基于数据挖掘技术的风电新能源大数据平台构建

文/李浩

近几年中国风电产业发展迅速，截至2015年，中国新增安装风电机组已达16740台，同比上涨32.6%。目前，风电产业已逐渐成为中国电力系统的重要构成部分。伴随风电机组装机容量升高，机组系统也越发复杂，使得故障产生率随之升高，风电机组维护成本及运行成本提升。为提高风电机组运行及维护水平，基于数据挖掘技术构建大数据平台具备重要意义。

1 风电大数据应用概述

伴随大数据技术在各行业中的广泛应用，风电领域也引入大数据技术，主要应用如下：如借助气象大数据分析技术引入，可根据湿度及温度等气象因素对环境风速加以预测，借此增强风电系统可靠性。通过大数据计数分析风电场运行数据，可为风机制造商进一步增强风力发电机组使用性能提供科学参考。大数据技术的推广为推动中国风力行业快速发展的重要原因，在风电领域应用大数据分析技术，可有效加强对风电场运行状态的监控力度，增强风电机组整体使用性能。风力发电领域的运维数据资源来源主要可分为两方面：其一为调度自动化系统借助SCADA对开关、频率、电流及电压状态等信息加以采集，每年均会生成大量运行数据。现阶段大数据的应用多为对实时运行数据的计算及统计分析，但并未对历史运行数据展开深入挖掘。其二为风电设备生产管理系统将会存储大量设备数据信息等结构化数据，多种传感器也会定期、定时对设备运行状态信息加以收集，主要包括视频、图片等非结构化数据。以应用视角展开分析发现，半自动化评价为现阶段风电设备状态的主要监测模式，此监测环境下，设备状态信息数据价值难以被充分发挥，需对设备状态数据展开深入分析，借此也可为风电机组故障预警体系的建立提供数据基础。随着数据规模日渐扩大，对数据处理时效性也提出更高要求，加之传统技术手段已无法对数据处理业务性能需求予以充分满足，因此，引入大数据技术尤为必要，借此也可为国内风电行业的运营、发展创造良好条件。

2 风电新能源大数据平台构建

2.1 大数据平台集控系统简介

图1：风电故障诊断及预警流程

大数据平台在集控系统的应用可主要分为故障预警及性能分析两方面。故障监测即为对控制器类复位后恢复性故障、风机自检频次、风机故障频次等历史性故障予以统计分析，并同实时数据加以比对，为故障预警提供数据参考；性能监测即为实时监测预警风机高负荷运行能力差、风机爬坡能力差、风力出力不足等风机运行性能。实时状态监测为统计并分析设备运行的各个工况，获取设备在不同时间因素、环境条件下的正常运行值，并同健康模型、设备参数等实时比对，评估状态得分。当分数低于设定值时报警。大数据平台所具备功能主要包括数据可视化功能、数据交互功能、平台管理功能、实时预警功能、分析建模功能、实时清洗、存储及数据实时接入等功能。

2.2 大数据平台模块构建

2.2.1 数据实时接入及分析

大数据平台以Kafka集群自商用实时库中对实时数据加以采集，并引入实时流处理系统，展开数据规则过滤及数据清洗等后续处理环节。当所接入厂站增加时，Kafka集群也可随之扩展。当Kafka集群完成商用数据库中实时数据接收后，Spark Streaming将会针对Kafka集群中所收集的数据展开实时流处理，完成数据处理后，数据实时存储。大数据分析平台为以自主研制的全量数据分析平台、开源产品为基础的，将多态、异构及以指数级上升的数据作为分析对象，分析全量数据并展开建模工作，此平台可支持多种数据接口，并具备预处理、数据转化等功能，提供非实时及实时统一接口，可应用至多种企业业务处理中，以H2O、Python、R为基础，分析、挖掘历史数据，完成模型构建工作。以Spark作为技术支持，可完成全量数据的评估、验证及模型锻炼等工作，因计算方式为并行计算结合内存计算方式，为大数据分析可在大规模集群上的良好运行提供保障，除可对数据量予以保证外，也可对数据的计算性能予以保证，完善数据分析服务。

2.2.2 数据展示平台

大数据可视化平台应用优势即为可对用户在大数据可视化过程中将所遇到的众多问题予以处理。首先，同各行业客户展开深入交流时发现，伴随用户管理水平提高、数据信息的完善，传统固化主题分析图表已难以对客户所提出的使用需求予以充分满足，客户要求系统应具备可供用户自由设置的多指标主题分析功能，对客户业务发展需求予以充分满足，实现所提供数据价值的最大化研究。由信息技术部分完成数据整理及模型构建等工作，业务人员则可于客户端对数据分析、数据报表加以查看。但此方式在实际应用过程中存在部分问题，如数据报表的修改、规则制定中，若需求突然更改，无法及时加以处理。其次，客户每天需面对由各业务系统所生成的大量数据，而为实现不同系统数据可视化问题的处理，则需对多数据源可视化问题加以处理。最后，伴随大数据时代进程加快，数据数量已逐渐由百万增加至上亿，部分以Excel完成数据分析的企业针对提高企业大数据处理分析能力提出迫切需求。实际上，分布式数据分析系统的构建针对一般企业而言存在较高技术难度。为此，企业可引入大数据可视化平台，大数据可视化平台结合技术平台要求、客户需求，借助不同度量及维度的仪表盘的构建，并引入大数据引擎，完成数据融合处理及降维度等工作，实现复杂数据的抽取及转化等功能，将数据向客户展现。

2.2.3 风资源评估及微观选址

风资源的准确评估为风电开发可提供有效支持，而借助大数据技术的引入可为评估风能资源提供良好平台。基于机组SCADA数据、气象站、附近风电场及中尺度数据间互相关联的深度挖掘，构建后期、中期及前期一体化的数据评估模型，形成多元化评估参数，实现评估预测结果精度的进一步提升。此外，大数据平台构建中微观选址也尤为必要。选址的论证及专项研究、风机安全性复核、风机优化设置及风数据的处理、预测为微观选址主要内容。此过程中，需实现大数据的数据挖掘能力、数据处理能力的充分应用。

2.2.4 故障预警及诊断

将风电机组 SCADA系统作为技术基础，可完成数据的在线监测。随后可在风电机组运行状态评估中引入大数据分析技术，以此为风电机组的故障预测及故障诊断提供技术支持。因风电场选址具备一定特殊性，加之负荷的不稳定，使得部分机组在实际运行过程中产生运行故障。业内调查数据指出，风机75%的故障将会造成5%的停电时间，而25%的故障将会造成95%的停机时间，且风电机组部件的更换成本、维修成本较为高昂，对于风电场的经济效益、安全性造成严重影响。所以，针对机组监控系统的监测指标等同机组运行状态相关的指标展开故障预警、故障诊断工作尤为必要。通常情况下，风电场监测数据内容主要包括连续量、离散量等内容。风电机组在大数据环境下的故障诊断、故障预警流程如图1所示。

借助此流程的应用，可对重要部件的非正常运行状态予以及时监测，以免产生严重故障，增强风电机组运行的经济性及安全性。

3 结束语

国家能源局在2016年11月所指出台的风电发展“十三五”规划中指出，可借助大数据技术的应用实现智能化风电场的运维管理，推动风电行业向信息化管理发展。目前，大数据多应用至数据决策、数据分析过程中，分析数据越全面，所得出分析结果将越真实。大数据分析技术的应用可实现数据信息价值的最大化应用，而以机器学习模型作为技术支持的实时故障预警也可实现风机故障率的大幅降低，提高风电机组运行的安全性、可靠性。