大数据分析在风电场运维模式中的应用研究

2022-11-08戴维义

华东科技 2022年10期

文/戴维义

在新能源应用水平不断提升的过程中，风电行业发展迅速。但风电场在运维中存在一些问题，需要先进技术的支持。而应用大数据分析技术可以优化风电场运维模式，提高运维管理质量。因此，本文利用调查法、文献资料法等方法对大数据分析在风电场运维模式中的应用进行了研究与探讨。

目前，从运维管理效果来看，风电场运维效率与技术水平较低，所以利用大数据分析等先进技术手段来提高运维管理质量非常必要。

一、大数据分析的内涵

大数据分析指的是在短时间内对海量数据进行采集、分析与处理的技术，主要包括六种功能。第一，可视化分析，即对数据进行计算与处理，之后通过图表等视觉信息来展示数据处理结果。在风电场运维模式中应用可视化分析，可以采集风电机组的运行数据，之后通过画面来展示数据处理结果，使运维人员直接掌握风电机组的运行状况。第二，数据挖掘，这是大数据分析的关键，其主要利用Java等计算机语言及相关数学理论来挖掘数据内涵并明确数据之间的内在联系，从而为构建数学模型奠定基础。[1]第三，预测性分析，即根据可视化分析与数据挖掘结果进行预测性判断。第四，语义引擎，即从非典型结构数据中抽取关键信息的过程。第五，数据存储，即根据数据特点对数据进行分类存储，可以为数据挖掘提供基础信息。第六，数据管理，即在全生命周期中对数据进行识别、监控等管理活动。大数据分析在风电场运维模式中发挥着重要作用，可以全面采集风电机组的运行数据、优化数据结构、对风电机组进行实时监控，有利于满足风电场运维模式的更新需求。同时，大数据分析也可以从各个角度挖掘风电机组的状态参数，从各个维度来分析风电机组的运行质量，从而充分挖掘风电机组的潜能，增加风电场的经济效益。

二、大数据分析在风电场运维模式中的作用

相关数据显示，截至2023年我国新增风电装机量在全球新增风电装机量中占比将达到36%，有望成为全球第一大风电市场。与此同时，风电场的发展也对运维管理工作提出了更高的要求，大数据分析在风电场运维模式中的作用越发重要。

（一）有利于减小气候随机性对机组的影响

在运维过程中将大数据分析与天气建模技术结合起来，有利于增强风电场对天气变化预测的准确性。也就是说，风电场可根据天气变化情况调整风电机组运维方案，增强风力发电的稳定性与可靠性。

（二）有利于缩短风机故障停机时间

对大数据分析进行深层应用，可以及时发现风电机组中的故障并进行故障排除，从而减小故障对风电机组的影响，缩短风电机组的停机时间，继而增加风电场的经济效益。[2]

（三）有利于优化运维管理流程

对大数据分析进行深层应用，有利于准确记录风电场运维管理详情并构建动态信息系统，帮助运维人员调整运维方案与运维管理流程，继而提高风电场的运维管理效率。

（四）有利于改变运维模式

灵活应用大数据分析可以将传统的被动运维转变为主动运维，从而增强风电场运维模式的灵活性与准确性。

三、风电场运维的现状

（一）风电场运维市场较为混乱

从实际情况来看，风电场运维市场空间较大，且运维利润也比较可观。所以，无论是风电开发商、整机厂商还是第三方运维公司，都在积极开展风电场运维工作。但这些运维主体都存在一定的问题（见表1），不仅降低了风电场运维质量，也导致风电场运维市场十分混乱。[3]

表1 不同风电场运维主体的优劣势

（二）风电机组运维难度较大

首先，风电机组运维工作具有较强的专业性与复杂性，且当前大多数运维主体都利用分散式运维模式管理不同的风电机组，导致风电机组运维效率较低。其次，部分运维主体没有根据相关标准与规范对风电机组进行严格监管，无法及时发现风电机组的故障。在这种情况下，风电机组的故障率相对较高。例如，2009年至2016年6月，某运维企业承担的566个风电项目的运维管理工作发生大量事故，其中风电机组故障事故占比60%。[4]

（三）运维模式落后

目前，大多数运维主体都缺乏精细化管理意识，仍然采用传统的粗放式运维模式，没有对风电场进行全生命周期管控，也没有利用先进技术采集风电场的数据信息，以致风电场运维一直处于被动状态，无法满足风电场管理需求。

（四）先进技术的应用不够深入

从实际情况来看，部分风电场运维主体开始尝试应用云计算、人工智能、大数据等先进技术手段开展运维工作。但大多数运维主体都没有将先进技术应用于具体环节，只有一小部分风电运营商对大数据分析进行了深层应用。

四、大数据分析在风电场运维模式中的应用实践

（一）浅层应用

浅层应用指的是在风电场运维中将集中控制中心当作数据收集关口，没有对数据进行深入加工，但也可以解决风电场运维中的问题。从实际情况来看，风电场风机的分布具有点多面广等特点，加大了风电场运维管理难度与设备控制难度，而利用大数据分析构建集中控制中心体系可以解决这一问题。集中控制中心能够全面采集风电场数据，例如升压站的运行数据、风功率预测运行数据、测风塔数据，且能够对这些数据信息进行整合处理。在这种情况下，操控员只要根据数据信息分析后续设备的运行状况并根据监控数据远程操控设备，便可以解决风电场管理难度大、设备控制难度大等问题，继而提高风电场的运维效率。同时，在对大数据分析进行浅层应用时，运维人员也可以进行可视化分析与数据库管理，利用集中控制中心统一管理所有的风电机组并采集所有风电机组的数据。

（二）深层应用

大数据分析的深层应用是在浅层应用的基础上对数据信息进行深加工并获取风电机组的数据链。例如，风电机组在运行过程中会产生大量的数据，这些数据会流入大数据分析中心，所以大数据分析中心存储了所有风电机组的运行数据、故障数据、检修数据、更换数据等。首先，大数据分析中心会自动对风电机组的运行数据进行深度加工，及时发现风电机组的安全隐患。运维人员可以根据分析结果调整风电场运维方案，并明确风电机组的设计缺陷与共性缺陷，为机组优化奠定基础。其次，大数据分析中心可以将风电机组的故障多发位置、故障原因等数据转变为视图并形成风机故障热点图。[5]而每一个机组的故障特点不同，所以运维人员可以将风机故障热点图与相对应的风电机组结合起来，从而提高风电场的运维效率与质量。例如，运维人员可以利用故障热点图排查风电机组的设计缺陷与共性缺陷，并对机组进行技术改造；可以利用故障热点图制订风电场年度发电量计划，并根据设备折损与更替周期计算风电机组的衰减情况，从而增加风电场的经济效益；等等。

（三）全息应用

全息应用对大数据分析进行了拓展，即将大数据分析与云计算、人工智能等技术结合起来，从而打造智慧化风电场。首先，全息应用可以利用大数据分析与其他技术手段构建智能故障预警系统。该系统利用大数据分析技术处理短期风速波动数据、超短期风速波动数据等数据，根据分析结果预测风电机组的故障点，并为运维人员提供故障预警报告以及故障停机时间，有利于提高风电场运维效率。其次，全息应用可以利用大数据分析与其他技术手段构建智能故障诊断系统。该系统利用大数据分析技术处理风电机组历史信息与当前信息，旨在制订故障排除方案。最后，全息应用可以利用大数据分析技术构建智能场群控制系统。智能场群控制是以风电场最优发电层面为基础的区域级应用，可有效增强风电场的柔性。