基于大数据的风电设备远程故障监测与诊断系统研究
赵晓明，孙希德
(吉林电力股份有限公司，吉林 长春 130022)
摘 要 ：文章通过风电设备远程监测与故障诊断平台建设实践，从系统功能、平台建设、故障分析等层面，论述了如何基于大数据实现对风机故障预诊断，提升风力发电机组监控与管理水平。通过对机组运行状态的实时在线监测，利用系统内智能数据报警策略准确筛选机组异常，借助于人工智能分析诊断系统和远程专家的综合分析评价，滚动预测故障未来的发展趋势，帮助用户优化风机维护检修工作，减少停机损失，降低维护成本，提高风机利用率。在集控中心预检测平台建立大数据存储、处理、分析、诊断服务器，收集风场各项数据后与专业厂家存储的数据资源整合，建立各种类型风机故障模型，集控中心培训诊断分析师可通过对比找出故障曲线特点和规律，对实时数据经诊断分析后提出整改措施，提前预防风机故障的扩大，开发相关监视及报警系统，联合风机传统监控系统提高监控中心的设备管理能力。
关键词 ：发电；生产管控；信息化；建设
受环保政策性及发电运营成本控制压力影响，风电装机持续增加，2017年全国新增并网风电装机1 503万千瓦，累计并网装机容量达到1.64亿千瓦，风力发电量完成3 057亿千瓦时，同比增长26.3%，风电平均利用小时数为1 948小时，同比增加203小时，三北地区限电弃风率大幅降低，风电机组发电量增速明显。
脊柱病变的微创治疗均是在局部麻醉及影像学引导下进行。粒子植入术，通常在术后24小时后肿瘤引起的疼痛可得到基本控制，4个月内都会有杀伤肿瘤的疗效。经皮椎体成形术是向有病变的椎体内注入骨水泥，以达到增强椎体的强度，防止椎体进一步塌陷或肿瘤进一步破坏椎体，减轻甚至解除患者疼痛的目的，整个手术过程大约在15～30分钟，术后第二天患者即可离床活动。
风力发电目前面临最主要的问题是相对较高的运行和维护成本压力，主要是因为风电机组本身是一种可靠性低、相对复杂的机械设备，而且往往安装在偏远地区和高空，造成检查维护不方便，另一方面风电场内配备的技术人员少，专业能力低等因素，则会造成对风机故障预诊断能力较低。因故障、报警等引起频繁的停机导致一旦发生故障，其维修成本将远远高于其他的地面设备。目前部分风场风机主传动轴系故障频发，引发的齿轮箱、发电机、主轴承等故障现象迅速增长，而该类故障处理难度大、费用高、周期长、影响大的特点困扰着风电场的安全生产。因此亟需通过提升风力发电机组监控与管理水平，降低设备运维成本，提升企业安全生产效率[1-3]。
1 研究背景
在风机状态监测领域，国外市场开展的较早，主要从事风机状态监测的有“况得时、SKF、阿尔斯通”等企业。虽然我国风电装机容量近年来在市场规模和产业规模都排在世界前列，但缺乏对风机状态监测的核心技术和有效措施，国内从事状态监测的企业均处于起步和研发阶段，从2007年部分风机生产厂家开始关注风电产业的发展，深入风场一线细致调研，投入大量的人力、物力研发在线监测系统。但一是因为风电产业发展迅猛，各风机制造商都把精力放在扩大生产产能上；二是行业重点是加大研发MW级大机组的投入，以紧跟国际风机制造潮流，因此忽略了对机组运行状态的监测问题[4-5]。近两年来，随着风机运行故障和事故的不断出现给企业带来的损失，以及MW级的大机组产品的成功研发和下线，各大厂商才逐步意识到对风力风电机实施状态监测的重要性。
一般来说，我们对句型的分析首先是两种对立：主谓句和非主谓句的对立。主谓句是人类最常见的句型，这是一个复杂的大类，其中还有各种不同的分类，如动词性谓语、名词性谓语、形容词性谓语、主谓谓语句等；这些次类中，又以动词性谓语句为最常见的句型，除了一般的动词谓语(带状语或不带状语)之外，还有动宾谓语、动补谓语、连动谓语、兼语谓语等。
报表生成：报表可以自动生成，也可以由具有生成报表权限的用户操作生成，结果保存在系统的 Web 服务器上；
近年来，大数据、云计算、人工智能等新一代信息技术的迅猛发展，必然推动风电设备远程监障诊断技术进步[9]。风电机组通过对机组运行状态的实时在线监测，利用系统内智能数据报警策略准确筛选机组异常，借助于人工智能分析诊断系统和远程专家的综合分析评价，滚动预测故障未来的发展趋势，帮助用户优化风机维护检修工作，减少停机损失，降低维护成本，提高风机利用率[10-13]。
目前各发电集团基本已完成风电集控中心建设，风电运行数据大部分汇聚到集控中心，同时完善风场设施从而增加部分诊断必须采集的数据，收集各项相关的海量数据，在集控中心预检测平台建立大数据存储、处理、分析、诊断服务器，收集风场各项数据后与专业厂家存储的数据资源整合，建立各种类型风机故障模型，集控中心培训诊断分析师可通过对比找出故障曲线特点和规律，对实时数据经诊断分析后提出整改措施，提前预防风机故障的扩大，开发相关监视及报警系统，联合风机传统监控系统提高监控中心的设备管理能力[14-17]。
2 研究内容
系统充分利用大数据挖掘技术，建立风电机组设备状态在线监测预警数据平台；利用风场海量的历史数据找出设备运行规律，建立风场典型设备的过程模型；利用风场设备已有故障记录，分析故障过程参数变化，建立设备故障知识库；运用智能诊断方法，找出设备潜在故障。实现设备故障预警信息的统计和发布，指导检修人员制定合理的维护计划，建立对标分析体系，促使风电电企业不断超越自己，超越标杆，追求卓越。
2.1 研究的关键和难点：
(1)根据生产实践，优化基于大数据分析的置信度逼近理论，使理论与实践能够紧密结合；
(2)模型建立初期，可能出现由于数据量不足引发的误报警问题。根据运行数据不断优化设备动态模型，使监测模型趋于完善；
(3)基于现有的模式识别技术，探索准确判断设备当前运行状态的方法；
目前全县实际用水人数约15万，需修建5 000 m3沉砂池。沉砂池垫层须定期清理，将上层垫层定期更换，解决泥沙及沉淀物淤堵问题。
(4)大数据本身具有不精确性，可能存在一些误报警问题，研究如何有效解决误报警现象，使系统能够实现精确早期预警；
(5)风场本身具有大量的故障记录及数据，分析现有信息，研究如何建立有关设备的故障知识库，初步实现故障自诊断功能。
2.2 研究内容
(1)数据采集平台。为了安全、稳定、快速地实现各风电场监测系统数据采集工作，系统提供多数据源数据采集接口平台。当进行相关的系统数据采集时，只需要将该接口平台安装的相应的接口采集前置机设备上，配置相关的接口协议的驱动模块、参数、IO 点表、IP、权限等内容即可完成数据的采集工作。
不经论证，就在不适合的地区盲目引种栽植，成功的概率会很低。主要表现有：选址不对，选种不妥，水源欠缺，排涝不畅。
(1)先进性、成熟性和实用性。根据工艺特点，采用当今成熟并具有良好发展前景的新技术，使各子系统在较长的生命周期内，保持技术先进和安全稳定。设计既能满足风场的需要，又能适应未来的发展需求。
(2)可靠性。高效稳定的设备在线监测及故障预警平台，能提供全年365天、全天24小时的连续运行。
要提高生产技术，优化生产结构，以更先进的技术来降低成本，提高原料的利用率以及废料的二次回收率，降低成本的同时注重更高的经济收入，由此企业的积极性就会提高，这也就进一步促进了机械自动化的发展。
(3)可操作性。先进且易于使用的图形人机界面功能，提供信息共享与交流、信息资源查询与检索等有效工具。
我校药学专业校企合作成功的经验，就是将学生实习与就业工作有机结合。首先，要加强对学生的职业指导和职业生涯规划教育，将就业观教育贯穿于教育教学始终，让学生树立正确的就业观，充分认识到“有位才有为，有为才有位”的现实规律。其次，通过在企业实习，进一步强化学生理论与实践有机结合的学习，使其积累工作经验，了解企业对人才素质的基本要求，帮助学生找准定位，为学生进入职场成功就业做好准备。我国药学专业校企合作仍处于学习借鉴、实践探索阶段，应切实加强药学专业校企合作的规范与管理，培养面向生产、服务和管理第一线的高素质药学技能型高级人才。
(4)高效率性。关注各子系统及相关系统的信息共享，提高系统的整体运行效率。
(5)实时性。系统反应快速，充分满足风场对实时性的需求。
(6)完整性。设计将通过良好的集成和完善的配置，提供系统整体运作层面的信息和功能的完整性。
(7)安全性。通过在系统部署相关的安全措施、以有效地确保系统各个层次安全。
(8)可维护性。从应用系统的规划设计和应用软件系统的开发等方面通盘考虑通用性、开放性，在系统局部发生故障时，运行维护人员能尽快发现并能及时处理，避免故障扩大并快速恢复正常运行。
2.2.2 系统功能
(1)预警监测。利用二维或者三维仿真技术，建立风场关键设备工艺流程图。当设备发生故障预警时，设备会变色闪烁，具体颜色可由用户自定义。当设备发出预警信息时，用户点击该设备，即可打开设备健康度评估界面，该界面包括设备健康状态偏离度的评估曲线、设备各测点实际值预测值曲线等，经过对比分析可发现设备的实时状态是否存在故障隐患。
(3)专家诊断平台。当设备发生故障预警时，系统为用户提供两种先进的手段进行故障诊断。
ATB施工前应对原材料与施工机具进行检查，确保料仓材料质量达标，设备能正常启动运行，可满足施工需求。现场铺筑ATB混合料前，应检查水泥稳定碎石下承层的施工质量，确保水稳层表面无松散、离析、油斑、脱落及污染等情况，必要时可进行挖补处理，满足施工要求后方可喷洒透层油，进行ATB结构层施工[3]。
(3)故障记录查询与统计。显示接入设备的历史故障记录及故障的处理情况等。用户可定义设备、专业、时间以及模糊查询的方式查询故障记录。针对单个设备，系统可统计每种故障发生的次数及概率。
(4)辅助决策。根据历史故障的统计及预警监测的结果，指导设备检修计划的安排，并与设备厂商相对应，指导后续设备选型及改造。
(5)关键指标查询。主要是为了方便风场相关工作人员查询设备关键参数而设计。风场工作人员遇到设备问题时，习惯查询设备的关键参数趋势变化。系统可自动记录工作人员的查询情况并保存在查询记录中，方面工作人员查看相关参数。
(6)诊断报告。用于编制诊断报告并发送给设备负责人。同时，用户可使用该模块查询设备历史诊断报告。
(7)设备管理。主要内容包括设备投产前情况、设备规范表，主要附属设备规范表，检修经历，重大异常记录，设备变更、异动记录等。
设备投产前情况：设备投产的制造和出厂试验情况，试运情况，试运过程中出现的主要设备缺陷及缺陷消除情况等。
设备规范表：设备规范表主要填写主要设备的设备名称、型号、制造厂家、出厂编号、制造日期、投产日期、安装单位、安装地点、设备(KKS)编码、技术参数等内容。
变更、异动记录：变更、异动设备名称，变更、异动设备时间，变更、异动设备原因，变更、异动设备内容。通过对设备的标准化管理可有效、准确的为大数据平台提供建模依据，保障诊断分析的准确性。
(8)标准管理。用于建立、存储、查询三大标准：技术标准、工作标准和管理标准，目的是承载标准文件以规范基层工作。标准管理分为三个次级模块：技术标准、工作标准和管理标准。每个标准下又分为技术国家标准、行业标准、地方标准、企业标准。各模块的标准文件按标准编号、标准名称、标准状态(现行、暂行、历史、废止)、发布日期、实施日期、归口单位、主管单位、起草单位等多个维度进行管理。
(9)系统维护。系统维护功能可帮助用户对其他功能模块进行调整及修改。
2.2.3 软件平台
2.2.1 系统设计原则
(6)服务器采用64位实时多任务操作系统。用于数据库载体的服务器配置2块高性能中央处理器(central processing unit，CPU)，配置可热插/拔的冗余电源和可热插拔的冗余风扇，能支持多服务器结构或网络服务器结构，并采用容错或冗余配置方案，采用冗余配置的数据库服务器应能采用集群或热备用工作方式进行故障自动切换，采用RAID5独立磁盘冗余阵列存储技术。
[35]宁德市政协文史资料：《闽东文史资料——闽东名人故居》第六辑，温州：温州大草原印业有限公司，2008年，第189页。
图 1历史数据分析图
Fig.1 Analysis chart of historical data
系统根据风电系统的特点提供了直观简单的数据处理方式——关联关系比较。关联关系比较法所要处理的是历史测点数据中严重偏离大部分数据所呈现出的相关性特性的数据。通过分析，可以非常容易地判断出红色区域的数据是游离于正常的关联关系之外的数据，需要将这些数据筛选出去。
数据筛选完毕，即可利用基于大数据分析的置信度逼近理论算法来建立设备应有状态的模型(图2)。
图 2设备模型示意图
Fig.2 Diagram of device model
(2)报警管理。该界面展示设备的报警历史信息，包括报警次数、报警起止时间、超限范围、是否处理、处理结果等信息。
(a)利用系统自带的分析工具进行人工诊断。当设备出现预警信息时，与故障有关的参数都会偏离模型的预测值。用户可利用贡献度功能锁定偏离参数，然后查看相关参数的相对偏差或者绝对偏差的变化，锁定设备故障的原因。
除了作文课的专项训练，很多时候我们可以让学生写放胆文，不给孩子设置条条框框，让他们写下他们看到的、想到的、喜欢的东西，鼓励他们大胆地写作，自由地写作，愉快地写作。这样，校园里满地的落叶、楼道旁的桂花树、垃圾桶边的蜘蛛网、“抢回来”的鸟巢都慢慢地被学生写进了生活。我们偶尔“介入”他们的课外生活，布置一些特别作业——回家种大蒜、做沙包、买菜、养蚕等等，充满童真、童趣的文字也随之而来。
(b)利用系统故障库进行智能诊断。当设备出现预警信息时，系统可以利用故障模式库对状态监测发现的异常征兆进行初步诊断，判断设备故障的可能原因，辅助风电场在故障发展初期进行主动诊断、科学决策。下图即为根据故障模式库得出的初步诊断分析结果；系统给出了当前设备故障的诊断结果，系统根据故障特征从故障库匹配出多种故障可能，其中轴承故障的可能性最大。
(4)故障知识库平台。系统提供故障知识库平台。工作人员既可将已有设备故障表征录入该平台，也可增加新设备的故障表征。提供故障知识库平台后，故障知识库的维护更加方便。
(5)报表平台。报表系统结构清晰、功能丰富、管理方便，并且很好的控制了用户的权限。
报表主要有：生成、浏览和下载三个功能。用户首先必须生成报表，然后才可以浏览或 下载已经生成过的报表。
以往，国内风机故障诊断研究主要存在两方面难题，一是基础数据缺乏，国外机组状态监测及故障诊断系统借助公司多年来的经验[6]，都拥有丰富的数据库，如SKF的轴承知识库、本特利的轴承专家数据库等，为故障的诊断提供了丰富的数据支持，而国内系统对历史数据的积累和重用率低[7]。二是信息综合利用率低，前面列举的几个典型的国外状态监测系统，在进行状态评估和故障诊断时，除了利用各类信号外，还充分利用其他工况状态信号，通过比较相同工况下的各项特征来获得更准确的评估结果，而目前国内系统大部分仅采用单一信号作为诊断依据，对机组这种多变工况的设备适用性差[8]；系统智能化程度不高，一般仅有部分超阈值报警，但报警值需要人为设定，误报率非常高。
报表浏览：用户访问报表时，可以通过浏览功能查看已经存在的报表，结果以网页的形式显示在IE 浏览器中；
报表下载：用户可将网页上显示的报表导出到本机，以 Excel 形式保存，以方便今后查看和打印。
(6)系统软件平台。 数据库服务器操作系统具有支持群集服务、支持硬件或软件失败引起的失败恢复及支持网络负载平衡等功能，数据库服务器、应用服务器及工作站采用开源操作系统。数据采集接口软件具有故障恢复机制。
小儿推拿学的生理特点主要有脏腑娇嫩、形气未充——五脏六腑稚阴稚阳、元气不足—脾气、肺气、肾气不足，心肝有余；生机勃勃，发育迅速；发病容易，转化迅速；脏气清灵，易趋康复。可预防治疗常见病，包括：小儿泄泻、呕吐、食积、厌食、便秘、腹痛、脱肛、感冒、咳嗽、哮喘、发热、遗尿、夜啼、肌性斜颈、落枕、惊风等疾病，都有较好的效果。
2.2.4 风机组状态监测系统
(2)设备建模平台。大数据建模过程需要经历数据抽取、数据刷选等数据处理过程。设备建模平台就是进行数据处理，并利用大数据挖掘技术建立设备模型的大数据高级建模平台(图1)。
表 风机组状态监测参数表
Tab. State monitoring parameter table of fan set
2.2.5 系统网络与硬件平台
(1)网络主干由数据库服务器、应用服务器、核心交换机构成，宜采用路由交换机制或VLAN技术与系统内其他计算机进行数据交换。网络主干的通信速率不小于1 000 M bps，工作站及接口设备与WMCS的通信速率不应小于100 M bps。子站数据采集接口设备与现场设备的通讯速率应与现场设备的网络接口通讯速率相匹配。
(2)子站与主站之间的通信应采用专用网络。具备远程控制功能时，专用网络冗余配置。
(3)采用浏览器/服务器(browser/server，B/S)开放体系架构，使用标准的数据访问和接口规范，并具有良好的可扩展性。
(4)核心交换机具有高度的稳定性及可扩充性，背板带宽不低于256 Gbit/s，端口数裕量不少于30%。应配备热插/拔的冗余电源及热插/拔的冗余风扇。
1.1 一般资料 收集复旦大学附属中山医院2003年1月至2017年12月出院诊断为DM/PM合并ARDS的患者共5例。病例中DM/PM诊断均符合1975年Bohan和Peter提出的分类标准(B/P标准)[4]及2004年欧洲神经肌肉疾病中心(European Neuromuscular Centre，ENMC)标准[5]。ARDS诊断采用柏林标准[6]。
(5)网络安全防护设备包括硬件防火墙、物理隔离装置、加密认证装置及入侵检测装置等。
采集到的生产实时数据，通过该接口平台上传至故障预警诊断系统，上传过程中：对来源不同的数据点进行统一的管理和维护。可配置数据上传的频率和方式。
(7)主时钟装置采用主备式时间同步系统，每台主时钟应设置1路无线授时基准信号接口和1路有线时间基准信号接口，两台主时钟中有1台时钟的无线授时基准信号取自于北斗卫星导航系统。
3 研究成果
风机远程状态监测与故障预警系统能够实现及时掌握机组运行状态，对设备性能下降进行预测，在故障发生之前进行预警，为故障处理争取时间，从而降低机组事故发生率，降低维修费用，减少维修时间，提高机组运行效率和可靠性，并为检修人员提供指导。
多媒体手段和多模态方式结合能够产生语境，使它与情景语境、互文语境等因素一起在语篇教学中发挥综合作用，有助于学生增进理解形式与意义之间的关系， 提高语篇分析能力。语境化教学原则主要有以下几点。1）坚持语篇教学语境化和英语学习程序化相交互。2）坚持语境与外语习得过程因素的交互，根据学生的以往经验和认知发展过程促进语言的有效输入与输出，切实培养学生的语言能力。3）坚持学习程序中语音、词汇语法、语境与意义之间的体现关系，有效开展语篇语境化教学[4]。
(1)提高各风电场风力发电机组所有监测、检测设施的利用率和利用价值，充分利用大数据平台收集风电群内所有风机的大数据，为统计分析做基础。
(2)成立风机大数据处理中心，配置先进的数据处理硬件和软件设备，从海量数据中筛选有价值的数据，为开展各种类型风机模型研究提供资源。
(3)利用典型风力发电机组故障数据，建立故障典型模型，利用计算机超级计算能力，通过与风机实时数据的实时对比，预判风力发电机组故障。
(4)编制相关监测及分析软件，综合各项数据滚动预测故障未来的发展趋势，给出故障的具体处理建议，帮助用户优化风机维护检修工作。
(5)将振动数据及分析软件引入新能源预诊断平台与专业厂家诊断平台，分别进行在线实时监测振动数据，培养振动诊断专家对振动信号进行分析与专业厂家诊断结果进行比对，保障风机振动数据及时准确。
(6)建立健全风力发电机组集约型管理模式，降低风机运维成本，提高机组运行可靠性，通过全采样技术以弥补传统风机在线监测系统对于完全非稳态设备监测的不足。目标确定主要依据风电行业的发展、风电机组的运行环境、风电机组的运行管理及检维护费用以及传统的风电在线监测系统的不足等多方面因素综合考虑。
检测模式下误差传递状态空间方程的第2项,化简后是加工误差和检测误差所产生的误差的大小。采用状态空间方程的方法，对如图7所示的串并联多工序制造系统误差传递进行建模。假设零件制造系统有m道加工工序，共j条加工路线，如图8所示，第i条路线第k道工序的零件偏差ΔX(k,i)、输入变量ΔU(k,i)、零件被测偏差ΔY(k,i)分别为：
(7)提高设备监测水平和诊断能力，实施优化检修策略，避免设备过修或欠修，降低检修维护成本，提高管理水平。保证机组安全、稳定、经济、环保运行。
4 结论
基于大数据的风电远程故障诊断分析平台，利用系统内智能数据报警策略准确筛选机组异常，借助于人工智能分析诊断系统和远程专家的综合分析评价，滚动预测故障未来的发展趋势，帮助用户优化风机维护检修工作，减少停机损失，降低维护成本，提高风机利用率。此平台的研究不仅可以服务于风电场远程故障诊断，未来以先进的技术手段和完备的产品设施可以为火电等其他发电集团远程故障诊断提供良好借鉴，为智能电厂建设开辟了新的路径。
参考文献 ：
[1] 孟小峰，慈祥．大数据管理：概念、技术与挑战[J]．计算机研究与发展，2013，50(01)：146-169．
MENG Xiaofeng，CI Xiang.Big data management：concepts，techniques and challenges[J].Journal of Computer Research and Development，2013，50(01)：146-169．
[2] 苏朝宏，张强，景国锋，等．应用大数据技术监控设备运行状态实践[J]．电力大数据，2018(10)：18-22．
SU Chaohong，ZHANG Qiang，JING Guofeng，et al.Application of big data technology to monitor operation status of equipment[J].Power Systems and Big Data，2018，21(10)：18-22．
[3] 罗军舟，金嘉晖，宋爱波，等．云计算：体系架构与关键技术[J]．通信学报，2011，32(07)：3-21．
LUO Junzhou，JIN Jiahui，SONG Aibo，et al．Cloud computing：architecture and key technologies[J]．Journal on Communications，2011，32(07)：3-21．
[4] 曲朝阳，陈帅，杨帆，等．基于云计算技术的电力大数据预处理属性约简方法[J].电力系统自动化，2014，38(08)：67-71．
QU Chaoyang，CHEN Shuai，YANG Fan，et al．An attribute reducing method for electric power big data preprocessing based on cloud computing technology[J] ．Automation of Electric Power Systems，2014， 38(08)：67-71.
[5] PETERS D，HAVSTAD K，CUSHING，et al．Harnessing the power of big data：infusing the scientific method with machine learning to transform ecology[J].Ecosphere，2016，5(06)：1-15.
[6] 赵刚．大数据技术与应用实践指南[M]．北京：电子工业出版社，2013：56-58．
[7] 严英杰，盛戈皞，陈玉峰，等．基于大数据分析的输变电设备状态数据异常检测方法[J]．中国电机工程学报，2015，35(01)：52-59．
YAN Yingjie，SHENG Gehao，CHEN Yufeng，et al．An method for anomaly detection of state information of power equipment based on big data analysis[J].Proceedings of the CSEE，2015，35(01)：52-59．
[8] 张素香，赵丙镇，王风雨，等．海量数据下的电力负荷短期预测[J]．中国电机工程学报，2015，35(01)：37-42．
ZHANG Suxiang，ZHAO Binzhen，WANG Fengyu，et al.Short-term power load forecasting based on big data[J]．Proceedings of the CSEE，2015，35(01)：37-42．
[9] 孙燕平，黄葆华.基于发电集团生产信息网的远程振动监测与诊断系统研究[J].电站系统工程，2009，25(03)：55-57．
SUN Yanping，HUANG Baohua.Study on vibration remote monitoring and fault diagnosis system based on power group information network[J].Power Station System Engineering，2009，25(03)：55-57.
[10] D.De Silva，X.Yu，D.Alahakoon，et al.A data mining framework for electricity consumption analysis from meter data[J].IEEE Transactions on Industrial Informatics，2011，7(03)：399-407.
[11] 龙禹，吴尚远，高骞，等．基于B+树的电力大数据混合索引设计与实现[J].自动化与仪器仪表，2018(09)：67-69．
LONG Yu，WU Shangyuan，GAO Qian，et al.Design and implementation of large data hybrid index based on B+tree[J].Automation & Instrumentation，2018(09)：67-69.
[12] 李金湖．基于改进K-means算法的电力大数据系统研发[J]．电子测量技术，2018，41(13)：23-28．
LI Jinhu.Research and development of power big data system based on improved K-means algorithm[J].Electronic Measurement Technology，2018，41(13)：23-28．
[13] 袁捷．贵州电网大数据应用探讨[J]．电力大数据，2017，20(12)：4-7．
YUAN Jie.Discussion on application of big data in Guizhou power grid[J].Power Systems and Big Data，2017，20(12)：4-7．
[14] HOSSEIN AKHAVAN-HEJAZI，HAMED MOHSENIAN-RAD.Power systems big data analytics：An assessment of paradigm shift barriers and prospects[J].Energy Reports，2018，(04)：91-100．
[15] PAUL QUINN，LIAM QUINN．Big genetic data and its big data protection challenges[J].Computer Law & Security Review，2018，34(05)：1000-1018．
[16] 邓小文，冯永新，钟龙.风电机组齿轮箱行星轮裂纹故障仿真分析[J].广东电力，2016，29(12)：21-26.
DENG Xiaowen，FENG Yongxin，ZHONG Long.Simulation analysis on crack fault of planetary wheel of wind turbine gearbox[J].Guangdong Electric Power，2016，29(12)：21-26.
[17] 范强，文贤馗，林呈辉，等.大数据技术在风电领域应用研究[J].电力大数据，2017，20(09)：55-58.
FAN Qiang，WEN Xiankui，Lin chenghui，et al.Application and research of big data technology in wind power field[J].Power systems and big data.2017，20(09)：55-58.
Research on remote fault monitoring and diagnosis system of wind power equipment based on big data
ZHAO Xiaoming，SUN Xide
(Jilin Electric Power Co.，Ltd.，Changchun 130022 Jilin，China)
Abstract ： Through the construction practice of remote monitoring and fault diagnosis platform for wind power equipment，this paper discusses how to realize the fault pre-diagnosis of wind turbine based on big data from the aspects of system function，platform construction and fault analysis，so as to improve the monitoring and management level of wind turbine.Through real-time on-line monitoring of unit operation status，using intelligent data alarm strategy in the system to accurately screen unit abnormalities，and by means of comprehensive analysis and evaluation of artificial intelligence analysis and diagnosis system and remote experts，rolling prediction of future development trend of fault can help users optimize fan maintenance and repair work and reduce downtime loss.reduce maintenance costs，improve fan utilization.The big data storage，processing，analysis and diagnosis servers are established in the pre-detection platform of the centralized control center.After collecting various data of the wind farm，the data resources stored by the professional manufacturers are integrated，and various types of wind turbine fault models are established.The training and diagnosis analyst of the control center can find out the characteristics and laws of the fault curve by comparing，put forward corrective measures after the diagnosis and analysis of the real-time data，prevent the expansion of the fan failure in advance，develop the relevant monitoring and alarm system，and improve the equipment management ability of the monitoring center with the traditional monitoring system of wind turbine.
Key words ：power generation；production control；information；construction
文章编号 ：2096-4633(2019)04-0022-08
中图分类号： C39
文献标志码： B
收稿日期 ：2018-12-23
作者简介 ：
赵晓明(1972)，女，大学，高级工程师，主要从事科技与信息化技术研究工作。
(本文责任编辑：范 斌)
标签：发电论文; 生产管控论文; 信息化论文; 建设论文; 吉林电力股份有限公司论文;