摘要：风力发电属于我国一种新兴的清洁发电模式，风力发电在生产和发展中，具有独特的性质。目前，风力发电厂在运行过程中，还没有建设出一套真正完整有效的管理机制。因此，为了做好风力发电运维管理工作，应积极采用现代化大数据分析管理方法，确保其正常运转，高效地完成各项发电任务。
关键词：大数据；风电场；管理；应用；实践
引言：
我国风电运维服务市场于 2016 年迎来发展拐点，至 2020 年市场容量将达 300 亿元左右，未来我国风电运维市场前景广阔。之前或许我们在讨论”大数据”管控是什么，大数据能干什么，能带来什么价值；而现在已明确了大数据是一种有着真正未来的趋势，大数据的价值无可限量。风电场的大数据是为风电企业提供更强的决策力、洞察力和流程优化能力，从而适应多元化的信息资产。随着风电场设备的趋于完善，大数据对风电场整体运维的分析及管控具有重要的现实意义。
1 风电场运行管理现状分析
就我国风电场建设和运行现状来看，基本上均存在着位置分散、交通不便利，以及信息化管理平台不完善的情况，导致运行管理维护中缺少必要的信息数据作为支持，难以有效掌握动态生产信息，对下一级段的管理方案的编制影响较大，不利于运行管理工作的开展。第一，运行维护。风场之间距离比较远，且每个风电场内均安装设置了大量的风机，但是不同风机设备对应的供应商不同，这样就导致实际维护中需要有相互对应的机构、人员、资源以及器具等作为支持，不仅检修维护难度大，且成本高昂。第二，人员管理。风电场产业特征决定了技术工作人员需要长时间驻守在现场，工作生活便利性差，难以吸引和维持人才队伍，整个行业严重缺乏专业技术人才，这在根本上限制了维护工作的开展效率，对风机设备运行效率和生产效益影响非常大。第三，管理规范。虽然风电场现在均设置了管理规范和制度，但是就实际应用效果来看，其受火电、水电管理模式影响较大，对风电场行业发展趋势与实际情况研究深度不够，现存的规范制度无法完全满足发展需求，必须要对其深度以及广度做更进一步的研究，并建立一套完整可行的运营管理体系，来达到最佳管理效果。
2 大数据分析在风电场管理中的应用
2.1 数据采集模式及方法
（1）升压站数据采集
升压站通过IEC104规约采集的范围主要包括升压站内一次设备电压、电流、频率、功率等数据，开关、刀闸、接地刀闸、主变分接头等位置信号，升压站继电保护动作信号数据，其他辅助系统硬节点信号等数据。同时还可以对站内有功功率自动控制系统（AGC）、无功功率自动控制系统（AVC）、保护信息子站系统、电量采集系统等数据上传，并能实现对有功功率自动控制系统（AGC）、无功功率自动控制系统（AVC）远程投退，实现对风电场故障录波器数据的远程召唤。
（2）风机数据采集。一般情况下不同厂家不同机型的数据采集方式区别较大，受厂家技术把控等因素的制约，采集上述机型的数据十分困难，通过组织多次商务与技术谈判，终于完成了全部机型风机数据的采集工作。
2.2 运行参数数据存储与挖掘
采集的数据中，遥控等数据基本无分析意义，主要侧重遥测类及遥信类数据进行深入分析。具备分析价值的数据根据主要指标数据的变化情况主要可以分为实时变化类、非实时变化类、遥信类。针对每类数据的挖掘也采取不同的方式，但无论采取何种方式首先需要大量的历史数据，所以历史数据的存储尤为关键。
（1）实时变化类数据存储与挖掘
结合不同机型PLC的采样周期，通常采取变化上送的模式，如风速、功率等实时变化的指标数据刷新率在1s左右，并将上述数据存入实时历史数据库。实时变化数据是大数据分析的重点对象，由于这些数据变化率、存储量较大，需要应用软件的相关程序及建模进行深入分析。
期刊文章分类查询,尽在期刊图书馆
（2）非实时类数据存储与挖掘
非实时数据通常采取主站定时召唤或子站定时上送的模式，主要针对发电量、计数器、风功率预测结果、测风塔数据，其中升压站发电量为每5min汇总一次，风功率预测结果及测风塔数据每日汇总一次。针对非实时数据量较小的特性，及时将相关数据存入实时历史数据库后由关系库进行计算后及时在相关报表中展示。通过运行人员定期对报表数据的对比检查，即能及时发现非实时数据存在的异常。
2.3 异常参数运行分析方法
（1）离散度分析
该分析主要针对风机及升压站设备的电压、电流、温度等遥测数据，通过在风电场远程监控与数据分析系统建立模型，并根据指标变化情况对模型长期进行训练，可以实现全厂、集电线路、不同机组、不同间隔等多个维度的差异化分析工作。
（2）一致性分析
该分析紧密围绕达设计值工作，对风电场的各项生产指标达设计值情况进行全面验证，其中重点对风电机组的功率一致性开展验证工作，以与风电场实际空气密度一致、不同机型的设计功率曲线为依据，将经过对限电、停机无效数据点进行过滤后的每台风机功率曲线代入，验证机组的功率曲线达标情况。其次是对风电场的设计等效利用小时、平均风速等主要生产指标与设计值进行对比，因地区弃风限电情况较为严重，为保证利用小时达设计值工作符合客观规律，使用将弃风限电损失还原后的等效利用小时进行对比分析，深入查找与设计值偏差的原因。
（3）偏差率分析
该分析以全面深化对标工作为基础，实现利用风电场远程监控数据分析系统自动对各类指标进行偏差率的分析，主要实现对发电量、等效利用小时、平均风速、有效风时数、风机可利用率、风电场可利用率等指标与计划值等目标开展同环比分析，及时爆漏偏差率超差的指标。同时重点对风功率预测等两个细则考核指标进行分析，不仅实现了对未来一周发电量及负荷曲线的预测，还能及时统计风功率预测系统的准确率与合格率，这样既能为风电场的运维工作提供风资源数据的支持，也便于不断优化风功率预测系统的模型，进一步提升预测的准确性，持续减少电网公司对风功率预测系统的考核金额。
（4）关联数据分析
在风机运行过程中，风机的各种运行数据是相互影响、相互关联的。如风速与功率深度关联，风向与机舱方向深度关联，机舱温度、齿轮箱温度与功率参数、环境温度相互关联，数据之间关系非常复杂且动态变化。通过与设计功率曲线或同类型风机功率曲线对比，确定风机发电能力是否正常。
（5）共性分析
对运营商各风电场按周月不同节点的停机数据、故障数据以及所有可靠性相关指标进行统计和分析，统计故障损失电量、时长、频次等故障相关指标，对排名在前5位的故障和短时间内连续重复出现的故障进行详细分析，找出原因，并对同类型风机进行预防性消缺，避免故障重复发生。
结束语
总而言之，大数据分析在风电场管理工作中的应用仍存在许多不足，应持续跟踪国内外先进技术，继续深化数据分析研究和应用，并可大力推动与在这个领域有深厚技术积累的金风科技、华北电力大学等科研单位合作，科学进行风机建模，应用先进算法，高效进行数据挖掘，进一步提高风电场大数据分析的深度和广度。
参考文献：
[1]王兆严.风力发电场远程集中监控系统的设计与实施[D].华北电力大学，2017.
[2]武芊汝.新能源发电企业物资管理系统的设计与实现[D].西安电子科技大学，2017.
[3]王成鹏.低风速地区风电场建设环保水保重要性及管理对策[J].能源与环境，2017（01）：73-75.
[4]乔燕军，温冬冬.风电场人员设备分工管理的实践应用和创新[J].工程技术研究，2017（02）：245-246.
论文作者:吕靖
论文发表刊物:《电力设备》2018年第34期
论文发表时间:2019/5/20
标签：数据论文; 功率论文; 风电场论文; 风机论文; 实时论文; 大数论文; 指标论文; 《电力设备》2018年第34期论文;