摘要：目前国内外海上风机的监控大多沿用陆上风电监控系统的有线通信方式，布线难度高且不利于扩建，大幅增加了海上风电的运维成本。针对以上问题，设计了一种基于Sub-1GHz频段的海上风电机组运行状态监测传感器节点。通过分析海上风电机组发生故障的类型，确定风电机组监测的关键测点，并设计了监控系统整体结构，通过分析某海上风电实际案例，设计了节点硬件电路，结合其组网运行的软件设计，实现轻量级海上风电监控。实验数据表明，所设计的无线传感器节点功耗低、传输距离长，可满足海上风电机组监控系统的需要。
关键词：Sub-1GHz；海上风电；监控节点；无线传输；监控系统；传感器
1前言
风能是一种清洁、无污染的可再生能源，风力发电是可再生能源领域中技术最成熟、最有发展前景的发电方式之一。目前，我国陆上风电装机规模位居世界第一，但随着陆地上各种因素的制约，风力发电逐渐向海上风电发展[1]。风电机组作为在户外长期服役的大型装置，不可避免地会受到各种环境因素的作用，从而影响风机的运行，相比于陆上风电，海上风电面临着更为严苛的海洋环境，主要包括温度、湿度、盐雾、太阳辐射、台风、雷电等。
2 海上风电工程结构监测技术
2.1差异沉降监测
一般布置在混凝土承台顶部，均匀布置4个监测点，其中一对监测点布置在主风向上。人工监测通常采用高精度的几何水准测量法，自动化监测通常安装静力水准仪，将传感器纳入自动化监测系统。
2.2倾斜监测
一般布置在混凝土承台顶部、每节塔筒顶部及机舱内，监测仪器采用双向倾角仪，其中一个测试方向为顺主风向，另一个测试方向为垂直于主风向。
2.3振动监测
一般布置在混凝土承台顶部、每节塔筒顶部及机舱内，与倾角仪配套布置，监测仪器采用二向加速度计，其中一个测试方向为顺主风向，另一个测试方向为垂直于主风向，机舱内的加速度计可考虑采用三向加速度计。
2.4应力、应变监测
一般布置在应力计算值较大、结构复杂、薄弱和易损伤的部位，主要有桩基础、承台、过渡段及塔筒。监测仪器根据监测对象和安装位置确定，分别是钢板应变计、钢筋计、混凝土应变计等。
2.5腐蚀监测
一般是在浪溅区、水位变动区和水下区选择具有代表性的位置，在钢结构和混凝土承台中布置相应的监测仪器。
2.6环境量监测
主要是监测影响海上建筑物安全的外因，如风向、风速、气温、湿度、海浪波高、海浪波周期、海浪冲击力、水下地形、冰压力等，根据研究或管理的需要选择有代表性的位置布置监测点。风向、风速监测，一般是采用风速风向仪，安装部位通常在风机机舱顶部;气温及海浪等监测，一般是采用海洋水文综合观测系统。
2.7自动化监测系统
在海上塔筒过渡段内设置自动化采集设备，在岸上集控中心内设置采集计算机，自动化采集设备与采集计算机之间利用海底光缆进行通讯。自动化采集设备，根据传感器原理与信号分类，不同类型的传感器采用不同的自动化采集设备。各传感器根据仪器类型接入相应的自动化采集设备，采集计算机内安装采集软件，对各自动化采集设备进行控制与管理，如需对监测数据进一步整理、分析或共享，可开发监测管理软件，或将监测成果纳入到风电场SCADA系统中。
期刊文章分类查询,尽在期刊图书馆
3 基于大数据技术的风电机组状态监测模型的实现
3.1状态监测历史数据批处理
3.1.1基于RDD-K-means++聚类算法的设计
聚类(clustering)算法是数据挖掘中应用较广泛的一种方法，它是经过多次迭代将样本数据划分为若干个类(cluster)的过程。K-means算法是一种依靠多次迭代的聚类算法，在迭代过程中聚类中心不断发生变化，对应的区域中的数据也在不断地变化，直到准则函数收敛，聚类中心不再改变，得到最优聚类结果。K-means算法的缺点在于初始聚类中心的选取随机性强，对聚类结构有较大影响。为了避免K-means算法初始聚类中心选取随机的缺点，本文选取了K-means++聚类算法。K-means++算法的基本思想是初始聚类中心之间的相互距离尽可能的远。基于此本文采用K-means++算法对风功率曲线进行聚类分析，以得到风速功率曲线的实际参考曲线。借助于Spark平台对迭代算法的高效执行，基于RDD的K-means++算法主要过程是：(1)读取存储在HDFS上的文件块（Block）到内存中，每个块转化为一个RDD，里面包含监测数据的特征量集合（Vector）。(2)首先随机选取一个聚类中心1c，对RDD进行映射（Map）操作，计算每个Vector（Point）相对于已有聚类中心的距离（distance），并输出键值对（distance，（point，1）），生成新的RDD。(3)在归约（Reduce）操作中，对新的RDD进行混合，以概率选择距离最大的样本作为新的聚类中心。(4)重复映射和归约操作，直到选出k个聚类中心。(5)RDD进行映射（Map）操作，计算每个Vector（Point）对应的聚类编号（Class），其对应键值对为（Class，（Point，1）），生成为新的RDD。(6)接着在归约（Reduce）操作中，对每个新的RDD进行混合，相同聚类的数据存放在一起，计算每个聚类中心与属于该类样本之间的距离，并累加每个类的距离均值以得到总体距离Dis，将其作为K-means算法的代价函数。(7)并在RDD内部计算每个聚类中心点。重新计算它的聚类中心，即属于该类的所有样本的质心；(8)最后判断中心点与前一个中心点之间的距离，如果满足要求，则结束，否者从第五步开始，直到满足结束条件。最后将输出结果写到HDFS中。
3.1.2多元偏度、多元峰度
偏度(Skewness)、峰度(Kurtosis)是统计学中度量随机变量密度曲线的统计量，主要用来描述数据的分布状态。偏度是衡量频数分配不对称程度或偏斜程度的指标，峰度是衡量频数分配的集中程度，即分布曲线的尖峭程度的指标。将一维偏度和峰度推广到多维情形，即多元偏度和多元峰度。在本模型中，将功率特性的多元偏度和多元峰度应用到机组的性能状态评估中，根据其偏离参考曲线的程度来判别风电机组运行性能。
3.2状态监测
实时流数据处理Storm作为一种流处理技术，其提交运行的程序称为拓扑（Topology）。拓扑结构由Spout和Bolt构成。Spout是数据的源头，可以从多种数据来源接入数据，将数据以元组（Tuple）的形式向Bolt进行传输。拓扑中的计算逻辑在Bolt中实现的，它接收Spout和其他Bolt的数据。Spout接收状态监测数据并形成元组，Bolt1接收数据并存储到分布式存储系统中，Bolt2对需要的监测数据进行筛选抽取，Bolt3计算风速功率曲线的峰度和偏度。Blot4与Bolt5计算风机实际功率曲线偏离参考曲线的程度。Bolt6根据偏离程度将风电机组分为正常、异常和故障三类并将结果存入分布式文件系统中。此拓扑结构提取监测流数据中的风速和功率，计算功率的特征参量多元峰度和多元偏度，根据其偏离参考曲线的程度，对风机状态进行评估。
4结语
随着物联网技术的不断发展，Sub-1GHz频段通信凭借其低功率、远距离以及抗干扰性强的优点，不断被应用于各种工业场合。
参考文献:
[1]闵兵，王梦川，傅小荣，等.海上风电是风电产业未来的发展方向—全球及中国海上风电发展现状与趋势[J].国际石油经济，2016，24（4）：29-36.
[2]傅质馨，袁越.海上风电机组状态监控技术研究现状与展望[J].电力系统自动化，2012，36（21）：122-129.
论文作者:金波1,张翼2
论文发表刊物:《防护工程》2019年10期
论文发表时间:2019/8/19
标签：风电论文; 海上论文; 数据论文; 算法论文; 类中论文; 机组论文; 曲线论文; 《防护工程》2019年10期论文;