基于人工智能技术的智能化风电场运行及维护应用

华能新能源股份有限公司蒙东分公司 吴 巍

风电场地址偏远、交通不便、占地面积大、设备种类复杂、设备服役时间长、巡检任务繁重、人员作业风险高，传统运维模式已难以适应现阶段风力发电领域高质量的发展需求。现有监控设备均为物理量监控，无法查看设备视频实时状态；现有视频监控系统不具备智能图像识别功能且清晰度较低。风电场亟需开展新的运维模式的研究，辅助运维人员开展日常巡视工作，减轻运维人员工作负担，提升应急响应速度，保障现场作业安全。

近年来随着人工智能技术的跨越式发展，在图像识别、声音识别、数据处理、人机互动、计算机视觉、无人驾驶等方面都已有成功的应用案例并开始进行推广。因为人工智能技术具有学习性、成长性、开放性、异构性、友好性等基本特征,开展智能化风电场运行及维护的应用，构建设备状态全景化、数据分析智能化、设备管理精益化风电场的运行及维护模式。

1 当前风电场运行及维护现状

在风电场的设备管理中，风电机组的安全运行是设备管理中首要考虑的问题。由于风电机组地处野外，位置偏远、交通不便、占地面积大，且风电机组的主要设备均运行在几十米甚至上百米高的塔架上方，不能实现设备外观的实时检查，特别是对于存在地质隐患的区域，如泥石流、矿山开采、地震等自然灾害，现场无法实现事前预控[1]。目前我国风电场运行维护主要分为以下几点：

人工巡视。通过目视观察等直观方法对风电场设备的运行状况进行巡视。风电场所有外出工作（包括巡检、起停风力发电机组、故障检查处理等）出于安全考虑均需两人或两人以上同行。如发现设备及人员故障隐患需及时上报处理，查明问题原因，从而避免事故发生或扩大，减少人员伤亡和经济损失[2]。

定期检修。依据标准定期对风电场设备进行检修，通过试验方式检查设备状态，发现设备缺陷并进行维修工作。设备定期停电检修具有一定的盲目性与强制性，会造成人力、物力浪费，且“维修过度”会造成设备的可靠性降低，同时设备停电检修直接影响企业发电效率；故障检修。当设备运行过程出现异常现象时，为保障设备的安全稳定运行，根据故障严重程度安排维修计划，排除设备故障。

小结：当前运行及维护方式智能化程度低，还需大量专业人员进行人工巡检，不但人力成本高、实时性差、安全风险高，而且还存在大部分故障仅能在发生时进行切除，设备运行存在安全隐患，甚至引发严重的设备故障，导致整个风电场设备退出运行从而引起电网故障，威胁电网的安全稳定运行。

2 关于人工智能

近年来我国在人工智能领域密集出台相关政策。李克强同志连续两年在政府工作报告中提到人工智能产业发展的方向，在2017年的政府工作报告提出“一方面要加快培育新材料、人工智能、集成电路、生物制药、第五代移动通信等新兴产业，另一方面要应用大数据、云计算、物联网等技术加快改造提升传统产业，把发展智能制造作为主攻方向。”在《2018年国务院政府工作报告》又指出“加强新一代人工智能研发应用；在医疗、养老、教育、文化、体育等多领域推进‘互联网+’；发展智能产业，拓展智能生活[3]。”

2.1 机器学习

机器学习（ML,Machine Learning）是系统自我改进的过程，经研究发现机器学习能同时推进人工智能技术和模式识别两项技术的发展。机器学习的理论和方法已能帮助解决生产、生活、研究遇到的各种难题。机器学习所关注的重点是使计算机像人一样通过不断的经验累积提高自身性能，实现自我完善。

深度学习(DL,Deep Learning)是机器学习领域中一个重点的研究方向，深度学习研究的开展使我们离真正的人工智能(AI,Artificial Intelligence)距离越来越近。深度学习是通过对样本数据的分析和记录找出样本的特征值及内在规律，通过对数据的归纳总结使其具有自动的分析学习能力，样本数据包含文字、声音、图像等各类数据，最终实现机器能够自动识别文字、图像和声音等数据。

卷积运算的神经网络系统，即卷积神经网络(CNN)是深度学习的一种方法。卷积神经网络基本组成包括输入层、隐含层、输出层，其中隐含层可以是多个。利用开源TensorFlow架构，YOLO卷积网络进行智能识别已被广泛应用于各行各业。通过大量的数据学习训练生成识别不同内容的级联分类器模型，对采集图像、声音等数据进行分析可实现设备缺陷识别、安全风险识别和设备状态识别等智能识别。

2.2 数据挖掘

数据挖掘（DM,Data Mining）就是从海量的、不确定是否有效的数据中,提取隐藏在其中的不容易被发现的有效信息和数据的过程。原始数据分为不同的结构类型，数据库类型的结构化数据，文字、图像、声音等类型半结构化的数据以及各种各样的异构型数据。挖掘数据的方法可通过数学的方法、也可通过非数学的方法，可通过推导分析的方法、也可通过归纳总结的方法来实现。挖掘的有效数据最终可用于信息管理、原因分析、状态预测、决策参考等,还可用于数据本身的自我维护[4]。

数据挖掘的过程是一个需要反复进行、反复处理的过程，首先对数据进行挖掘计算然后建立一个有效的数据模型,再围绕数据挖掘所进行预处理将处理结果展现出来进行记录，经不断的反复进行、反复处理、反复验证最终得到实用和有效的数据。数据挖掘是知识发现的重要组成部分,其主要步骤为目标定义、数据准备、数据挖掘成果和评估。数据挖掘技术已广泛应用于各行各业中，与生活息息相关。从最开始的挖掘算法研究到实际应用,充分的展现了其具有的广泛性和实用性特点。目前在已知的领域中,基本都有专业的数据挖掘工具正在应用,应用领域涵盖电力、金融、医学、天文、交通等各个领域。

3 人工智能技术在智能化风电场运行及维护的应用

利用机器学习可对风电场运行中的设备图像、声音、人员行为等数据进行学习、训练，建立一套风电场远程智能巡检系统，辅助运维人员完成风电机组及升压站的设备巡检、人员管控、安全风险管控等日常运维工作[5]。数据挖掘技术可对风电场设备运行及维护历史数据进行深入的分析判断，挖掘设备运行过程中关键数据，预测设备运行状态，提供检修依据。

3.1 智能巡检系统

在风电场配置建立远程智能巡视系统，利用数据采集终端采集可见光图像、红外数据、声音等数据，应用成熟的机器学习技术，智能开展风电场设备设施巡检、作业人员入场检测、人员定位、电子围栏设置、作业范围划分、区域检测、运动检测、作业监控、安全管理识别、防外破智能识别、入侵诊断、异物分析、周界巡视和违规告警，实现运检人员、设备间隔、作业范围的人人互联、人物互联，避免运检人员误入带电间隔或失去工作现场监护，确保运检人员人身安全。全面覆盖风电场设备，提升巡检效率，降低巡检成本。

升压站智能巡检。设备缺陷巡检：表计破损（表盘模糊、表盘破损、外壳破损）、绝缘子破损、渗漏油（地面油污）、呼吸器破损、箱门闭合异常、异物（挂空悬浮物、鸟巢）、盖板破损或缺失；安全风险巡检：未戴安全帽、未穿工装、吸烟、越线/闯入、烟火识别、小动物识别、积水监测；设备状态巡检：表计读数、油位状态（呼吸器油封油位异常）、硅胶变色、压板状态；声音巡检：设备声音（声音异常）。

风电机组智能巡检。风机缺陷巡检：制动器缺陷（制动器液压系统正常，螺栓松动、脱落，外壳破损）、油冷散热片缺陷（油冷散热片漏油或破损或附着物）、减速机缺陷（减速机渗漏，连接螺栓松动、脱落）、液压泵缺陷（油管及油管接头漏油，外观破损，安装螺栓松动、脱落）、振动监测设备缺陷（探头松动或脱落）、扭缆缺陷（电缆扭曲或破损）；安全风险巡检：未戴安全帽、未穿工装、吸烟、越线/闯入、烟火识别；状态巡检：油位状态（齿轮箱油位、液压油油位、润滑泵油位）；声音巡检：设备声音（声音异常）。

远程智能巡检系统的应用将大大提高风电场巡检效率、减少运维人员工作量，降低安全风险、及时发现巡检设备故障缺陷及安全隐患。

3.2 数据挖掘的应用

风电场在运行过程中会不断产生和积累大量数据。通过对风电场历史数据的学习归纳，在风电场运行过程中应用理论研究的方法已解决了很多问题，如果应用数据挖掘技术可更充分地利用这些数据分析风电场历年积累庞大运行数据背后隐藏的原理、规律和联系，找到解决问题更加合理、快捷、有效的方法，同时还可为决策提供更加有力的科学依据。通过对历史数据的学习归纳建立预测性模型，然后根据收集的当前数据预测设备状态，判断设备性能发展趋势，在设备故障前提前检修排除事故隐患，预防事故发生。实现设备的状态检修，解决“维修过度”会造成的设备可靠性降低，降低人工成本，提高发电效率[6]。

3.3 风电场智能运维的发展趋势

未来风电场智能运维的发展会越来越快，机器学习、数据挖掘及其他人工智能、大数据、物联网等技术的不断应用及相互融合将会形成多个风电场整体运维、信息互通、数据共享的智能运维模式。

综上，人工智能技术的应用辅助运维人员开展日常巡视工作，减轻运维人员工作负担，提升应急响应速度，保障现场作业安全，减少设备运行事故发生，降低运行及维护成本。最终实现风电场空间全方位、设备全周期、时间全天候的风电场智能运行及维护模式，替代人工完成少人值班、无人值守的风电场智能运行及维护。因此人工智能技术在智能化风电场运行及维护工作中具有很高的应用推广价值。