基于iP9000平臺的新能源集控及智能應用研發

何 婷，何飛躍，韓長霖，劉 寅

（中國水利水電科學研究院，北京100038）

0 引言

隨著新能源電站的自動化水平提高，風電場/光伏電站涌現了大量的二次系統，如風電場/光伏電站監控系統、升壓站監控系統、功率預測系統、狀態監測系統、有功/無功控制系統、保護及故障信息子站及其他智能電子裝置等[1]。但目前這些系統均獨立運行，之間沒有信息共享，而且這些二次系統的生產廠家往往不同，設備型號也繁雜多樣[2]，因而存在多種硬件接入形式和不同的通信規約。在信息自動化飛速發展的今天，急需進行這些系統（裝置）的信息整合，實現數據的綜合利用。

本文從新能源電站的監視控制、運行維護和運行評價角度全面研究了新能源集控平臺的功能需求，提出一種針對新能源集成化應用系統的開放式系統結構，給出了基于iP9000平臺的新能源集控平臺架構，并闡述了數據治理、狀態監測、智能運維、運行評價、故障診斷等關鍵技術和方案，為實現新能源電站的集中高效管理提出了一種優化解決方案。

1 新能源集控平臺架構

針對新能源集控多業務、多系統需求，中水科技iP9000智能一體化平臺提供了良好的解決方案。iP9000智能一體化平臺是在整合水利水電新能源工程經驗基礎上開發的基于面向服務架構（SOA）的智能一體化平臺，該平臺具有標準化、通用性、可擴展性、可配置性的特點，滿足各專業應用的不同需求。

基于iP9000平臺打造的新能源集控，采用開放式分層分布式的一體化結構，分為集控中心主控級和電站分控級2個主要層次，實現集控中心對所轄廠站遠方監視、分析決策、操作控制和運行管理。在集控中心設置一套集控中心主站系統，在各電站設置通信子站系統，該通信子站系統用于收集電站子系統的數據，經規約轉換后以IEC104規約向集控中心傳送數據，同時接收集控中心的控制調節命令向場站系統轉發。集控中心以集控應用建設為核心，以一體化、標準化、模塊化、智能化為原則，在iP9000平臺上集成建設集控中心監控系統、保信主站系統、風/光功率預測、電能量系統、風水光互補分析功能、視頻監控系統等各類自動化系統和管理信息系統，解決了新能源電站的二次系統互不聯系、管控難度大、維護復雜度高、智能決策水平差以及重復投資等問題。

新能源集控技術架構如圖1所示，采用面向服務的架構，分為元數據層，消息通信層，技術服務平臺層和數據組件平臺層4個層次。元數據層提供新能源集控平臺的基礎數據。消息通信層是各個應用數據交互的通道，由分布式通信總線構成。技術服務平臺層提供事件驅動、工作流等多種業務引擎。數據組件層實現面向應用的數據封裝，為各個應用提供組件級服務。

圖1 新能源集控平臺技術架構

新能源集控系統應用架構如圖2所示，應用架構包括基礎設施層，數據資源層，應用支撐層和應用平臺層。基礎設施層和數據資源層實現應用實時數據庫、歷史數據庫、時序數據庫和文件系統的透明封裝，為上層應用提供應用API接口。應用支撐層實現新能源集控的數據采集、數據處理、人機界面、智能告警、權限管理、日志管理等基礎應用，應用平臺層實現新能源集控的智能高級應用，包括AGC/AVC、風/光功率預測，狀態監測、故障診斷等。

圖2 新能源集控平臺應用架構

2 系統安全解決方案

新能源集控需滿足國家發展和改革委員會令[2014]第14號《電力監控系統安全防護規定》和國家能源局2015年36號文《國家能源局關于印發電力監控系統安全防護總體方案和評估規范的通知》的規定，各功能部署在對應的安全分區內[3]。

集控主站系統采用雙網冗余設計，分為安全一區、安全二區、管理信息區等3個安全分區。安全一區和安全二區之間配置有防火墻，共用一套數據庫，二區和三區之間配置有網絡隔離裝置，由二區向三區單向轉發數據。

監控系統位于一區，保信主站系統、狀態監測、電能量等系統位于二區，WEB發布、在線趨勢分析和狀態監測等系統位于管理信息區。

各區數據轉發和同步服務由iP9000平臺統一提供。

3 智能應用技術

新能源集控智能應用技術包括數據治理，狀態監測，智能運維和運行評價，智能應用技術是實現智慧新能源的基礎。

3.1 數據治理

由于新能源具有較大的隨機性和波動性，同時由于通信的不穩定等原因，不可避免的存在數據錯誤、數據丟失等問題，需要對新能源數據進行清洗和治理，以提高數據的準確性和完整性。

3.1.1 治理原則

根據新能源監測、運行和管理的特點，通過分析集控大數據平臺不良數據的成因，對數據的采集、存儲等過程進行篩查和分析研究，總結不同環節數據治理的方法，將不良數據進行清洗和治理，最終得到滿足數據質量要求的數據。數據治理技術主要應用于新能源數據倉庫、數據挖掘和數據質量管理3個方面。

（1）新能源數據倉庫中，數據治理的主要任務是清除錯誤數據、修補丟失數據、解決數據冗余問題，不僅是簡單地對不良數據進行檢測和根據實際情況修正，而且還需要對同類型數據進行分類整合，對復雜信息數據進行拆分。

（2）新能源數據挖掘中，數據治理的任務是對數據進行預處理，保證良好的數據質量。針對各種不同二次系統采集的數據，需要特定的治理方法。新能源的數據治理包括風機數據治理，升壓站數據治理，狀態監測系統數據治理，功率預測系統數據治理。

（3）新能源數據質量管理中，數據治理過程是評價數據正確性并改善其質量的過程。

3.1.2 治理方法

數據治理方法包括數據合理性治理法、拓撲治理法、模型一致性治理法、時序治理法、數據統計治理法、狀態估計治理法、聚類分析治理法和模式識別治理法。

數據合理性治理法從新能源遙測、遙信、電度等數據的合理性出發，校驗數據的合理性，從而對數據進行治理。拓撲治理法從新能源電站的網絡拓撲結構出發，依據電網絡理論，校驗新能源廠站數據在拓撲結構約束下的數據聯系，對各類數據進行治理。模型一致性治理法，依據新能源廠站數據的物理模型（如有功功率、無功功率等），校驗各個數據的正確性，完成對數據治理。新能源廠站歷史數據均為時間序列，可以采用回歸分析、最小二乘法等方法，消除不良數據，完成數據治理。新能源廠站數據實際上為隨機變量，可以按照方差分析、置信區間和狀態估計等數據統計治理法進行數據治理。聚類分析和模式識別治理法是人工智能的數據治理方法，該類方法基于人工智能原理，采用均值聚類和模式識別的方法，治理新能源廠站數據。

3.1.3 治理流程

新能源廠站數據治理主要包括以下5個階段：

（1）準備階段。通過數據應用的需求分析明確新能源集控對數據質量的需求，通過調研數據所處的風電和光電設備的位置明確環境對數據流產生的影響，確定具體的數據治理任務目標，結合各方面的調研結果制定針對不同二次系統的數據治理方案，并確定數據接口方式，最終形成完整的數據治理方案，指導整個數據治理過程的大方向。

（2）檢測階段。將采集到的數據進行預處理，完成標準化預處理，進行冗余數據、重復記錄、不合理數據、不一致數據、異常數據等檢測，并完成統計分析，確定不良數據存在的形式，為設定具體的數據治理方法提供依據。

（3）定位階段。通過對統計后的檢測結果進行數據質量評估，分析不良數據的存在及修正對后期數據應用的影響，并通過問題定位、數據流追蹤的方法，明確不良數據產生的根本原因，定位數據質量問題的性質和位置，完善數據治理的方案。根據定位的情況，部分數據可能需要再次檢測，再次定位。

（4）修正階段。定位階段對數據的治理方案已具備有效的方法，本階段即可對數據按照相應的方法進行修正，包括清除不合理數據、合并重復記錄、修補缺失數據及不可修復數據標記，并對數據修正過程進行記錄。

（5）驗證階段。將修正后數據與任務需求定義進行比較分析，可能用到部分檢測階段的方法，若驗證結果與任務目標相符，則完成對該數據的清洗治理，若驗證結果與任務目標不相符，則重新進行定位和修正，通過分析修正失敗的原因，甚至需返回準備階段重新調研，以確保治理的數據真實有效。

3.2 狀態監測

風電場采集風電設備的主軸承、齒輪箱、軸承等主要部件的機械振幅數據，葉片應力數據；光伏電站采集陣列、匯流箱、逆變器、組串零電流，分別結合SCADA數據，采用人工智能算法，可對潛在的故障進行預測。一體化平臺為狀態檢修平臺提供采集、消息、計算、界面組態等基本功能，形成風機/光伏運行狀態監測、統計與分析、故障預警、專家知識庫、診斷模型、檢修決策與優化運行等模塊。

3.3 智能運維

我國大部分風電場集中投運在21世紀10年代初，運行至今，大量風電機組目前將面臨出質保的問題。而且風電機組長期工作在條件惡劣的環境中，氣溫變化大，風沙、風速、載荷變化隨機、不確定等因素導致機組各部件故障頻發。國內風機的生產廠家繁多，型號多樣化，各類型的風機運維技術多掌握在風機廠家，運營商反而缺少有效的維護技術和管理經驗，因此需要建立風電場智能運維系統，對于提高風電運營的可靠性、安全性和經濟性有著重大且長遠的現實意義。

可建立風電場和風機的數學模型，并根據歷史風資源的情況進行仿真運行，通過統計分析，得到機組運行規律，制定優化運行策略。新能源集控中心包括對升壓站一次設備（GIS，變壓器等）和風電場機組（電氣設備、傳動系統、塔架、葉輪等關鍵部件的振動、溫度和壓力參數等）的監測。利用狀態監測模塊的數據和SCADA數據綜合分析，對設備運行過程中產生的各時域和頻域信號進行處理，進行故障診斷、分析和預警，以減少故障的發生，提高運行效率。

光伏電站通過無人機巡檢，發現熱癍、遮擋、玻璃破碎、發電異常問題；通過智能清洗機器人，提高清洗效率、降低清掃成本；采用神經網絡和統計分析方法進行故障診斷，診斷組串發電不良，逆變器發電不良等故障。

3.4 運行評價

新能源廠站的運行評價主要包括如下幾個方面：發電量水平、設備運行水平、生產維護水平、能耗及綜合評價。

根據采集的風能資源數據、太陽能資源數據、風機/光伏板的分布，結合風電機組的功率曲線和推力系數曲線、光伏面板IV特性等計算，得出風電場/光伏電站年理論發電量，再根據上網折減系數來進行上網電量的估算，對比實際上網電量，對發電量水平進行評價。生產維護水平評價根據期望運行費用與實際運行維護費用進行比較評價。

3.5 故障診斷

故障診斷過程本質上是一個故障模式識別的過程。設備故障模式識別是在故障信息監測和故障特征提取的基礎上對設備發生故障的種類、原因和部位做出判斷和推斷。針對風電場/光伏電站的某一個設備故障診斷問題，選擇不同的故障模式識別方法，可能導致其分類精度和準確性產生較大的差異。目前，廣泛應用于設備故障診斷的模式識別方法主要有人工神經網絡、支持向量機、灰色關聯分析、聚類分析、信息融合等。

故障診斷的基礎是故障特征量提取。在獲取風電場/光伏電站設備運行實時監測數據的基礎上，通過數據治理、數據挖掘、趨勢分析等技術方法，準確地提取采集數據中的有效信息，分析故障特征量，以反映設備的運行健康狀況。故障特征量提取方法包括時域提取法和頻域提取法。時域提取法提取時域內各個量測的幅值指標和無量綱指標，對故障數據進行定位。頻域提取法采用快速傅里葉變換、小波分析等方法提取各個量測的頻率指標，對故障數據進行定位。

目前新能源廠站故障診斷應用方法主要有基于人工智能的人工神經網絡、支持向量機和聚類分析等，由于每種故障的特征量不同，對于不同的故障，需要采用不同的故障診斷方法。同時，由于新能源廠站SCADA系統采集了廠站的實時數據，結合SCADA數據進行故障診斷是今后的發展方法，由于SCADA數據的采樣頻率低于狀態監測系統的采樣頻率，因此需在一體化平臺上構建多元數據存儲和數據融合，進行數據整合和計算。

4 結論

新能源的開發利用飛速發展，對風電場和光伏電站的運維提出了更高的要求，因此建設新能源集控平臺、提高智能應用技術，可更高效地支持新能源電站的運維。本文提出了基于iP9000一體化平臺的集控解決方案，并介紹了一體化平臺的架構、系統安全解決方案，描述了包括數據治理、狀態監測、智能運維、運行評價和故障診斷的智能應用技術，為新能源電場的集中監視控制、系統運維、故障診斷和經濟運行提供了一種解決方案。