；
基于多个气象影响数据各自对应的预测发电量和各自对应的获取时段的下一时段的实际发电量，确定损失值；
根据损失值和多个气象影响数据对待训练发电量预测模型进行迭代训练，直至损失值达到预设损失阈值，将达到预设损失阈值的待训练发电量预测模型，确定为发电量预测模型。
9.一种风电场现场设备监控装置，其特征在于，包括：
获取模块，用于获取目标区域内每一风电机对应的多张连续图像信息和每一风电机的多个内部组件各自对应的温度信息；
确定模块，用于基于所述多张连续图像信息，确定风电机外部组件是否故障，并基于所述多个内部组件及各自对应的温度信息，确定风电机的所述多个内部组件中是否故障的内部组件；
故障风电机确定模块，用于将外部组件故障的风电机，或，内部组件故障的风电机，确定为故障风电机。
10.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～8任一项所述的风电场现场设备监控方法。
CN202310494497.6A 2023-05-05 2023-05-05 一种风电场现场设备监控方法、装置和设备 Pending CN116398362A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310494497.6A CN116398362A (zh) 2023-05-05 2023-05-05 一种风电场现场设备监控方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310494497.6A CN116398362A (zh) 2023-05-05 2023-05-05 一种风电场现场设备监控方法、装置和设备

Publications (1)

Publication Number Publication Date
CN116398362A true CN116398362A (zh) 2023-07-07

Family

ID=87014307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310494497.6A Pending CN116398362A (zh) 2023-05-05 2023-05-05 一种风电场现场设备监控方法、装置和设备

Country Status (1)

Country Link
CN (1) CN116398362A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116771601A (zh) * 2023-07-24 2023-09-19 山东能源盛鲁能化鄂尔多斯市新能源有限公司 基于温度感知的风电机组优化控制方法及系统
CN119467240A (zh) * 2024-11-09 2025-02-18 中国水利水电科学研究院 一种基于风机识别模型的风机功率估测方法及系统
CN120508962A (zh) * 2025-07-18 2025-08-19 广东海洋大学 一种大尺寸风机的动态响应监测方法及系统
CN120508962B (zh) * 2025-07-18 2025-12-30 广东海洋大学 一种大尺寸风机的动态响应监测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108832623A (zh) * 2018-06-29 2018-11-16 国网山东省电力公司电力科学研究院 一种物理-统计混合两阶段风电功率预测方法
CN109900712A (zh) * 2019-04-17 2019-06-18 中国人民解放军国防科技大学 基于摄像测量的风电叶片机械故障在线检测系统及其方法
CN110645153A (zh) * 2018-06-27 2020-01-03 北京金风科创风电设备有限公司 风力发电机组故障诊断方法、装置和电子设备
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111379670A (zh) * 2018-12-27 2020-07-07 新疆金风科技股份有限公司 风力发电机组的转速测量方法、装置、系统及存储介质
CN111594396A (zh) * 2020-06-09 2020-08-28 中国华能集团清洁能源技术研究院有限公司 一种风电机组状态监控系统
CN113187671A (zh) * 2021-04-27 2021-07-30 南京韦博智控科技有限公司 一种应用无人机进行风轮偏航角的确定方法
CN114165392A (zh) * 2021-11-03 2022-03-11 华能射阳新能源发电有限公司 一种风电机组功率异常诊断方法、装置及存储介质
KR20220128785A (ko) * 2021-03-15 2022-09-22 윈디텍 주식회사 고장이력을 활용한 디지털 기반의 해상 풍력발전기 유지관리 시스템 및 방법
JP7188832B1 (ja) * 2022-08-19 2022-12-13 株式会社amuse oneself 無人飛行体、および、風力発電設備の点検システム、並びに、風力発電設備の点検方法
CN115596620A (zh) * 2022-12-15 2023-01-13 深圳鹏锐信息技术股份有限公司（Cn） 基于人工智能的风力发电机组故障智能分析方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110645153A (zh) * 2018-06-27 2020-01-03 北京金风科创风电设备有限公司 风力发电机组故障诊断方法、装置和电子设备
CN108832623A (zh) * 2018-06-29 2018-11-16 国网山东省电力公司电力科学研究院 一种物理-统计混合两阶段风电功率预测方法
CN111379670A (zh) * 2018-12-27 2020-07-07 新疆金风科技股份有限公司 风力发电机组的转速测量方法、装置、系统及存储介质
CN109900712A (zh) * 2019-04-17 2019-06-18 中国人民解放军国防科技大学 基于摄像测量的风电叶片机械故障在线检测系统及其方法
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111594396A (zh) * 2020-06-09 2020-08-28 中国华能集团清洁能源技术研究院有限公司 一种风电机组状态监控系统
KR20220128785A (ko) * 2021-03-15 2022-09-22 윈디텍 주식회사 고장이력을 활용한 디지털 기반의 해상 풍력발전기 유지관리 시스템 및 방법
CN113187671A (zh) * 2021-04-27 2021-07-30 南京韦博智控科技有限公司 一种应用无人机进行风轮偏航角的确定方法
CN114165392A (zh) * 2021-11-03 2022-03-11 华能射阳新能源发电有限公司 一种风电机组功率异常诊断方法、装置及存储介质
JP7188832B1 (ja) * 2022-08-19 2022-12-13 株式会社amuse oneself 無人飛行体、および、風力発電設備の点検システム、並びに、風力発電設備の点検方法
CN115596620A (zh) * 2022-12-15 2023-01-13 深圳鹏锐信息技术股份有限公司（Cn） 基于人工智能的风力发电机组故障智能分析方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116771601A (zh) * 2023-07-24 2023-09-19 山东能源盛鲁能化鄂尔多斯市新能源有限公司 基于温度感知的风电机组优化控制方法及系统
CN119467240A (zh) * 2024-11-09 2025-02-18 中国水利水电科学研究院 一种基于风机识别模型的风机功率估测方法及系统
CN120508962A (zh) * 2025-07-18 2025-08-19 广东海洋大学 一种大尺寸风机的动态响应监测方法及系统
CN120508962B (zh) * 2025-07-18 2025-12-30 广东海洋大学 一种大尺寸风机的动态响应监测方法及系统

Similar Documents

Publication Publication Date Title
CN110985309B (zh) 偏航对风异常检测方法、装置、设备和存储介质
US11268495B2 (en) Wind farm noise prediction method, apparatus and system
KR102310306B1 (ko) 발전소 군집화 및 군집 기반 이상진단 방법
CN110991666A (zh) 故障检测方法、模型的训练方法、装置、设备及存储介质
EP3903112A1 (en) System and method for evaluating models for predictive failure of renewable energy assets
CN110009736B (zh) 三维尾流模型的建立方法、装置、设备及存储介质
CN108072524B (zh) 一种风电机组齿轮箱轴承故障预警方法
CN116398362A (zh) 一种风电场现场设备监控方法、装置和设备
EP4038462A1 (en) System and method for fusing multiple analytics of a wind turbine for improved efficiency
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
CN117993546A (zh) 风电功率预测方法、装置和风力电站
CN116454872A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN119313196A (zh) 基于风向变化的风力发电机组载荷动态预测方法及装置
Agarwal et al. Simulation of offshore wind turbine response for extreme limit states
CN115111115A (zh) 用于操作发电资产的系统和方法
CN111310959A (zh) 风力发电机组损坏预测分析方法、装置、设备及存储介质
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置
CN116591910A (zh) 风电机组运维的方法、装置、电子设备和存储介质
CN112879216B (zh) 风电场的风速修正方法和装置
Zhang et al. Probability warning for wind turbine gearbox incipient faults based on SCADA data
US20220341393A1 (en) System and method for fusing multiple analytics of a wind turbine for improved efficiency
CN116933570B (zh) 风电场再开发过程中的发电量评估方法和装置
JP2022068960A (ja) 落雷位置標定システムによる落雷検知の真偽を確認するための確認装置、確認方法及び確認プログラム
CN119891171B (zh) 一种基于数字孪生技术的新能源场区安全监控方法及系统
CN116502543B (zh) 风电机组对风偏差识别方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination