摘要：随着人们对生存环境的要求越来越高，近年来全球范围内清洁能源尤其是风力发电得到了快速的增长，中国已经成为风力发电累计装机容量最多的国家，截至2019年底，全国风电累计装机容量2.1亿千瓦，随着风电机组逐步并网发电，运行期间产生了大量的运行数据，通过大数据技术对数据加以挖掘，分析预测机组的健康状态和可靠性对于智能化运维管理具有重要的意义。本文对大数据技术在风电机组健康度分析的应用进行分析探讨。
关键词：大数据分析；风电机组；健康度管理
引言
我国风力发电产业发展速度迅猛，但出现了“重制造，轻管理”的问题；同时风电机组的运行环境较为恶劣，较高的故障率使得风电企业的生产效率较低，限制了风电场的产出，也影响了风电并网稳定性和安全性；因此风电企业在积极利用大数据技术、人工智能技术开展智能化运维、亚健康预警、机组健康管理等智慧风电场方面的探索，以期实现降本增效，提高风电机组可靠性的目的。
1. 可靠度研究的意义
1.1 可靠度定义
可靠度也叫可靠性，指的是产品在规定的时间内，在规定的条件下，完成预定功能的能力；在电力系统方面，可靠度通常为发电机组故障时，用户端电力供应的减少程度，即供电端不受故障因素影响持续供电的程度。
健康度其实是可靠度的一部分内容：根据子系统部件和整机状态，分析判断部件和整机所处的健康状态或衰退趋势，在故障发生前对用户进行预警；
1.2 风电研究意义
(1) 融合实时可靠性指标所做出对风电机组的运行状态评价可以直接影响到风电机组的运维效率，其目的在于提高风电机组的正常运行工作时间；
(2) 通过健康度的角度去丰富风电机组状态评价的基础，也可在振动数据与监控数据进行的故障诊断模式下加入健康度指标提高诊断的准确性。
2. 机组健康度分析方法
机组的健康度分析一般包括以下几个流程：(1)选取原始数据；(2)对原始数据进行统计和处理；(3)进行可靠度的计算和分析；(4)对统计结果进行相应的处理。
2.1 健康度指标体系
健康度指标体系主要是包括一些行业KPI指标，平均故障时间、平均故障间隔时间、平均剩余寿命、平均检修间隔时间，平均无故障运行时间等；在计算这些指标的时候，可以考虑适当引入一些分布模型，比如基于泊松过程的风电机组故障间隔时间等；
在对机组各关键部件健康度进行研究时，可以采取一些学习算法，比如可以引入copula函数对可靠度进行描述，此方法可以考虑部件故障相关时系统可靠度的计算模型，从而分析出风力发电机组可靠度随时间和故障相关程度参数的变化规律；
2.2 寿命分布研究
风电机组设备的运行可靠性已成为研究的热点。风电机组的寿命分布是制定维修策略和优化机组运行的关键因素之一，利用大量机组完整寿命数据可以对机组的寿命分布进行解析。由于我国大型风电机组的运行时间周期和信息统计等原因， 缺乏机组相应的完整寿命数据， 因此直接利用机组寿命信息对风电机组进行寿命分布研究是不可行的。
(1) 对同类型部件或相似部件的运行故障和检修信息进行统计，利用灰色关联分析方法可以得出各关键部件的寿命分布和参数；并结合前人研究和我国风电机组运行的实际情况，可以利用部件寿命分布得到一种机组可靠寿命分布；
(2) 基于贝叶斯-蒙特卡洛方法的机组寿命分布可靠性；
3. 机组健康度建模
3.1 风场-风机级健康度模型
主要建模算法：威布尔分布，最小二乘法估计，极大似然估计；
建模原理：威布尔分布是可靠性分析和寿命检验的理论基础，在可靠性工程中被广泛使用。从数据库中读取机组故障数据，经过一系列的数据预处理后，得到风场(风机)的故障时间间隔序列，利用威布尔分布对故障间隔时间序列数据进行拟合，得到参数估计(利用最小二乘法+极大似然估计法)；根据得到得参数估计得到健康度函数及对应得MTBF值；模型根据风场和风机当前的故障时间间隔，结合得到的健康度函数方程计算健康度值，并得到每个风场各自的MTBF值。
模型优势：①此模型对全机型机组均适用，可根据历史故障数据分析得到当前的健康度值，当机组的健康度值较低时，可利用部件健康度值来分析是哪个部件造成的。②利用健康度函数可对机组的健康度趋势进行预测，当健康度下降到警戒红线时，可提醒管理人员重点监测。
.png)
图1 ：机组整机健康度评估框架
3.2 部件级健康度模型
在部件健康度模型中，主要将机组大部件分为12个子系统部件：发电机水冷系统、发电机、变桨系统、偏航系统、叶片、控制柜、机舱散热、变频器水冷系统、变频器本体、液压系统、齿轮箱润滑系统、齿轮箱，针对不同的部件，利用不同的建模方式来计算健康度值。
3.2.1 主轴/发电机/齿轮箱/变桨系统
主要建模算法：基于运行阈值的主成分综合监测法，随机森林，相关性分析，Min-Max标准化，直方图分析，工程运维经验及故障机理；
建模原理：①根据专家经验，结合机器学习模型(随机森林+相关性分析)，选取所分析的风机部件的指标集及其历史运行数据，并对数据进行异常值处理，准备大量干净的历史数据作为训练集，存入数据库中；②利用主成分分析(PCA)对数据集进行处理，根据得到的特征值和特征向量计算每个监测参数应赋的权重值；③利用机组较长时间内的正常运行数据，结合直方图分析，并参考工程运维经验及故障机理，确定各监测参数的最佳运行范围区间及失效阈值；④根据步骤③得到的结果，计算各监测参数的健康度下降量，再结合各监测参数权重，计算部件的健康度值。
表1 主轴/发电机/齿轮箱/变桨系统所用标签点说明
.png)
3.2.2 偏航/液压/叶片系统
主要建模算法：随机森林，梯度提升树(GBDT, Gradient Boosting Decision Tree)，Min-Max标准化；
建模原理：①利用随机森林挑选与部件相关的标签点；②选取相应部件损坏的故障时间段作为故障样本，正常运行的时间段作为健康样本，从数据库读取数据；③数据标准化处理④利用GBDT算法对数据进行训练；⑤利用模型对测试数据进行分类，并将1天内被模型分为正常类的比例作为当天的健康度值。
表2 偏航/液压/叶片系统所用标签点说明
.png)
3.2.3 部件健康度中短期预测
主要建模算法：LSTM
可靠度的中短期预测借助LSTM长短期记忆神经网络模型，此模型可以使得神经网络更有效地保存长期记忆，“遗忘门”和“输入门”被设计进网络，作为LSTM结构的核心存在。“遗忘门”可以让循环神经网络忘记之前没用的信息，同时“输入门”输入补充最新的记忆，他们之间的配合可以更加有效地决定信息地遗忘与保留。
从数据库读取1年的机组运行数据备用，按照健康度地计算方法计算每个时刻点的健康度数值，得到一系列的健康度值时间序列；根据健康度值时间序列，利用LSTM对时间序列进行建模分析，并利用训练好的模型对部件可靠度进行预测。目前的LSTM模型是利用前一周的数据去预测后面一天的健康度值，不断滚动预测，得到一周后的健康度预测趋势曲线，利用此曲线观察机组部件的健康度趋势，并借助预测结果对部件进行监测或预防性检修。
.png)
图3：齿轮箱润滑系统的健康度评估架构
3.3健康度监测管理系统
健康度管理系统通过对风电机组运行数据进行分析处理，建立健康模型，实现风电机组工作过程中全局健康状态和各个关键部件健康状况透明化，并在故障发生前预测部件的健康、衰退征兆，通过人工智能算法评估运行风险并预测剩余寿命，从而及时对机组进行维护，避免故障发生。利用机组的传感器标签点数据进行健康评估，从健康度、寿命分析、异常状态等多个维度进行评估。
健康度模型计算周期为5min计算一次，相当于每5min对风机及其大部件进行一次体检。
.png)
图5：部件级所有模型的实时健康度监测状态
4. 结语
风电机组健康度分析管理对风电机组整机系统及各大部件进行全生命周期健康管理及在线寿命评估，通过健康度告警可以根据不同指标所处的健康等级，智能推荐运维决策建议并提供相应的指导信息，包括剩余寿命、排查方案、检修工单、巡检建议等，把问题扼杀在萌芽状态，针对部件健康状况提前维护，有计划性的维护，延长使用寿命，减少停机时间，减少发电量损失，避免大部件的彻底损坏造成大部件更换带来的大额运维成本增加。
同时机组健康度管理系统可向备件管理系统提供数据，指导进行安全库存预测，解决“用而无备，备而不用”的备件管理痛点问题，减少备件管理成本，提升备件及时到达率。为风电运营商在平价时代创造价值，提升风电场的智能化运营水平和实现风场效益最大化。