曹 彬，王俊峰，刘 璐

(中节能风力发电股份有限公司，北京 100082)

0 引言

长期以来，以火电为主的电力行业是我国碳排放的重点领域[1]。据统计，2019年电力行业碳排放量高达42.27亿t，占全社会碳排放总量的43%[2]。可见，电力行业的低碳转型是中国实现碳达峰、碳中和的关键[3]。国内外经验表明，发展清洁低碳的可再生能源电力是调整电力能源结构，促进电力降碳、脱碳最为有效的途径之一[4-7]。风力发电作为一种清洁、高效的可再生能源发电形式，将在中国实现碳达峰、碳中和目标的过程中发挥重要作用[8-9]。随着大型风电基地、分散式风电及海上风电场的兴起，风电装机规模将实现持续高速增长，在电力能源供给与消费中的比重将进一步提升。

风电作为未来的主要电力能源形式之一，其平准化度电成本(LCOE)将在一定程度上影响全社会的用电成本。近年来，风电场补贴全面取消，降低风电的LCOE已成为全行业共同面临的重要挑战。中国风电行业经过多年的发展，装备设计制造技术不断取得进步，国内产业链、供应链日臻成熟，推动了风电机组设备成本的显著降低，长叶片、高塔筒等技术的应用进一步提升了风电机组的发电能力。从LCOE角度来看，风电行业总体上已具备平价上网的能力[10]。但目前降低风电LCOE的相关研究主要聚焦在风电机组设备的设计制造环节，风电场运营环节降本增效的研究较为少见。

本文主要针对风电场运营过程中资产管理领域存在的相关问题进行分析，提出了一种数据驱动的风电场资产管理方法，并结合具体案例探讨了数据驱动的风电场资产管理方法在风电场运营阶段降本增效中的应用。

1 风电场资产管理现状及问题

风电场的LCOE主要受3方面因素影响：1)项目开发阶段的资源选址；2)工程建设阶段的设备选型与施工方案；3)生产运营阶段的资产管理[11]。由于近些年风电行业的高速发展，风电业主为寻求装机规模的快速增长，普遍关注项目开发与工程建设，对风电场资产管理领域存在的问题缺乏系统性的分析，存量风电项目LCOE的研究实质上是降低运维成本和增加发电量的降本增效的研究，发电能力与运营成本存在一定的挖潜空间。目前，风电业主的资产管理主要存在3类问题，下面进行详细分析。

1.1 对存量项目资产管理重视不足

风电产业是典型的资本密集型产业[12]，风险控制是开发商做出投资决策时需要考虑的重要因素。由于中国风电产业发展初期时产业规模较小，市场需求度不高，风电机组等配套基础设施存在前期投入成本大、技术门槛高等瓶颈，风电业主的主营业务成本中固定资产折旧的占比为70%～80%。风电业主普遍认为；风电场风资源情况与风电机组设备选型决定了风电场年发电量，设备采购与施工方案决定了风电场工程成本，两者主要影响风电场的LCOE，而运营阶段的设备运检成本与人工成本对风电场LCOE的影响较少。加之中国风电行业起步阶段以“三北”地区和东南沿海地区中高风速资源的开发为主[13]，风电场上网电价高于项目所在地煤电上网电价，项目收益率较高，因而风电业主对存量项目的发电能力挖潜和降低运营成本普遍不够重视。

1.2 缺乏对关键资源投入的经济性分析

风电业主存量项目的资产管理，主要以发电设备管理为核心，重点关注发电设备的定检维护、故障排除、缺陷处理、技术改造等操作环节，以及时间可利用率 (time based availability，TBA)、平均无故障运行时间 (mean time between failure，MTBF)、平均检修时间 (mean time to repair，MTTR)、平均检修间隔时间 (mean time between inspection，MTBI)等关键指标，围绕发电设备的可靠运行组织资金、人员和物料等资源的投入。从实践经验来看，以发电设备为核心视角的资产管理方式，能够较好地保障发电设备的安全、稳定运行[14]，但由于缺乏针对运检策略、技改方案、备件管理等方面的成本及收益的深入分析，资金、人员、物料等关键资源不能按经济性最佳、性价比最高的方式进行分配和使用，是制约风电场运营阶段LCOE进一步降低的主要原因。

1.3 缺乏准确的量化评估方法

从成本收益视角出发的风电场资产管理，需要对发电设备的停机时长、停机频次、性能异常等情况进行大量的量化分析，准确定位和评估设备的发电量损失。通过评估不同运检策略、技改方案等可以挖掘的损失发电量，在考虑成本投入的情况下对比投入产出比，在安全前提下选择经济性最佳、性价比最高的解决方案。因此，从成本收益视角出发的资产管理，本质上是数字化的资产管理，需要对设备运行与运检管理数据的高效应用[15]。风电行业虽然具备良好的信息化基础，但对于发电设备运行和风电场运检管理数据的应用和挖掘不够充分，在区分电量损失原因、评估电量损失数值、分析设备性能异常、优化设备控制策略等方面仍有一定的提升空间。

2 数据驱动的风电场资产管理方法

近年来，随着风电行业进入平价时代，低风速区域被大规模开发，使风电场的全生命周期整体收益率呈现下降趋势，风电业主对风电场LCOE的敏感性逐步提升。同时，风电机组设备的成本随技术迭代与产业链及供应链的成熟呈现显著下降的趋势，风电场固定资产折旧在风电业主的主营业务成本中的占比降低，运维成本、人工成本的占比相应提升，风电场运营阶段的资产管理能力正在成为风电业主的核心竞争力之一。

以大数据、云计算、物联网、人工智能等为代表的新一轮科技革命推动了电力行业的数字化转型。数字化理念和数字化技术正在持续赋能风电行业发展升级，并与风电场运营管理深度融合，在风电场设备运行与运检管理数据被风电机组数据采集与监控系统 (supervisory control and data acquisition，SCADA)、能量管理平台、区域集控系统、生产管理系统等平台大量采集、存储的基础上，其更多地被应用于风电场资产管理中。通过系统总结国内外先进经验和企业具体实践，本文提出了一种数据驱动的风电场资产管理方法。

数据驱动的风电资产管理方法具备2个主要特征：1)从成本及收益视角出发，在保证安全生产的前提下寻求存量风电场在运营期间的最优投入产出比；2)充分融入数字化理念，强调运用发电设备运行与运检管理过程中形成的数据资产，从多角度应用大数据等前沿技术，重点针对风电机组损失电量与故障解决方案的经济性开展准确的量化评估。数据驱动的风电场资产管理方法的流程如图1所示。

图1 数据驱动的风电场资产管理方法的流程图Fig.1 Flow chart of data-driven asset management method for wind farm

数据驱动的风电场资产管理方法需要对运营风电场收益进行解构。从图1可以看出：运营风电场收益主要由收入和成本2个因素决定。收入主要受电量和电价2个因素的影响；成本主要受固定资产折旧、生产运维成本、人工成本等因素的影响。电量包括实发电量与损失电量：实发电量指风电场的实际发电量；损失电量指风电场的应发但未发电量，造成损失电量的原因主要包括电网限电、计划停机、故障停机、受累停机、机组性能损失等。电价分为保障性收购电价和市场化交易电价2类。固定资产折旧主要由风电场建设阶段的设计施工、设备采购等因素决定，项目进入运营阶段后调整优化的可能性极低；由技术改造、大部件维修、备品备件与耗材、技术服务等构成的生产运维成本，以及人工成本，在项目运营阶段具备调整优化的空间。

数据驱动的风电场资产管理的核心理念是通过调整优化生产运维成本与人工成本的投入，挖掘风电场的损失电量，以达到运营阶段投入产出比的最大化。具体实践上，通过数字化技术和统计学方法，对造成风电场损失电量的原因及其对应的经济损失进行量化测算，对比不同解决方案、成本投入情况下可挖潜的损失电量，选择经济性最佳的解决方案，并通过基于量化分析的后评估检验其是否达到预期。

3 应用场景与典型案例

实践经验表明，将数据驱动的风电场资产管理方法应用于风电场设备检查验收、技术改造方案优化等业务场景中，可以通过合理的成本投入有效降低风电场运营阶段的LCOE。下文对数据驱动的风电场资产管理方法在不同应用场景下应用的2个典型案例进行具体阐述。

3.1 应用于风电场设备检查验收的典型案例

某风电场装有33台单机容量为1500 kW的风电机组，于2014年底并网发电。为检查验收该风电场设备的运行状态，在2020年风电机组设备出质保前，采用数据驱动的风电场资产管理方法分析了全场风电机组设备存在的主要问题，并通过有针对性的技术改造和变桨控制策略调整，减少了风电机组故障停机频次和时长，优化了风电机组功率曲线，每年减少电量损失约700万kWh，有效降低了风电场运营阶段的LCOE。

通过对全场风电机组设备20个月内故障停机频次和时长进行分析可以发现，变桨系统故障、变流器系统故障及发电机系统故障在全场风电机组中普遍存在，且3类故障导致的停机频次和停机时长均约占到全场累计值的80%(如图2～图4所示)，是造成风电场发电量损失的关键因素之一。通过对故障原因的进一步分析，锁定了变桨通信滑环、变流器定子接触器及发电机冷却风扇3个具体故障点位。针对上述故障点位开展技术改造，大幅减少了全场风电机组设备的故障停机频次和时长，降低了人工成本投入，提升了全场发电量。

图2 按风电机组统计的故障停机频次和时长Fig.2 Frequency and duration of failure shutolown counted by wind turbines

图3 按故障类型统计的故障停机频次Fig.3 Frequency of failure shutdown counted by fault types

图4 按故障类型统计的故障停机时长Fig.4 Duration of failure shutdown counted by fault types

全场风电机组设备20个月内采用变桨控制策略优化前的典型功率曲线如图5所示。

图5 变桨控制策略优化前风电机组的典型功率曲线Fig.5 Typical power curve before pitch control strategy optimization of wind turbines

经分析发现：全场风电机组的功率曲线普遍存在异常，10 min平均风速为10 m/s及以上的情况下，风电机组无法稳定保持在额定功率。经现场查勘，风电机组各硬件设备无异常，进一步检查风电机组控制系统，判断变桨控制策略存在缺陷。通过对风电机组变桨控制策略进行调整优化，解决了其功率曲线异常的问题，在投入部分人工成本进行变桨控制参数调整的情况下，使全场风电机组在高风速条件下的发电性能恢复到正常状态，大幅提升了风电场发电量。

3.2 应用于风电场技术改造方案优化的典型案例

某风电场装有30台单机容量为1500 kW的风电机组，于2006年并网发电。近年来，风电机组频报齿轮箱油温高的故障，检查发现，部分齿轮箱散热器堵塞严重，加之风电机组投运时间已接近15年，因此，该风电场提出针对全场风电机组开展更换大功率散热器的技术改造方案。通过调取风电机组SCADA、生产管理系统等平台数据，采用数据驱动的风电场资产管理方法优化技术改造方案，对6个月全场风电机组因齿轮箱高温故障造成的发电量损失进行了准确测算，结果如图6所示。依据测算结果优化了技术改造方案，减少了技术改造涉及的风电机组台数，从而节约技术改造投入约175万元。

图6 各风电机组因齿轮箱高温故障造成的发电量损失情况Fig.6 Loss of power generation of each wind turbine caused by high temperature fault of gearbox

通过对图6的数据进行分析发现：全场共有9台风电机组出现过齿轮箱高温故障，造成的损失电量共计93万kWh。深入分析发现：损失电量最多的5台风电机组总损失电量为87万kWh，占全场因齿轮箱高温故障导致损失电量的93.5%。通过优化技术改造方案，对损失电量最多的5台风电机组开展更换大功率散热器的技术改造，对其他风电机组进行散热器清洗，从而节约了技术改造投入，解决了风电场故障问题，同时有效控制了风电场运营阶段LCOE的增加。

4 结论

本文提出了一种数据驱动的风电场资产管理方法，该方法是数字化理念、数字化技术与传统风电场运营管理经验相融合的风电场新型运营方法，在风电场设备检查验收、技术改造方案优化等领域具备广阔的应用和发展前景。基于风电行业良好的信息化基础，随着大数据、云计算、物联网、人工智能等数字化技术的发展，发电设备故障预警、设备异常识别等技术将更多应用于风电场资产管理领域，数据驱动的风电场资产管理方法将更加丰富、高效，并将创造更高的经济价值。