（国电电力宁夏新能源开发有限公司 宁夏 750000）
摘要：数据挖掘、人工智能等技术与风电场建设的融合，是风电可持续发展的有力保障和必然趋势。通过建立远程集中控制中心，开发远程集中控制系统，实现统一协调控制公司所有风电机组；开发基于云计算的大数据平台，实现对机组数据的深度挖掘分析。本文主要研究的是将大数据的“人工智能”应用到风电机组的监控和管理上，利用视频监控、人脸识别、智能安全帽、智能五防、无人机巡检等智能化技术与设备，实现设备、人身安全风险的识别、判别及预警，实现风电场智能化安全管理；通过机组智能启停系统、智能报警系统加强对机组的预控管控能力，提高风能利用率，实现风电场智能化经济运行；通过建立性能等级评价模型，结合故障诊断、大数据预警对每台风电机组进行健康管理，从而提高机组的设备可利用率，实现风电场智能化设备检修。实现从单一功能智能化向安全、运行、检修等全方位协同智能化的转变，最终使风电场具有自分析、自诊断、自驱优、自恢复、自学习的能力，达到“安全风险有控制，启停管理有计划，故障处理有专家，资源调配有规划”的水平。
关键词：风电场；智能化；探索；实践
引言
随着能源危机的加剧以及环境问题的凸显，风力发电以其技术成熟度、基础设施建设以及成本方面的综合优势而日益受到重视。我国风电经过十多年的快速发展，截止2016年底，中国风电累计安装风电机组10.5万台，累计装机容量16873.2万kW[1]；其中2016年全年共计装机1.2万台，累计装机容量2337.0万kW，规模居世界首位。2017年1月到8月，全国新增风机0.96万台，新增风电装机859.0万kW[2]。预计到2020年，我国拟核准风电项目装机总量为21000.0万kW以上[3]。随着我国风电机组建设数量和容量快速增加，且我国风电场地域广阔，并网运行的项目越来越多，规模越来越大。发电成本较高，风能利用率较低，设备维护体系不够完善，经济效益不高等问题仅靠传统的运维管理模式很难解决，实现集中管理、资源共享、智能分析控制的智能化风场建设已是大势所趋。
图1 我国风电装机发展趋势
1.智能化风电场建设的整体架构
1.1发展历程
风电场的建设在经过了标准化、数字化、信息化的逐步发展后，实现了生产、运行、检修等过程的可视化管理，以及数据、报表、机组性能等统一管理，已经将风电场运行维护工作的各环节打通。目前，风电场建设在广泛采用现代数字信息处理和通信技术基础上，集成大数据分析、数据挖掘、人工智能等技术，利用工业技术和管理手段，精确感知生产数据、优化生产过程，减少人工干预，通过“自分析、自诊断、自管理、自驱优、自恢复、自学习、自提升”增加安全生产、经济运行及设备检修等方面的智能处理能力，最终构建高效节能、安全可靠的智能化风电场。
1.2 基础建设
（1）设备基础：利用工业WIFI全覆盖、风机视频监控、智能安全帽、智能巡检管理、智能无人机等智能化手段及硬件设备，以提高工作效率、降低工作强度，为实现场站管理的现代化和智能化奠定了基础。
（2）网络传输基础：场站和集控中心的数据传输采用宁夏电网专用4M光纤电力通道，在符合电网横向隔离和纵向加密二次安全防护的基础上，对设备的启停状态及出力状态直接下达控制指令，达到区域公司远程直控的目的。
（3）远程集控平台：远程集控平台集成了实时状态监测、智能启停、智能报警、健康管理性能分析等多各系统，实现对所有风电场内风电机组的监测、控制、管理、分析，为实现“集中监控、少人值守、无人值班”的运营模式奠定了基础。
（4）智能数据平台：智能数据平台是实现风电场智能化建设的数据支撑，它保证了远程集控的实时性和数据分析处理的准确性。数据平台分析处理数据流程图，如图1。采用Modbus、104等采集协议完成现场数据采集，商用实时数据库Kafka接收来自现场采集系统的实时、历史数据，并保证实时处理性能不小于100万测点/秒，利用HDFS、Kudu实现高容错、线性可扩展、多种数据结构统一的数据存储，再通过Spark平台（包含Spark Streaming、Impala、Spark MLlib 组件）[4-5]，实现海量数据的分析处理，将分析处理结果应用于状态监测、智能启停、智能报警、健康管理等系统。
图2 数据采集处理流程图
1.3 设计思路
（1）实现风电场安全、运行、检修等全方位智能化协同作业，使风电场具有“自分析、自诊断、自管理、自驱优、自恢复、自学习、自提升”的能力，达到“安全风险有控制，启停管理有计划，故障处理有专家，资源调配有规划”的水平。
（2）将智能化设备、技术与大数据平台结合，提高风电场安全生产管理水平，避免因管理制度执行不到位、人为操作失误、设备监测手段缺乏等造成事故的发生。
（3）通过智能启停系统、智能报警系统对风电机组进行智能监控，实现设备运行的预控与可控，确保风资源利用率可控，全面减少人为操作失误，提高风电场经济效益，降低企业运转成本。
（4）打破传统计划检修、事后检修的模式，通过对风电机组的健康管理实现设备检修的状态化与智能化，确保设备可利用率可控，对潜在故障提前预警，降低机组安全风险。
2.关键算法模型
大数据分析、数据挖掘、人工智能等技术是风电场建设实现智能化的关键，具体算法模型主要有数据挖掘分类算法、性能评价模型及分类算法评价指标等。将C4.5决策树算法、BP神经网络算法、变权模糊评价模型等应用在风电机组状态监测、机组启停、故障诊断、故障预警、健康管理等系统中，并利用召回率、对数损失函数等机器学习模型评价指标来实现算法准确度的判断，并通过判断结果促进算法的修正改进，从而实现大数据的“人工智能”在风电机组的监控和管理中的应用。
2.1 算法模型
（1）C4.5决策树算法：
C4.5决策树是属于机器学习和数据挖掘中的一种数据分类分析方法，通过学习训练集（原始数据）构造出一个分类模型，该模型能够把原始数据映射到给定类别中的某一个，从而应用于预测和诊断[6]。通常的步骤为
1、根据得到的数据（训练集），找到一个合适的映射的表示。
2、使用已经训练完成的函数模型预测数据的类别，或对数据中的每一类进行描述，形成分类规则。
例如：利用风电机组如温度，油压，转速，风速等各项指标数据，通过决策树算法来探索风机发生故障时与哪些参数有关，进而从海量的风机运行数据中发现设备故障特征，形成一个故障分类模型。利用已知的故障分类模型，实现对机组的故障诊断及判别。
（2）BP神经网络算法：神经网络在微观上模拟人的认识能力，具有自学习、自组织和自适应的能力，以及较强的非线性映射能力，适用于因果关系复杂的非确定性分类问题[7]。在众多的神经网络算法中，基于BP算法的多层感知网络应用最为广泛成熟。
BP 神经网络作为故障预警模型的主架构，一个三层的神经网络结构就可以逼近任意精度的非线性连续函数。神经网络预警训练结构图如图4，由一个输入层，隐含层和一个输出层组成。
算法的学习步骤可概括如下：
1、随机生成连着神经网络的初始权值以及隐含层和输出层各个节点的阈值，一般设置（-1，1）之间或者更小的随机小数。设定训练次数和误差阈值。
2、重复下面两个过程直至收敛或者到了最大训练次数。
①正向学习过程：针对每个样例从输入层开始正向学习，计算隐含层的输入和输出，求得输出层的实际输出。通过与期望输出比较计算出误差和总误差，若总误差满足要求，则跳出循环，否则进行下一步。
②反向传播误差过程：根据上一步得到的误差来计算并调整权值和偏置矩阵的值。
例如：发电机轴温，有功功率，风速等为输入层神经元，所需预测的发电机前后轴温和齿轮箱轴温等故障特征为输出层神经元。各个神经元互相联系，主要通过正向传播输入信号并反向传播输出层的误差进行工作
图3 BP神经网络结构图
（3）变权模糊评价模型
风电机组性能等级评估就是在分析风电机组性能风险因素的基础上，建立评价模型，对风电机组性能等级得分进行估计[8-10]，可以在综合评估中突出单一风险大小对整体评估的影响，更加客观反映实际情况。动态变权模糊评价模型主要包括两个部分：
1、运用动态定权的理论确定风电机组性能等级评估指标的权重；
图4 变权模糊模型评估步骤
2、然后根据指标间的相互关系对权重进行了修正，得到变权模型评估模型，其步骤如图4所示。
表1 机组性能评价表
利用变权模糊评估模型，低于风机性能风险进行评级和评分，用数据来反映机组性能状况，并将设备性能分为A、B、C三个等级，计算机组性能风险情况，得到机组性能等级评价得分，按照风机性能等级不同，执行相应的措施。如表1。
2.2算法评价指标
（1）召回率是一种数据挖掘分类算法评价指标，决策树算法、神经网络算法的准确度是根据召回率来计算结果来判断。召回率为提取出的正确信息条数与样本中的信息条数的比值，recall=TP/（TP+FN）（TP：被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；FN：被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数）[11]。
例如：实现启停且应该启停的次数为A，未实现启停但是应该启停的次数为B，则启停判定的召回率recall=A/（A+B）。
（2）对数损失函数（Log-loss）：用来估量模型的预测值与真实值的不一致程度。Log-loss是一个软的分类准确率度量方法，使用概率来表示其所属的类别的置信度。（yi是指第i个样本所属的真实类别0或者1，pi表示第i个样本属于类别1的概率）[12]。
在分类输出中，若输出的是实数值，即属于每个类别的概率，那么可以使用Log-loss对分类结果进行评价。例如：当预测与实际类别完全匹配时，则公式两个部分都是0（假定0log0=0），则对数损失函数值为0。
3.具体应用
3.1风电场智能化安全管理
人员和设备的安全稳定关系着整个风电场的安全运营，传统风电场的运营管理模式下，人员、设备和环境均存在很多安全隐患。绝大部分事故的发生是由管理制度执行不到位、人为操作失误、设备监测手段缺乏而造成的。因此，必须依靠先进的技术和设备来提升风电场安全生产水平，通过搭建智能安全管控平台，利用视频监控、人员车辆定位、智能钥匙及无人机巡检等多种智能化手段来对安全生产中存在的现场作业风险、设备风险、环境风险等进行辨识、评估和预控，实现风电场智能化安全管理。
图5智能安全管控平台结构图
智能安全管控平台主要分为安全监测、作业管理两个子系统：
1、安全监测子系统：利用无人机巡检、视频监视、人脸识别、指纹识别、车量定位等智能技术，对风电场的升压站、箱变、风机、杆塔等安全生产重点区域进行监视、监测和预警，并将视频信息、图像信息传回到远程集控中心进行影像识别，掌握现场设备的运行动态，对前方操作人员实时远程安全监督和监护，防止突发性安全事故的发生。
2、作业管理子系统：利用智能五防、智能钥匙、智能安全帽、电子围栏等智能化设备，对升压站巡检、倒闸操作、风机维护消缺等作业过程进行智能化管理，重在管控每个作业人员的现场作业行为，结合短信平台、人员实时定位、智能门禁控制以及手机二维码扫描等新技术，实现对现场作业的全方位、全过程、全员、全天候的立体管控，实现作业过程安全风险的自动识别，有效防止作业人员误入带电间隔、设备误操作等安全隐患，从根本上夯实安全基础，保障安全生产。
3.2.风电场智能化经济运行
为了增加风电场经济效益，减少人为操作失误，降低企业运营成本，智能化经济运行以远程集控为基础，利用数据平台开展数据深度挖掘分析，形成具备自分析、自趋优能力的专家系统，应用智能启停系统、智能报警系统，提高管理效率和管理水平，达到提高风资源利用率、提高发电能力、提高生产管理效率、降低厂用电、降低损失电量、创新管理模式全面提升经济效益的目的。
3.2.1 智能启停系统
机组启停是风电机组运行过程中耗能较高的阶段，且机组的频繁启停会影响风电机组发电机、变频器、变浆系统、接触器等关键部件使用寿命。风机智能启停系统不仅可以改变设备较多人员监管不完善的现状，还可最大限度的降低机组启停过程中的耗能，实现机组高效能运行，改善机组在运行状态和停机状态之间频繁切换的情况，节约运营成本，增加风电场的经济效益。
（1）实现过程：智能启停的实现是通过数据平台、天气预测及风功率预测系统的结合，根据各个风机校准后的实时有效风速、实际切入切出风速、风电场短期和超短期风功率预测数据、并结合当地的气象因素和检修计划、以及相关历史数据，自动分析风机状态，针对不同地形、风场、型号的机组制定启停策略，并通过计算与比较，自动优化运行方式、优化对风角度、优化启停策略，实现机组的智能化启停，利用算法评价指标召回率来评价启停预判的准确度，一般要求预判准确率达到80%以上，并通过不断的数据积累、历史数据比较，不断自学习、优化知识库、优化启停策略，提高启停准确性，判断流程如图3 所示。
图6启停预判框架图
智能启停功能不仅降低了厂用电，还极大地方便了现场人员确定风机最佳检修维护时间，避免有风或者大风天气检修，减少检修损失电量。特别在春秋检期间，一般风况优良天气较多，使用此项功能，再结合电网计划检修安排，可以提前向申请调度最佳检修时间，最大程度的减少了检修维护损失电量。
3.2.2 智能报警系统
目前，大多数风电场的报警系统采用的是风机厂家SCADA系统报警，只能对风电机组传感器能检测到的少数设备作故障报警，远远无法满足风电场整体报警需求。智能报警系统基于大数据平台，利用数据挖掘技术，实现风电场设备故障精准预测，不仅把设备故障信息及时准确传达到远程监控中心，而且要对设备报警等级、故障程度做出智能分析，为停机维护提供决策依据。提高缺陷和故障的响应速度，减少风电场设备报警的误报和漏报，实现三个避免“避免隐患变故障、避免故障变缺陷、避免缺陷变事故”。
（1）分析决策过程
智能报警系统通过服务器获取机组状态监测数据，利用大数据处理平台进行数据处理并实现状态分析，通过报警策略检测风机的各种开关量，做出是否触发报警的选择，如果开关量无异常，则只需将数据储存；如果发现开关量异常时，智能报警系统的诊断专家会收到请求并进行故障分析，诊断依据为专家知识库，专家知识库中核心知识为专家知识，结合了现场经验类知识和自学习算法类知识。专家知识是整个系统的决策意见，而现场经验类知识和自学习算法类知识，作为系统中的辅助指标及建议，供决策人员参考和分析用。通过故障分析，将无用报警隐藏过滤，将有用警报通过报警光子牌等实现声光提示，并发布诊断报告，维护人员则根据诊断报告做出相应的维护和维修，整个流程如图4所示。
图7智能报警系统分析决策流程图
（2）功能模块
风电机组智能报警管理系统，包括系统报警过滤、自定义报警、自学习分析报警三个层次功能：
1、报警过滤：根据现有的风电机组SCADA系统报警作为数据来源，深入数据挖掘，对报警进行降噪处理，过滤掉虚警，避免对运行人员产生误操作。
2、自定义报警：自定义报警是根据设备运行特点和关联关系，结合自学习、历史数据等因素的一种逻辑报警。自定义报警对于单个元件所设定的判定值一般小于传统意义上元件的阈值，能够提前预判出机组原件的故障，自定义报警可以有效的从系统的角度保护风电机组。例如风电机组在额定风速以下时桨距角通常为额定值0度左右，而机组功率通常小于额定功率，即发电机转速小于额定转速。为了有效的结合变桨系统和发电机的运行特性并保护变桨系统和发电机，设定当（桨距角<10度）and（发电机转速>1500r）的逻辑表达式，当两个逻辑表达式同时满足时即总做逻辑表达式结果为真时，在变桨系统桨距角和发电机转速均低于阈值的情况下同样触发报警。这样很好的结合了系统各部件联合运行特征保护了机组。风电机组不同部件测点达500多个，通过分析现场风况及机组运行特征，在独立部件未达到部件报警阈值的情况下，提前进行报警，有效的保护了机组运行的安全性。
3）自学习分析预警：自学习分析报警主要是与机组健康管理系统相结合，实现风电机组全生命周期的健康管理。利用自学习与推理机技术关联部件和测点的关系，使用“专家知识”发现风机系统和设备各个逻辑部件是否存在故障，从而进一步确定故障所在具体位置。智能判断机组存在隐患缺陷，如性能下降报警、健康度报警、设备寿命预警、故障预警和备品库存预警等，不仅提高设备可利用率，还为智能化设备检修奠定了基础。
3.3风电场智能化设备检修
在备状态智能监测和故障诊断技术的基础上，以风电机组为对象，采用性能等级评价和故障诊断技术对机组进行健康状况预测，实现机组故障的提前预警。根据需要检修或维护的机组状态，制订检修维护计划，实现检修时机、作业工艺、备品备件的管理，如图8，从而实现由计划检修、故障检修过度到状态检修的转变，减少设备严重故障发生频率，提高设备运行可靠性。
图8 机组健康管理流程图
1、性能等级评价：根据影响机组性能的不同特征确定性能等级评价指标，依据评价指标对机组性能的影响程度上的相对重要性来确定指标权重，利用变权模糊评价模型对所选的评价指标在决策算法中进行综合处理，最终将多维度量化为机组性能整体评判的数据，对得到的整体评价数据进行分析，确定其性能等级，并对该等级所反映机组性能做出相应决策。
2.故障诊断
通过性能等级评价后，对劣化到一定程度的设备进行故障诊断，利用数据挖掘中的C4.5决策树算法，提出异常特征参数，然后结合故障诊断基数，分析其故障模式，得出故障可能的原因，最后给出诊断报告。
3.健康管理
基于性能等级评价和故障诊断结果，对于劣化到一定程度，有故障征兆的设备或部件进行状态预测，利用状态预测模型进行趋势预测，并制定可靠性维护计划，实现机组全生命周期的健康管理。
（1）状态预测
通过BP神经网络算法实现故障诊断、性能等级、设备寿命、备品备件等多重因素分析，建立设备整体与各个大部件的健康评价模型，判断出各个设备健康状态，提前设定健康度阈值，当系统检测到机组的健康度达到阈值时，系统会发出报警提示运行人员，维护人员根据健康度报警提示，并利用对数损失函数对预警结果与实际结果进行比对，在不断比对的过程中提高预警准确度。
1）性能下降预警
机组性能等级评估结果：
1、A类以上等级风机，性能优越，运行稳定可靠，不作为预警触发。
2、B类以上等级风机，性能下降，运行指标下滑，风机存在一定的隐患，需要值班人员密切关注，需要作为预警提示，预警级别设置为中级。
3、C类等级风机，性能、运行指标严重不达标，风机已经发生故障，运维值班人员立即进行检修避免故障恶化引发事故，预警提示为声光及短信提醒，级别定义为中高级。
2）健康度预警
根据故障诊断结果，结合性能等级预警，建立设备整体与各个大部件的健康度评价模型，计算出各个设备健康状态，当系统检测到机组的健康度达到阈值时，系统发出报警。
3）设备寿命预警
针对不同机型风机，计算发电机、主轴、变频器、齿轮箱等各个部件的平均故障时间、平均失效时间，从而建立设备寿命模型，实时分析设备寿命状况，系统对将要损坏的设备备件做预警提示。
4）备品备件预警
分析MTBF（平均失效间隔）、MTTR（平均恢复时间），MTTF（平均无故障时间）[13]，结合设备寿命预警计算需要更换的部件数量，对比库存中的备品备件，准确预测需求与存量之间的差异，系统提示预警。
（2）状态检修
风电机组的状态检修是基于风电机组状态预测及专家知识库的检修模式，根据机组运行状态预测结果，有针对性地制定运维和检修方案，可将故障消除在前期状态中。专家知识库是实现状态检修的智慧核心，它是一个具有大量的风电机组专业知识与经验的程序系统，采用决策树、神经网络算法来全面挖掘各种风机数据，利用知识的获取、分类、储存、检索、应用等功能进行推理和判断，模拟人类检修专家的决策过程[14]，对检修维护的最佳时机、标准工艺以及备品备件管理等制订制定详细、具体、严格的处理措施，形成风电机组由事后、事中维护向事前预防性维护的转变，有效降低检修成本，提高设备可利用率，实现风电场的智能化设备检修。
4.智能化风电场建设的预期效果
4.1经济效益全面提高
实现场站监控智能化，现场运行无人化，设备检修状态化，全面减少公司人员成本，提升公司经济效益；
4.2 安全性能全面提升
通过场站安全、作业安全、人员安全的全方位管理和跟踪，实现场站、设备、人员安全风险管控，安全隐患全面降低，安全性能全面提高；
4.3设备可靠性提高
通过设备的性能分析、故障诊断、运行优化、指标管理、状态检修等降低故障发生概率，全面提高设备的可靠性；
4.4 职工队伍建设全面强化
集成生产实时数据分析、设备运行性能分析、设备状态诊断、故障记录、设备图像信息等数据内容，为生产、维护人员提供培训基础资料，通过培训和实践大幅度提升人才队伍素质。
参考文献：
[1] 张峰，陈丽琳，风电场智能化监控系统方案探讨[J].山西电力.2010（6）：28-30.
[2] 行舟，陈永华，大型集群风电有功智能控制系统控制策略[J].电力系统自动化.2011（20）：20-23.
[3] 杨天时，大型风电机组综合性能评估系统研究[D].华北电力大学（北京），2011.
[4] 刘德顺，戴巨川，胡燕平等.现代大型风电机组现状与发展趋势[J].中国机械工程，2013，01：125-135.
[5] 童超，基于数据挖掘方法的风电机组状态监测研究[D].华北电力大学，2014.
[6] PORTER K，FINK S． Examples of wind curtailment[R]．Energy Foundation Meeting on Wind Integration，Beijing：2010．
[7] PORTER K，ROGERS J，WISER R． Update on wind curtailment in europe and north america[R]．Consultants to the Center for Resource Solutions，Beijing：2011．
[8] 王松，姚兴佳，李春影.风电场远程数据采集与监控系统开发.节能2001（5）：10-12.
[9] 范必，促进风电产业健康发展的思考[J].中国能源.2010.31（12）：7-10.
[10] 谭忠富，鞠立伟.中国风电发展综述：历史、现状、趋势及政策[J].华北电力大学学报（社会科学版），2013，06：42-48.
[11] 王茜，杨文娟.中国风电发展历程及相关建议[J].风能，2013，06：42-48.
[12] 赵飞．风电场远程集控中心的设计与应用[J]．科技展望，2015（9）：92，
[13] 童超.基于掘方法的风电机组状态监测研究[D].华北电力大学，2014.
[14] 王羽.基于运行数据的风电机组状态监测研究[D].华北电力大学，2013.
论文作者:方志宁,李刚,刘俊燕
论文发表刊物:《电力设备》2017年第33期
论文发表时间:2018/4/17
标签：机组论文; 设备论文; 风电论文; 智能论文; 性能论文; 风电场论文; 数据论文; 《电力设备》2017年第33期论文;