大數據處理技術在風電機組狀態監測中的運用

朱偉剛

（新疆風能有限責任公司，新疆 烏魯木齊830000）

風能作為一種無污染、可再生且開發成熟度較高的清潔能源，目前已經得到了廣泛的利用。風電機組作為實現風能向電能轉化的重要設備，通過實施監測運行狀態，可以為日常維護與保養、故障排查與處理等管理工作的開展，提供必要的信息參考，對提升風電機組的發電效率、使用壽命均有積極的幫助。考慮到風電機組的內部組成復雜，必須要應用大數據處理技術，實時獲取并動態分析機組狀態參數，保障風電機組始終以良好工況穩定運行。

1 基于大數據的風電機組狀態監測流程

1.1 海量數據的采集階段

提供海量的實時數據，是應用大數據處理技術的必要前提。在風電機組內部，分布著大量的數據監測和采集裝置，可以動態的獲取各種數據，例如軸承的溫度數據、風輪的轉速數據、關鍵部位的振動數據等等。這些裝置在獲取風電機組的實時數據后，采用內置的無線傳輸模塊，將數據打包發送給控制中心，并存儲到數據庫中，為下一步數據的分析和處理提供素材。下表1 是風電機組SCADA系統提供的海量監測數據。

表1 風電機組SCADA系統提供的海量監測數據

1.2 數據匯總與分析階段

數據庫內存儲的海量數據，由于采集部位不同、采集時間不同，為了提高數據利用價值和減輕系統運算壓力，會在數據庫內按照多個指標將其分類存儲。例如以時間作為分類指標進行數據劃分。技術人員就可以動態的掌握某個時間段里風電機組的運行狀態，并且通過繪制以時間為x軸的坐標系，觀察風電機組狀態變化曲線。

1.3 數據挖掘和評估階段

根據數據分析結果，可以為風電機組的運行管理提供必要的參考。為了避免機器誤判，得出更加精確和真實的狀態監測結果，還要求技術人員對數據分析結果進行專業評估。將分析結果中明顯失準的、誤差較大的數據剔除，然后利用剩余的分析數據表示風電機組的運行狀態。根據評估結果，如果發現風電機組某些部位有異常情況，則安排維修人員通過實地檢查，做出進一步的判斷和處理。這樣既可以減輕風電機組維護人員的壓力，又能夠提高檢修工作的效率。

2 風電機組狀態監測模型的結構組成

2.1 采集層

數據采集層是整個狀態監測系統的基礎層。結合風電機組的實際運行環境，采集對象主要包括內部數據和外部數據兩種。其中，內部數據就是風電機組各個模塊的運行參數，例如上文提到的溫度數據、振動數據、能量轉換數據等；而外部數據則主要是影響風電機組運行的一些因素，例如天氣數據、地理信息數據等。因此，采集層包含的主要硬件設備，是分布于風電機組內部及風電場周邊的大量傳感器。采集到的各類數據，還需要在本層進行初步的處理，例如清除無效數據、重復數據等。這樣既可以節約存儲空間，又可以緩解數據傳輸壓力。

2.2 存儲層

該層選用的存儲介質為Hive 和HBase 等分布式數據庫。作為基于Hadoop 的數據倉庫工具，Hive 能夠提供類sql 查詢功能，并能夠實現MapReduce 作業與sql 語句之間的轉譯。通過轉譯即可保證sql 語句在Hadoop 上的執行，也能實現并行運行大批量數據處理任務功能。作為構建在HDFS上的分布式列存儲系統，HBase 具備可伸縮、高性能以及高可靠特點。服務器可在HBase 的支持下實現大規模結構化存儲集群的搭建。深入分析發現，Hive 和HBase 等分布式數據庫具備高吞吐量和高容錯率特點。

2.3 分析層

該層集成有完成訓練的BP 神經網絡預測模型。該模型能夠應用大數據分析技術，對地理信息數據、天氣數據以及SCADA 狀態監測數據進行分析處理，以完成風電設備的異常狀態預測。在海量數據處理中，傳統的BP 神經網絡訓練方法很容易出現因內存不足而無法訓練或耗時較長問題。為了解決該問題，本文研究引入了開源云計算平臺Hadoop，由此BP 神經網絡得以與Map-Reduce 框架結合，并行化運行方式也由此實現。并行化運行方式支持下，分析層能夠對訓練樣本進行并行地批量訓練，模型的運行速度及精度均大幅提升。

2.4 應用層

根據上一層得出的分析結果，通過系統自動或人工手動兩種形式發布指令，控制風電機組前端的一些電氣設備，作出相應的動作。將分析結果，與數據庫內存儲的風電機組預設狀態參數進行對比，如果兩組數據的對比結果差距較大，說明風電機組存在異常運行狀態。然后系統可以回溯異常數據并找出產生異常數據的設備，從而發現故障所在。這樣就幫助技術人員確定了檢修目標，實現了風電機組異常問題的及時處理。應用層還提供了信息反饋功能，完成處理后重新獲取該位置的狀態參數，以便于技術人員判斷故障是否徹底被排除。如果確認風電機組恢復正常運行，則將本次處理記錄生成日志，保留在數據庫中。

3 大數據在風電機組狀態監測中的具體應用

3.1 基于大數據制定風電機組日常維修方案

隨著各行各業對電力能源需求的不斷上漲，風電場的發電任務更重，這也直接造成了風電機組經常會超負荷運行。長此以往，風電機組發生故障的規律也會明顯的上升。為了能夠讓風電機組始終平穩、高效的運行，風電場方面必須要定期做好風電機組的維修工作。但是風電機組的內部組成復雜，各類元件、設備種類和數量較多，人工檢修費時費力，且不容易發現安全隱患。利用大數據處理技術，直接獲取風電機組各部位的運行參數，可以讓設備管理人員一目了然的監測運行情況。根據監測信息，制定風電機組的維護方案，最大程度上避免嚴重故障的發生。

3.2 基于大數據實現風電機組常見故障處理

在風電機組運行中，一些突發問題也有可能導致風電機組出現異常工況或嚴重故障。在風電機組出現故障后，如何盡快確定故障發生位置和故障產生原因，是技術人員必須要解決的問題。大數據處理技術在狀態監測方面的應用，也可以為故障處理帶來極大的便利。一方面，大數據技術可以實現對風電機組工況的實時監督和同步反饋。只要風電機組的運行參數異常，系統會自動進行報警，提醒技術人員引起重視。這樣就可以在出現重大故障前，及時采取應對措施，避免故障損失的擴大化。另一方面，通過大數據分析，還能夠向技術人員提供一些維修建議，這對于及時排除故障、恢復風電機組正常運行也有顯著的幫助。

4 大數據技術應用前后的效果對比

為了更加直觀的驗證大數據處理技術在風電機組狀態監測方面的運用效果，本風電場分別選取了大數據處理技術應用前和應用后1 年里故障發生次數，并進行對比。通過對比發現，在未使用大數據處理技術時，風電機組一年內累積發生7 起故障，其中有2次嚴重故障。機組發電的連續性較差。在應用大數據處理技術后，風電機組在一年內監測到異常工況10 次，經過及時處理，9 次異常情況得到了有效處理，全年僅發生1 起故障，經過技術人員搶修未造成嚴重事故。全年發電機組運行穩定，效益提升明顯。

結束語

在我國風電市場不斷成熟的背景下，風電機組狀態監測和運維管理也逐漸引起了風電場的重視。同時，隨著大數據技術、傳感器技術的發展，能夠實現對風電機組整體運行狀態的全面、實時監控。通過同步反饋異常工況、及時進行故障報警，幫助設備管理人員隨時隨地的掌握風電機組的詳細情況，并且利用專業知識對異常工況、故障問題進行有效處理，極大的保證了風電機組的運行安全。今后要繼續重視前沿技術的應用，除了大數據技術外，像5G技術、AI 技術等，在風電機組監測管理方面均有重大發展潛力。