基于大数据的风电安全监控预警云平台设计探索--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于大数据的风电安全监控预警云平台设计探索

发表时间：2021/5/18 来源：《基层建设》2020年第35期作者：谢振凯

[导读] 摘要：近年来社会用电需求的不断增大，电力工程建设数量也逐渐增多。

        大唐定边风力发电有限责任公司陕西西安 710004
        摘要：近年来社会用电需求的不断增大，电力工程建设数量也逐渐增多。风能以其清洁性、可再生性以及储量丰厚的优势，受到电能开发领域的广泛关注，无限潜力等待挖掘。随着清洁能源战略实施与推广，风力发电场规模扩增，单个风电场的风电机组数量相应增加。近年大数据在信息监测与分析领域展现了良好的性能，风电场运行期间产生大规模状态数据以及性能信息，恰好符合风电安全分析预警的需求，可用于指导风电安全监控行为。本文就基于大数据的风电安全监控预警云平台设计展开探讨。
        关键词：大数据；风电安全；监控；预警；云平台
        引言
        近年来，随着分布式移动储存装置、储存数据在人们日常生活中应用的不断增多，它的技术理念也愈发成熟。截至目前，越来越多的企业倾向于通过企业内部数据进行大数据分析的方式辅助后续技术的改良和问题的解决。发电行业也是如此，尤其是在营配一体智能化系统的应用下，传统电力系统中运行环节的各个模块开始逐渐融合在一起，为电力管理者提供了更多资料数据，同时很大程度上提升了原有电力管理的效率。
        1基于大数据的风电安全监控预警云平台方案
        传统的风电安全监控预警系统仅能在故障发生时发出警告，风电机组面临停工的风险，经济损失巨大。为此，基于大数据构建崭新的风电安全监控预警云平台，提前预测风电机组的故障隐患，将风电运行的风险扼杀在源头。云平台采用Spark作为内存计算模型，在云端完成风电大数据处理；原始风电安全数据经清洗、转换后，采用随机森林模型展开深度故障挖掘，平台根据故障挖掘结果进行安全监控预警，安全状态评估以及预警警报在预警模块显示。本次平台设计采用了经典的Spark大数据计算平台，其运用弹性分布式数据集实现数据集缓存在内存中的存储；Spark采用Lineage容错机制集成了SQL、MapReduce、Streaming等多个数据处理模型，构成一个完整的、多场合使用的大数据处理系统；容错机制起到了减少数据处理时间开销的作用。基于Spark内存计算构建的大数据风电安全监控预警云平台架构为：数据采集层（机械状态传感器，机组功率传感器，风速传感器，GIS）-数据存储层（数据清洗、转换，分布式文件系统，分布式文件数据库）-数据计算层（Spark内存计算，MapReduce模型，Streaming模型）-分析数据分析层（数据挖掘算法-分电故障预测-风电安全分析）-风电安全预警。其中数据存储层、数据计算层、数据分析层构成终端大数据处理平台。由此架构可知，平台以互联网为中介将采集层获得的风电安全数据上传至云端大数据处理平台中，上传至云端之前已经完成数据加密处理；在云平台上完成大数据的存储、计算与分析。同样，风电安全主控中心人员需要访问云平台获得安全预警数据。风电安全监控预警主要包括风电安全状态数据采集、数据预处理与存储、数据计算、数据分析四个主要过程。其中，风电安全状态数据采集类型主要有风电机械状态信息、风电机组运行功率信息、风电运行风速信息等，综合监控风电机组运行数据以全面了解其是否即将发生故障，为机组维修与安全运营提供参考依据。在风电大数据存储方面，平台采用了分布式文件系统（HDFS）与分布式文件数据库（HBase），实现风电安全大数据在多个计算机节点上的分散式存储，数据丢失风险大大降低，安全系数提升。此外云平台集成了数据挖掘算法，基于风电安全监控大数据预测机组故障趋势，一旦出现机组故障或存在故障风险及时向监控中心界面发出故障预警。预警云平台的硬件环境设计如下：核心交换机、数据库与应用服务器是平台网络技术的主要构成，网络与平台内部计算机节点        信息传输则以路由交换技术来完成。在此网络环境中，风电安全状态数据通信网络的通信速度可达1000Mbps，对应的接口设备和工作站WMCS的最小通信速度也在100Mbps及以上。风电主控制中心具备远程监控机组运行状态的功能，因此设置在各个风电机组处的子站受控于主站，且二者通过专门性网络完成数据共享与传输。

期刊文章分类查询,尽在期刊图书馆

        2项目功能性需求分析
        智能风电预警平台主要从数据接收调度、前端的可视化展示、预警模型的功能、关系数据库的设计规则和数据接口服务五个方面进行了功能性需求分析。数据接收调度是从风场方面获取风机的运行数据，需要使用风场提供的数据接口从Web服务器读取风机参数的实时数据。由于每个风场都有很多风机，每台风机有两个模型共四个参数，风机状态参数每分钟时间采集一次，所以数据调度程序需要实时读取大量的数据。数据调度除读取数据外，还需要调用预警模型进行预警计算，将计算结果获取并保存。前端的展示是使用可视化技术展示不同范围中风机的运行状态和预警信息。前端展示界面需要依据大区、省份、所属风电场和风机型号等信息对实时数据进行组合查询，查询结果以表格形式展示。
        3基于大数据分析的电网线损与窃电预警技术分析
        3.1基于大数据分析的信息采集系统技术
        根据以往的研究，本文认为在实际电网线损和窃电预警环节大数据分析中，最重要的环节是信息搜集。这一部分数据大都源自各个电网企业电网系统运行环节，不仅需要保障数据传输过程中的真实性和稳定性，还需要确保不同电力企业中大型数据流转和运行的实际效率。例如，对于这一环节，传统的大数据搜集会应用ETL进行数据抽取，这种模式的抽取忽视在各项服务数据之间的同步功能，使得数据很容易在抽取过程中出现漏洞。而应用SQoop模式进行电力网络中线损和窃电预警问题信息的抽取，能很好地解决这一问题，从而实现信息采集操作。
        3.2大数据存储技术
        数据存储技术通过以较低的成本保存海量的多类型数据，并提供对数据的多种访问方式，涉及的关键技术主要包括：（1）HDFS分布式文件系统。文件数据存储在分散的低成本存储介质上，对外提供一致的文件访问接口，具有良好的容错性和并发吞吐。（2）HBase列式存储数据库。基于HDFS分布式文件系统上的以列相关存储架构进行数据存储的数据库，主要适用于批量数据处理和即时查询。（3）Hive为基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL的查询功能，同时可以将查询语句转换为MapReduce任务进行运行，执行简单的数据计算任务。
        3.3大数据分析技术
        数据处理与分析技术包括分布式计算技术、内存计算技术、流处理技术、数据挖掘和多维度分析等。本系统中对海量数据不需要多次循环迭代的算法，如数据聚合处理、数据离散化、演化分析和异类分析等，采用Hadoop离线分布式计算技术完成。对于需要多次对数据进行全量扫描的算法，如关联分析和聚类等算法采用Spark内存计算技术实现。线损分析与窃电分析通过采用数据挖掘技术对电网运行数据进行业务模式挖掘，数据挖掘基于人工智能、机器学习和统计学技术，通过对原始数据自动化的分析处理，做出归纳性的推理，从而得到数据对象间的关系模式及内在特性。
        结语
        大数据技术将各类型风电安全状态信息进行汇总分类，在海量信息中筛选有价值信息，方便新能源专家对风机模型的深入探究，为新能源技术革新、效率优化提供便利。
        参考文献：
        [1]曲朝阳，熊泽宇，等.基于Spark的电力设备在线监测数据可视化方法[J].电工电能新技术，2018，11.
        [2]尹诗，迟岩，等.基于大数据的风电生产运营监控系统设计与实现[J].分布式能源，2019，5.
        [3]刘洋广.基于大数据分析的风力发电机组故障预警技术研究与应用[D].吉林大学，2018.