基于LCOE 最优的数字化风电场及其关键技术研究

2020-02-19梁昆，苏实

能源研究与信息 2020年4期

梁昆，苏实

（金风科技股份有限公司，北京 100176）

2018 年5 月18 日，国家能源局印发《关于2018 年度风电建设管理有关要求的通知》（简称《通知》），并随文下发《风电项目竞争配置指导方案（试行）》，提出从《通知》发布之日起，尚未印发2018 年度风电建设方案的省（自治区、直辖市）新增集中式陆上风电项目和未确定投资主体的海上风电项目应全部通过竞争方式配置和确定上网电价。从2019 年起，各省（自治区、直辖市）新增核准的集中式陆上风电项目和海上风电项目应全部通过竞争方式配置和确定上网电价［1］。

通过竞争方式配置和确定上网电价带来的直接影响是促使风电行业真正回归到围绕平准化度电成本（levelized cost of energy，LCOE）（简称度电成本）这一核心指标上来组织开发工作［2］。之所以选择度电成本的指标，是因为它是目前国际上最通用的评价度电成本的指标，可以简单明了地横向比较各不同发电形式的经济性，也是因为它能够纵向综合概括风力发电的投资、运行维护、财务资金在规定生命周期内的成本［3］。目前，业界普遍认可的平准化度电成本计算公式为

式中：LCOE为度电成本；TLCC为生命周期内的总成本（total life-cycle cost, TLCC），它不仅包括建设成本、固定资产折旧、运维成本、财务费用、税金等会计成本，还包括项目占用资本金在规定年限内的机会成本；Ei为第i年的发电量；r为加权平均资本成本；n为计算LCOE 的年限。

度电成本不仅和风电机组选型以及其决定的初始投资和发电能力有关，在风电场生命周期的不同阶段，它也受到项目前期对风资源评估的准确性、风电场实际运行调度、维护管理水平及财务成本波动等多方面的影响［3-5］。近年来，云计算、大数据、物联网、移动互联、人工智能等数字化技术的发展以及在风电行业的应用，推动了数字化风电场的研究和建设，也为降低度电成本提供了前所未有的机遇。

1 数字化风电场的定义和特征

数字化风电场中的“数字化”并不只是将许多复杂多变的信息转变为可以度量的数字、数据，再以这些数字、数据建立起适当的数字化模型，把它们转变为一系列二进制代码，存入计算机内部，而是通过重新组合信息、资源和数字技术，从而带来独特价值，最终实现收入增长和业务成果。因此，数字化风电场可定义为在整个风电场的生命周期内，综合运用云计算、大数据、物联网、移动互联、人工智能等数字化技术，提高风资源评估、微观选址、风电机组控制策略、运行维护等全生命周期各阶段业务的效率、精度和精益水平，最终实现度电成本最优的风电场。

从风电场的组成要素来看，数字化风电场应具备如下特征：

（1）风：精准测风、优化选址

准确的风资源评估是风电场选址和选型的第一步，其准确性有赖于长期有效的风资源测量以及不断被校正的经验模型分析，尤其是应对风资源随季节、地理地形地貌、极端气象等因素影响较为严重的区域。对风资源的深刻理解有助于在风电场投入运行后设定更合适的控制策略，准确地预测发电量，从而大大降低由发电能力预测决定项目投资回报预期所带来的财务风险［3,6］。

微观选址主要依赖于微观选址模型。随着风电场建设地形越来越复杂，人们越来越认识到微观选址模型的重要性。目前主流的微观选址模型已可以将地形地貌的差异性予以修正，对台风、覆冰、高海拔等也能做出相应的模拟，以及校验不同机位点的载荷图谱、尾流影响等，以期最真实地还原整个风电场的发电能力。随着数字化技术的发展与应用，微观选址模型不仅能更接近真实场景的模拟，还能自学习并优化选址，从而提升整场发电量，降低度电成本。

（2）机：智能风电机组

风电场不同机位点的风资源和地理条件是有差异的，这在复杂地形风电场更为突出。如何让一款或几款风电机组适应不同机位点的运行特征，除了前面提到的精准测风、优化选址以外，风电机组本身控制策略的个性化和智能化在这里也将发挥其重要的作用［3］，而风电机组本身控制策略的个性化和智能化则主要依赖于先进的数字化技术支撑实现。因此，智能风电机组可定义为通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建了一套信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系的风电机组，具有深度感知、自我认知和控制、协同决策的显著特征。其中深度感知、自我认知和控制是指通过传感器、物联网等数据采集技术，使得风电机组运行数据和外部环境数据全方位“可见”，并通过实时分析准确、直观地体现风电机组当前状态，同时借助大数据和人工智能等数字化技术，持续提高风电机组自身的学习和分析能力，实现对现实的准确评估、未来预测和多场景的自主控制，解决了风电机组运行过程中的复杂性和不确定性问题。协同决策是指在应对未来复杂的应用场景时，风电机组仅通过单机自身的数据进行分析决策和控制，难以在更高的层级上实现效率和收益的最优，需要支撑在场站、场群乃至能源系统层面的协同决策，实现系统整体最优，从而提升整场发电量，降低度电成本。

（3）场：一体化设计，精细化工程建设管控，精益化运维

TLCC 中的风电场建设成本主要包括设备购置费用、建筑工程费用、安装工程费用、前期开发与土地征用等费用以及项目建设期利息、在项目运营寿命期内固定资产的折旧等，其中设备购置费用、建筑工程费用、安装工程费用、前期开发与土地征用等与风电机组基础设计、集电线路基础设计、场内道路设计等土建设计方案，以及集电线路路径设计、电气布置设计、电气设备选型等电气设计方案的优劣有直接的关系。目前主流的风电场规划设计平台已可以初步提供基于优化的微观选址开展风电机组基础、集电线路、场内道路、电气布置等一体化设计能力。随着数字化技术的发展与应用，风电规划设计平台将能够提供以度电成本为优化目标，综合考虑土建、电气等各个设计要素的一体化设计能能力，不仅能提高设计效率，还能自学习并优化一体化设计方案，降低风电场建设成本，从而降低度电成本。

随着数字化技术的发展与应用，风电场工程建设管控将会由目前主流的基于二维图纸的管控模式向基于三维数字化模型的建设管控模式演变，从施工前的制订精准的进度计划、精细的成本计划和完善的质量安全计划等，以减少工程施工期间的各项变更，到施工阶段的精细化生产进度管理、可视化进度校核和偏差调整、质量和安全点预先布控与实时提醒等，以提高风电场工程建设质量、缩短工程建设周期、降低工程建设成本，从而降低度电成本。

TLCC 中的运维成本是指在项目运营寿命期内为保证风电机组等设备正常运行所发生的维护成本，主要包括检修费用、备品备件购置费、保险费以及管理费用等。精益化运维主要包括三方面的内容：一是改变现有运维作业的粗放式管理，严格按照风电机组的设计使用手册，将运维作业标准化，同时实现备品备件、特殊工具等运维资源共享化；二是借助数字化技术，实现对更多运行数据的采集、存储、分析和利用，实现单机和风电场的控制最优，实时调节适应不同风况、监控和诊断风电机组健康状态；三是基于更多的运行数据更加全面地理解在微观选址阶段所不能涵盖的信息，为适时的技术升级改造提供定制化的方案，从而实现在降低运维成本的同时，提升发电量，实现度电成本的降低。

（4）网：电网友好

目前风电场的实际发电能力也受到整个电力体系调度模式的制约，风电场的发电能力一般采取主动预测和被动调度相结合的方式，在我国的某些区域还存在限电、限功率运行的情况［3］。电网友好主要是指通过应用数字化等技术使得风电场并网运行能够实现可预测、可调节和维持暂态稳定，从而成为电网的有利支持。在电力系统稳态过程中，风电场提供良好的有功调节控制能力（AGC）和电压无功调节能力（AVC），协助维持系统频率及电压稳定。在电力系统发生扰动和故障情况下，风电场具备高/低电压穿越能力和惯性阻尼特性，从而防止故障的扩大，降低扰动影响，协助系统恢复正常运行。另一方面，电网的运行和调度优化大大提升了风电场的实际发电能力，从而降低了度电成本。

（5）环：环境适应和友好

极端的高温、高湿、风沙等特殊环境因素在降低风电机组寿命与可用性的同时，对风电机组的发电效率也产生了不利影响。此外，复杂地形产生的复杂风况不仅对风电机组的发电量有很大影响，而且对风电机组的载荷和安全性影响较大。借助数字化技术，不仅可以根据具体的环境条件高效实现风电机组的深度定制，更能够对可能发生的环境适应性风险进行分析预测，动态优化控制策略，降低故障停机，从而提高风电机组环境适应性，提高发电量，降低度电成本。

随着风电开发规模的快速发展，风电场个别机位点距离居民区或景区较近，机组噪声、光影现象等可能会引起相应的环境问题。目前欧美等国家和地区已经相继出台相关环境标准，以限制机组噪声和光影问题，从而提高风电场环境友好程度，将对居民区或景区的环境影响降至最低。但目前大部分机组及风电场并未有相应的控制策略以满足环境友好要求，这增加了风电场运营风险。借助数字化技术，可以通过有效的扇区管理以及主动调整风电机组运行状态，实现风电场发电量与环境友好之间的最佳平衡。

2 数字化风电场的关键技术

2.1 风资源技术

风资源技术是风电场选址开发和机组选型的基础，精确观测、数值仿真、后评估等相关技术实现了风况的准确描述和风参的精确评估。

高精度测风设备和高精度地表的采集数据嵌套融合，为多维度的资源图谱提供支撑。机组运行状态数据与测风数据、高精度资源图谱整合构建立体、全方位的风资源观测-采集-分析数据库，可为风况描述和风参评估奠定数据基础。

基于多前沿学科交叉、多时空尺度耦合的风资源数值仿真技术可精确、高效地解析风电场范围内及周边地形和气候数据，精确描述、呈现风电场乃至机组处的风况信息；合理的尾流、湍流模型可以准确描述风电场内机组之间的相互影响，为机组的发电量预测和安全性分析提供保障。

基于多种设计分析经验和算法模型的后评估技术，机位点处精准的风资源参数为智能风电机组的控制系统提供数据输入，实现机组控制系统设计和功率曲线的全方位定制化，达到机组功率最优。同时，机组运行过程中采集的各类风资源数据。为定制化控制系统的更新迭代优化提供实时输入，使其适应场址内点位的风资源特性，实现智能风电机组发电性能最优。

在风电场层面，精确的尾流模型和附加湍流模型描述了机组之间相互影响的状态，并对其进行精确量化，这进一步保证了场址风参的真实性；不同场景下分风速段有效湍流强度的细化分析，为风电机组的安全性分析和塔架定制化开发提供了技术保证。

风资源技术不仅能够提供准确的全扇区风参信息，还能提供精确的分扇区风资源参数，为风电机组的塔架定制化开发提供详细、全面的数据输入。

2.2 大数据平台技术

基于大数据平台底层组件，建立风电大数据分析模型开发的软件平台，可为风电机组、风电场提供数据分析、模型开发、管理和运行的数据和环境。数据分析平台能够孵化风电场健康体检、故障诊断、健康预警等健康管理相关服务，也能够支撑单机、场站、场群和平台级的控制优化，同时提供满足用户个性化需求的服务，如报告中心、微服务、资产可视化管理等。其主要功能有：

（1）风电行业数据服务：统一集成、存储和管理多维度、多格式、多尺度的行业数据；打造风电场/风电机组全生命周期数据模型，并根据模型有机组织和关联相关数据，为分析服务层提供一致、可信的数据，进而简化数据的理解、整合和使用成本及难度。

（2）风电机组洞察：帮助分析人员深入理解故障分布和风电场或风电机组全息视图；指导分析问题的定义、分析数据集的选择。帮助研发人员了解机组在现场的表现，并作为机型设计优化的基础。

（3）健康评估模型与任务管理：利用训练模型和数据模型两个功能模块，完成分析模型的试验测试与生产评估。分析人员可先在“训练模型” 中测试完善模型，再进一步将模型应用到生产系统中。数据模型中的评估结果可在系统其他更友好的界面中进行查看，从而方便运维业务人员使用。

（4）并行化分析节点监控：查看任务集群运行时节点占用情况，以确保多现场机组大数据并行化分析的正常完成。

（5）模型结果输出：模型结果具备与工单系统、可视化系统等外部系统的交互功能，实现模型至现场、设计分析人员的连接。

此外，数据平台还需与风电机组单机和风电场形成联动，依托云端的海量数据分析处理能力和端侧实时分析快速响应能力，实现“云+端”的智能协同。

2.3 数据分析建模技术

在大数据环境下，面对海量数据的采集与统计，传统的分析方法已无法满足大规模数据集处理，需要基于数据平台，利用分布式存储和并行处理机制，建立大数据环境下的数据分析模型，从海量数据中提取有用的信息特征，为风电机组、风电场的设计优化和运维策略提供支持。

一方面，应综合考虑质量成本（CoQ）、发电量损失（EL）、发电量可利用率（PBA）、停机时间（DT）、平均故障间隔时间（MTBF）、平均维修时间（MTTR）等因素，确定健康评估模型的建模和实施优先级；另一方面，需根据业务问题完成模型建模的需求分析，并选择基于机理规则、数据驱动或两者相结合的方法完成建模分析。

2.4 数字孪生技术

借助数字孪生技术，在设计仿真及产业化运行阶段，风电机组实现了数字世界与物理世界的闭环映射及闭环验证。基于风资源条件、机型平台等级、子系统条件等设计需求完成仿真模型建模、控制器设计、载荷及动力学仿真设计、部件校验。通过对样机的安全功能测试、系统辨识、性能测试、载荷验证等完成设计认证，实现与仿真设计的闭环确认。通过产业化机组的安全、性能、可靠性、子部件健康、系统裕度等评估，实现产业化机组表现与样机的对比及与仿真设计的对比。基于闭环映射及闭环验证，可进一步实现设计的优化、现场故障诊断及预警预测的目标。