淺析大數據分析在風電場運維模式中的應用

（福建省福能新能源有限責任公司 福建莆田 351146）

1 研究背景及意義

根據GWEC 數據顯示，2018 年全球風電新增裝機中國占比41%，至2023 年，中國在全球新增風電裝機占比將達36%，為全球第一大風電市場。截至2018 年，中國陸上風電累計裝機206 GW，陸上和海上累計裝機210.6 GW，成為世界首個陸上風電總裝機超過200 GW 的國家［1］。在裝機容量高速增長的同時，也顯露出風電場運維效率與技術水平落后于增長水平的問題。因此亟需借助新興技術手段來提升風電場運維效率與技術水平，匹配裝機容量高速增長下的技術力量需求。

大數據分析是指對海量數據進行采集、分析和處理，得出數據內在聯系，針對數據內在聯系建立數學模型，基于數學模型進行合理預測的一種新興技術手段。大數據分析的6 個基本方面：

（1）可視化分析。可視化分析可以理解為：數據經過簡單處理及計算后，將所需呈現的數據信息進行整合，以圖表、曲線、顏色等視覺信息加以展示。可視化分析在風電場運維模式中的典型應用就是通過采集加工設備運行實況數據，以畫面展示目標數據，即集中控制中心的監測系統。操控人員可以直接從監測系統畫面中獲取設備實況運行數據。

（2）數據挖掘算法。數據挖掘算法是挖掘數據內在價值的主要手段，以JAVA、C++、Python 等計算機編程語言為載體，結合數學理論，對數據進行解析、挖掘、分析得出數據內在聯系。數據之間的內在聯系與特點將會作為后續建立數學模型的主要準則，內在聯系與特點和數學模型預測結果準確性之間存在相關性。

（3）預測性分析能力。預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。大數據分析最終要實現的應用領域之一就是預測性分析，可視化分析和數據挖掘屬于前期工作。根據分析挖掘出信息的特點與聯系，建立數據模型，加入新的數據進行迭代計算，對未來的數據進行預測。

（4）語義引擎。語義引擎是針對非典型結構數據特別是對抽象信息進行解析、提取、分析的重要手段。

（5）數據質量和數據管理。數據質量管理是指對數據從計劃、獲取、存儲、共享、維護、應用、消亡生命周期的每個階段里可能引發的各類數據質量問題，進行識別、度量、監控、預警等一系列管理活動，并通過改善和提高組織的管理水平使得數據質量獲得進一步提高。

（6）數據存儲/數據倉庫。數據倉庫是為了便于多維分析和多角度展示數據按特定模式進行存儲所建立起來的關系型數據庫，同時也承擔著存儲數據的功能。大數據分析中，數據倉庫的構建是關鍵，是一切數據分析的基礎，為聯機數據和數據挖掘提供數據平臺。

在現有的運維模式基礎上推動設備管理水平提升、轉向精細化管理、實行風機全生命周期管控是現階段的難題，大數據分析于風電場運維中的應用恰逢其時。大數據分析的6 個基本方面涵蓋了風電場運維所面臨的數據量大、數據結構復雜、全天候自動化監測等難題的解決方法，是最適合應用于風電場運維模式改進的技術手段，可以在最大程度上滿足風電場運維模式更新迭代的需求，是風電場運維從“被動式”運維轉變為“主動式”運維的契機。風機設備可利用率從單一時間維度描述機組運營水平，不能全面、準確評估機組所具備的潛能。而借助大數據分析從多角度挖掘、分析風機設備狀態參數，以多維度數據衡量機組運營水平，可以進一步深挖風機設備的潛能，提高設備管理水平，實現風機設備全生命周期內的最大化利用。

2 研究目的

（1）降低氣候隨機性對機組的影響，優化機組出力情況。大數據分析與天氣建模技術深度結合后，顯著提升風電場短期、超短期天氣變化預測結果的準確率，優化機組出力，提高風力發電作為能源的可靠性。

（2）縮短風機故障停機時間，最大化風電場經濟效益。大數據分析在風電場運維中的深層應用及全息應用中展示了迅速排除故障的可能性，弱化故障對機組產生的影響，實現風電場經濟效益提升。

（3）優化風電場運維模式管理流程。大數據分析的深層應用準確記錄風電場運維管理的具體情況，將記錄、查詢和報表準確歸檔，建立動態信息系統，為后期風電場運維管理提供支撐，加速形成標準化、模板化的運維管理方式，提升風電場運維管理效率［2］。

（4）改變管理思路，轉變風電場運維管理模式。由“被動式”運維轉變為“主動式”運維，提升風電場運維的靈活性，提高風電場運維效率和技術水平。

3 研究內容

大數據分析在風電運維模式中應用以應用深度的不同分為3 個層次。

3.1 大數據分析在風電場運維中的淺層應用

大數據分析在風電場運維中的淺層應用僅以集中控制中心作為數據收集的關口，缺乏對數據進行深入加工。截止目前，多數已建成的集中控制中心關于大數據分析在風電運維模式中還處于淺層應用階段，只有少數集中控制中心處于深層及更高層應用階段。

風電場風機分布“點多面廣”的特點造成風電場運維中存在管理不易、管理差異大、設備基本情況記錄不到位、設備管控能力有限的問題。集中控制中心體系作為大數據分析在風電場運維中淺層應用的產物，恰好解決了上述問題。

集中控制中心針對風電場采集數據包括升壓站運行實況數據、風功率預測運行實況數據、風機運行實況數據、測風塔實況信息、計量設備實況數據等信息進行整合，使操控員可以清楚了解轄下任一設備的運行狀況，根據監控情況結合現場回傳圖像信息，下達指令，遠程操控設備。通過集中控制中心體系，解決了風電場管理不易、管理差異大、設備基本情況記錄不到位、設備管控能力有限等問題，進一步提升了風電場運維效率。

大數據分析在風電場運維中的淺層應用停留在可視化分析與數據倉庫層面。公司所轄風電機組接入集中控制中心，由集中控制中心統一管理，并且風電場數據也存儲在集中控制中心。集中控制中心僅起數據倉庫的作用，并沒有進一步挖掘數據的價值。此時數據仍具有相當大的挖掘價值，風電場運維效率亦存在提升空間。

3.2 大數據分析在風電場運維中的深層應用

大數據分析在風電場運維中的深層應用是基于淺層應用的基礎上對風電場進行更多維度數據的采集，并且對數據深加工后可得出包含機組全生命周期的完整數據鏈。

以風電機組為例，投入運行后，機組數據流入大數據分析中心。大數據分析中心完整記錄了機組包括在各風速下的運行工況、每年定檢周期、故障發生時段、故障處理方法、折損部件更換周期與頻率等一系列數據，直至機組退役。對機組全周期運行數據、歷史故障數據深度加工后，不難發現很多故障具有規律性。針對風電機組歷史性故障進行回溯，可以總結出風電機組所存在的設計缺陷與共性缺陷。全生命周期運行數據、普遍性故障、共性缺陷以及設計缺陷將會形成一條貫穿機組全生命周期的完整數據鏈。數據鏈存儲于數據分析中心，為風電場運維管理決策提供相應的數據基礎。

從數據鏈中可以得出機組全生命周期內的主要故障多發點、設備折損與更替周期與頻率、故障對應的故障原因，將數據進行視覺化呈現，形成風機故障熱點圖。同時對每臺風機生成獨特的“風機身份證”，將故障熱點圖與“風機身份證”綁定，實現“一機一證”，這種方式將會大大提高風電場的運維水平及運維效率，是風電場運維實現從“被動式”運維轉變為“主動式”運維的核心。

對于普遍性的故障，利用故障熱點圖能迅速排除故障，快速投入運行；對于機組的設計缺陷和共性缺陷，則可以通過技術改造手段消除，將會大大減少由設計缺陷和共性缺陷所引起的機組停機；對于制定風電場年度發電量計劃，結合設備折損與更替周期來準確計算風機性能衰減幅度，合理制定風電年度發電量計劃，在可控范圍內創造最大風電場經濟效益。

通過采集風電機組的運行工況數據、設備健康狀態信息及定檢周期信息，將運維模式從傳統的周期性計劃檢修轉件轉向風機狀態檢修演化。

3.3 大數據分析在風電場運維中的全息應用

全息應用是對大數據分析深層應用的橫向拓展，以深層應用為中心，結合“云計算”與“人工智能”，賦予風電場“智慧”，實現風電場設備“自我管控”的最終目標。智慧風場包含以下3 種智能系統：

（1）智能故障預警系統。智能故障預警系統以短期、超短期風速波動數據和傳感數據為基礎，經過大數據中心分析，根據分析結果進行故障點預測，并向現場人員提供故障預警分析以及故障預警報告，通過提前更換折損部件，縮短機組故障停機時間，變相提升運維效率。

（2）智能故障診斷系統。智能故障診斷系統根據設備部分歷史周期信息和當前運行狀態，結合設備運行中產生的信息，自主比對數據中心內歷史故障信息。基于比對結果給出故障針對信息，出具初步排障方案和步驟，減少排障時間，降低排障難度。

（3）智能場群控制。智能場群控制是基于風電場最優發電層面的區域級應用，擴大場級機組故障容錯空間，提升風電場系統整體柔度。根據現場條件及運行數據分析，建立單臺風機的控制巡游策略。根據不同風機的產出與載荷情況，建立風電場級巡游策略、限電分解、場級尾流尋優控制、預測性尋優控制［3］。

大數據分析會將成為風電場運維常用的技術手段，大數據分析在風電場運維中的全息應用會是未來風電場運維的主流方式！

4 結語

風電行業內已經將大數據分析視為風電場運維模式更新迭代的重要技術手段。新近開發的集控系統均將大數據分析功能列入設計規劃中。但根據行業研究報告不完全統計，在全國68 家風電運營商中，有51%完成集中控制中心系統建設，只有4%實現基于數據分析的深層應用［2］。大數據分析在風電場運維中的應用理應遠超該水平。推廣大數據分析在風電場運維中的應用，加強對大數據分析在風電場運維模式中應用的探索，提前布局大數據中的人工智能與云計算，迎接“工業4.0 時代”的到來，對推進風力發電行業發展具有積極意義！