预测性分析系统助力风电场智慧运维.doc

《预测性分析系统助力风电场智慧运维.doc》由会员分享，可在线阅读，更多相关《预测性分析系统助力风电场智慧运维.doc（7页珍藏版）》请在第一文库网上搜索。

1、预测性分析系统助力风电场智慧运维4月27日，华北电力大学技术转移转化中心与中关村华电能源电力产业联盟联合主办的2021年智慧电厂论坛（第一期）在广东深圳成功举办。各位领导、各位嘉宾、各位同行，很高兴给大家带来我们技术方案的分享，我的演讲题目是预测性分析系统助力风电场智慧运维。我们公司近两年才进入中国的市场，之前我们也有一部分的技术解决方案是由中国的合作伙伴共同开拓，近两年对于中国市场持续的加大投入，我们也正式进入中国市场，首先由我简单介绍一下我们公司以及我们集团公司。斯帝雅阁位于鲁尔区的德国五大发电集团，受制于德国的容量和中国的五大发电集团还是有很大的差距。我们公司成立于1937年，斯帝雅阁是

2、德国能源保障支柱之一，业务辐射全球，包含传统的煤电、燃气发电、风能、太阳能、垃圾发电、生物制发电，矿井瓦斯、地热能和储能，我们的主业一直处于燃煤发电，为什么囊括这么多的发电业务。受限于德国的环保要求，目前德国要求2038年关闭所有的火电燃煤电厂，还有一座暂时没关停，明年左右会全部关停。我们集团能源服务公司是在全球80个国家和地区为第三方业主提供电厂设计开发、运营维护、核电退役拆除、数字电厂专家系统等几乎所有电力相关的能源技术服务。斯帝雅阁能源服务公司作为斯帝雅阁集团的全资子公司，最开始是为我们集团公司作为全方面的技术支持解决方案所成立的，随着公司的发展，为全球的客户提供我们的技术支持。截至目前

3、为止，我们能源服务公司80%的业务来自于全球的客户只有20%的业务是来自于我们自己的集团。斯帝雅阁公司是从上世纪90年代开始为电厂开发并应用全面的IT解决方案，并应用于监控和优化电厂的发电流程，目前我们所开发的软件系统有效运行的达2000余套，数字电厂专家系统全球部署700余套，是德国市场的领导者。目前我们的整体解决方案占德国的市场大概是80%以上的占有率。作为斯帝雅阁能源集团下属的服务公司，最重要的一点我们自己开发所有的监控优化系统，我们不但自己使用，我们的客户也同步在使用，这一块经过我们三十余年的历史发展，经过不断的迭代和优化，我们很有信心作为专家系统来说，能够做出非常优秀的成绩。这是斯帝

4、雅阁公司在全球分支机构的分布（见PPT），除了本土的德国，欧洲的分支机构北美、南美、非洲、中东、东南亚以及包括中国目前是在四川成都设有分公司、分支机构，希望各位专家以及各位同行能来到成都莅临指导我们的工作。风电领域我们是提供了风电厂的资产管理、运维服务，目前在中国主要是提供风电厂的咨询与服务，我们也有自己的管理风电厂资产。接下来我整体介绍一下斯帝雅阁数字电厂的专家系统架构，作为斯帝雅阁数字电厂的专家系统系列解决方案，我们称之为SR系列软件解决方案，按照国内的安全分区，我们主要部署在第三区，需要获取DCS和CGNNATURE进行分析计算，我们使用自己开发的数据管理系统进行数据的存储我们称之为SR

5、X数据管理系统。SRX还是通过主控数据的接口，将历史测量值接入，我们一般不会反写到数据库或是E区，主要是单向的接口，没有需求我们也不会上传到外部的云平台作为管理可以独立运行于内网，安全规范是符合国内的安全要求。我们同步开发了很多的性能监测和预测分析的模块，目前在国内应用主要还是SR：SPC、SR：EPOS、SR：BCM，EBSILON，我们的客户介绍了SR：BCM，EBSILON应用的情况。作为我们的模块，我们会有统一的SR客户端，对于测量值计算结果、用户的配置等，包括数据的管理、输入输出、接口或是其他的报表都是由我们的SR客户端进行统一的客户展示。作为风电领域来说我们主要应用于SR：SPC预

6、测性分析作为我们有效的分析手段，今天我主要以SR：SPC作为分享案例。目前作为整个的SR系统的数字电厂解决方案专家系统，我们所在全球的客户，主要的客户在德国是五大发电集团，最大的发电集团莱茵集团都是使用我们数字化的专家系统，上面只列举四家，我们也隶属于德国五大发电集团。像丹麦、奥地利、泰国、印度最大的发电集团都是使用我们的解决方案，南非、中东也都有我们的客户。目前在中国也有相应的发电集团正在使用或是正在洽谈中，部分的项目已经落地。这是德国市场的分布情况以及使用的案例（见PPT），因为过小没有作为细节的展示，只是作为分享的案例。作为我们这款SR：SPC，它的应用场景还是预测性维护的场景。之前我们

7、这款产品在设计研发之初，我们公司预防性维护到预测性维护的过程，在运行维护的策略还是分成三个大的部分，跟国内的策略还是比较吻合的，依然是被动性维修，国内说得比较多的是故障维修。第二个阶段是预防性维护，风电领域做得比较多的是定检，参加这个论坛的目的以及我们所做的工作都是为了达到最后的预测性维护。欧洲不一定是风电行业，能源行业还是占有比较大的比例，平时虽然没有太大的支出，如果突发性的停机我们的维修成本会非常高，当然还有一些持续性的伤害，本来不用付出如此大的代价，依然在出现故障之后会引起持续性、周边的损失。目前来说主流的运维策略还是预防性维护，也是我们常说的定检，可以在的定期检查过程中减少一些数量，但

8、是有非常持续的成本输出，各家运维水平和运维策略不一样，相当于运维成本会各自不一样，欧洲10%的维护方式为预测性维护，我们所用的解决方案还是希望能使我们自己以及我们服务的客户顺利的从预防性维护过渡到预测性维护的过程。预测性维护的优势，作为我们对于这方面的理解，对于物流和配件的优化是非常有利的，因为不知道什么时候有配件的更换，如果定检的过程中，备件库中会有大量的库存，这个地方可以对物流、配件进行优化。对于现场运维人员而言，降低运维人员的技术门槛，我们将专家的知识融入到专家系统中，同时减轻运维工程师的分析压力。我们这套系统大部分时间部署在集控中心和现场的升压站，由于有部署在集控中心的案例，对于工程师

9、的分析压力会极大的降低，运维人员的维护强度也会减少，我们清晰的知道什么时候、什么时间点需要维护，对于我们的精准性方面也是得到了巨大的提升，运维人员不需要频繁的爬塔，出现报警进行长期的跟踪，或是视频手段查看。对于管理而言，最优的解决模式是能合理安排维护时间，减少一些非计划性的停机，避免安全事故的产生。在国内强调比较多，安全事故是比较严重的。同时在我们所管理的业主或是管理的资产中，大家对于安全的角度也是非常重视。最终的结果还是提高风电厂的综合收益。对于这部分的资产输出、资产的购买可能会存在一定的成本，最终达到的效益、节省成本，如果这部分资产购入之后可以为风电厂带来一些好处，风电厂的综合收益可以得到

10、提升。时间有限我介绍一下这个解决方案的分析方法，作为预测性分析方法，SR：SPC专家系统的主要思路跟国内目前所做的基本上大同小异。首先还是从CGNNATURE获取测量值，通过机器学习获得学习参考值，有监督学习使用神经网络，无监督学习用当下比较多的大数据，这块我们的效果还是比较优秀，是因为这块我们持续针对工业数据进行数据、算法的优化，持续大概三十年的历史迭代。针对工业数据这块，我们对算法进行深度的优化，经过学习之后我们会得出参考值和实际值，最终将我们的神经网络模型训练好了以后植入到我们的专家系统，我们是有机的将无监督学习和有监督学习同步进行计算。神经网络模型训练好了以后，我们可以查看实际值与参考

11、值的结果，我们的软件中，实际值是我们的浅蓝色部分，深蓝色部分是我们的预测值（见PPT），我们的预测值精度，如果数据质量良好的情况下，至少可以达到98%、99%的预测精度。情况良好我们没必要调整，我们引入KPI关键性能指标的概念，实际值除以参考值得到一个单位，这个单位的转换过程看似比较简单，由此带来的好处是怎样的？我们可以在动态的波动范围内得到稳定的趋势变化，这个在风电领域是非常实用的，风电依赖于外部的能量输入，工况多变。中国的客户提出最多的是上一秒是满发，下一秒可能趋于停机。对于风电这么大的惯性系统来说，有一部分的指标变化是受限于它的上一个状态，它的变化是比较缓慢的，有些变化又是非常迅速的。经

12、过KPI值的转换，我们可以有效的跟踪变化趋势。后面我们会有案例对此进行详细的说明。作为数据驱动型的解决方案而言，可能大家还是比较关心的是漏报率、错报率的最终结果，我们对结果最后输出之前，我们会对结果进行统计显著性分析，这块我们会结合三个方法同步进行数据的效果，能够有效的减少、杜绝漏报的情况。我们这个软件到现在为止并不是平台级的软件，可能还是针对某个应用场景提出的非常有深度的解决方案。最终是提供到准确、有效的分析结果给到运维人员，由运维人员进行最后的根本原因分析，辅助运维人员减轻最大的工作量。我们的理念是将复杂的运算、复杂的技术背景交给软件完成，作为人最擅长的决策方面，我们让人得到极大的释放，把

13、最重要、人最擅长的决策工作可以回归本质。这是用户界面总体的概览图，上面大概显示不同风电厂的实际情况，我们同时用绿色、蓝色、红色、黄色代表不同风机状态，绿色代表状态良好、黄色代表风机性能出现便宜、红色代表风机性能出现严重便宜，蓝色是属于数据不足以支撑最终的软件运算，需要等到数据收集到一定程度之后才进行最后的结果输出，有另外一个可能性，数据已经中断。每台风机设定的关键性能指标的参数，这些参数以同样的颜色进行区分，这是初始项目，后面的状态值是灰色的状态。我们除了最终交付给客户的使用界面和配置工具以外，同步也将我们的模型训练工具集成在我们的解决方案内，如果说业主或是客户、研究院自己有能力、有想法使用我

14、们的软件做一些研究，对风机的性能进行深入的分析，我们这一块也可以做一些培训，能够让业主、客户能够掌握我们的使用方法。所有的算法自主研发、集成在里面，不太支持二次开发。时间有限我们把我们实际中遇到的案例跟大家分享，大部分的案例来自于欧洲某个陆上风电厂，36台风机，单机3兆瓦，收集时间是一年的运行数据。刚才提到KPI是比较简单的转化，可以有效跟踪我们整个的趋势状态变化，这是发电机绕组温度的案例，这个案例中可以看到发电机绕组的温度随着外部工况变化是非常迅速的，变化的过程中人员是很难知道它大概的变化趋势，但是经过我们的机器学习模型预测，转化为KPI值以后，大家可以看得到，上面是非常明显的变化趋势，当到

15、达顶点以后我们采取了措施，它的趋势可以有效得到遏制。经过一段时间还是有些反复，证明我们的手段没有做到位，还是趋势进行了一些上升。经过我们持续的跟踪，上升的初期我们又再次对这个现象进行排除，最终风机恢复了正常的运转。可能有客户也提出过，我们作为单一的KPI监测中不便于观察相关联的数据变化情况，我们的SR系列软件也可以同步提供其他数据的跟踪、显示，经过业主的分析，这个地方黑色是堵塞，系统是11月12日的报警，20日更换滤芯，最终问题得以解决。软件可以精准的识别出当前不出故障，性能没有产生便宜的良好状态，我们可以同步预估当前造成故障的损失，这个案例中我们及时采取措施，可以避免风机发电损失达到75MW

16、h。变速箱油压的案例，和上个案例差不多，通过三通调节阀损坏，通过更换也把故障在早期进行了恢复，这个地方我们能预估到发电损失185MWh。我们这个软件使用数据驱动型，数据驱动型的特色是单台风机可以进行个性化的识别，这个案例是作为功率曲线的评估，也是为欧洲的客户提供的风功率曲线 ，厂家出厂按照标准会有风功率曲线的设计值，因为安装地以及风电厂一系列的影响，个别风机无法达到预期。这个案例中我们可以看到当前客户的合同规定的风机最低产量为93%。根据我们的报告曲线，两个风机的实际功率输出是小于厂家的保证值，经过调整之后达到厂家、业主需要得到的结果，这是之前与之后结果的比较。作为数据驱动型，跟目前SCADA系统以及其他类型的软件而言，我们所要做到的是更早识别我们的状态，由于风机的特性、负载的变化，对于数据而言，数据有一定的依赖性。这个案例中我们可以清晰的识别早期的趋势变化，这个案例来自于CMS系统的振动数据。上面我们可以看到最上面的曲线是SCADA系统的告警阈值。下面浅