1.本发明属于计算机数据识别与数据预测表示的领域，具体涉及物联网终端数据的采集、识别、预测和表示。
背景技术：
2.风力发电机组的核心部件是变桨系统，它通过调节风机桨叶的旋转角度，即节距角，来改变气流对桨叶的攻角，进而控制风机桨叶捕获的气动转矩和气动功率；变桨系统不仅可以提高风力发电机组的发电效率和稳定性，还可以在极端天气下实现空气制动和停机保护；无论是液压变桨还是电动变桨，都需要对变桨系统的数据进行实时监测和分析，以预测风机变桨的状态和故障情况，从而实现智能运维和优化控制；然而，传统的变桨系统数据采集和处理方式存在以下问题：一是数据采集设备分散，通信协议不统一，导致数据传输不稳定、不及时、不完整；二是数据处理方式单一，缺乏智能化分析和预测能力，导致数据利用率低、故障诊断困难、维修成本高；三是数据展示方式简单，缺乏直观的可视化界面和交互功能，导致数据理解难，准确度低、难以实时监测。
技术实现要素：
3.为了解决现有技术的问题，本发明提出了一种基于物联网技术的风力发电变桨方法和系统。
4.具体来说，本技术涉及一种基于物联网技术的风力发电变桨方法，包括：步骤1:建立风力发电的变桨系统数据模型，以l,p,m,s,e作为所述变桨系统数据模型的数据集属性，其中l表示线路标识，p表示点位标识，m表示监测数据，s表示状态标识，e表示故障细节。以当前所采集数据的风机为目标风机，所述线路标识为所述目标风机所属线路的全局唯一id，所述点位标识为所述目标风机的经纬度，所述监测数据为所述目标风机的叶片旋转速度和叶片位置的组合监测量化值，所述状态标识为所述目标风机当前是否运行的状态枚举值，所述故障细节为所述目标风机当前处于故障时的故障原因枚举值。可见、上述l,p,m为所述目标风机的属性参数，其中l,p为静态属性参数，m为动态属性参数，s,e为对应的观测参数，通过设置多维度的属性类型，以更全面的用于数据分析预测。步骤2:通过光栅传感器对所述目标风机变桨的状态进行监测，将采集数据传输到所述变桨系统数据模型。物联网终端光栅传感器具有抗电磁干扰、抗温度变化、抗化学腐蚀等特点，可以适应风电机组的恶劣环境。步骤3:将获取的数据集中l、p属性输入到所述变桨系统数据模型的神经网络第一输入层、m属性输入到所述变桨系统数据模型的神经网络第二输入层，每个输入层对应一个子网络；两个输入层满足如下公式。
5.；；其中和分别是所述第一输入层和所述第二输入层的权重矩阵， 和分别是所述
第一输入层和所述第二输入层的缩放因子，且满足》》0，u是随机均匀分布，是l、p属性的维度，是m属性的维度，是输出层的维度。
6.对于每个所述子网络，输出其对应的s和e的预测值，将两个预测值拟合后作为集成输出，对比集成输出和真实值以计算误差，根据计算结果对所述变桨系统数据模型进行调整完善。给予m动态属性参数相较于l,p静态属性参数更高的输入权重，符合实际场景下实时动态数据更能反映风机变桨状态的特点。步骤4:将生产环境实时数据输入经所述步骤3训练得到的所述变桨系统数据模型，得到所述实时数据的预测结果，对所述预测结果进行存档以用于运营系统的可视化展示，以使管理人员能直观获知所述目标风机的现场数据并进行统筹管理。进一步的，所述步骤1中的l,p,m,s,e每个属性均为数值型，其中所述状态标识的枚举类型包括：正常、故障、离线和待命，所述故障细节的枚举类型包括：运行逻辑故障、桨叶故障、通信故障和设备模块功能故障，s,e属性对应的枚举值为各自枚举状态所分配的自然数。进一步的，所述故障细节可以设置多个层次，不同层次的故障细节通过枚举值的范围进行区分。通过多层次的故障细节设置，有利于后续数据展示还原时更好地排查和定位问题原因。
7.进一步的，所述步骤2中的所述光栅传感器可以是多个，以根据实际情况更精确地获取风机动态参数。进一步的，所述步骤3中所述获取的数据集还包括生产环境实时数据经所述变桨系统数据模型处理后被确认预测无误的记录数据。进一步的，所述步骤3中所述根据计算结果对所述变桨系统数据模型进行调整完善包括：调整所述变桨系统数据模型在每次迭代中更新权重时所需的步长或距离，以寻求合适的迭代次数。进一步的，所述步骤4中在进行所述可视化展示时，将所述数据集属性的数值数据还原成原始数据，所述原始数据包括：所述点位标识对应的经纬度信息、所述监测数据对应的所述目标风机的叶片旋转速度和叶片位置、所述状态标识对应的所述目标风机当前运行状态和所述故障细节对应的所述目标风机当前处于故障时的故障原因描述。这样，运营人员或管理人员能更直观的感知各类数据含义。进一步的，所述步骤4中在获取所述实时数据的预测结果后，当所述状态标识为故障类型时进行故障告警，后台预存故障告警对应的处理策略，且后台在收到告警后发送预存策略对应的信号命令到所述目标风机的动力系统进行干预。后台可以自动实施干预，也可以对特定处理策略配置人工确认实施干预，以灵活应对各类实时故障告警。
8.本技术还提出一种基于物联网技术的风力发电变桨系统，用于实现基于物联网技术的风力发电变桨方法，包括：变桨系统数据模型，所述变桨系统数据模型以l,p,m,s,e作为数据集属性，其中l表示线路标识，p表示点位标识，m表示监测数据，s表示状态标识，e表示故障细节；以当前所采集数据的风机为目标风机，所述线路标识为所述目标风机所属线路的全局唯一id，所述点位标识为所述目标风机的经纬度，所述监测数据为所述目标风机的叶片旋转速度和叶片位置的组合监测量化值，所述状态标识为所述目标风机当前是否运行的状态枚举值，所述故障细节为所述目标风机当前处于故障时的故障原因枚举值。
9.数据采集单元，所述数据采集单元通过光栅传感器对所述目标风机变桨的状态进行监测，将采集数据传输到所述变桨系统数据模型。数据分析单元，所述数据分析单元将获取的数据集中l、p属性输入到所述变桨系统数据模型的神经网络第一输入层、m属性输入到所述变桨系统数据模型的神经网络第二输入层，每个输入层对应一个子网络，两个输入层
满足如下公式：；；其中和分别是所述第一输入层和所述第二输入层的权重矩阵， 和分别是所述第一输入层和所述第二输入层的缩放因子，且满足》》0，u是随机均匀分布， 是l、p属性的维度，是m属性的维度，是输出层的维度。对于每个所述子网络，输出其对应的s和e的预测值，将两个预测值拟合后作为集成输出，对比集成输出和真实值以计算误差，根据计算结果对所述变桨系统数据模型进行调整完善。运营管理单元，所述运营管理单元将生产环境实时数据输入经数据采集单元训练得到的所述变桨系统数据模型，得到所述实时数据的预测结果，对所述预测结果进行存档以用于运营系统的可视化展示，以使管理人员能直观获知所述目标风机的现场数据并进行统筹管理。
10.本技术还涉及一种计算机可读储存介质，所述计算机可读存储介质上存储有程序代码，该程序代码被处理器运行时执行基于物联网技术的风力发电变桨方法的步骤。
11.本发明专利的有益技术效果包括：通过物联网终端光栅传感器对所述目标风机变桨的状态进行实时监测，将采集数据传输到所述变桨系统数据模型，通过设置与风机变桨系统运行特征相匹配的数据集，使风机变桨系统在数据采集、基于神经网络的模型分析、数据存档以及运营管理能遵从统一的数据格式，有利于数据的存储、分析和调用。通过神经网络模型输入和输出数据集的属性分配，更能反映实际场景下风机变桨运行状态的特点，有利于提高数据预测的精度。通过多层次的故障细节设置，有利于后续数据展示还原时更好地排查和定位问题原因。通过物联网技术的运用，实现了风力发电变桨运行实时状态的数据识别、预测和可视化展示，并能根据预测结果进行告警干预，实现有效且可靠的风力发电变桨运行实时监测和维护。
附图说明
12.图1：根据本发明实施例的方法流程框架图。
13.图2：根据本发明实施例的系统组成框架图。
14.附图标记：l：线路标识，p：点位标识，m:监测数据，s:状态标识，e:故障细节。
具体实施方式
15.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一。
16.如图1所示，一种基于物联网技术的风力发电变桨方法，其方法流程包括：步骤1：建立风力发电的变桨系统数据模型。以l,p,m,s,e作为所述变桨系统数据模型的数据集属性，其中l表示线路标识，p表示点位标识，m表示监测数据，s表示状态标识，e表示故障细节；以当前所采集数据的风机为目标风机，所述线路标识为所述目标风机所属线路的全局唯一
id，所述点位标识为所述目标风机的经纬度，所述监测数据为所述目标风机的叶片旋转速度和叶片位置的组合监测量化值，所述状态标识为所述目标风机当前是否运行的状态枚举值，所述故障细节为所述目标风机当前处于故障时的故障原因枚举值。
17.所述状态标识的枚举类型包括：正常、故障、离线和待命，对应枚举值为（1，2，3，4），所述故障细节的枚举类型包括：运行逻辑故障、桨叶故障、通信故障和设备模块功能故障，对应枚举值为（1，2，3，4）。则假设目标风机的线路id为1001，经纬度为(30.58762, 120.35236)，叶片旋转速度为10rpm（每分钟旋转次数），叶片位置为(0, 123, 245)度，当前运行状态为故障，故障描述为“桨叶角度不一致”，则目标风机的数据集为(1001, (30.58762, 120.35236), (10, (0, 123, 245)), 2, 2)。
18.步骤2：通过光栅传感器对所述目标风机变桨的状态进行监测，将采集数据传输到所述变桨系统数据模型。步骤3：将获取的数据集输入模型进行训练，对比集成输出和真实值以计算误差，根据计算结果对所述变桨系统数据模型进行调整完善。
19.将获取的数据集中l、p属性输入到所述变桨系统数据模型的神经网络第一输入层、m属性输入到所述变桨系统数据模型的神经网络第二输入层，每个输入层对应一个子网络；两个输入层满足如下公式。
20.；；其中和分别是所述第一输入层和所述第二输入层的权重矩阵， 和分别是所述第一输入层和所述第二输入层的缩放因子，且满足》》0，u是随机均匀分布， 是l、p属性的维度，是m属性的维度，是输出层的维度。
21.对于每个所述子网络，输出其对应的s和e的预测值，将两个预测值拟合后作为集成输出，对比集成输出和真实值以计算误差，根据计算结果对所述变桨系统数据模型进行调整完善。
22.步骤4：将生产环境实时数据输入经训练得到的所述变桨系统数据模型，得到所述实时数据的预测结果，对所述预测结果进行存档以用于运营系统的可视化展示，以使管理人员能直观获知所述目标风机的现场数据并进行统筹管理。
23.在实施例一的基础上，所述故障细节可以设置多个层次，不同层次的故障细节通过枚举值的范围进行区分。如下表1表示故障细节的层次分布和枚举值。表1如下。
[0024][0025]
本领域技术人员熟知，表1中根据实际需要可以扩充各层故障描述类型，且枚举值除以1000的整数结果即第一层故障描述的编号，枚举值除以1000的余数即第二层故障描述的编号。在实施例一的基础上，根据计算结果对所述变桨系统数据模型进行调整完善，具体可以调整所述变桨系统数据模型在每次迭代中更新权重时所需的步长或距离，以寻求合适的迭代次数。
[0026]
步长或距离是神经网络训练时的学习率，基于如下公式进行模型调整。；其中是第t次迭代的权重，α是学习率，m^t和v^t是的一阶和二阶矩的偏差校正值，是一个很小的常数用于防止除以零。
[0027]
例如：α的初始值为0.001，不符合预期时乘以某个倍率k进行调整，随着迭代次数增加，k可以根据反馈进行改变。通过上述神经网络训练期间学习率的调整，使得所述变桨系统数据模型在合适的迭代次数下进行收敛，提高模型训练的效率。
[0028]
实施例二。
[0029]
如图2所示，一种基于物联网技术的风力发电变桨系统，其用于执行上述基于物联网技术的风力发电变桨的方法，包括：变桨系统数据模型，所述变桨系统数据模型以l,p,m,s,e作为数据集属性，其中l表示线路标识，p表示点位标识，m表示监测数据，s表示状态标识，e表示故障细节；以当前所采集数据的风机为目标风机，所述线路标识为所述目标风机
所属线路的全局唯一id，所述点位标识为所述目标风机的经纬度，所述监测数据为所述目标风机的叶片旋转速度和叶片位置的组合监测量化值，所述状态标识为所述目标风机当前是否运行的状态枚举值，所述故障细节为所述目标风机当前处于故障时的故障原因枚举值。数据采集单元，所述数据采集单元通过光栅传感器对所述目标风机变桨的状态进行监测，将采集数据传输到所述变桨系统数据模型。数据分析单元，所述数据分析单元将获取的数据集中l、p属性输入到所述变桨系统数据模型的神经网络第一输入层、m属性输入到所述变桨系统数据模型的神经网络第二输入层，每个输入层对应一个子网络；两个输入层满足如下公式。；；其中和分别是所述第一输入层和所述第二输入层的权重矩阵， 和分别是所述第一输入层和所述第二输入层的缩放因子，且满足》》0，u是随机均匀分布， 是l、p属性的维度，是m属性的维度，是输出层的维度。对于每个所述子网络，输出其对应的s和e的预测值，将两个预测值拟合后作为集成输出，对比集成输出和真实值以计算误差，根据计算结果对所述变桨系统数据模型进行调整完善。
[0030]
运营管理单元，所述运营管理单元将生产环境实时数据输入经数据采集单元训练得到的所述变桨系统数据模型，得到所述实时数据的预测结果，对所述预测结果进行存档以用于运营系统的可视化展示，以使管理人员能直观获知所述目标风机的现场数据并进行统筹管理。
[0031]
本公开实施例提供了一种非易失性计算机存储介质，所述计算机可读存储介质上存储有程序代码；所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。
[0032]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语
言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(an)或广域网(wan)连接到用户计算机，或者可以连接到外部计算机。
[0033]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
[0034]
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。