0 引言

在“双碳”目标推动下,我国新能源发电装机容量占总装机容量的比重不断提高,部分区域正在形成以风力发电、光伏发电为主体的新型电力系统。风电场大多位于高山、戈壁、海上等偏远位置,发电机组部署分散、间隔路程远,仅靠风电场配置的工作人员难以及时发现设备故障和隐患^[1-4]。随着通信、自动控制、大数据等技术的迅速发展,风电场基本实现信息化、数字化、智能化管理,通过对风电机组开展实时监测和预测分析,机组运行效率得到显著提升^[5-6]。

然而,分析近年已投运的风电机组运行的可靠性和稳定性情况可知,风电场集电线路频繁跳闸、风机故障率高、输出功率波动大等问题时有发生,说明大数据在实际应用过程中仍存在不少问题和难点^[7-8]。一是大数据平台在建设初期未建立统一的数据采集标准,采集范围不明确,导致数据可靠性降低^[9]；二是风机数量及型号增多使得数据量变得异常庞大,而大数据平台筛选程序设置简单,在海量数据中筛选有效数据的能力不足,导致数据有效性降低^[10]；三是针对风电设备运行数据的分析算法不成体系,代码解析、数据拟合等策略库不能准确、全面地反映机组运行、停机、检修、维护、试验等过程^[11-13]；四是仅本着“应采尽采”原则汇总设备运行数据、简单统计运行状态、生成报表,不深入挖掘风机系统各参数间的关联特性。以上技术问题导致大数据技术重要的分析、预测能力发挥不足,难以指导生产实践^[14]。因此,有必要采用先进的算法优化大数据平台,切实发挥大数据在指导设备检修维护、完善安全生产管控体系、提升运行指标考核质效等方面的作用^[15-16]。

1 风电机组大数据平台应用存在的问题及原因 1.1 大数据平台对风机状态的判定不准确

通过分析目前风电领域大数据技术的实际应用情况可知,当风机数量较少、型号较为单一时,大数据系统对风机状态的判断基本准确；当接入风机数量呈规模化增长并形成集群态势,风机机型增多、主控程序版本增多时,大数据系统适用性变差,对风机运行状态的误判率提高^[17],主要原因有以下三方面：

一是大数据平台在建设准备阶段未同步发布数据采集标准与接入系统要求,未统一风机状态和模拟量数据定义方式,采集测点未覆盖全部型号的风机、数据传输协议不统一,导致风机状态数据缺失、数据分析困难,大数据平台不能真实反映风机实际运行状态^[18]；二是部分型号风机的主控系统可向外部传输的风机状态数据不足,不能很好满足大数据系统的计算分析要求；三是部分风机主控不能提供风机状态映射策略说明,且厂商无法对其进行升级,导致大数据平台不能实现风机全状态数据映射。

1.2 大数据平台对风机事件的代码解析和分类、分级不准确

对于目前主流型号风机,风机事件按照触发来源可分为10个类别,分别为主控系统、变桨系统、偏航系统、发电机系统、变频系统、刹车系统、主轴系统、齿轮箱系统、机舱系统和测风系统；风机事件按照危急程度可分为3个等级,分别是提示级、报警级、故障级。当前,大数据平台算法库不能通过智能识别风机测点描述信息对数据进行自动归类,数以千万计的数据库测点对应风机事件的分类、分级工作仍需借助人工手动填报来完成,容易出现未按触发来源分类,甚至未进行分类或分级不明确、分级错误等问题^[19]。

具有不同程序版本的风机主控对发电流程的控制逻辑差异较大,当风机主控程序版本和事件代码解析方式增多、SCADA软件开放程度较低、外部通信功能单一时,大数据平台事件代码解析策略库将不能自动向事件信息分配适宜的解析方法,容易造成事件信息解析不全面、不正确或无法解析的问题^[20]。

因此大数据平台难以迅速、准确定位故障设备并判定事件类别及故障等级,导致对风电场损失电量、可控应发电量、风机利用率等主要指标的计算结果失真。

1.3 大数据平台对风机停机类事件首出信息的判定及其故障时长的统计不准确

风机状态一般分为停机类和非停机类。停机类状态包括用户停机、故障停机、电网故障、维护停机,非停机类状态包括正常发电、限功率、环境待机、技术待机、通信中断。

当风机主控上传至大数据平台的测点信息能完全覆盖风机状态时,大数据平台直采直用风机停机类状态,并同时展示机组停运时刻的故障事件信息,对事件首出信息的判定及其故障时长的统计基本准确。当风机主控上传至大数据平台的测点信息不能完全覆盖上述状态时,大数据平台采取根据工作人员经验来补充缺少的风机状态,易造成风机状态映射错误,将非停机类状态映射成停机类状态或将停机类状态映射成非停机类状态,导致事件首出信息无法准确判定或故障时长统计错误^[21]。例如,将环境待机错误映射成故障停机,或将用户停机映射为故障停机等,此时若无故障信号,则无法生成事件首出信息。

1.4 大数据平台对外部因素造成的限电、机组停运引起的电量损失归类不准确

在实际应用中,数据采集范围易受风电场关联系统局限性约束。目前,大数据平台暂无有效手段自动采集电网运行方式倒换、线路检修消缺等信息,若调度机构电话通知风电场降负荷或配合停机,期间的电量损失会被归类至手动计划停运损失。此外,当风电场遭遇极寒天气导致风机叶片覆冰时,机组不平衡载荷增大,为避免风机零部件受损,风电场会采取主动停机措施,而大数据平台无法识别出该操作是为应对极端灾害天气采取的,停运期间的电量损失会被归类至手动计划停运损失,遭遇伴随雷暴现象的强对流天气时也会如此。

1.5 大数据平台对风电场内部开展计划性工作造成的电量损失归类不明确

当风电场开展风机定检、电场清扫预试、风机技改、控制系统调试、风机修后试验、消缺等工作时,将进行手动停机,大数据平台会把此类工作造成的电量损失笼统地归类为计划停运损失,过于粗放。在此基础上开展风机运行状态指导和考核指标管控将不利于实现精细化管理。

1.6 大数据平台对风机系统各参数间的关联价值挖掘不深入

考察一座风电场资源利用是否充分、生产管控措施是否到位、运行维护水平是否良好的主要方式,是对风电场进行电量指标、电力消耗指标、设备运行指标、运行维护指标等进行全面评价^[22-23]。这就要求大数据平台建设不能停留在初级阶段,仅汇总设备运行数据、简单统计运行状态、生成报表还远远不够,要深入研究风机系统各参数间的关联性,充分利用、开发大数据算法,实现生产规律自总结、系统(设备)变化趋势自预测和异常事件自诊断。

2 风力发电企业提升大数据平台应用效能的思路及实现方案

本文在分析风电企业大数据平台应用现状的基础上,从六个方面提出了解决问题的思路及实现方案。

2.1 提高风机状态判定的准确性

(1)大数据平台在建设初期要做好准备工作,制定数据采集标准,明确风机基础数据的采集范围和相关要求,约定数据传输协议和通信端口,统筹规划系统数据接口及地址段分配文件,规定风机状态的定义方式^[24]。例如：规定风电场需采集的基础数据,包括故障代码、风机状态、风机限功率状态、有功发电量总计、有功用电量总计、舱外温度、风速、风电机组有功功率、上网电量、购网电量、自动发电控制(Automatic Generation Control,AGC)限功率指令值、站用电量、升压站间隔事故总信号、升压站开关位置信号等,约定数据传输协议为IEC104、通信端口为2404,约定某风电场的通信地址段为10.66.24.35至10.66.24.45,规定风机状态包含正常发电、限功率、环境待机、维护停机、用户停机、技术待机、故障停机、电网故障、通信中断。

(2)当部分型号的风机主控系统可向外部传输的风机状态数据不足时,要订立风机状态数据补采标准和方法。比如,某风电场提供的风机状态只有发电、停机、故障、维护时,应要求风电场升级风机主控程序来实现必要的风机状态上传,确因设备老旧、厂家破产等客观原因无法完成风机主控程序升级的,应向大数据平台提交风机状态映射策略说明,由大数据平台厂商开发相应的程序补充至风机状态数据拟合策略库。

(3)当风机主控厂家无法提供风机状态映射策略说明且无法对风机主控程序进行升级时,大数据平台厂商应在组织专家充分论证风机状态与功率、发电机电压、发电机电流、风速、风向等数据间的关联性后制订风机全状态数据映射方案,以可调用模型算法的形式将其补入风机状态数据拟合策略库。

2.2 解决风机事件分类、分级和代码解析不准确问题

(1)大数据平台应在建设初期开发基于测点中文描述信息自动归类事件信息的基础程序,同时也要开发风机事件信息自动分类、分级的算法程序,避免人工分拣错误的问题。

(2)大数据平台应在建设初期做好拟接入风电场的风机主控生产厂家、型号、程序版本类别的调研工作,并针对多版本、多解析算法的事件代码,提前建立大数据平台代码解析策略库。策略库将根据事件代码附带的主控程序版本及型号信息,自动适配解析方式,可有效避免风机事件代码解析不正确、不全面或无法解析的问题。

2.3 提高停机类事件首出信息判定及其故障时长统计的准确性

大数据系统在建设初期要划分好风机的状态类别,当风电场风机主控上传大数据平台的测点信息不能覆盖风机全部状态时,大数据平台要采取调用风机状态数据拟合策略库的方式来映射出缺少的风机状态作为补充。

2.4 解决外部因素造成的限电、机组停运引起的电量损失归类不准确问题

风电场集控中心要开发手动挂牌功能,大数据系统也应开发相应的挂牌识别功能。

(1)当管辖风电场的电网调度中心通知风电场配合开展电网运行方式倒换、线路检修消缺,需要采取主动降负荷或停机操作时,运行值班人员应在操作前将设备挂“电网限电”电子牌,大数据平台也应完成挂牌识别并将挂牌后降出力或停运风机造成的电量损失归类为电网限电损失,同时按照标准计入“场外受累损失电量”。

(2)当风电场遭遇伴随雷暴现象的强对流天气,需要采取手动停风机、停集电线路措施来避免雷击时,运行值班人员应在操作前将设备挂“避雷停运”电子牌,大数据平台也应完成挂牌识别并将挂牌后停运风机或停集电线路造成的电量损失归类为环境因素损失,同时按照标准计入“场外受累损失电量”。

(3)当风电场遭遇极寒天气导致部分风机叶片覆冰,需要采取主动停机措施时,运行值班人员应在操作前将设备挂“风机覆冰”电子牌,大数据平台也应完成挂牌识别并将挂牌后停运风机造成的电量损失归类为环境因素损失,同时按照标准计入“场外受累损失电量”。

2.5 优化电量损失的分类方式

(1)大数据平台要编写电量损失分类程序,将电量损失细化为风机故障损失、自降容损失、计划停运损失、场外受累损失等,并区分计划停运损失,包括定期工作、检修技改和风机维修造成的电量损失。

(2)当风电场需要开展风机定检、电场清扫预试、风机技改、控制系统调试、风机修后试验、消缺等计划性工作,需要进行手动停机时,运行值班人员应在操作前将设备挂相应的电子牌,大数据平台也应完成挂牌识别并将挂牌后停运风机造成的电量损失分别归类至定期工作电量损失、检修技改电量损失或风机维修电量损失。

2.6 深入挖掘风机系统各参数间的关联价值

(1)大数据平台要按照风电企业生产指标管理体系要求,开发电量指标、电力消耗指标、设备运行指标和运行维护指标的全面评价程序。

(2)根据实际需求建立数学模型。一是建立风速模型,提高发电量预测的准确性；二是建立风机状态模型,对风机故障或异常事件触发原因进行自动分析；三是建立风机发电系统及其部件的运行模型,科学评估设备性能的劣化程度、预测设备剩余寿命、及时发布预警信息并给出处理建议^[25-26]；四是通过数学模型对风机各负荷阶段齿轮油温度、黏度、压力的变化特征进行分析,预测下一次注油或换油时间并提供生产维保建议。总之,要提升大数据平台分析各系统参数间关联特性的能力,实现生产规律自总结、系统(设备)变化趋势自预测和异常事件自诊断。

3 结束语

随着风电装机规模迅速扩张,数以亿计的实时生产数据正在形成巨大的数据资源地,大数据平台在生产管理工作中的服务支撑作用日益凸显。本文阐述了风电场大数据平台运行过程中实际存在的问题,并进行了深入的原因剖析,从制定数据采集标准、完善风机状态数据拟合策略库、构建算法模型等角度提出了解决思路和实现方案,对如何提高风机状态判断准确性和电量损失归类准确性、解决风机事件分类、分级和代码解析不准确问题、挖掘风机系统各参数间的关联价值提出了针对性措施,对提升风电企业设备运行管控水平,充分发挥风力发电供能系统效能、提高风资源利用率、保持风电装机容量规模化增长具有重要意义。