大唐山西新能源公司 山西省太原市
摘要：为了改善风电场运维情况，就应通过大数据统计分析专业技术，来准确预测、评估机组设备的运行状态，并明确机组零部件的实际运行劣化趋势，再智能化预警风电机组后续可能的异常现象，帮助风电场运维者做好预防性维护，有效避免机组出现故障。基于此，以下对大数据分析在风电场运维模式中的应用进行了探讨，以供参考。
关键词：大数据分析；风电场运维模式；应用
引言
风力发电包含了由风能到机械能和由机械能到电能两个能量转换过程。风轮在风力的作用下转动，将吸收的动能转化为机械能，再由发电机将机械能转化为电能。在能量转化的过程中，需要大量设备元器件的配合。在风电场项目建设验收后，风电机组就进入到日常运行、维护阶段。根据目前的经济技术水平，这个阶段将持续20年甚至更久的时间。对已建成的风电场进行日常运维及检修管理，并充分利用已有资金及设备向社会提供清洁可再生的风能电力，以获得经济效益和社会效益成为重要的阶段任务。
1大数据技术
大数据由巨型数据集构成，其数据集规格远超人类在可接受状态下搜集、剖析、处理数据的本领。大数据不采用随机抽样或是分层抽样的调查方法，而是采取全部抽样的方法，将所有数据纳入处理体系，数据量的巨大使得大数据具有Volume（大量）的特点，数据量以TB级到ZB级计量；全部抽样使得其Variety（多样）的特点得以体现，不仅包括文本信息，同时将图片、视频、音频、地理位置信息也囊括在内，数据类型多样，兼容性佳，不仅将共性数据全部获取，个性化数据同样兼容；高并发即时处理体现出大数据Velocity（高速）的特点，高处理速度满足快速数据增长所要求的高实时性；从海量数据获取数据中隐藏的价值也体现出大数据技术Value（价值）特点，具备较高商业价值。结合起来就是大数据4V特征，即Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。大数据技术的这些特点使得其成为引领信息产业持续发展的新引擎，对大数据的处理分析正成为技术融合的新焦点。移动互联网、线上购物、产业信息化等是新一代信息技术的应用形态，价值信息不断产生。各行各业充分利用大数据，引导新技术、新产品不断涌现，行业决策正在从“业务驱动”转变“数据驱动”。大数据的应用成为企业提升核心竞争力的有力武器，助力科学研究手段不断进步。
2大数据分析在风电场运维模式中的应用
2.1运检外委模式
随着风电企业规模的逐渐拓展，部分企业由于自身检修能力不足，因此将维护检修业务部分或全权委托给有能力的专业投资公司来负责。这种模式一般比自行维修要省钱，还能使运行人员的工作量保持均衡，其在兼职检修时负责正常的运行和一般缺陷消除。而定检、技改等工作委托专业且经验丰富的检修公司进行，不仅能精简人员、提高效率，运行人员参与检修也能提高其发现问题和解决问题的能力，最大限度减少损失，确保设备安全运行。但这种模式也存在一些不足：例如由于关系复杂，委托合同常流于形式，执行难度大，导致运检效率并不高；企业对委托公司的依赖度较高，不利于自身运行经验的积累及专业化发展。
2.2大数据分析在风电场运维中的全息应用
全息应用是对大数据分析深层应用的横向拓展，以深层应用为中心，结合“云计算”与“人工智能”，赋予风电场“智慧”，实现风电场设备“自我管控”的最终目标。智慧风场包含以下3种智能系统：（1）智能故障预警系统。智能故障预警系统以短期、超短期风速波动数据和传感数据为基础，经过大数据中心分析，根据分析结果进行故障点预测，并向现场人员提供故障预警分析以及故障预警报告，通过提前更换折损部件，缩短机组故障停机时间，变相提升运维效率。（2）智能故障诊断系统。
智能故障诊断系统根据设备部分历史周期信息和当前运行状态，结合设备运行中产生的信息，自主比对数据中心内历史故障信息。基于比对结果给出故障针对信息，出具初步排障方案和步骤，减少排障时间，降低排障难度。（3）智能场群控制。智能场群控制是基于风电场最优发电层面的区域级应用，扩大场级机组故障容错空间，提升风电场系统整体柔度。根据现场条件及运行数据分析，建立单台风机的控制巡游策略。根据不同风机的产出与载荷情况，建立风电场级巡游策略、限电分解、场级尾流寻优控制、预测性寻优控制。
2.3区域远程监控模式
当企业的发展规模更大时，根据情况通过划定区域，对各风电场的全部机组进行集中化、区域化的远程启停管理，则是未来的发展趋势。基于SCADA系统建立远控系统，并结合信息化平台的生产管理系统，可实现对多个风电场运行工况及生产信息的集中控制，从而以最少的人力值守，实现经济效率的最大化。同时成立专业的区域巡检维护队伍，对区域实行一体化和专业化的分级检修与维护。这不仅能为企业减员增效还能有效避免任务的分配不均，从而提高质检的质量与安全可靠性。这种模式相对来说前期的监控投入较大，需有高水平的人员在集控中心进行设备的实验及演习操作，当集控人员的水平达到标准后再逐步减少值守人员。
2.4建立模型框架
为了满足预测风电设备各种异常数据在处理速率及日常预测精度上的要求，文中建立了一个预测风电设备各种异常的模型。在模型当中，主要涉及分析层、应用层、采集层、存储层这些组成部分。作为前馈多层网络之一，从反向传播误差的算法专业训练具有神经网络上的特征。因为神经网络可显示非线性整体映射关系，所以在各个领域均获得了很广泛的应用。在实际应用神经网络中，不必提前了解映射关系的描述方程。在BP神经的拓扑网络结构内，主要涉及输入输出层、隐层等，且学习算法就是最速下降法。为了最小化神经网络上的误差平方和，便应灵活调整好整个神经网络上的阈值及权值。据有关研究显示，如果在BP神经网络上的隐含层内，帮助充足的神经元，并且只含有唯一隐含层之类的BP神经网络，便可从任意精度，直接逼近一个连续不断的非线性函数。为此，文中选择的是只有一个隐含层类型的BP神经网络。就BP神经网络结构模型，为了缩短算法运行所耗时间，展开了并行运算。基于并行化方法MapReduce的大力支持，就各权值变化量，便可在Map环节顺利运算并输出来。针对权值各异的总变化量，便可在Reduce中完全统计，并科学地统一灵活调整配合权值，并可从批处理上展开训练。
2.5检修维护策略优化
分析历年风速和限电数据，合理编制全年检修和技改时间计划，不限电地区安排在小风期，限电地区安排在限电严重月份；备品备件管理优化。做好备品备件的统计，分析使用情况，准确掌握常用备品需求，合理进行储备。
结束语
大数据分析在风电场运维中的应用理应远超该水平。推广大数据分析在风电场运维中的应用，加强对大数据分析在风电场运维模式中应用的探索，提前布局大数据中的人工智能与云计算，迎接“工业4.0时代”的到来，对推进风力发电行业发展具有积极意义！
参考文献：
[1]王好雷，徐天瑶，闫应，安姣姣.基于大数据的陆上风电工程造价指标体系及应用研究[J].工程造价管理，2020（06）：72-78.
[2]武俊峰，武晓辉.基于大数据应用的智慧型风电场模型开发应用探讨[J].中国新通信，2020，22（19）：110-111.
[3]陈亮，阳熹，杨源.智慧海上风电场的定义、架构体系和建设路径[J].南方能源建设，2020，7（03）：62-69.
[4]胡婕.基于大数据的风电功率预测系统的设计与实现[D].兰州大学，2020.
[5]杨佳峻.基于深度强化学习的风电场运行策略研究[D].山东大学，2020.