利用能源互聯網側平臺構建海上風電場風機作業環境感知許可研究

陳沈偉，孔令嘉

（1.浙江浙能嘉興海上風力發電有限公司，浙江 嘉興 314000；2.上海中電興華智能科技有限公司，上海 靜安 200040）

1 研究背景

由于海上風電場海域閃電、高鹽霧、高濕度等環境惡劣對設備影響較大，機組易出現故障，海上不確定因素多和有效作業窗口期短，運維人員安全出海作業安全風險大、運維效率低和現場安全管控困難，解決海上風電運維作業人員安全保障問題，如進入風機人員實時定位，運維巡檢、檢修作業定位與視頻監控全過程可控、能控、在控，風機作業智能安全報警、作業時設備周邊環境安全提醒和危險行為預警是研究重點。利用邊緣計算網關技術和AⅠ視頻監控聯動，實現風機作業區塊鏈安全管控。構建運維本質安全業務場景4 大管控：設備缺陷定位感知獲取、巡檢到位推出檢查項、電氣倒閘操作遠方智能監護、工作票執行越界報警。

搭建海上風電風機外部塔臺工作區域（以下簡稱：A 區）和風機塔筒內工作區域（以下簡稱：B區）三維模型。在A 區和B 區部署能源互聯網邊緣計算網關，UWB 人員定位基站，機器視覺基礎設施，實現在A 區起重作業相關的電子圍欄自動繪制算法、電子圍欄自動生效算法、電子圍欄自動撤銷算法等，在B 區作業人員與設備的安全距離算法，有限空間判斷人員活動情況與風險狀態。通過能源互聯網數據采集，進行深度學習，不斷訓練，得出作業風險高準確率AⅠ模型，最大限度地消除作業人員在A 區和B作業的安全隱患，實現高風險作業智能化本質安全管理從0到1的變化。風機塔臺和機艙如圖1所示。

圖1 風機塔臺和機艙

傳統電力行業作業人員對生產現場作業的安全環境主要靠人工經驗判斷，在無法獲得全局信息的情況下，往往會漏判故障點。

生產現場交差作業情況比較多，事故往往出在信息不通，僅憑工作人員的感覺來掌握周邊安全狀況，難免事故發生。

操作管理智能化不足，任務策劃、執行方式采取人工設定，分析、預測、操作步驟依賴生產人員的經驗。

2 理論基礎及相關技術介紹

2.1 技術方向

本研究重點在設備智能化和人員智慧化2 個方面進行研究。一是基于工業能源互聯網技術的作業現場設備智能化升級所需的邊緣傳感器產品、以及深度學習算法系統。二是提供支持現場作業人員執行操作、檢修工作的安全生產基礎業務支撐，以及能源互聯網云知識庫積累。

著眼于“人機數字化共生”技術的研發與應用，利用云知識庫、工業能源互聯網，打造“人機一體化”“工業末端輔助決策神經元網絡”“高風險作業實體化數字孿生”等智慧安全作業綜合解決方案。

2.2 數據集成架構

后臺：SpringBoot+Mybatis+MySQL+場景地圖，提供數據服務、應用服務、展示服務。

數據：云端數據，結構化關系數據庫MySQL，非關系型MongoDB、緩沖數據庫Redis 等，實現數據清洗、分類、存儲、統計分析、管理應用等。

前端：PC 端瀏覽器、PC 桌面+移動終端應用（安卓App、iOS App、微信小程序）、大屏展示、駕駛艙、遠程支持、異常數據推送、數據監控。

數據采集：設備啟停開關量、拉力、震動、溫度、圖像識別（作業人員、工作區域設備、位置標識等）。

精準定位：工作區域人員定位、設備（物資）定位。

能源互聯網基本組成：UWB、基站、網絡（NB-ⅠoT、ZigBee、網橋、Wi-Fi、有線）、傳感器、視頻算法識別、電子圍欄、區域作業安全警示、物聯邊平臺、安全生產管控系統、大屏展示等。

UWB精準定位架構如圖2所示。

圖2 UWB精準定位架構

2.3 基礎管理支持

A區危險點和B區重點部位劃分：A區（塔臺）危險點主要是風機塔臺起重設備下方、檢修交叉作業面、人員登船/離船落地點。B區（塔筒）重點部主要是箱變層、流變層、電纜層、機艙層、控制柜。

作業（特種）人員資質：通過采集承包商臺賬信息、培訓、考試、違章，實現外來作業人員資質過程管控。

運行標準兩票與執行時間控制：運行人員執行工作票和倒閘操作票時，通過電子圍欄算法，識別是否越界和走錯電氣間隔，出現人員傷害和誤操作發生。

2.4 技術平臺支持

基礎：以能源互聯網為主體，結合NB-ⅠoT等能源互聯網應用，采用SA+MEC 組網方式，構建“Wi-Fi+數字孿生底座”。以數據環境建設、地理場景搭建、組織架構、業務場景、大數據為支撐。

感知：設備運行“脈搏”數據，反映實時運行狀態軌跡；通過“感知”真實物理場區，建立場區和數字孿生區之間的精準映射。

操控：實現智能干預，進而為智慧場區大腦提供海量運行數據，使得場區作業具備自我學習、智慧生長能力。

2.5 深度學習

隨著計算機運算能力的逐年提高，機器學習以及深度學習有了顯著發展，再加上卷積神經網絡等算法的興起，許多以往無法完成的運算如今已經可以通過計算機進行計算，對機器學習的發展起到了正向推動作用，深度學習方法也得以發展。深度學習作為機器學習的一個新方向，近年來在計算機視覺以及語音識別等領域得到較好應用，其中較為優秀的神經網絡例如Alexnet、RNN 等被研究人員不斷優化、整合，并構建了Caffe、PyTorch、Tensor-Flow 等框架，降低了之后研究人員以及企業對深度學習應用的門檻。

當前，企業內部各部門數據統計口徑不一、數據的自采率和實時性不高等問題普遍存在，制約了企業數字孿生刻畫的準確度。隨著深度學習、強化學習等新興機器學習技術的引入，實現多維異構數據的深度特征提取，大大提高了數據分析效率，使得構建面向企業的復雜數字孿生體成為可能。

3 研究成果

3.1 業務模型

3.1.1 構建計算型能源互聯網邊平臺

搭建風機塔筒內、外區域重點部位、危險點等工作區域模型，部署能源互聯網邊緣計算網關，UWB人員定位基站，機器視覺基礎設施，實現典型高風險作業關鍵要素聯動風險感知與管控。

3.1.2 搭建物聯基礎支撐平臺

搭建業務基礎支撐平臺以數據環境建設、地理場景搭建、組織架構、業務場景、大數據為支撐；以基礎支撐與智能數據一體化平臺為業務開發基架。增強海上風電生產業務應用之間的聯系，建立完善的設備管理平臺，統一作業標準流程與數據，做好生產管理基礎與標準化建設信息平臺支撐工作。

3.2 數據分析

運用“事件網絡”技術，可以將海上風電運行巡檢、故障診斷的各種屬性通過KKS位置碼映射到虛擬空間中，形成可拆解、可修改、可重復操作的數字鏡像，使標準作業流程透明化，并結合在定期工作、管理流程等方面的數據，構建起完整的企業數字孿生體，實現在設備運行、運行參數和作業工序上的協同關系。通過作業任務模型計算獲得優化的策略，并通過指令反饋到操作執行層。因此，能夠以生產模型為基礎快速構建行業知識圖譜，通過基于歷史數據的智能調參，快速完成業務模擬仿真，大大降低運算量，提升了分析效率，節省了企業對硬件設備的投入。

3.3 電子圍欄算法

3.3.1 原則

電子圍欄算法首先選擇人員定位判斷點是否在電子圍欄內/外，用數學來描述就是判斷一個點是在多邊形內/外部，這里的多邊形默認為有向多邊形，規定沿多邊形的正向，邊的左側為多邊形的外側域，即多邊形邊按順時針方向遍歷。

3.3.2 方法

采用判斷點與多邊形關系的點線判斷法、射線法。

在風機塔筒外運用點線判斷法：把多邊形的每條邊看作首尾相連的有向線段。如果一個點相對于多邊形的每條邊（有向線段）的方向（左側還是右側）都相同，那么這個點就在這個多邊形內部，如圖3 所示。這種方法只適用于凸多邊形，而不適用于凹多邊形。定義點在有向線段的一側，定義有向線段(x1,y1)，(x2,y2)， 對于點(x,y)計算：v=(x2-x1)(y-y1)-(y2-y1)(x-x1)。

圖3 點線判斷法原理

在風機塔筒內運用射線法：這種方法相比較其他算法而言，它不但可以正確使用在凹多邊形上，而且不需要考慮精度誤差問題。該算法思想是從點水平出發做一條射線，計算該射線與多邊形的邊的相交點個數，當點不在多邊形邊上時，如果是奇數，那么點就一定在多邊形內部；否則，在外部，如圖4所示。

圖4 射線法原理

3.4 研究應用價值

基于智慧物聯設備和NB-ⅠoT技術，結合風機內作業人員實時信息進行研判分析，發現作業風險實時預警，該項研究可向傳統火電和陸地風電進行推廣。

在能源互聯網技術落地應用方面，通過作業區域電子圍欄算法，實現海上風電場風機作業環境信息采集自動“感知”“算法判定”“智能干預”等能源互聯網、區塊鏈技術的應用，做到國內領先。

在安全生產業務方面，通過數據分析與精準定位可視化，實現可全天候運行和對海上惡劣環境的適應性更強的現場作業遠程可視、可控，有效地減輕安監人員工作量，提高風險預控效率。業務與定位數字化模塊開發，支持新能源海上風電遠程安全智能集控運維管理模式的建立。

通過能源互聯網數據采集、大數據研判、巡點檢任務、兩票執行過程監督、問題告警、場景模式、數據歸集、深度學習等多種方式，實現風電場“三種人”（員工、承包商、訪客）管控。重點防控承包商作業無票工作，作業人員與實際不符，作業資質不夠，造成擴大作業范圍和人身傷害。

4 結束語

通過創新性研究，在A 區和B 區作業層創建“典型高風險作業關鍵要素聯動風險感知與管控系統”，搭建“電力生產高風險作業本質安全需求+新一代信息技術”融合創新的高速公路首段路基，構建高風險作業關鍵要素（包括人、設備、環境、制度標準）相互聯動，以在本質安全層面實現作業過程風險感知與管控的技術標準。

同時，通過研究解決了電力行業多年來高危作業依靠人為經驗判斷的時代，降低了人因造成的安全事故，從而科學有效地進行特種行業的作業操作，避免重復作業、解決現場交叉作業帶來的安全事故，提高工作效率，節約大量人力成本和檢修成本。