范蕴琦,吴文宝,熊建英
(中国电建集团江西省电力建设有限公司,江西 南昌 330001)
2020年9月我国正式提出“2030年碳达峰和2060年碳中和”的减排目标,这为我国能源清洁低碳转型指明了方向、擘画了具体路线图,展现了中国应对气候变化的坚定决心和重信守诺的责任担当。
我国当前正在大规模建设风力发电,但风电行业普遍存在机组设备故障率高和运维成本高的突出问题,特别是关键大部件(齿轮箱、发电机和主轴承等)故障率偏高,会严重影响发电量,增加风电场的后期运维和检修成本,给风电场运营会带来较大的经济损失。随着风电行业逐步朝着大型化和海上化的趋势发展,这就必将会对风电机组运行安全可靠性和经济性提出更高要求。
因此,开发知识驱动的风电机组主动预警系统,可实现风电机组运维平台智能化升级和智慧化预警,为风电场关键部件的检修提供科学的决策依据,为风电场的安全经济运行提供技术支持,增强风电场智慧运维能力。
智能预警系统包括数据采集模块、数据管理和模型调度模块、报警用户交互界面三个部分,是实现SCADA系统数据接入和CMS原始数据特征自动提取及采集功能的重要部分。
1.1.1 数据采集模块
做好接口通讯程序部署,确保SCADA系统、大数据平台等信息接收流畅,并将各模型的不同需求整理成标准规范的数据集,按照参数、时长、采集频率等进行分类存储,保证数据采集的准确性与规范性。
1.1.2 数据管理和模型调度模块
对预警模型及所需数据进行灵活配置,保证系统能够按模型配置表执行模型要求,输出结果文件,实现数据接收、采集、存储、查询的快捷高效。
1.1.3 报警用户交互界面
对该界面进行优化升级,保证故障特征值及报警信息能够及时展现在用户界面上,实现实时预警、实时反馈,确保相关故障信息能够被及时处理,如表1所示。
表1 各模块的功能设置
预警系统需求包括以下几个方面:
1.2.1预警概览
预警概览是智能预警系统的信息总览模块。用户可以通过这个模块查看所关注的电站各模型未处理工单统计和各类模型在各个场站的历史预警甘特图,并通过筛选条件查找各风电场各模型未处理工单统计信息,了解各模型的历史预警趋势。
1.2.2 预警详情
预警详情是预警系统各个模型的详细预警信息。通过预警详情,用户可以实时查看故障详细特征和处理进度,并根据信息下的特征提示,决定是否需要处理,以及采用什么方式进行处理,并实时反馈处理结果。
1.2.3 统计查询
统计查询是指提供模型维度的预警结果查询和分布规律。
1.2.4 报告导出
报告导出则是将智能预警分析和处理情况,如诊断结论、预警原因和检修建议等,按照日、周、月、季度等时间分区自动生成相关报表,以便方便查阅检修记录和检查工作情况。
系统支持OPC、Modbus等各类行业标准协议,支持定制开发支持远程维护,支持异常自动恢复、支持断点续传,实现可视化接口状态管理、接口状态实时监视。
平台以建立屏蔽协议差异性并可自定义无限扩展的接入平台为切入点,通过协议匹配、协议注册等手段,构建面向场站侧和用户侧的协议库、接口库和可重复使用、快速配置的模型,实现各类数据的快速接入、读取和分析诊断。
1.3.1 数据协议库
构建涵盖Ethernet,Wi-Fi,RFID,NFC,Zigbee,Bluetooth,GPS,4G等常用通信环境下的协议库,为不同设备的快速接入和自动协议匹配提供基础。
1.3.2 数据接口库
以数据协议库为基础,通过OOP和OSP等方式二次开发数据接口库,方便物联数据的快速获取。
SCADA系统是实现风电机组预警智慧化管理的基础,通过收集大量SCADA数据,结合机理和机器学习的相关方法,建立起基于SCADA系统的智慧化预警模型,再采集线下大量故障案例进行数据训练,不断优化预警模型的适应性,以此强化SCADA系统的智能预警功能,同时将CMS与SCADA数据关联并统一分析,提升故障预警的准确度,保证风电机组功率曲线和大部件亚健康状态的实时预警[1-5],如表2所示。
表2 CMS和SCADA预警分析异同点
在原来的预警系统中增加了传动链振动、塔筒振动和基础沉降监测系统,以此实现对传动链、塔筒,以及基础的振动、沉降、晃度的一体化在线监测和数据分析,使相关工作人员能够根据分析结果,诊断风电机组健康状态,及时发现故障隐患,并对引起塔筒晃动及基础隐患的原因进行分析和研判,评价其使用寿命和故障风险,为优化控制策略提供准确的数据支撑[6-7]。
通过信息化手段建立集团-区域-风电场一体化智能监管体系,形成一个紧密的闭环管理系统,以此实现对故障数据的及时分析、高效处理,监控并解决风电场运维过程中的重难点问题,做到远程有监管、现场有行动、动作有评价、方案有依据,保证整个系统的“集约化管控、状态化运检、提前量管理、智能化管控”[8-9]。
在主动预警系统管理之下,监控中心对风电场的实时运行情况进行现场监控,并将相关数据准确、全面的收集起来传输至诊断和预警中心;再经过中心的智能诊断,自动、快速、准确地发现机组设备和操作人员存在的故障和问题,并给出优先等级、处理方法和决策建议工单,实现故障的实时排查和预警。
而运维中心的技术人员则根据诊断和预警中心的诊断和建议,结合现场环境,将这些问题的诊断和建议安排到具体的巡检、定检、故障处理、技改等现场运维环节中,由各环节的工作人员进行处理,将处理的过程实时反馈给监控中心和诊断预警中心,再跟踪检查处理效果,计算效益,并优化、迭代预警系统和相应的管理、决策机制。
加强构建风电机组主动预警系统,做好故障预警和运维管理工作,对避免运营故障导致发电中断,保证发电的正常进行具有重要意义。传统运维模式下,风电场的日常管理以人工和定期的检测为主,缺少标准化的监控设备和智能预警手段。但本预警系统可以依靠先进的数据采集与监控(SCADA),为运维平台提供实时的运行监测数据。该系统与公司现有大数据平台的基础软件和硬件互联互通并兼容、稳定运行,结合设备运行状态,运用SCADA数据建立智慧化网络预警模型,实现对部件故障的实时监控和远程管理。两者之间的优势对比如表3所示。
表3 智慧运营与传统模式的区别
3.2.1 在线风机偏航对风异常预警
通过SCADA系统提供的秒级数据建立风机偏航对风异常预警模型,定期在线诊断机组偏航误差。
3.2.2 在线性能劣化预警
通过SCADA系统提供的10 min数据建立风机性能劣化预警模型,定期在线诊断机组限功率、功率曲线偏移、桨叶角受限、风机控制策略变化及风机无法满发的情况。
3.2.3 在线发电机轴承故障预警
通过SCADA系统提供的10 min数据和损坏案例,建立风机发电机轴承预警模型,定期在线诊断风机发电机轴承的温度状态,利用机器学习算法识别发电机轴承故障隐患。
3.2.4 在线齿轮箱故障预警
通过SCADA系统提供的10 min数据和损坏案例建立风机齿轮箱故障预警模型,定期在线诊断齿轮箱轴承和散热系统温度状态,利用机器学习算法识别齿轮箱轴承故障隐患。
3.2.5 基于CMS数据的传动链预警
基于在线可解析的CMS原始振动波形数据和转速,结合已有损坏案例建立基于CMS数据的发电机轴承和齿轮箱故障预警模型;自动诊断发电机轴承和齿轮箱故障,利用机器学习算法识别发电机轴承损坏、发电机不对中、发电机不平衡、齿轮箱轴承、齿轮箱齿轮断齿故障等。
3.2.6 CMS故障离线诊断系统
针对无法接入运维平台的风电场,支持各风电场将指定格式的CMS数据上传到诊断系统,诊断系统自动完成全套诊断处理流程。
系统投入运行后,通过预警结果指导现场运维,避免了性能劣化和非计划停机造成发电量损失以及部件故障扩大化造成的经济损失,可降低电站运营成本,持续提升电站效益。
风电场运维人员通过智能预警平台可以快速了解风机零部件的健康状态和风机性能指标,同时结合日常工作内容制定每日工作计划,并进行优先级排序,实现一机一策式主动运维模式,实现风电机组状态检修智能运维。
系统投运半年以来,共报警96次,提前发现25台风电机组发电机轴承温度异常的预警,风电场将统一与风机厂家协商,敦促厂家在质保期内统一处理,每台机组发电机前后轴承更换备件和人工费可以节约3万元,预计金额超过75万元;发现5台风电机组偏航对风异常、控制策略变换及限功率运行情况,通过加强管理避免此类问题重复发生,结合定检开展风向标校正,避免发电量损失18万kW·h。
通过预警模型识别和预判风机零部件尤其是大部件的失效和故障信息,可以极大降低突发性故障概率,同时降低机组运行的安全隐患。同时,通过充分释放数据资产价值,可降低不必要的备品备件库存,提高风电场的发电量,降低运营成本,持续提升运营效益。
风电机组部件受复杂多变的环境条件影响发生故障或性能下降的概率较大,从而导致风机发电效率下降甚至被迫中断。因此,基于知识驱动,建立一套监控、诊断预警、运维于一体的风电机组主动预警系统,强化对风电机组尤其是对大部件的主动预警管理,提升风电场的数据收集准确率和主动预警能力,对风电场运维管理的标准化、高效化和智能化具有重要意义。