利用能源互联网侧平台构建海上风电场风机作业环境感知许可研究

陈沈伟，孔令嘉

（1.浙江浙能嘉兴海上风力发电有限公司，浙江 嘉兴 314000；2.上海中电兴华智能科技有限公司，上海 静安 200040）

1 研究背景

由于海上风电场海域闪电、高盐雾、高湿度等环境恶劣对设备影响较大，机组易出现故障，海上不确定因素多和有效作业窗口期短，运维人员安全出海作业安全风险大、运维效率低和现场安全管控困难，解决海上风电运维作业人员安全保障问题，如进入风机人员实时定位，运维巡检、检修作业定位与视频监控全过程可控、能控、在控，风机作业智能安全报警、作业时设备周边环境安全提醒和危险行为预警是研究重点。利用边缘计算网关技术和AⅠ视频监控联动，实现风机作业区块链安全管控。构建运维本质安全业务场景4 大管控：设备缺陷定位感知获取、巡检到位推出检查项、电气倒闸操作远方智能监护、工作票执行越界报警。

搭建海上风电风机外部塔台工作区域（以下简称：A 区）和风机塔筒内工作区域（以下简称：B区）三维模型。在A 区和B 区部署能源互联网边缘计算网关，UWB 人员定位基站，机器视觉基础设施，实现在A 区起重作业相关的电子围栏自动绘制算法、电子围栏自动生效算法、电子围栏自动撤销算法等，在B 区作业人员与设备的安全距离算法，有限空间判断人员活动情况与风险状态。通过能源互联网数据采集，进行深度学习，不断训练，得出作业风险高准确率AⅠ模型，最大限度地消除作业人员在A 区和B作业的安全隐患，实现高风险作业智能化本质安全管理从0到1的变化。风机塔台和机舱如图1所示。

图1 风机塔台和机舱

传统电力行业作业人员对生产现场作业的安全环境主要靠人工经验判断，在无法获得全局信息的情况下，往往会漏判故障点。

生产现场交差作业情况比较多，事故往往出在信息不通，仅凭工作人员的感觉来掌握周边安全状况，难免事故发生。

操作管理智能化不足，任务策划、执行方式采取人工设定，分析、预测、操作步骤依赖生产人员的经验。

2 理论基础及相关技术介绍

2.1 技术方向

本研究重点在设备智能化和人员智慧化2 个方面进行研究。一是基于工业能源互联网技术的作业现场设备智能化升级所需的边缘传感器产品、以及深度学习算法系统。二是提供支持现场作业人员执行操作、检修工作的安全生产基础业务支撑，以及能源互联网云知识库积累。

着眼于“人机数字化共生”技术的研发与应用，利用云知识库、工业能源互联网，打造“人机一体化”“工业末端辅助决策神经元网络”“高风险作业实体化数字孪生”等智慧安全作业综合解决方案。

2.2 数据集成架构

后台：SpringBoot+Mybatis+MySQL+场景地图，提供数据服务、应用服务、展示服务。

数据：云端数据，结构化关系数据库MySQL，非关系型MongoDB、缓冲数据库Redis 等，实现数据清洗、分类、存储、统计分析、管理应用等。

前端：PC 端浏览器、PC 桌面+移动终端应用（安卓App、iOS App、微信小程序）、大屏展示、驾驶舱、远程支持、异常数据推送、数据监控。

数据采集：设备启停开关量、拉力、震动、温度、图像识别（作业人员、工作区域设备、位置标识等）。

精准定位：工作区域人员定位、设备（物资）定位。

能源互联网基本组成：UWB、基站、网络（NB-ⅠoT、ZigBee、网桥、Wi-Fi、有线）、传感器、视频算法识别、电子围栏、区域作业安全警示、物联边平台、安全生产管控系统、大屏展示等。

UWB精准定位架构如图2所示。

图2 UWB精准定位架构

2.3 基础管理支持

A区危险点和B区重点部位划分：A区（塔台）危险点主要是风机塔台起重设备下方、检修交叉作业面、人员登船/离船落地点。B区（塔筒）重点部主要是箱变层、流变层、电缆层、机舱层、控制柜。

作业（特种）人员资质：通过采集承包商台账信息、培训、考试、违章，实现外来作业人员资质过程管控。

运行标准两票与执行时间控制：运行人员执行工作票和倒闸操作票时，通过电子围栏算法，识别是否越界和走错电气间隔，出现人员伤害和误操作发生。

2.4 技术平台支持

基础：以能源互联网为主体，结合NB-ⅠoT等能源互联网应用，采用SA+MEC 组网方式，构建“Wi-Fi+数字孪生底座”。以数据环境建设、地理场景搭建、组织架构、业务场景、大数据为支撑。

感知：设备运行“脉搏”数据，反映实时运行状态轨迹；通过“感知”真实物理场区，建立场区和数字孪生区之间的精准映射。

操控：实现智能干预，进而为智慧场区大脑提供海量运行数据，使得场区作业具备自我学习、智慧生长能力。

2.5 深度学习

随着计算机运算能力的逐年提高，机器学习以及深度学习有了显著发展，再加上卷积神经网络等算法的兴起，许多以往无法完成的运算如今已经可以通过计算机进行计算，对机器学习的发展起到了正向推动作用，深度学习方法也得以发展。深度学习作为机器学习的一个新方向，近年来在计算机视觉以及语音识别等领域得到较好应用，其中较为优秀的神经网络例如Alexnet、RNN 等被研究人员不断优化、整合，并构建了Caffe、PyTorch、Tensor-Flow 等框架，降低了之后研究人员以及企业对深度学习应用的门槛。

当前，企业内部各部门数据统计口径不一、数据的自采率和实时性不高等问题普遍存在，制约了企业数字孪生刻画的准确度。随着深度学习、强化学习等新兴机器学习技术的引入，实现多维异构数据的深度特征提取，大大提高了数据分析效率，使得构建面向企业的复杂数字孪生体成为可能。

3 研究成果

3.1 业务模型

3.1.1 构建计算型能源互联网边平台

搭建风机塔筒内、外区域重点部位、危险点等工作区域模型，部署能源互联网边缘计算网关，UWB人员定位基站，机器视觉基础设施，实现典型高风险作业关键要素联动风险感知与管控。

3.1.2 搭建物联基础支撑平台

搭建业务基础支撑平台以数据环境建设、地理场景搭建、组织架构、业务场景、大数据为支撑；以基础支撑与智能数据一体化平台为业务开发基架。增强海上风电生产业务应用之间的联系，建立完善的设备管理平台，统一作业标准流程与数据，做好生产管理基础与标准化建设信息平台支撑工作。

3.2 数据分析

运用“事件网络”技术，可以将海上风电运行巡检、故障诊断的各种属性通过KKS位置码映射到虚拟空间中，形成可拆解、可修改、可重复操作的数字镜像，使标准作业流程透明化，并结合在定期工作、管理流程等方面的数据，构建起完整的企业数字孪生体，实现在设备运行、运行参数和作业工序上的协同关系。通过作业任务模型计算获得优化的策略，并通过指令反馈到操作执行层。因此，能够以生产模型为基础快速构建行业知识图谱，通过基于历史数据的智能调参，快速完成业务模拟仿真，大大降低运算量，提升了分析效率，节省了企业对硬件设备的投入。

3.3 电子围栏算法

3.3.1 原则

电子围栏算法首先选择人员定位判断点是否在电子围栏内/外，用数学来描述就是判断一个点是在多边形内/外部，这里的多边形默认为有向多边形，规定沿多边形的正向，边的左侧为多边形的外侧域，即多边形边按顺时针方向遍历。

3.3.2 方法

采用判断点与多边形关系的点线判断法、射线法。

在风机塔筒外运用点线判断法：把多边形的每条边看作首尾相连的有向线段。如果一个点相对于多边形的每条边（有向线段）的方向（左侧还是右侧）都相同，那么这个点就在这个多边形内部，如图3 所示。这种方法只适用于凸多边形，而不适用于凹多边形。定义点在有向线段的一侧，定义有向线段(x1,y1)，(x2,y2)， 对于点(x,y)计算：v=(x2-x1)(y-y1)-(y2-y1)(x-x1)。

图3 点线判断法原理

在风机塔筒内运用射线法：这种方法相比较其他算法而言，它不但可以正确使用在凹多边形上，而且不需要考虑精度误差问题。该算法思想是从点水平出发做一条射线，计算该射线与多边形的边的相交点个数，当点不在多边形边上时，如果是奇数，那么点就一定在多边形内部；否则，在外部，如图4所示。

图4 射线法原理

3.4 研究应用价值

基于智慧物联设备和NB-ⅠoT技术，结合风机内作业人员实时信息进行研判分析，发现作业风险实时预警，该项研究可向传统火电和陆地风电进行推广。

在能源互联网技术落地应用方面，通过作业区域电子围栏算法，实现海上风电场风机作业环境信息采集自动“感知”“算法判定”“智能干预”等能源互联网、区块链技术的应用，做到国内领先。

在安全生产业务方面，通过数据分析与精准定位可视化，实现可全天候运行和对海上恶劣环境的适应性更强的现场作业远程可视、可控，有效地减轻安监人员工作量，提高风险预控效率。业务与定位数字化模块开发，支持新能源海上风电远程安全智能集控运维管理模式的建立。

通过能源互联网数据采集、大数据研判、巡点检任务、两票执行过程监督、问题告警、场景模式、数据归集、深度学习等多种方式，实现风电场“三种人”（员工、承包商、访客）管控。重点防控承包商作业无票工作，作业人员与实际不符，作业资质不够，造成扩大作业范围和人身伤害。

4 结束语

通过创新性研究，在A 区和B 区作业层创建“典型高风险作业关键要素联动风险感知与管控系统”，搭建“电力生产高风险作业本质安全需求+新一代信息技术”融合创新的高速公路首段路基，构建高风险作业关键要素（包括人、设备、环境、制度标准）相互联动，以在本质安全层面实现作业过程风险感知与管控的技术标准。

同时，通过研究解决了电力行业多年来高危作业依靠人为经验判断的时代，降低了人因造成的安全事故，从而科学有效地进行特种行业的作业操作，避免重复作业、解决现场交叉作业带来的安全事故，提高工作效率，节约大量人力成本和检修成本。