風電場與風電機組運行數據的精細化分析

文 | 邢志剛，沈昕，高英俊，張存佳

目前，如何充分發揮已投運風電場發電能力、實現存量風電場的提質增效對于各發電集團提高管理水平、提高經濟效益意義重大。而要做到以上兩點，首先必須準確掌握整個風電場乃至每臺機組的實際運行狀態。然而，由于每座風電場的機組數量少則三十余臺，多則三、四百臺，且往往分布在方圓數十公里的區域內，雖然各公司均建立了比較完善的維護、巡檢制度和標準，但在實際工作中，其運維的注意力主要集中在減少機組的故障次數、故障停機時間及由此導致的發電量損失上，而對于浩繁的機組運行數據缺乏分析，難以發現數據中隱含的一些機組亞健康狀態、隱性缺陷及每臺機組的隱性發電量損失等信息。

為了解決上述問題，本文作者研發了一套用于機組運行數據精細化分析的專業軟件，該軟件通過對每臺機組歷史運行數據的清洗、標準化整理、統計計算、分析和可視化展示，最終生成分析報告，既可以對整個風電場的實際發電量、理論發電量、電網限電量、機組自限電量、總發電時間、故障時間、待機時間、故障類型和數量、故障損失電量等進行精準分析，還可以對每一臺機組的上述參數進行精準計算，以及對每臺機組部分運行參數的長期變化趨勢進行分析，為機組的狀態診斷和隱患分析提供數據支撐，進而為這些機組的運行與維護提供個性化的專業指導。

本文簡要介紹了機組運行數據精細化分析軟件的主要構成及軟件主要統計量，并通過對國內某風電場實際年度機組運行數據的分析計算，以可視化的形式直觀展示了整個風電場的各種經濟性指標和關鍵運行指標。重點分析導致非指令降功率運行的機組參數，如齒輪箱油溫、發電機溫度、變頻器溫度、機艙溫度等，并計算其導致的自限功率損失電量。通過分析精準掌握整個風電場乃至每臺機組的實際運行狀態。同時對整場機組故障進行統計，發現頻報故障，篩選出故障高發機組及其高發故障。

風電機組數據精細化分析軟件簡介

一、數據分析軟件主要模塊簡介

（一）數據的采集與標準化模塊：此模塊首先訪問風電場SCADA系統的數據存儲服務器，從其中采集獲取風電場每臺機組的全部歷史運行數據、包括風速、風向、環境溫度等風資源參數，機組實時功率、發電量、葉片轉速、槳距角、變槳扭矩、各類溫度、發電機各相電流、電壓等機組狀態數據，同時也采集機組的各類故障統計數據。之后對這些數據進行分類整理、清洗和標準化，數據清洗采用軟件自動清洗和人工干預相結合的方法，按照既定的清洗規則對上述數據進行清洗，發現和剔除其中的錯誤數據、異常數據和不一致數據并形成數據清洗報告，之后對數據進行標準化處理，按照統一的時間間隔（本文采用10分鐘）對不同屬性的數據分別進行平均、匯總或分解，形成標準化的數據并映射至分析軟件的標準化數據結構中。需要注意的是，數據的正確清洗和標準化對數據分析結果的準確性至關重要。

（二）關鍵指標的計算統計分析模塊：該模塊根據風電場生產運營中的不同需求，對風電場的關鍵運營指標和其主要影響因素進行統計和分析計算，運營指標包括每臺機組和風電場整體在設定的統計時間內的實際發電量、理論發電量、電網指令限電量、非正常運行狀態損失電量、發電時間、故障時間、待機時間、故障類型和數量、故障損失電量等。該模塊對不同屬性的數據，分別采取加權平均、累積求和、多項式回歸計算等各種統計分析算法進行。在每臺機組關鍵指標計算分析結果的基礎上，進行相應的分類、匯總、排序等操作，從而得到風電場整場的主要指標。

（三）結果存儲與圖形化展示模塊：通過創建機組運行數據統計分析數據庫，將得到的運行數據統計結果存儲至對應的運行數據統計分析表（數據庫）中，同時利用各種圖形化軟件實現統計數據的圖像化顯示和統計數據報表的查詢導出，方便風電場運行和維護人員快速發現運行異常的機組，以及定量分析影響風電場運行的各種因素。

二、數據分析軟件的主要統計量及其計算方法

（一）理論發電量：首先計算選定的時間范圍內，機組不存在電網指令限電和機組主動限功率狀態的情況下，用統計回歸算法計算出的以該機組機艙風速儀風速為準的機組功率曲線。機組的理論發電量即指按照該功率曲線計算出的機組實際風況下理論應發電量。

（二）風電場的實際發電量統計：統計選定時間范圍內，風電場每臺機組的實際發電量，匯總得到整場總發電量。

（三）電網限電量統計：選定時間范圍內，在電網指令限電工況下，機組實際風速下理論發電量與該機組實際發電量的差值，進而累積計算出該機組的電網限電損失電量。

（四）機組不同狀態下損失電量：統計選定時間范圍內，不同機組在不同運行狀態下，實際發電量與該機組理論應發電量的差值以計算機組在不同狀態下損失的發電量。

（五）機組自限電量統計：統計選定時間范圍內，機組系統部件超溫而導致的發電量損失，從而計算出機組的超溫自限電損失發電量。

（六）機組超溫時間統計：統計選定時間范圍內，機組發電狀態下，齒輪箱、發電機、變頻器、機艙等設備超溫運行的時間（機組超溫運行中，會自動限制有功出力）。

（七）機組不同狀態持續時間統計：統計選定時間范圍內，機組在不同狀態（發電、停機、故障、服務等）下維持的時間。

風電場運行數據分析實例

以下為該軟件在國內某風電場運行數據分析實例。該風電場處于華北丘陵地帶，共安裝1.5MW風電機組40臺。風電場運行數據分析統計時間為2016年全年，主要指標包括機組之間發電量對比分析、機組自限電分析、電網限電分析、維護故障時間對發電量影響分析、主要故障分析等5個方面。

經統計分析，2016年該風電場全場平均風速為7m/s，單機全年平均發電量為2540.1MWh，平均折合滿發小時數1693.4小時。

一、風資源情況

從圖1可以看出，該風電場機組之間風資源相差較大，符合丘陵地區風資源特點。單機最大年平均風速8.1m/s，最小6.0m/s，風速相差較大，其中5、2、20、22、3、12、7、42、34、21、38、23號風電機組的平均風速明顯低于該風電場風電機組整體的平均風速。

二、機組實際發電量

通過圖2可以看出，20、2、17、28、25、19、37、40、5、21、7、42號機組的實際發電量低于平均水平，但其中只有6臺風電機組的風速低于平均風速，由此可以推斷其余6臺機組發電量較低是由其他原因造成的，值得關注。

圖1 2016年單機年平均風速情況

圖2 2016年單機發電量對比（總發電量：101604.0MWh）

三、單機折合的滿發小時數

圖3所示的單機折合的滿發小時數對比也說明了同樣的問題。

四、機組自限電損失電量及原因分析

當機組某些部件溫度超出閾值后，機組出于保護設備安全目的會自動進入限功率運行狀態，因此會導致發電量損失。影響機組發電量的主要超溫部件有齒輪箱油溫、發電機驅動側軸承溫度和發電機溫度。

2016年該風電場機組超溫自限電主要因素為齒輪箱油溫超溫占91%、發動機驅動側軸承溫度超溫占8%、發電機溫度超溫占1%（圖4）。

通過統計計算，預計自限電損失發電量為620.9MWh，占實際發電量的0.61%（圖5）。

2016年該風電場超溫自限電運行總時間為1847.7h，平均每臺機組限功率運行時間為46h，最大達到480h以上（圖 6）。

如圖5、圖6所示，雖然超溫限功率機組主要都是29、30、16、37、17、25等機組，但是其超溫時間（圖6）與損失電量（圖5）并不完全成比例，這說明超溫并不一定全部發生在機組接近滿發狀態下。此外，17、37、25、21號風電機組均處于圖2的低于平均功率區，而不在圖1的風速較低區域內，可見其功率較低主要是由于機組超溫導致的。所以風電場應對其超溫問題予以重點關注。

圖3 單機折合利用小時數對比（總計：67736.0h）

圖4 機組高溫自限電因素對比

圖5 單機超溫自限電損失電量對比（總計：620.9MWh）

圖6 單機超溫自限電時間對比（總計：1847.7h）

五、電網限電損失電量分析

通過對機組運行數據進行統計分析，在選定的時間范圍內，機組不存在電網指令限電和機組主動限功率狀態的情況下，用統計回歸算法可以計算出以該機組機艙風速儀風速為準的機組功率曲線，也就是本文所稱的理論發電量功率曲線。以此風功率曲線為標準，就可以進行電網限電損失功率的準確統計。

2016年該風電場40臺機組總發電量為101.6 GWh；全場機組發電量平均值為2.54GWh。全場40臺機組電網限電損失發電量總計為21.2 GWh，大約占實際發電量的20.8%（圖7）。平均每臺機組棄風損失電量530MWh，折合滿發小時數353小時，這說明影響該風電場運行效益的最主要原因是棄風限電。

六、維護、故障時間分析

經統計，2016年風電場機組總服務時間損失發電量為2021.0MWh，約占總發電量的1.99%（圖9）。該風電場總服務時間為6037h，平均每臺機組服務時間為150h（圖 10）。

需要說明的是，在SCADA數據中并未將機組的正常計劃維護服務狀態與由于故障停機等待備件等而造成的長時間停機區分開來，因而造成了整場維護服務時間超常。圖10顯示7、28、11、19、14號機組維護時間明顯高于平均維護時長，最高的甚至超過500小時，應該主要是由大部件故障停機，維修時間長造成的。

圖7 單機電網限電損失電量對比（總計：21195.0MWh）

圖8 機組電網限功率時間對比（總計：47319.0h）

圖9 單機服務時間損失發電量對比（總計：2021.0MWh）

圖10 單機維護時間對比（總計：6037.0h）

2016年該風電場總故障狀態時間為276h，平均每臺機組故障狀態時間為6h（圖11）。整場機組故障狀態下損失發電量為52.8MWh（圖12）。

圖11顯示26、14、36、15、5、18、30、11號等機組故障時間明顯高于全場機組平均故障時間。

2016年該風電場總故障次數為4419次，平均每臺機組報故障次數110次（圖13）。與行業平均水平相比，該風電場機組的報故障次數相對偏多。

圖13中37號風電機組故障次數最高，同時故障電量損失、故障時間相較其他風電機組較大。

七、機組理論發電量構成分析

在以上分析的基礎上，綜合各因素，制作了圖14所示的風電場每臺機組的實際應發電量構成圖，從這張圖上就可以非常清晰地分析出每臺機組的損失電量及其原因，從而做到在運維工作中有的放矢，重點問題重點解決。

八、主要故障和報警分析

從前述數據分析可知，該風電場由于故障停機和維修服務造成的發電量損失超過2%，所以需要對故障進行詳細分類統計和分析，以便在運維工作中抓住主要矛盾，重點解決頻發故障，從而減少故障損失。該風電場主要故障統計見表1和圖15，可以看出其主要故障是變頻器故障、滑環故障和編碼器故障，應重點予以關注。遺憾的是由于記錄數據缺失嚴重，統計數據不全。

機組告警統計見表2和圖16，需要在機組巡檢時重點予以關注。防止小報警不解決而造成機組故障。

對以上風電場數據信息進行分析可以準確掌握該風電場的年度運行狀態，主要包括：

1.2016年該風電場理論發電量為125.5GWh，統計其實際發電量為101.6GWh，實際發電量占理論發電量比例為80.96 %。

圖11 單機故障時間對比（總計：276.0h）

圖12 單機故障損失發電量對比（總計：53.0MWh）

圖14 機組理論發電量組成（總計：125494.0MWh）

圖14 機組理論發電量組成（總計：125494.0MWh）

表1 風電場主要故障統計

表2 機組告警次數統計

圖15 主要故障發生次數統計（總計：229.0次）

圖16 警告統計（總計：894.0次）

2.影響風電場發電量的主要因素包括機組維護水平、機組自限電、電網限電、故障時間較長等。其中：維護損失1.99%，機組自限電損失0.61%，電網限電損失20.8%。

3.通過對機組超溫自限電時間進行統計分析，可以看出29、30、16、37、17號機組發電狀態下設備超溫嚴重，需要重點分析其超溫原因，并采取措施解決以上機組超溫問題。

4.總體上看該風電場電網棄風限電嚴重，造成的電網限電損失電量達到總實際發電量的20.8%。

5.通過對維護時間、故障時間的統計分析，可以看出7、28、11、19、14號機組維護時間明顯高于平均維護時長，26、14、36、15、5、18、30、11號等機組故障時間明顯高于全場機組平均故障時間，對于以上機組需要重點維護。

6.風電場主要故障分別為變頻器一般性故障（112次/年）、發電機轉速相對測得的葉輪轉速過小（48次/年）、保險熔斷或直流電源接地（14次/年）。以上為需要重點關注的故障。

結論

通過本文的分析可知，本風電場機組運行數據分析軟件可以準確獲取風電場的實際發電量、理論發電量、電網限電量、機組自限電量、總發電時間、故障時間、待機時間、故障類型和數量、故障損失電量等統計值；分析機組高溫、故障、服務等運行數據統計，可以指導風電場對超溫現象嚴重的機組重點進行機組超溫改造，減少超溫自限電造成的電量損失以及提高機組設備的使用壽命。

本分析軟件具有數據分析精確度高、統計數據量大、分析數據種類多及良好的可視化報表顯示等特點，便于用戶準確掌握整個風電場的多種經濟性指標和關鍵運行指標，幫助風電場盡早發現一些機組存在的亞健康狀態和隱性缺陷,在一定程度上指導運維，節約運營成本，降低風電場電量損失，從而實現風電場經濟效益的提升。