本发明涉及风电机组检测和控制领域，特别是涉及一种风电机组关键部件监测及主动安全控制方法及装置。
背景技术：
1、随着不可再生能源的枯竭，风电作为主要可再生清洁能源之一，具有分布区域广，资源总量丰富，本身清洁无污染的特点，因此近年来发展迅速，技术越来越成熟，装机容量快速增长。由于风电机组所处环境恶劣、维修窗口期不定、被动运维现象普遍，运行成本居高不下，影响风电场经济、稳定运行，风电智慧运维技术处在发展阶段，风电行业亟待提升风电机组智慧运维能力，保障设备运行安全。现有技术中，大多数风电机组采用基于数据采集与监控系统的数据分析方法进行机组状态监测，在风电机组各部件上加装传感器实时监测其运行状态，通过风电机组故障诊断专家系统分析机组运行状况，并在监测到故障时发出预警。
2、然而，这种方式受传感器装置的准确性和可靠性的影响，定期检修和维护传感器装置需要投入一定的人力和物力成本，增加了风电机组的运行成本。并且故障诊断专家系统依赖于大量高质量数据来进行学习，数据收集不足或数据质量差会导致对机组运行状态分析的准确性下降。
技术实现思路
1、为了克服现有技术的不足，本发明的目的是提供一种风电机组关键部件监测及主动安全控制方法及装置，通过精细化数字孪生模型实现对实际电机运行的虚拟模拟，并基于模拟结果构建知识图谱，实现电机故障和电机运行数据的关系提取；通过关键部件运行监测模型和主动安全控制策略，实现对电机故障的自主分析和应对方案的自主匹配。
2、为实现上述目的，本发明提供了如下方案：
3、一种风电机组关键部件监测及主动安全控制方法，包括：
4、根据预收集的风电机组设计参数及运行方法构建精细化数字孪生模型；
5、利用深度卷积生成对抗网络生成风速场景；
6、利用所述精细化数字孪生模型和所述风速场景获取孪生数据和虚拟推演数据；
7、根据所述孪生数据和所述虚拟推演数据构建知识图谱；
8、根据所述知识图谱建立关键部件运行监测模型；
9、根据所述关键部件运行监测模型构建主动安全控制策略；
10、利用所述主动安全控制策略对目标风电机组进行控制。
11、优选地，所述精细化数字孪生模型包括：入流风况子模型、转子气动子模型、传动子模型、塔筒子模型、发电机子模型、变桨系统子模型以及控制系统子模型。
12、优选地，利用深度卷积生成对抗网络生成风速场景，包括：
13、对预设的激光雷达测风数据进行预处理，得到网络输入；
14、使用卷积神经网络结构定义生成器和判别器，并初始化生成器和判别器的权重参数；
15、将随机噪声数据输入至所述生成器，得到假数据；
16、将假数据和所述网络输入混合输入至所述判别器，得到判断结果；
17、根据所述假数据和所述判断结果计算生成损失函数和判断损失函数，得到生成损失量和判断损失量；所述生成损失函数的计算公式为：lg＝-ez[d(g(z))]；所述判断损失函数的计算公式为：ld＝-ex[d(x)]+ez[d(g(z))]；lg为所述生成损失量；ld为所述判断损失量；d为所述判别器；g为所述生成器；z为所述随机噪声数据；x为所述网络输入；e为期望；
18、根据所述生成损失量和所述判断损失量，利用所述深度卷积生成对抗网络进行迭代，得到所述风速场景。
19、优选地，所述孪生数据包括：入流风速、发电机转速、发电机功率、发电机转矩、风轮转速、桨距角；所述虚拟推演数据包括：风速、发电机转速、发电机功率、发电机转矩、风轮转速、桨距角、塔筒顶端载荷和振动加速度、叶根弯矩和载荷以及叶片净空距离。
20、优选地，根据所述孪生数据和所述虚拟推演数据构建知识图谱，包括：
21、根据预收集的运行数据的结构特点与机组故障特性，定义机组故障数据间的血缘关系；
22、定义所述运行数据内结构化与非结构化数据的权重元素的抽取方法；所述权重元素包括：节点、关系、节点权重；
23、根据所述血缘关系和所述抽取方法，利用neo4j图数据库对所述孪生数据和所述虚拟推演数据进行集成、存储、查询以及可视化，得到所述知识图谱。
24、优选地，利用所述主动安全控制策略对目标风电机组进行控制，包括：
25、将目标风电机组的运行数据输入至所述精细化数字孪生模型中，得到精细化数据；
26、将所述精细化数据输入至所述关键部件运行监测模型，得到监测数据；
27、将所述监测数据和预设的超限预警值和停机保护值进行比较，得到比对结果；所述比对结果包括：位于超限预警范围内、位于停机保护范围内以及位于正常工作范围内；
28、当所述比对结果为所述位于超限预警范围内时，发出预警信号并采取主动安全控制方法；所述主动安全控制方法包括：变桨控制、偏航控制、叶片除冰、维护以及更换部件。
29、优选地，一种风电机组关键部件监测及主动安全控制装置，包括：依次连接的数据采集存储模块、数据预处理模块、数据生成模块、风电机组数字孪生建模模块、知识图谱构建模块、关键部件运行监测模块、模型拟合模块以及主动安全控制模块；
30、所述数据采集存储模块用于对目标风电机组的scada历史运行数据进行采集、传输和存储；所述数据预处理模块用于对所述scada历史运行数据进行缺失值填补和异常值识别剔除，得到预处理数据；所述数据生成模块用于生成风速场景；所述风电机组数字孪生建模模块用于目标风电机组进行精细化数字孪生建模，得到精细化数字孪生模型；所述知识图谱构建模块用于构建知识图谱；所述关键部件运行监测模块用于对风电机组关键部件运行状态进行查询与故障诊断；所述模型拟合模块用于修改模型训练参数和网络结构，得到关键部件运行监测模型；所述主动安全控制模块用于根据超限预警值和停机保护值利用预设的主动安全控制策略对目标风电机组进行控制。
31、优选地，一种电子设备，包括：至少一个处理器以及与所述处理器通信连接的存储器；
32、所述存储器存储有可被所述处理器执行的指令；所述指令被所述处理器执行，以使所述处理器能够执行风电机组关键部件监测及主动安全控制方法。
33、优选地，一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序；所述计算机程序用于实现一种风电机组关键部件监测及主动安全控制方法。
34、本发明公开了以下技术效果：
35、本发明提供了一种风电机组关键部件监测及主动安全控制方法及装置，通过精细化数字孪生模型，解决了运行数据来源问题，实现了对风电机组的建模和模拟；通过精细化数字孪生模型和知识图谱，解决了风电机组故障溯源问题，实现了电机故障和电机运行数据的关系提取；通过关键部件运行监测模型和主动安全控制策略，解决了风电机组故障应对问题，实现对电机故障的自主分析和应对方案的自主匹配。
1.一种风电机组关键部件监测及主动安全控制方法，其特征在于，包括：
2.根据权利要求1所述的一种风电机组关键部件监测及主动安全控制方法，其特征在于，所述精细化数字孪生模型包括：入流风况子模型、转子气动子模型、传动子模型、塔筒子模型、发电机子模型、变桨系统子模型以及控制系统子模型。
3.根据权利要求1所述的一种风电机组关键部件监测及主动安全控制方法，其特征在于，利用深度卷积生成对抗网络生成风速场景，包括：
4.根据权利要求1所述的一种风电机组关键部件监测及主动安全控制方法，其特征在于，所述孪生数据包括：入流风速、发电机转速、发电机功率、发电机转矩、风轮转速、桨距角；所述虚拟推演数据包括：风速、发电机转速、发电机功率、发电机转矩、风轮转速、桨距角、塔筒顶端载荷和振动加速度、叶根弯矩和载荷以及叶片净空距离。
5.根据权利要求1所述的一种风电机组关键部件监测及主动安全控制方法，其特征在于，根据所述孪生数据和所述虚拟推演数据构建知识图谱，包括：
6.根据权利要求1所述的一种风电机组关键部件监测及主动安全控制方法，其特征在于，利用所述主动安全控制策略对目标风电机组进行控制，包括：
7.一种风电机组关键部件监测及主动安全控制装置，其特征在于，包括：依次连接的数据采集存储模块、数据预处理模块、数据生成模块、风电机组数字孪生建模模块、知识图谱构建模块、关键部件运行监测模块、模型拟合模块以及主动安全控制模块；
8.一种电子设备，其特征在于，包括：至少一个处理器以及与所述处理器通信连接的存储器；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序；所述计算机程序用于实现权利要求1至6中任一项所述的一种风电机组关键部件监测及主动安全控制方法。
