淺談SCADA數據分析在風電場運維中的應用

文 | 張慶運，史麗榮

淺談SCADA數據分析在風電場運維中的應用

文 | 張慶運，史麗榮

海上風電場運維面臨的挑戰

海上風電因風況優良，資源豐富而備受青睞，裝機數量正在快速上升，見圖1和圖2。從數據來看，全球每年的平均增長速度達到了30%。

盡管看上去前景美好，但是在實際運營中，海上風電的運維成本及維護難度巨大（圖3）。主要體現在以下幾點：

1.交通成本高：運維時需要特殊的交通工具，無論是船只、快艇還是直升機，其運行費用都比較高，目前專門用于海上機組運維的船只正在研發之中。

2.維修成本高：更換機組大部件需要特殊的吊裝船只，費用昂貴；對備品備件的質量可靠性要求高，所以備件成本也高。

3.停機成本高：由于海上風電場風況較好，一旦停機，電量損失大；并且，開展維修作業時，受天氣因素、海況變化影響較大，導致安全風險大，留給維修的時間窗口小，如果錯過會導致無法及時恢復發電，損失電量。

4.人工成本高：對機組進行維護或對其故障進行修復，要求運維人員經過特殊的培訓，具有豐富的經驗、強健的體魄和一定的理論基礎，還要能夠忍受惡劣的自然環境和駐外工作的孤獨，所以海上運維的技術人員成本會較高。

圖1 2011年－2016年全球累計海上裝機容量統計圖

圖2 中國歷年海上裝機容量統計圖

圖3 海上風電現場運維實景圖

以上運維費用合計，可能會超過整個生命周期內的機組設備成本。根據目前英國運維數據的統計，海上機組的維護成本占全生命周期成本的25%－30%左右（另有數據表明可能達到35%）。

數據分析技術面臨的機遇

降低海上風電場運維成本的措施是多方面的，比如優化設計，提高設備的可靠性；改進、優化進入機組、風電場的裝備和措施；做好機組的運營維護規劃，做到預測預防性維護，減少修正性維護的概率和時間等等。對于機組運營商，在機組設備已經定型的前提下，可以開展的工作是做好預測預防性維護，設計好運營維護的規劃，以減少進入機組維護維修的機會，選擇在最佳的時機進行維護、維修。而要做到這一點，數據分析可以發揮很好的作用。

大數據技術的不斷成熟，使得大數據分析越來越被各個行業看好，也越來越逐步發揮其掘金、省錢的角色。通過大數據分析，可以優化風電場的發電輸出、優化機組的設計、優化機組的載荷輸出、優化機組的運維策略以及降低全生命周期內的維護成本等等。目前，各種工具和平臺都很多，比如“藍色巨人”IBM已經涉足風電運維的數據分析支持業，各個風電運營商也都越來越重視數據的分析， 看到了運行數據的價值，成立了自己的數據分析中心。在這方面，龍源電力、中廣核風電等國內大企業都已經走在了行業前列。

機組運維正在向精細化、專業化方向發展。同時，機組運維數據分析技術也正在向以下三個方向發展：

1.開展多種數據源，進行綜合、全面的分析，包括在線振動數據、油液質量數據、電能質量數據等（預診斷和健康監測系統在海上機組非常必要，比如除了溫度壓力振動等常規參數， 還要檢測溫度場、熱像、絕緣、圖像自動傳輸、電池健康自我診斷等）。

2.動態、在線式數據采集與分析技術得到逐步的應用，并逐步應用到機組的全生命周期；（定期地或者在某種條件下觸發，啟動針對機組運行狀態的動態數據采集，并進行分析，以診斷機組的各種響應狀態和健康狀態，比如說現在的振動監測系統，就需要進一步提高：信號采集中要包括風速、功率、風向偏差，要具備在多種條件下觸發采集的功能，以利于準確分析）。

3.各種高級數據分析算法被逐步實踐應用，數據分析逐步向認知計算的方向發展。

4.基于SCADA數據分析的維護支持策略－預防性、預測性維護。機組長期運行過程中，SCADA系統一直在記錄存儲著機組運行狀態數據。其特點是數據采樣周期較長（秒級數據或者更長的間隔），記錄著機組運行過程中的關鍵數據，數據存儲的體量較小（每年一個5萬千瓦的風電場數據量在數百G的容量）。針對SCADA數據的分析不需要增加額外的硬件采集系統，成本較低，數據分析方便。但是，由于其數據采樣率較低，對于機組動態數據分析還需要借助于專門的數據采集軟件作支持。

鑒于海上機組的建設高投入，高運維費用的現狀，對于機組的運維策略將不能再按照目前陸上機組的粗放式運維方式進行，否則，風電場運營的利潤根本無法保證。相反地， 必須采取精細化運維方式，將風電場運維的層次從被動的救火式維修、定期檢修，上升到狀態檢修，并逐步發展到運用大數據分析進行預防、預測性運維方式。

對機組SCADA數據開展分析，是對機組運維數據分析的第一步。通過對機組SCADA數據進行分析，可以發現機組的亞健康狀態，總結機組運行的狀態趨勢，預測機組的健康趨勢，評估機組的部件性能，根據數據的分析結果，計劃性地安排機組的維護和維修，減小進入機組的停機次數，尤其是針對于海上機組，進入機組的難度、成本、風險都很大的情況，從而減少計劃外停機，減少電量損失。所以，基于SCADA的數據分析可以為優化維護策略、開展預防性、預測性維護提供支持。

要對SCADA數據進行挖掘分析，首先要掌握機組SCADA各個變量的物理意義以及各個變量之間的因果關系，設計一些評估機組健康狀態的指標和指標的算法，并優化機組健康報警指標的閾值。利用大數據分析的各種技術，比如常規的概率統計方法，支持向量機SVM算法、ANN技術、貝葉斯算法等，來找出各種指標與機組健康狀態之間的關系及評價結果。這些指標和機組健康狀態之間的因果關系判斷需要風電行業的專家給予機理上的支持。

根據SCADA數據，可以分析的指標有機組的功率輸出性能、關于機組各個部件溫度－載荷的關系、各種壓力、轉矩、機組的振動狀態、軸承的潤滑狀態、齒輪箱的潤滑冷卻系統的健康狀態、葉片的表面質量、風速儀、風向標的健康等等，通過這些指標的分析， 對機組各個部件的健康狀態、發展趨勢、影響后果、緊迫程度等給出評級和分類。

根據數據分析的結果和部件健康等級分類，制定相應的主動維修策略、優化維護、維修計劃，從而實現預測、預防性維修，減少對機組的進入次數，從而減小機組的停機時間，減少電量損失，降低運維成本。

SCADA數據分析的局限與存在的問題

目前，對于SCADA數據分析還存在以下問題和局限性：

首先，SCADA數據變量存儲規范和數據共享規范。由于各個主機廠家的設計思路和數據存儲構架不同，開展對不同品牌機組的SCADA數據分析時，數據的訪問和提取方式，數據的格式和規范、機組狀態變量存儲的數量和采樣間隔都不相同，而有的主機商對機組變量的開放范圍也不相同，這就為第三方數據分析開展帶來一些障礙，所以，對于機組SCADA數據的變量存儲規范和數據共享規范還需要建立和完善。

其次，在實際的數據分析中，還發現數據的完整性有待完善，數據出現中斷情況。數據的中斷可能導致關鍵的一段數據丟失，為數據分析錯失一些寶貴的預警機會。所以，對于SCADA系統的可靠性還需要從軟件設計、通信硬件質量改善、傳輸介質質量方面進行提高。

再者，對于動態數據的采集方式在SCADA系統中還需要加強和完善。還需要增加報警或者故障錄波的數據存儲在SCADA數據中的機制。這樣，對于故障錄波高分辨率采樣數據的分析就會變得更加便捷，可以為機組的健康診斷模型的建立提供更多的樣本。當前的故障錄波數據大多還是以平面文件方式存儲在機組主機的本地控制器上，還需要手動下載，這給數據訪問的自動化帶來了額外工作。

圖4 某機型機組發生三相電流不平衡頻次統計圖

圖5 三相電流偏差與轉速關系散點圖

圖6 三相電流偏差與功率之間關系散點圖

分析案例分享

在此，分享兩個基于SCADA數據分析的案例。

案例一：三相電流不平衡

圖4、圖5和圖6是某2MW機型出現上網電流不平衡的案例，該機組的變槳系統屬于液壓驅動型。在我們對數據分析之前，運營商一直被該問題所困擾。

我們對SCADA的數據進行了大量的分析和統計。從數據統計結果來看，該機型存在著大量的三相電流不平衡現象，如圖4所示。

我們對電流不平衡跟功率、轉速之間的關系進行了分析，如圖5和圖6所示。

根據統計圖形上的特征，我們對SCADA的秒級數據進行了更進一步的分析，發現電流偏差和液壓系統的壓力具有如圖7所示的關系。

圖7說明，電流偏差和液壓系統壓力有關系，在液壓站電機（30kW）啟動打壓的時候，出現了電流不平衡。

進一步地對液壓站電機的控制回路做檢查，發現是液壓站電機接觸器的燒蝕引起了三相電流不平衡，并且這種電流不平衡偏差可能達到了200A以上，存在著嚴重的安全隱患。液壓站電機接觸器的燒蝕圖片如圖8。

同時，我們分析了電流偏差和發電功率之間的關系如圖9，表明在發生三相電流不平衡時，無功功率發生了波動和沖擊的現象。

根據數據分析，我們分析在并網時無功波動是由于并網濾波回路造成的，經過檢查，并網濾波接觸器發生了嚴重的燒蝕，如圖10。

對以上兩個接觸器進行了更換，并對其他機組做了相同的檢查與更換，提出了減少電流不平衡的技術改造方案，找到了電流不平衡的原因，并消除了由于接觸器燒蝕可能帶來的接觸器拉弧、液壓電機損壞、濾波電容損壞以及火災的安全隱患。

以上分析都是基于SCADA數據的基礎上開展的，經過分析，找到了問題的根源，為機組的計劃性維護和預測性維修提供了支持。

案例二：偏航減速器損壞的預防

圖7 某機型機組控制回路壓力與電流差關系曲線圖

圖8 液壓站電機接觸器的燒蝕圖片

圖9 三相電流曲線與無功功率關系曲線圖

圖10 并網濾波接觸器發生了嚴重的燒蝕圖片

在機組偏航系統中，偏航電機的功率反映著偏航系統的健康狀態。針對風電場偏航減速器損壞的機組SCADA數據分析，找出了預防偏航減速器損壞的措施。圖11是國內一臺某1.5MW機型偏航減速器行星架損壞的照片。

從圖11來看，行星架開裂，花鍵套開裂。從力學上分析，造成這樣損壞的外力應該來自于機艙而不是來自于驅動電機。由于機艙沒有被偏航卡鉗可靠地鎖止在塔架上，在大風的情況下，風力吹動造成了機艙的轉動，從而使機艙巨大的轉矩損壞了偏航減速器。經過分析，SCADA中反映該機組偏航功率如圖12。

經過分析，由于該機的偏航功率偏低，究其原因是偏航卡鉗的阻尼調節得偏低，使得在大風下卡鉗無法將機艙固定引起的。

使用同樣的分析思路和算法，將其他機組的最大偏航功率做同樣的分析，找出了其他存在相同隱患的機組，并加以調整，避免了偏航減速器的進一步損壞。對該數據的分析，可以及時發現偏航襯墊的磨損程度和趨勢，為物料準備和計劃維護提供指導意見。

圖11 某1.5MW機型偏航減速器行星架損壞的照片

圖12 某1.5MW機型最大偏航功率與風速關系散點圖

結論

對于機組的運行數據分析，當然是數據越全面、越細致、數量越多越好。隨著大數據技術分析技術的成熟，可以越來越方便地處理分析這些巨量的數據。

基于SCADA數據分析工作，可以在不需要額外硬件投入的情況下，挖掘SCADA數據的價值，從而為機組的預測性、預防性維修、維護策略提供支持。

（作者單位：北京優利康達科技股份有限公司）