基于大数据分析的风电机组故障预警及智能分析技术应用

(相关资料图)

莫杨斌：国家电投云南国际新能源事业部集控运行部副主任

今天一天我也一直在认真听各位专家的讲解，上午更多的也是针对传统的电力行业，像水、火电的智慧化电厂应用实践和探索相关的经验交流。我这边是属于新能源行业，所以我想给大家分享的是针对新能源尤其是风电行业，我们自己的应用成果。主要介绍这几部分：第一项目背景，第二是项目介绍，第三是应用效果。

一、项目背景

我们单位是国家电投昆明新能源生产运营中心，这也是国家五大发电集团之一的国家电投在昆明的研究单位，国家电投集团在2025年之前也是要达到清洁能源占比60%的目标，目前已经接近60%。这一块也是响应今天一整天会上各位专家都提到的3060目标。另外针对整个国家的十四五规划，新能源的发展也是一个重要的对3060的项目支撑。现在我们管辖的有11座风电场，装机容量1106万。目前在我们单体来看，我们的风电装机在云南省是排在第一位的。

这是风电场当前设备运行的现状和难点，首先是风机类型覆盖这一块，指的是我们自己的风机厂家，覆盖了国内主流的7个风机、13种机型，目前我们管辖的风机有572台。从2013年投产到现在也接近运行了10年时间，覆盖了1.5兆瓦到2.3兆瓦的各类机型。另外我们在云南这边有一些位于高寒山地，比较高的海拔，3000多米的海拔上也有一些风机，运行工况相对比较复杂，一些备件的更换、吊装都需要从比较远的地方拉过来，维护成本比较高，另外涉及一些大部件，因为风机的大部件是发电的核心，它源于29个厂家，36个型号，数据量比较杂、比较乱。

针对当前的情况，在技术层面还有两个事情是普遍存在的问题，第一个是对于我们的风力发电机组的发电性能跌落无法有效管理，这一块就是一些风机的发电曲线、功率曲线经过长时间的运行以后，可能涉及部件的老化问题、涉及风机经常更新、迭代，出现了设备参数的匹配问题，这样可能会导致某一个风电厂一年损失1%到3%的电量。另外一块涉及一个比较难管理的问题，就是对于我们整个大部件，也是我们传动链上，包括我们发电机、齿轮箱、主轴承上的故障，无法进行有效的管理。尤其是我们的主轴、齿轮箱、发电机等关键部件，一旦发生了故障，至少需要20天的非计划停机时间，尤其是大风期，有的齿轮箱还要重新在厂里要生产，要运输，最多的有停了3个多月的情况，这边的经济损失还是比较多。但是对于咱们传统的监控系统这一块，是无法进行有效的预警的。另外一个是新能源行业，不管是风电还是光伏，它的人员流失比较大，对于一些专业性人才的网络还是比较困难。

基于以上情况，我们还是尽量考虑从集约化和专业化管理的角度，在有限的人员下面，通过数据分析的模式，能发挥更大的效率。提高生产管理水平，类似于提质增效，对于一些生产数据的应用，以及故障的硬件的需求也是日趋加剧。针对风电场地地势复杂、机组分散、运维成本高的问题，在2019年我们和国内一个比较大的风机厂商远景能源进行合作，对历史数据采用数据挖掘和机器学习的算法，对我们的一些大部件、控制系统开展实时的监测诊断，实现了一些预警分析，经过一年的磨合运行来看，效果还是比较好的。

目前各个整机厂商对治理后台的数据还是相对比较独立，类似于自成体系，这就需要我们甲方自己把所有的数据进行整理、归类，建立标准，把自己的需求提出来，包括在后面和乙方合作的过程中，对于一些模型的优化和结果验证提出自己的意见，这一块是提出重要的，我们也去其他的一些发电企业进行过调研，尤其是在前期的数据治理方面，确实还是参差不齐，这一块相关的行业标准也没有完全制定下来，所以就靠我们自己的摸索把这一块给它搭建起来。

二、项目介绍

它的主要目的是通过机器学习，识别风力发电机组设备亚健康状况，预警风机大部件故障以及整体发电性能跌落的问题，减少非计划性停机损失和隐藏的发电性能不合格损失，实现7个风机厂家、13种机型，30多个大部件在同一平台整合预警分析，每年可减少损失200万。

预警有四大模块：控制系统、传动链、大部件、叶片预警。预警的前提还是要考虑到涉及成本投资的问题，因为我们前期的数据来源，包括设备的采购，还有后面的研究设计，主要还是基于各个风电厂原有的风机数据来进行挖掘、分析，相对来说新增的一些智能化的传感器这一块，我们就用的比较少，主要还是基于原始数据，因为这一块已建的基本上能把当前存在的问题分析出来。

第一块是针对控制系统，主要是针对风机的变角系统、偏航系统、转距异常等等长期存在的问题，主要目的就是解决功率曲线跌落发现的问题，因为数据量比较大，如果单单靠现场的运行维护人员每周、每个月进行大量的分析，人员这一块是得不到保障的，长期下来疲于应付，包括设备维护的主页也不一定能达到很好的效果，这一块的损失预计有5%左右。功率曲线也是从多个维度进行分析，包括从当前的风速、功率、桨距角等等，综合识别当前的工况和理论工况的偏差，推出一些相关的合理化的建议，同时把相关的损失都直观展示出来。

第二块是传动链上的预警。刚才提到，一次大部件的失效，时间长的可能要停三四个月，短的也要停运大概20天，这样每次的直接损失和间接损失肯定超过100万。传统的风电厂每个电厂都有一套智能监测系统，我们叫CMS监测系统，现在主流的厂家也不多，我们自己这一块因为经过长期的运行下来之后，我们选了两家，因为时间又长，其中一家还倒闭了，这就对我们的CMS振动分析也是提出了很大的挑战。另外对于我们振动分析的成果，一般发电企业的运行人员绝大多数不具备这样一个分析的条件，还需要后方风机厂家或者专业人员进行取证或者后方的技术支持等等。这一块我们建这套系统也是基于这个初衷，把不同的风机厂家全统一集成在一个平台上，进行统一的分析。我们统一采集到疾控中心之后，也实现了功率预测系统，按照两小时一次的周期，按照毫秒级的数据上升到统一的平台上。它就是列入了一些我们和他们共同搞的模型，包括一些模型的界限，这一块把一些内嵌的专家系统，通过把采集到的CMS信息，通过频谱或者频率的方式，展示到画面上，一旦超过了阈值，它就会自动推送给我们，然后自动推送到维护人员这边进行处理。

第三个是针对另外一个大部件预警，这跟传动链也是比较类似的，也是核心的部件，它主要的目的是一旦有一台齿轮箱、发电机坏掉了，它当时是已经出现了预警，这个时候我要不要停机，因为确实存在预警准确率比较低的问题，如果停机就要损失发电量，如果不停机，预警出来了，这个时候万一长时间的运行出现了一些严重的后果，这个后果谁来承担？这一块一方面要增加我们的准确率，准确率从哪里来呢？就是基于我们另外一种方式，现场采集到的风机不同的传感器，比如说温度、压力异常、电流，把它们的失效模式融入到我们的算法当中，与刚才提到的CMS振动预警实现交叉验证，这样就大大提高了现场对于传动链部件预警的准确性。当然所有的数据来源也都是我们传统的风机的SCADA数据，也没有新增一些智能的传感器。

这一块是针对我们的叶片预警，这个叶片预警主要原理还是基于声音的监测原理，这张图展示了我们现场预警出来的一个叶片出现的故障。因为我们的三个叶片，每个叶片理论上来说应该扫风的声音是一样的，我们在风级上装了一个声音的采集器，也非常便宜，成本很低，通过采集现场三个叶片扫风的声音，如果其中有一个叶片出现了边缘的开裂，或者破损，一旦有异常，它的扫风声音绝对不一样的。上面这个是我们采集到声音之后，有经验的工程师都可以通过听声音的方式判断出来。下面是通过声音采集之后，它自己生成了一个频谱的图，这个图上面是有一些波形的杂质，相当于一个声音、频谱的交叉互相的验证。这是在去年3月份的时候发现的一台，我们提前介入了，也是节省了几十万的成本。

这是对刚才的几个预警模块的补充，刚才也提到了发电性能跌落的问题，除了刚才说到的问题，因为涉及更细一点的问题，比如说我们的功率曲线出现了一些偏差，从大的方面它有两个问题，第一个是功率曲线测量的偏差，它就涉及我们的传感器是不是准确、真实，一旦现场的传感器采集的数据都不对了，大数据分析、数据挖掘都无从谈起。另外一个是发电性能真实的偏差，我的风电场运行接近10年了，电机运行的时间很长了，长期地超负荷疲劳运行，肯定会造成一些功率的失真等等问题。

第二个是涉及大部件的问题，对于设备大部件亚健康的问题，我们做这个的主要目的就是要节约成本，提高设备运维水平。这几年因为我们一些老的机组整批的更换，上次我们有一个电厂30多台机组换了一遍，这个损失是很大的，有这个系统的好处是在它出现预警之后我们还可以运行一下，还没恶化到需要更换的程度，我们提前把新的设备或者部件采购到现场，直接进行更换，能减少大部件的库存和停机时间。

这是我们现场的一个简单的模型，这个齿轮箱轴承温度的模型，主要是刚才提到的一些前期的数据治理，我们也不是单纯地把数据取一个高低限制，出现高低限制地不匹配就报警，它还是基于我们一些历史的数据和历史的工况，做了一些机器学习的训练。比如我们这个齿轮箱轴承预警的温度，它把目标值设进去，然后把周围的边界和涉及相关的值，在不同的风速、不同的功率，包括不同的油温的情况下，把这些数据采集进来进行清洗，把一些其他相邻的风机或者是同型号的风机差异比较大的数据清洗出去，形成一个当前工况下的特征的变化量。同时结合我们这个特征量对应的历史特质，它应该是什么样子，经过模型的训练，形成我们在当前工况下的一个正常的健康温度，这个健康温度和实测的温度做一个对比，针对不同厂家的部件，我们都分别设了一个不同的逻辑，一旦触发，它就直接把这个结果推送给我们现场的运行值班人员。这样就实现了温度的预警模型的建立。

针对这个预警模型建立之后，我们更主要的还是要把这个事情处理好，把这个设备消缺掉。在这个处理完成之后，我们现场也是建立了这么一套生产管理系统，它整个的系统是和我刚才提到的预警系统是互相联动的，我们把它们的接口也打开了，相当于实现了一个线上和线下的结合，比如说我们现场上面预警了一个东西，它直接推送到监控中心或者是现场运行值班人员每个人的账号上，每个人都有手机APP，一旦有了预警的信息或者其他的相关信息出现之后，手机接到信息就进行统一的处理，实现线上和线下的闭环，基本上也实现了无人值班、少人值守的模式。

这是一个简单介绍，主要是基于SCADA和CMS传感器的健康度管理应用软件，我们实现了不同的风机厂家、不同的机型对同一平台数据的整合、智能预警分析，当然这不仅仅是我们的双馈风机，直驱风机也是适用的。

三、应用效果及建议

应用下来之后，我们一些兄弟单位都在推广这种方式，现在不管是陆上风电还是海上风电都有很大的价值。现在大家一直在提状态检修，传统的方式是坏了之后来换，现在把更换变成检修，在它彻底坏之前，只用更换局部的部件就能达到当前的效果。减少等待备件与吊车时间，还有化非计划检修为计划检修，主要是选择小风天作业减少电量损失。我们也做过一个计算，齿轮箱预警为例，传统的小风厂，如果把检修损失变成更换损失，5万千瓦33台风机场在10年的生命期内，平均每套风机的价值可以创造28万。这是我们的故障频次和损失的估算，我们公司在2017年到2019年，因为大部件故障次数出现了29次，如果按照直接和间接的损失，大概损失3600万，通过提前预警可以挽回1150万的损失。

这是结合实际运行情况，在我们统计的2020年全年度，针对不同的预警模块做的一个预警数量。第一个是针对发电性能跌落的问题，去年预警数是90个，另外一个是针对大部件的预警，翻车机总共预警了100多台次。这是传感器的预警，去年整体预警出来了100多次，因为我们现场进行了复核，大多数是现场传感器的运行问题，要么是松动，要么是年久失修，对有问题的部件都进行了更换。应用这个平台最主要的目的就是考虑它的预警到底准不准，这样才能指导我们后面的工作。这里统计的是2020年度整体的预警准确率，因为是2019年开始试运行，结果去年也在不停地磨合，因为它也是涉及多个方面，不仅仅是我们在实施单位不停地模型更新、迭代的过程，还有另外一个是涉及现场人员对整个大数据的预警逻辑不太理解，或者是说理解不到位，造成整体的预警指标偏低。去年整体来看是60%以上的准确率，去年经过一年大家的磨合、学习和现场的验证学习之后，今年第一季度的准确率也达到了80%，这个80%的指标应该是在行业内，在实际应用落地情况下，应该算是一个非常好的指标。

整体的应用效果，我们也是总结了几大块，第一个是通过大数据的算法，还有数据的分析迭代，确实能发现一些传统的一二区生产区的监控系统不容易发现的潜在异常，去年的预警大数是300多条，也是60%准确率，有200多条是准确的，并结合故障库，这个故障库也是我们自己在日常运行过程中进行的故障反馈，入到这个库里面，对它进行更新迭代，对后面的人提供一些检修建议，提高工作质量。预警的工单和之前我们建立的生产管理系统是互相联动的，这样实现备品备件相关联的闭环管理，大大提高现场工作人员的工作效率。从人员技能提升这一块，现在确实是整个风电行业招一个比较优秀的人才比较难，尤其是十四五期间，云南这一块大规模新能源项目上马，大家也都在不停地抢人，这一块对人员的培养提供的很大的帮助，还有一个最主要的目的是能提升电站的经济效益水平。

注：文字实录未经专家整理核实，仅作参考使用，具体解释权归本次会议主办方所有。 未经授权，请勿转载