浅析大数据分析在风电场运维模式中的应用

（福建省福能新能源有限责任公司 福建莆田 351146）

1 研究背景及意义

根据GWEC 数据显示，2018 年全球风电新增装机中国占比41%，至2023 年，中国在全球新增风电装机占比将达36%，为全球第一大风电市场。截至2018 年，中国陆上风电累计装机206 GW，陆上和海上累计装机210.6 GW，成为世界首个陆上风电总装机超过200 GW 的国家［1］。在装机容量高速增长的同时，也显露出风电场运维效率与技术水平落后于增长水平的问题。因此亟需借助新兴技术手段来提升风电场运维效率与技术水平，匹配装机容量高速增长下的技术力量需求。

大数据分析是指对海量数据进行采集、分析和处理，得出数据内在联系，针对数据内在联系建立数学模型，基于数学模型进行合理预测的一种新兴技术手段。大数据分析的6 个基本方面：

（1）可视化分析。可视化分析可以理解为：数据经过简单处理及计算后，将所需呈现的数据信息进行整合，以图表、曲线、颜色等视觉信息加以展示。可视化分析在风电场运维模式中的典型应用就是通过采集加工设备运行实况数据，以画面展示目标数据，即集中控制中心的监测系统。操控人员可以直接从监测系统画面中获取设备实况运行数据。

（2）数据挖掘算法。数据挖掘算法是挖掘数据内在价值的主要手段，以JAVA、C++、Python 等计算机编程语言为载体，结合数学理论，对数据进行解析、挖掘、分析得出数据内在联系。数据之间的内在联系与特点将会作为后续建立数学模型的主要准则，内在联系与特点和数学模型预测结果准确性之间存在相关性。

（3）预测性分析能力。预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。大数据分析最终要实现的应用领域之一就是预测性分析，可视化分析和数据挖掘属于前期工作。根据分析挖掘出信息的特点与联系，建立数据模型，加入新的数据进行迭代计算，对未来的数据进行预测。

（4）语义引擎。语义引擎是针对非典型结构数据特别是对抽象信息进行解析、提取、分析的重要手段。

（5）数据质量和数据管理。数据质量管理是指对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。

（6）数据存储/数据仓库。数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库，同时也承担着存储数据的功能。大数据分析中，数据仓库的构建是关键，是一切数据分析的基础，为联机数据和数据挖掘提供数据平台。

在现有的运维模式基础上推动设备管理水平提升、转向精细化管理、实行风机全生命周期管控是现阶段的难题，大数据分析于风电场运维中的应用恰逢其时。大数据分析的6 个基本方面涵盖了风电场运维所面临的数据量大、数据结构复杂、全天候自动化监测等难题的解决方法，是最适合应用于风电场运维模式改进的技术手段，可以在最大程度上满足风电场运维模式更新迭代的需求，是风电场运维从“被动式”运维转变为“主动式”运维的契机。风机设备可利用率从单一时间维度描述机组运营水平，不能全面、准确评估机组所具备的潜能。而借助大数据分析从多角度挖掘、分析风机设备状态参数，以多维度数据衡量机组运营水平，可以进一步深挖风机设备的潜能，提高设备管理水平，实现风机设备全生命周期内的最大化利用。

2 研究目的

（1）降低气候随机性对机组的影响，优化机组出力情况。大数据分析与天气建模技术深度结合后，显著提升风电场短期、超短期天气变化预测结果的准确率，优化机组出力，提高风力发电作为能源的可靠性。

（2）缩短风机故障停机时间，最大化风电场经济效益。大数据分析在风电场运维中的深层应用及全息应用中展示了迅速排除故障的可能性，弱化故障对机组产生的影响，实现风电场经济效益提升。

（3）优化风电场运维模式管理流程。大数据分析的深层应用准确记录风电场运维管理的具体情况，将记录、查询和报表准确归档，建立动态信息系统，为后期风电场运维管理提供支撑，加速形成标准化、模板化的运维管理方式，提升风电场运维管理效率［2］。

（4）改变管理思路，转变风电场运维管理模式。由“被动式”运维转变为“主动式”运维，提升风电场运维的灵活性，提高风电场运维效率和技术水平。

3 研究内容

大数据分析在风电运维模式中应用以应用深度的不同分为3 个层次。

3.1 大数据分析在风电场运维中的浅层应用

大数据分析在风电场运维中的浅层应用仅以集中控制中心作为数据收集的关口，缺乏对数据进行深入加工。截止目前，多数已建成的集中控制中心关于大数据分析在风电运维模式中还处于浅层应用阶段，只有少数集中控制中心处于深层及更高层应用阶段。

风电场风机分布“点多面广”的特点造成风电场运维中存在管理不易、管理差异大、设备基本情况记录不到位、设备管控能力有限的问题。集中控制中心体系作为大数据分析在风电场运维中浅层应用的产物，恰好解决了上述问题。

集中控制中心针对风电场采集数据包括升压站运行实况数据、风功率预测运行实况数据、风机运行实况数据、测风塔实况信息、计量设备实况数据等信息进行整合，使操控员可以清楚了解辖下任一设备的运行状况，根据监控情况结合现场回传图像信息，下达指令，远程操控设备。通过集中控制中心体系，解决了风电场管理不易、管理差异大、设备基本情况记录不到位、设备管控能力有限等问题，进一步提升了风电场运维效率。

大数据分析在风电场运维中的浅层应用停留在可视化分析与数据仓库层面。公司所辖风电机组接入集中控制中心，由集中控制中心统一管理，并且风电场数据也存储在集中控制中心。集中控制中心仅起数据仓库的作用，并没有进一步挖掘数据的价值。此时数据仍具有相当大的挖掘价值，风电场运维效率亦存在提升空间。

3.2 大数据分析在风电场运维中的深层应用

大数据分析在风电场运维中的深层应用是基于浅层应用的基础上对风电场进行更多维度数据的采集，并且对数据深加工后可得出包含机组全生命周期的完整数据链。

以风电机组为例，投入运行后，机组数据流入大数据分析中心。大数据分析中心完整记录了机组包括在各风速下的运行工况、每年定检周期、故障发生时段、故障处理方法、折损部件更换周期与频率等一系列数据，直至机组退役。对机组全周期运行数据、历史故障数据深度加工后，不难发现很多故障具有规律性。针对风电机组历史性故障进行回溯，可以总结出风电机组所存在的设计缺陷与共性缺陷。全生命周期运行数据、普遍性故障、共性缺陷以及设计缺陷将会形成一条贯穿机组全生命周期的完整数据链。数据链存储于数据分析中心，为风电场运维管理决策提供相应的数据基础。

从数据链中可以得出机组全生命周期内的主要故障多发点、设备折损与更替周期与频率、故障对应的故障原因，将数据进行视觉化呈现，形成风机故障热点图。同时对每台风机生成独特的“风机身份证”，将故障热点图与“风机身份证”绑定，实现“一机一证”，这种方式将会大大提高风电场的运维水平及运维效率，是风电场运维实现从“被动式”运维转变为“主动式”运维的核心。

对于普遍性的故障，利用故障热点图能迅速排除故障，快速投入运行；对于机组的设计缺陷和共性缺陷，则可以通过技术改造手段消除，将会大大减少由设计缺陷和共性缺陷所引起的机组停机；对于制定风电场年度发电量计划，结合设备折损与更替周期来准确计算风机性能衰减幅度，合理制定风电年度发电量计划，在可控范围内创造最大风电场经济效益。

通过采集风电机组的运行工况数据、设备健康状态信息及定检周期信息，将运维模式从传统的周期性计划检修转件转向风机状态检修演化。

3.3 大数据分析在风电场运维中的全息应用

全息应用是对大数据分析深层应用的横向拓展，以深层应用为中心，结合“云计算”与“人工智能”，赋予风电场“智慧”，实现风电场设备“自我管控”的最终目标。智慧风场包含以下3 种智能系统：

（1）智能故障预警系统。智能故障预警系统以短期、超短期风速波动数据和传感数据为基础，经过大数据中心分析，根据分析结果进行故障点预测，并向现场人员提供故障预警分析以及故障预警报告，通过提前更换折损部件，缩短机组故障停机时间，变相提升运维效率。

（2）智能故障诊断系统。智能故障诊断系统根据设备部分历史周期信息和当前运行状态，结合设备运行中产生的信息，自主比对数据中心内历史故障信息。基于比对结果给出故障针对信息，出具初步排障方案和步骤，减少排障时间，降低排障难度。

（3）智能场群控制。智能场群控制是基于风电场最优发电层面的区域级应用，扩大场级机组故障容错空间，提升风电场系统整体柔度。根据现场条件及运行数据分析，建立单台风机的控制巡游策略。根据不同风机的产出与载荷情况，建立风电场级巡游策略、限电分解、场级尾流寻优控制、预测性寻优控制［3］。

大数据分析会将成为风电场运维常用的技术手段，大数据分析在风电场运维中的全息应用会是未来风电场运维的主流方式！

4 结语

风电行业内已经将大数据分析视为风电场运维模式更新迭代的重要技术手段。新近开发的集控系统均将大数据分析功能列入设计规划中。但根据行业研究报告不完全统计，在全国68 家风电运营商中，有51%完成集中控制中心系统建设，只有4%实现基于数据分析的深层应用［2］。大数据分析在风电场运维中的应用理应远超该水平。推广大数据分析在风电场运维中的应用，加强对大数据分析在风电场运维模式中应用的探索，提前布局大数据中的人工智能与云计算，迎接“工业4.0 时代”的到来，对推进风力发电行业发展具有积极意义！