浅谈SCADA数据分析在风电场运维中的应用

2017-07-12张庆运史丽荣

风能 2017年3期

关键词：相电流接触器风电场

文 | 张庆运，史丽荣

文 | 张庆运，史丽荣

海上风电场运维面临的挑战

海上风电因风况优良，资源丰富而备受青睐，装机数量正在快速上升，见图1和图2。从数据来看，全球每年的平均增长速度达到了30%。

尽管看上去前景美好，但是在实际运营中，海上风电的运维成本及维护难度巨大（图3）。主要体现在以下几点：

1.交通成本高：运维时需要特殊的交通工具，无论是船只、快艇还是直升机，其运行费用都比较高，目前专门用于海上机组运维的船只正在研发之中。

2.维修成本高：更换机组大部件需要特殊的吊装船只，费用昂贵；对备品备件的质量可靠性要求高，所以备件成本也高。

3.停机成本高：由于海上风电场风况较好，一旦停机，电量损失大；并且，开展维修作业时，受天气因素、海况变化影响较大，导致安全风险大，留给维修的时间窗口小，如果错过会导致无法及时恢复发电，损失电量。

4.人工成本高：对机组进行维护或对其故障进行修复，要求运维人员经过特殊的培训，具有丰富的经验、强健的体魄和一定的理论基础，还要能够忍受恶劣的自然环境和驻外工作的孤独，所以海上运维的技术人员成本会较高。

图1 2011年－2016年全球累计海上装机容量统计图

图2 中国历年海上装机容量统计图

图3 海上风电现场运维实景图

以上运维费用合计，可能会超过整个生命周期内的机组设备成本。根据目前英国运维数据的统计，海上机组的维护成本占全生命周期成本的25%－30%左右（另有数据表明可能达到35%）。

数据分析技术面临的机遇

降低海上风电场运维成本的措施是多方面的，比如优化设计，提高设备的可靠性；改进、优化进入机组、风电场的装备和措施；做好机组的运营维护规划，做到预测预防性维护，减少修正性维护的概率和时间等等。对于机组运营商，在机组设备已经定型的前提下，可以开展的工作是做好预测预防性维护，设计好运营维护的规划，以减少进入机组维护维修的机会，选择在最佳的时机进行维护、维修。而要做到这一点，数据分析可以发挥很好的作用。

大数据技术的不断成熟，使得大数据分析越来越被各个行业看好，也越来越逐步发挥其掘金、省钱的角色。通过大数据分析，可以优化风电场的发电输出、优化机组的设计、优化机组的载荷输出、优化机组的运维策略以及降低全生命周期内的维护成本等等。目前，各种工具和平台都很多，比如“蓝色巨人”IBM已经涉足风电运维的数据分析支持业，各个风电运营商也都越来越重视数据的分析，看到了运行数据的价值，成立了自己的数据分析中心。在这方面，龙源电力、中广核风电等国内大企业都已经走在了行业前列。

机组运维正在向精细化、专业化方向发展。同时，机组运维数据分析技术也正在向以下三个方向发展：

1.开展多种数据源，进行综合、全面的分析，包括在线振动数据、油液质量数据、电能质量数据等（预诊断和健康监测系统在海上机组非常必要，比如除了温度压力振动等常规参数，还要检测温度场、热像、绝缘、图像自动传输、电池健康自我诊断等）。

2.动态、在线式数据采集与分析技术得到逐步的应用，并逐步应用到机组的全生命周期；（定期地或者在某种条件下触发，启动针对机组运行状态的动态数据采集，并进行分析，以诊断机组的各种响应状态和健康状态，比如说现在的振动监测系统，就需要进一步提高：信号采集中要包括风速、功率、风向偏差，要具备在多种条件下触发采集的功能，以利于准确分析）。

3.各种高级数据分析算法被逐步实践应用，数据分析逐步向认知计算的方向发展。

4.基于SCADA数据分析的维护支持策略－预防性、预测性维护。机组长期运行过程中，SCADA系统一直在记录存储着机组运行状态数据。其特点是数据采样周期较长（秒级数据或者更长的间隔），记录着机组运行过程中的关键数据，数据存储的体量较小（每年一个5万千瓦的风电场数据量在数百G的容量）。针对SCADA数据的分析不需要增加额外的硬件采集系统，成本较低，数据分析方便。但是，由于其数据采样率较低，对于机组动态数据分析还需要借助于专门的数据采集软件作支持。

鉴于海上机组的建设高投入，高运维费用的现状，对于机组的运维策略将不能再按照目前陆上机组的粗放式运维方式进行，否则，风电场运营的利润根本无法保证。相反地，必须采取精细化运维方式，将风电场运维的层次从被动的救火式维修、定期检修，上升到状态检修，并逐步发展到运用大数据分析进行预防、预测性运维方式。

对机组SCADA数据开展分析，是对机组运维数据分析的第一步。通过对机组SCADA数据进行分析，可以发现机组的亚健康状态，总结机组运行的状态趋势，预测机组的健康趋势，评估机组的部件性能，根据数据的分析结果，计划性地安排机组的维护和维修，减小进入机组的停机次数，尤其是针对于海上机组，进入机组的难度、成本、风险都很大的情况，从而减少计划外停机，减少电量损失。所以，基于SCADA的数据分析可以为优化维护策略、开展预防性、预测性维护提供支持。

要对SCADA数据进行挖掘分析，首先要掌握机组SCADA各个变量的物理意义以及各个变量之间的因果关系，设计一些评估机组健康状态的指标和指标的算法，并优化机组健康报警指标的阈值。利用大数据分析的各种技术，比如常规的概率统计方法，支持向量机SVM算法、ANN技术、贝叶斯算法等，来找出各种指标与机组健康状态之间的关系及评价结果。这些指标和机组健康状态之间的因果关系判断需要风电行业的专家给予机理上的支持。

根据SCADA数据，可以分析的指标有机组的功率输出性能、关于机组各个部件温度－载荷的关系、各种压力、转矩、机组的振动状态、轴承的润滑状态、齿轮箱的润滑冷却系统的健康状态、叶片的表面质量、风速仪、风向标的健康等等，通过这些指标的分析，对机组各个部件的健康状态、发展趋势、影响后果、紧迫程度等给出评级和分类。

根据数据分析的结果和部件健康等级分类，制定相应的主动维修策略、优化维护、维修计划，从而实现预测、预防性维修，减少对机组的进入次数，从而减小机组的停机时间，减少电量损失，降低运维成本。

SCADA数据分析的局限与存在的问题

目前，对于SCADA数据分析还存在以下问题和局限性：

首先，SCADA数据变量存储规范和数据共享规范。由于各个主机厂家的设计思路和数据存储构架不同，开展对不同品牌机组的SCADA数据分析时，数据的访问和提取方式，数据的格式和规范、机组状态变量存储的数量和采样间隔都不相同，而有的主机商对机组变量的开放范围也不相同，这就为第三方数据分析开展带来一些障碍，所以，对于机组SCADA数据的变量存储规范和数据共享规范还需要建立和完善。

其次，在实际的数据分析中，还发现数据的完整性有待完善，数据出现中断情况。数据的中断可能导致关键的一段数据丢失，为数据分析错失一些宝贵的预警机会。所以，对于SCADA系统的可靠性还需要从软件设计、通信硬件质量改善、传输介质质量方面进行提高。

再者，对于动态数据的采集方式在SCADA系统中还需要加强和完善。还需要增加报警或者故障录波的数据存储在SCADA数据中的机制。这样，对于故障录波高分辨率采样数据的分析就会变得更加便捷，可以为机组的健康诊断模型的建立提供更多的样本。当前的故障录波数据大多还是以平面文件方式存储在机组主机的本地控制器上，还需要手动下载，这给数据访问的自动化带来了额外工作。