本发明涉及一种风电机组的智能控制技术领域，特别涉及一种基于边缘计算的风电机组智能控制方法。
背景技术：
目前，较为主流的智能风机的实现模式是在风电机组侧加装各种先进的传感器，如：用于叶片载荷、激光测风雷达、振动监测、螺栓检测、噪音检测、光影监测等的一系列先进传感器，通过这些传感器让风电机组具备智能感知的能力，然后结合风电机组控制系统将传感器采集的数据上传给scada系统，再由scada系统上传到云端，即企业的大数据处理中心，大数据处理中心再结合先进的智能算法下发指令，让风电机组具备智能调节和智能预警的能力。
而现有的风电机组智能控制主要是通过云平台或plc控制器，经大量的模型训练、建模、自学习等人工智能算法，实现风电机组的控制自寻优，从而使风电机组能够自主应对各种不同的环境。但是，在实际应用过程中发现，如果在云平台进行自适应控制，需要将大量的数据上传到云系统，风电机组侧不需要进行数据计算，只负责数据采集和记录，这样就会导致控制的实时性低、数据精度不够、云平台数据太大、分析效率低等问题；如果在plc控制器中进行自适应控制，则需要高级算法、矩阵计算、人工智能算法，由于受plc控制器自身特性的限制，这些复杂算法在plc控制系统中实现的难度较大。因此，风电机组的智能控制在实施过程中比较困难。
技术实现要素：
本发明的目的是针对现有技术的不足，提供一种基于边缘计算的风力发电机组智能控制系统，其能极大地提高数据处理的高效性和实时性，从而提升风电机组智能控制的响应速度。
本发明的技术方案是：一种基于边缘计算的风电机组智能控制方法，包括以下步骤：
（1）根据经验值设置预处理条件、数据振幅的正常值存储在风电机组侧的处理器中，且在处理器中设置风电机组中各器件的使用寿命参数，以及设置故障诊断模型；
（2）风电机组将工作状态和实时运行数据经plc控制器发送给处理器，处理器将采集到的工作状态和实时运行数据进行存储，同时筛选出满足预处理条件的实时运行数据，并对满足预处理条件的实时运行数据分别进行数学计算，以及存储数学计算的结果；
（3）通过处理器对步骤（2）中满足预处理器条件的实时运行数据和数学计算结果进行智能分析：
（3-1）对实时运行数据进行fft分析，并将fft分析得到的数据振幅与步骤（1）中设置的数据振幅的正常值进行比较，如果数据振幅小于正常值，则风电机组处于正常运行，如果数据振幅大于正常值，则处理器根据专家策略对风电机组的控制参数进行调节，并将分析结果和调节结果进行存储；
（3-2）统计数学计算结果中各器件的使用数据，并将统计结果与步骤（1）中设置的使用寿命参数进行比较，如果各个器件的统计结果都在使用寿命参数范围内，则风电机组处于健康状态，如果某个器件的统计结果不在使用寿命参数范围内，则处理器发出警报；
（3-3）判断实时运行数据中是否有故障代码，如果没有故障代码，则继续检测，如果有故障代码，则通过故障诊断模型分析故障类型，并复位风电机组故障信息消除故障；
（4）所述处理器将智能分析后的数据经交换机与风电机组的scada系统、云平台进行数据交互。
进一步的，步骤（1）的预处理条件包括功率、转速、控制区间和持续时间的经验值。
进一步的，步骤（2）中的数学计算包括对各实时运行数据进行数学统计，以及平均值、极大值、极小值、方差的计算。
进一步的，所述处理器按规定的间隔时间采集实时运行数据，当在规定时间内运行数据发生变化时才进行采集和存储的方式，若在规定时间内运行数据没发生变化则不采集。
进一步的，步骤（3-1）对实时运行数据进行fft分析时，首先对需要进行fft分析的实时运行数据设置采样间隔，然后按照采样间隔根据分段线性插值法对实时运行数据进行插值，再对完成插值后的实时运行数据进行fft分析。
进一步的，所述故障诊断模型通过识别故障代码来判断故障类型，然后调用处理器中存储的实时运行数据判断该故障是否为误报，如果是误报，则不作处理，如果不是误报，则复位风电机组故障信息消除故障。
采用上述技术方案：通过本控制方法能在风电机组侧对实时运行数据进行智能分析。一方面可以通过fft分析，对实时运行数据的频域、时域特性进行自主分析，识别出风电机组在运行过程中异常的数据振幅点，然后由本控制方法根据专家策略对风电机组的控制参数进行调节，修正控制效果，从而在边缘侧即可掌握风电机组的控制效果，并实现风电机组控制参数的自寻优，由于在边缘侧获取的运行数据精度更高，因此在边缘侧进行的控制精确度也更高。另一方面，能通过故障诊断模型通过故障代码识别出故障类型，从而在边缘侧对部分故障进行处理，对于风电机组的故障分析，数据精度直接影响到故障原因的分析准确性，因此在风电机组侧获取数据进行故障分析，能提高分析精度和分析效率，从而提升处理故障的及时性。本控制方法还能统计风电机组各器件的使用数据，并将使用数据与对应的使用寿命参数进行比较，一旦发现使用数据不再使用寿命参数的范围内，就会发出警报，从而及时通知工人维修，防止风电机组因零部件故障出现异常运行，达到评估风电机组的健康状态的目的。而且，本控制方法通过预处理条件能对采集的运行数据进行筛选，保存有价值的数据来进行数据分析，提升数据处理效率，同时也提高数据分析的精度，或者是将有价值的数据上传给scada系统、云平台，以及能在风电机组侧进行部分数据处理，只需要将处理器分析后的数据和一些有价值的数据上传给scada系统，再经scada系统上传到云平台，从而极大地减少云平台的计算量，提高风电机组的控制实时性。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实现fft分析的逻辑流程图；
图2为本发明实现故障诊断的逻辑流程图；
图3为实施例1的fft分析结果。
具体实施方式
参见图1至图3，一种基于边缘计算的风电机组智能控制方法，包括以下步骤：
（1）根据经验值设置预处理条件、数据振幅的正常值存储在风电机组侧的处理器中，该预处理条件包括功率、转速、控制区间和持续时间等条件的经验值，这些条件可以根据风电机组的工作状态设置，也可以根据实际对运行的需要进行调整，所述控制区间是指根据发电机转速不同，风电机组运行在三个不同的控制区，即控制区ⅰ、ⅱ、ⅲ，控制区ⅰ是低风速区，控制区ⅱ是中等风速区，控制区ⅰ和ⅱ在低功率时激活，控制区ⅲ是高风速区，在到达额定功率后激活。例如，预处理条件可以设置为功率大于2000kw，持续时间10分钟。
并且在处理器中设置风电机组中各器件的使用寿命参数，该使用寿命参数由各个器件的出厂数据决定，使用寿命参可以是开关器件的动作总次数、动作频率、使用总时长等，还可以是润滑系统的润滑时间等。此外，还在处理器中设置故障诊断模型。
（2）风电机组将工作状态和实时运行数据经plc控制器发送给处理器，处理器将采集到的工作状态和实时运行数据进行存储，处理器采集的工作状态包括如启动、停机、限功率、偏航等，实时运行数据包括风电机组的转速、功率、变桨角度、控制区间、持续时间等。所述处理器按规定的间隔时间采集实时运行数据，当在规定时间内运行数据发生变化时才进行采集和存储的方式，若在规定时间内运行数据没发生变化则不采集。规定的间隔时间可以根据实际需要设置为10ms、100ms、1000ms等等，该间隔时间越小，采集的数据越多，数据精度越高，间隔时间越大，采集的数据越少，数据精度相对较低，例如对于运行状态较好的风电机组可以采用较大的间隔时间，节省存储空间，同时提高数据采集效率，而对于投入使用时间较长的风电机组可以采用较小的间隔时间，便于更好的掌握风电机组的运行情况。
同时筛选出满足预处理条件的实时运行数据，结合风电机组当前的工作状态，对存储的实时运行数据进行筛选，如分析风电机组的发电效率时，需要先排除限功率、停机等异常情况，然后自主识别出风电机组的正常发电状态，对正常发电状态下的运行数据按预处理条件进行筛选。筛选时，在当前工作状态下，将满足预处理条件下的实时运行数据筛选出来，例如，若预处理条件为2000kw，持续时间10分钟，则将对应工作状态下的转速、功率、变桨角度等实时运行数据筛选出来，并将筛选出的实时运行数据以float类型，或者bool类型，或者枚举类型进行存储。本控制方法中通过设置预处理条件对实时运行数据进行筛选，便于后续在数据处理时能直接调用有价值的数据，减少需要分析的数据量，提高数据的分析、处理效率。
然后对满足预处理条件的实时运行数据分别进行数学统计，求平均值、极大值、极小值、方差等数学计算，并存储数学统计结果和数学计算的结果。
（3）通过处理器对步骤（2）中满足预处理器条件的实时运行数据和数学计算结果进行智能分析：
（3-1）对实时运行数据进行fft分析，即可以对实时运行数据的频域、时域特性进行自主分析，并将fft分析得到的数据振幅与步骤（1）中设置的数据振幅的正常值进行比较，如果数据振幅小于正常值，则风电机组处于正常运行，如果数据振幅大于正常值，则处理器根据专家策略对风电机组的控制参数进行调节，并将分析结果和调节结果进行存储。由于靠近风电机组侧，因此在做fft分析时可以做到和plc控制器相同的采样频率，从而使fft分析的频域更宽，则能够对频域在0~50hz的传动链振动特性进行分析，并且能自主画出风电机组的各实时运行数据的频域、时域特性图。
当本控制方法进行数据采集时，当在规定时间内运行数据发生变化时才进行采集和存储的方式，若在规定时间内运行数据没发生变化则不采集的方式，那么对实时运行数据进行fft分析时，首先对需要进行fft分析的实时运行数据设置采样间隔，然后按照采样间隔根据分段线性插值法对实时运行数据进行插值，再对完成插值后的实时运行数据进行fft分析。
实施例1：
对风电机组发电机的转速进行fft分析，若风电机组运行在启动后的满发情况区间，此时发电机转速在控制区间的恒功率区间内，同时识别该状态的持续时间，然后经相应的预处理条件筛选出满足条件的实时运行转速，设定fft分析的采样频率与plc控制器相同，fft分析的采样间隔为10ms，根据采样间隔对转速数据进行分段线性插值，再对插值后的转速数据进行快速傅里叶变换，就能得到转速的频率特性分析。结果如图（3）所示，图中的x坐标为频率，y坐标即为转速经fft分析得到的数据振幅，将y坐标的数据振幅按一定的带宽范围与相应的专家经验值进行比较，即可发现转速控制是否有振动异常点，如果发现异常点，可以根据专家策略或者历史数据分析模型，反馈正常的控制参数给风电机组的控制系统，完成风电机组的参数自寻优，并将分析结果存储在处理器中。同理，其它实时运行数据的fft分析过程与本实施例类似。
（3-2）统计数学计算结果中各器件的使用数据，并将统计结果与步骤（1）中设置的使用寿命参数进行比较，如风电机组中的断路器、接触器等开关器件的动作总次数、动作频率、使用时间等数据，以及润滑系统的润滑时间等使用数据，如果各个器件的统计结果都在使用寿命参数范围内，则风电机组处于健康状态，如果某个器件的统计结果不在使用寿命参数范围内，则处理器发出警报。通过本控制方法可以直接对风电机组内部器件如断路器、接触器、润滑时间等特性进行统计和计算，然后结合处理器中存储的使用寿命参数，对这些器件的使用寿命、异常的动作间隔等问题直接评估，或者是根据各器件的使用寿命参数形成健康模型，通过健康模型对风电机组的各器件健康进行评估。
此外，还可以结合风电机组的fft分析结果与健康模型，或者是通过api接口加载云平台的健康模型，实时对风电机组的频率特性进行评估，给出健康评估结果。并且根据健康模型提供的控制参考依据，将更优的控制参数反馈给风电机组的主控系统。
（3-3）判断实时运行数据中是否有故障代码，如果没有故障代码，则继续检测，如果有故障代码，则通过故障诊断模型分析故障类型，所述故障诊断模型通过识别故障代码来判断故障类型，然后调用处理器中存储的实时运行数据判断该故障是否为误报，将故障数据与实时运行数据，以及实时运行数据的计算结果进行比较，确定该故障数据是否为真实故障，如果是误报，则不作处理，如果不是误报，则复位风电机组故障信息消除故障。
实施例2：
温度瞬间跳变问题的诊断，处理器识别到一次超温故障后，可以通过比较近期毫秒级的温度变化和保存在数据库中的该温度传感器近期一天、一月、12个月、或几年的最高值、最低值和平均值，确定该是否为温度瞬间跳变问题，具体过程为，如果发现该温度有一个或多个瞬时数据明显大于温度正常值，则判断为该温度值发生跳变，然后比较近期一个月、一年内的数据温度均值超过正常值的次数，如果1个月内的总次数大于3次，1年内的总次数大于10次，则提醒维护人员进行器件更换，否则判断该故障为瞬间故障，通过本控制方法对风电机组自主进行复位启动操作，从而消除该瞬间故障。
（4）所述处理器将智能分析后的数据，预处理模块筛选后的实时运行数据经交换机与风电机组的scada系统、云平台进行数据交互，减少云平台的数据计算量，且能通过云平台对处理器发送控制指令等。
采用本控制方法，一方面能在风电机组侧通过fft分析，对实时运行数据的频域、时域特性进行自主分析，识别出风电机组在运行过程中各运行数据的异常振动点，然后由本控制方法根据专家策略对风电机组的控制参数进行调节，修正控制效果，从而在边缘侧即可掌握风电机组的控制效果，以及调节风电机组的控制效果，实现风电机组控制参数的自寻优，不需要在plc控制器中进行自主控制，能降低智能控制的实现难度，而且在边缘侧获取的运行数据精度更高，因此在边缘侧进行的控制精确度也更高。
另一方面，能通过故障诊断模型通过故障代码识别出故障类型，从而在边缘侧对部分故障进行处理，对于风电机组的故障分析，数据精度直接影响到故障原因的分析准确性，因此在风电机组侧获取数据进行故障分析，能提高分析精度和分析效率，从而提升处理故障的及时性。
本控制方法还能统计风电机组各器件的使用数据，并将使用数据与对应的使用寿命参数进行比较，一旦发现使用数据不再使用寿命参数的范围内，就会发出警报，从而及时通知工人维修，防止风电机组因零部件故障出现异常运行，达到评估风电机组的健康状态的目的。而且，本控制方法通过预处理条件能对采集的运行数据进行筛选，保存有价值的数据来进行数据分析，提升数据处理效率，同时也提高数据分析的精度，或者是将有价值的数据上传给scada系统、云平台，以及能在风电机组侧进行部分数据处理，只需要将处理器分析后的数据和一些有价值的数据上传给scada系统，再经scada系统上传到云平台，从而极大地减少云平台的计算量，提高风电机组的控制实时性。
1.一种基于边缘计算的风电机组智能控制方法，其特征在于包括以下步骤：
（1）根据经验值设置预处理条件、数据振幅的正常值存储在风电机组侧的处理器中，且在处理器中设置风电机组中各器件的使用寿命参数，以及设置故障诊断模型；
（2）风电机组将工作状态和实时运行数据经plc控制器发送给处理器，处理器将采集到的工作状态和实时运行数据进行存储，同时筛选出满足预处理条件的实时运行数据，并对满足预处理条件的实时运行数据分别进行数学计算，以及存储数学计算的结果；
（3）通过处理器对步骤（2）中满足预处理器条件的实时运行数据和数学计算结果进行智能分析：
（3-1）对实时运行数据进行fft分析，并将fft分析得到的数据振幅与步骤（1）中设置的数据振幅的正常值进行比较，如果数据振幅小于正常值，则风电机组处于正常运行，如果数据振幅大于正常值，则处理器根据专家策略对风电机组的控制参数进行调节，并将分析结果和调节结果进行存储；
（3-2）统计数学计算结果中各器件的使用数据，并将统计结果与步骤（1）中设置的使用寿命参数进行比较，如果各个器件的统计结果都在使用寿命参数范围内，则风电机组处于健康状态，如果某个器件的统计结果不在使用寿命参数范围内，则处理器发出警报；
（3-3）判断实时运行数据中是否有故障代码，如果没有故障代码，则继续检测，如果有故障代码，则通过故障诊断模型分析故障类型，并复位风电机组故障信息消除故障；
（4）所述处理器将智能分析后的数据经交换机与风电机组的scada系统、云平台进行数据交互。
2.根据权利要求1所述的基于边缘计算的风电机组智能控制方法，其特征在于：步骤（1）的预处理条件包括功率、转速、控制区间和持续时间的经验值。
3.根据权利要求1所述的基于边缘计算的风电机组智能控制方法，其特征在于：步骤（2）中的数学计算包括对各实时运行数据进行数学统计，以及平均值、极大值、极小值、方差的计算。
4.根据权利要求1所述的基于边缘计算的风电机组智能控制方法，其特征在于：所述处理器按规定的间隔时间采集实时运行数据，当在规定时间内运行数据发生变化时才进行采集和存储的方式，若在规定时间内运行数据没发生变化则不采集。
5.根据权利要求1所述的基于边缘计算的风电机组智能控制方法，其特征在于：步骤（3-1）对实时运行数据进行fft分析时，首先对需要进行fft分析的实时运行数据设置采样间隔，然后按照采样间隔根据分段线性插值法对实时运行数据进行插值，再对完成插值后的实时运行数据进行fft分析。
6.根据权利要求1所述的基于边缘计算的风电机组智能控制方法，其特征在于：所述故障诊断模型通过识别故障代码来判断故障类型，然后调用处理器中存储的实时运行数据判断该故障是否为误报，如果是误报，则不作处理，如果不是误报，则复位风电机组故障信息消除故障。
技术总结