通过边缘计算浅析智能风场的数据采集与方法分析

通过边缘计算浅析智能风场的数据采集与方法分析

王海 张志伟 赵燚 王扬 吴劲芳

国网冀北张家口风光储输新能源有限公司 河北 张家口 075000

摘要：目前对风电领域的数据处理研究较多在大数据平台端。工业数据处理领域对边缘计算的数据采集处理有相应的研究方案。而新能源领域中的风力发电，其信息化具有自身的特点，工业领域的采集方案和大平台的数据处理方案不完全适用。风力发电设备具有地理位置分散、传输网络带宽有限、生产数据多元异构且复杂庞大等特点，因此亟须在智慧化风场、智慧集中控制中心、大数据云平台的三级信息体系架构中设计边缘计算体系架构，增加数据模型计算分析速度，减少大数据云平台的负载，真正实现智慧风电。基于此，本文提出一种基于边缘计算的智慧风场数据采集分析与计算方法。通过在近风机设备端部署边缘数据采集网关、智慧风场边缘云实现风机数据本地采集、标准化、智能计算、存储和传输，同时在边缘云侧规划了边缘计算服务，将风机数据标准化映射、风机状态统一、风功率曲线计算与发电量预测、智能巡检等功能迁移至风机设备边缘侧进行处理。

关键词：智慧风场；边缘计算

1、边缘计算智能风场数据采集系统概述及处理流程

风场的生产系统包括SCADA生产数据和根据需要加装的传感器数据(如CMS振动监测、螺栓紧力监测等)，除此之外还有气象数据、叶片监测数据、机舱与塔筒巡检的红外/可见光摄像头数据、振动数据、声音数据、气体传感器数据。这些数据的通信主要有光纤环网传输和无线传输两类。边缘云包括数据采集智能网关、存储设备、数据处理模块、数据智能分析模块。边缘云采集的是实时秒级生产数据和各类传感器数据，这类数据经过标准化的映射后根据风电的数据处理标准存储10s的本地原始数据。经过边缘云的计算模块后，将可用于中心云计算分析的结果以10min的间隔发往中心云端。这样可以有效减少中心云端的数据计算和存储量。

风机数据采集智能网关负责风机数据采集。如图1所示，风机数据采集的原始数据位于风场的生产I区，气象数据位于风场的生产II区。根据电力安全防护的规定，生产I区和生产III区不能直接联通，要加横向隔离网闸，因此在生产III区还有一台数据采集智能网关负责数据接收。III区智能转发网关采集的数据到边缘云进行分析计算与存储，加工好的数据流在中心云的MQTT监听程序下对数据进行传输与收集。中心云端将采集到的数据进行展示、计算、存储。位于生产I区和III区的数据采集智能网关还能进行多协议的转换，能处理多种工业协议(如102、104等电力规约，ModBus等协议)。为了保持采集数据的稳定与可靠，数据采集智能网关还增加了断点续传功能，为了保证历史数据的断点续传不影响实时数据的传输，每个风场和边缘云中心分别建立一路单独的通道来进行续传数据的传输。而且对实时数据进行了优先级划分，若有较高优先级的实时数据需要发送，则优先发送该类实时数据，避免续传数据过多占用通道资源导致高优先级实时数据来不及发送的情况。

图1风机数据采集处理流程图

2、智慧风电边缘云开放体系架构及主要边缘计算智能分析

2.1、智慧风电边缘云开放体系架构

2.1.1、高可用性开放架构

边缘云位于风场的站控侧，属于安全生产III区设施，开放平台底层基础设施采用虚拟化管理，构造出主备模式的高可用的硬件资源。由边缘云管理和虚拟化管理负责底层资源和边缘云的管理。设备连接层提供设备的多协议转换、规约管理等服务。核心服务层在微服务、容器、分布式消息、流式计算、规则引擎等服务支撑下为上层应用提供核心服务。应用层完成采集数据的治理、数据断点续传、智能分析等功能。

2.1.2、振动数据与设备健康度分析

根据风机传动链轴承、齿轮箱和发电机的技术参数计算部件故障的特征频率，并同步采集风机发电有功功率做机械振动的劣化趋势分析。记录传动链部件的检修维护和缺陷处理数据，通过对比维护前后风机振动数据的变化评价维护质量。采用包络、周期分段等诊断算法对风机轴承、齿轮箱(含齿轮箱内部轴承和传动轴)、传动轴、发电机等设备的早期故障进行分析诊断。

2.1.3、视频数据分析、红外图像分析

对采集上送的红外图像数据可建立不同条件下温度特征值，从而对采集到的实时温度数据进行分析，可识别异常数据，并进行报警。对可见光图像按照巡检的要求建立风机关键部件的故障机理库，为故障的识别建立识别模板。

2.1.4、风功率曲线计算、发电量预测

采用机舱风速法进行功率的计算，可以实现每台风机实时计算自身的功率，全场功率以单机理论功率进行累计，得出在当前风况下场内所有风机均可正常运行时能够发出的功率，其积分电量为理论发电量。通过数据筛选剔除单机功率数据中的非正常数据(根据风机状态数据筛选)，采用拟合样本分析和非线性分布线性化的方法剔除调度控制指令记录和风机停检修记录等提供的非正常数据，对单机及全场的功率进行修正。通过多参数、多特征、可配置的历史气象数据，与风场、区域、单风机、限电、故障状态等监测数据的数据输入与数据处理，采用高自由度的算法拓展，形成可用功率的模型库，并进行增量式模型自动优化和评价，同时支持理论和可用功率预测。

2.2、主要边缘计算智能分析

2.2.1、边缘云数据计算算子

数据处理算子：选择接入的点表数据、根据时间对数据记录排序、单个测点的数据按时间窗口聚合求集合的统计值、数据分组、测点最新数据缓存、多测点计算、模型数据转redis存储、流式记录抓取、Python算子运行原生Python脚本、原生Java脚本计算算子、HTTP请求计算。数据质量算子：迟到数据点进行数据质量打标、对数据点表进行阈值判断。电量计算算子：以时间窗口为单位对电量进行聚合。数据插补算子：以时间窗口为单位选择邻近风机或根据历史数据计算全场平均值进行缺失指标的插补。

2.2.2、风机状态判断分析服务

集团级风力发电机多由分布在各个省市的风场组成，每个风场可能会有多个厂家的多种机型。各个厂家的风机状态码定义是不一样的。为了规范云中心生产监控系统的风机机位显示状态，对风机的状态进行标准化分类。根据实际生产应用将风机状态分为互斥的14类。1)待风状态：风速小于启动风速，风机处于空转对风状态，风机无故障。2)正常发电状态：风速处于切入风速与切出风速之间，风机正常发电。3)限电降出力状态：风速处于切入风速与切出风速之间，风机收到能量管理平台的限功率指令，处于降功率运行状态。4)限电停机状态：风机收到能量管理平台的停机指令，因电网限电原因停机。5)故障停机状态：风机因故障原因停机。6)手动停机状态：风机由运维人员在监控系统手动停机。7)故障维护状态：风机故障之后，运维人员到现场维护。8)主动维护状态：风机没有故障的情况下，运维人员主动停机维护。9)大风受累状态：风速高于切出风速，风机停机。10)高温受累状态：温度高于风机正常运行温度，风机停机。11)低温受累状态：温度低于风机正常运行温度，风机停机。12)雷电受累状态：风机受雷电影响停机。13)冰冻受累状态：风机受冰冻天气影响停机。14)通信中断状态：风机受通信中断影响停机。基于以上风机状态分类，结合风机运行的状态数据给出风机状态判断逻辑。该判断逻辑的执行在边缘侧写成了判断的算子，在设备侧完成设备状态判断并上送设备状态码至中心端平台。

总之，本方案采用了边缘网关与边缘云，边缘云与中心云的交互方案是一种通用的交互方案，能够处理多种电力规约、通信协议的转换，能屏蔽底层设备的差异，能适应集团级的三级信息体系架构的数据传输和业务交互。

参考文献：

[1]汪文东. 基于信息化技术的智慧风场体系构建及案例研究[D].南京理工大学,2019.

[2]王奇. 风电场数据采集与处理软件设计[D].北京交通大学,2012.

[3]俞文胜,石磊.数据采集与监视控制系统在1.25 MW风电场中的设计及应用[J].发电设备,2012,26(02):108-110.

[4]尹诗. 基于OPC的风电场数据采集系统的设计与实现[D].华北电力大学,2012.

[5]初伟先,漆随平,王东明,籍艳,张志伟.扰动风场特性研究的数据采集[J].机械,2011,38(11):65-67+80.