數據驅動的風電場資產管理方法及應用

曹 彬，王俊峰，劉 璐

(中節能風力發電股份有限公司，北京 100082)

0 引言

長期以來，以火電為主的電力行業是我國碳排放的重點領域[1]。據統計，2019年電力行業碳排放量高達42.27億t，占全社會碳排放總量的43%[2]。可見，電力行業的低碳轉型是中國實現碳達峰、碳中和的關鍵[3]。國內外經驗表明，發展清潔低碳的可再生能源電力是調整電力能源結構，促進電力降碳、脫碳最為有效的途徑之一[4-7]。風力發電作為一種清潔、高效的可再生能源發電形式，將在中國實現碳達峰、碳中和目標的過程中發揮重要作用[8-9]。隨著大型風電基地、分散式風電及海上風電場的興起，風電裝機規模將實現持續高速增長，在電力能源供給與消費中的比重將進一步提升。

風電作為未來的主要電力能源形式之一，其平準化度電成本(LCOE)將在一定程度上影響全社會的用電成本。近年來，風電場補貼全面取消，降低風電的LCOE已成為全行業共同面臨的重要挑戰。中國風電行業經過多年的發展，裝備設計制造技術不斷取得進步，國內產業鏈、供應鏈日臻成熟，推動了風電機組設備成本的顯著降低，長葉片、高塔筒等技術的應用進一步提升了風電機組的發電能力。從LCOE角度來看，風電行業總體上已具備平價上網的能力[10]。但目前降低風電LCOE的相關研究主要聚焦在風電機組設備的設計制造環節，風電場運營環節降本增效的研究較為少見。

本文主要針對風電場運營過程中資產管理領域存在的相關問題進行分析，提出了一種數據驅動的風電場資產管理方法，并結合具體案例探討了數據驅動的風電場資產管理方法在風電場運營階段降本增效中的應用。

1 風電場資產管理現狀及問題

風電場的LCOE主要受3方面因素影響：1)項目開發階段的資源選址；2)工程建設階段的設備選型與施工方案；3)生產運營階段的資產管理[11]。由于近些年風電行業的高速發展，風電業主為尋求裝機規模的快速增長，普遍關注項目開發與工程建設，對風電場資產管理領域存在的問題缺乏系統性的分析，存量風電項目LCOE的研究實質上是降低運維成本和增加發電量的降本增效的研究，發電能力與運營成本存在一定的挖潛空間。目前，風電業主的資產管理主要存在3類問題，下面進行詳細分析。

1.1 對存量項目資產管理重視不足

風電產業是典型的資本密集型產業[12]，風險控制是開發商做出投資決策時需要考慮的重要因素。由于中國風電產業發展初期時產業規模較小，市場需求度不高，風電機組等配套基礎設施存在前期投入成本大、技術門檻高等瓶頸，風電業主的主營業務成本中固定資產折舊的占比為70%～80%。風電業主普遍認為；風電場風資源情況與風電機組設備選型決定了風電場年發電量，設備采購與施工方案決定了風電場工程成本，兩者主要影響風電場的LCOE，而運營階段的設備運檢成本與人工成本對風電場LCOE的影響較少。加之中國風電行業起步階段以“三北”地區和東南沿海地區中高風速資源的開發為主[13]，風電場上網電價高于項目所在地煤電上網電價，項目收益率較高，因而風電業主對存量項目的發電能力挖潛和降低運營成本普遍不夠重視。

1.2 缺乏對關鍵資源投入的經濟性分析

風電業主存量項目的資產管理，主要以發電設備管理為核心，重點關注發電設備的定檢維護、故障排除、缺陷處理、技術改造等操作環節，以及時間可利用率 (time based availability，TBA)、平均無故障運行時間 (mean time between failure，MTBF)、平均檢修時間 (mean time to repair，MTTR)、平均檢修間隔時間 (mean time between inspection，MTBI)等關鍵指標，圍繞發電設備的可靠運行組織資金、人員和物料等資源的投入。從實踐經驗來看，以發電設備為核心視角的資產管理方式，能夠較好地保障發電設備的安全、穩定運行[14]，但由于缺乏針對運檢策略、技改方案、備件管理等方面的成本及收益的深入分析，資金、人員、物料等關鍵資源不能按經濟性最佳、性價比最高的方式進行分配和使用，是制約風電場運營階段LCOE進一步降低的主要原因。

1.3 缺乏準確的量化評估方法

從成本收益視角出發的風電場資產管理，需要對發電設備的停機時長、停機頻次、性能異常等情況進行大量的量化分析，準確定位和評估設備的發電量損失。通過評估不同運檢策略、技改方案等可以挖掘的損失發電量，在考慮成本投入的情況下對比投入產出比，在安全前提下選擇經濟性最佳、性價比最高的解決方案。因此，從成本收益視角出發的資產管理，本質上是數字化的資產管理，需要對設備運行與運檢管理數據的高效應用[15]。風電行業雖然具備良好的信息化基礎，但對于發電設備運行和風電場運檢管理數據的應用和挖掘不夠充分，在區分電量損失原因、評估電量損失數值、分析設備性能異常、優化設備控制策略等方面仍有一定的提升空間。

2 數據驅動的風電場資產管理方法

近年來，隨著風電行業進入平價時代，低風速區域被大規模開發，使風電場的全生命周期整體收益率呈現下降趨勢，風電業主對風電場LCOE的敏感性逐步提升。同時，風電機組設備的成本隨技術迭代與產業鏈及供應鏈的成熟呈現顯著下降的趨勢，風電場固定資產折舊在風電業主的主營業務成本中的占比降低，運維成本、人工成本的占比相應提升，風電場運營階段的資產管理能力正在成為風電業主的核心競爭力之一。

以大數據、云計算、物聯網、人工智能等為代表的新一輪科技革命推動了電力行業的數字化轉型。數字化理念和數字化技術正在持續賦能風電行業發展升級，并與風電場運營管理深度融合，在風電場設備運行與運檢管理數據被風電機組數據采集與監控系統 (supervisory control and data acquisition，SCADA)、能量管理平臺、區域集控系統、生產管理系統等平臺大量采集、存儲的基礎上，其更多地被應用于風電場資產管理中。通過系統總結國內外先進經驗和企業具體實踐，本文提出了一種數據驅動的風電場資產管理方法。

數據驅動的風電資產管理方法具備2個主要特征：1)從成本及收益視角出發，在保證安全生產的前提下尋求存量風電場在運營期間的最優投入產出比；2)充分融入數字化理念，強調運用發電設備運行與運檢管理過程中形成的數據資產，從多角度應用大數據等前沿技術，重點針對風電機組損失電量與故障解決方案的經濟性開展準確的量化評估。數據驅動的風電場資產管理方法的流程如圖1所示。

圖1 數據驅動的風電場資產管理方法的流程圖Fig.1 Flow chart of data-driven asset management method for wind farm

數據驅動的風電場資產管理方法需要對運營風電場收益進行解構。從圖1可以看出：運營風電場收益主要由收入和成本2個因素決定。收入主要受電量和電價2個因素的影響；成本主要受固定資產折舊、生產運維成本、人工成本等因素的影響。電量包括實發電量與損失電量：實發電量指風電場的實際發電量；損失電量指風電場的應發但未發電量，造成損失電量的原因主要包括電網限電、計劃停機、故障停機、受累停機、機組性能損失等。電價分為保障性收購電價和市場化交易電價2類。固定資產折舊主要由風電場建設階段的設計施工、設備采購等因素決定，項目進入運營階段后調整優化的可能性極低；由技術改造、大部件維修、備品備件與耗材、技術服務等構成的生產運維成本，以及人工成本，在項目運營階段具備調整優化的空間。

數據驅動的風電場資產管理的核心理念是通過調整優化生產運維成本與人工成本的投入，挖掘風電場的損失電量，以達到運營階段投入產出比的最大化。具體實踐上，通過數字化技術和統計學方法，對造成風電場損失電量的原因及其對應的經濟損失進行量化測算，對比不同解決方案、成本投入情況下可挖潛的損失電量，選擇經濟性最佳的解決方案，并通過基于量化分析的后評估檢驗其是否達到預期。

3 應用場景與典型案例

實踐經驗表明，將數據驅動的風電場資產管理方法應用于風電場設備檢查驗收、技術改造方案優化等業務場景中，可以通過合理的成本投入有效降低風電場運營階段的LCOE。下文對數據驅動的風電場資產管理方法在不同應用場景下應用的2個典型案例進行具體闡述。

3.1 應用于風電場設備檢查驗收的典型案例

某風電場裝有33臺單機容量為1500 kW的風電機組，于2014年底并網發電。為檢查驗收該風電場設備的運行狀態，在2020年風電機組設備出質保前，采用數據驅動的風電場資產管理方法分析了全場風電機組設備存在的主要問題，并通過有針對性的技術改造和變槳控制策略調整，減少了風電機組故障停機頻次和時長，優化了風電機組功率曲線，每年減少電量損失約700萬kWh，有效降低了風電場運營階段的LCOE。

通過對全場風電機組設備20個月內故障停機頻次和時長進行分析可以發現，變槳系統故障、變流器系統故障及發電機系統故障在全場風電機組中普遍存在，且3類故障導致的停機頻次和停機時長均約占到全場累計值的80%(如圖2～圖4所示)，是造成風電場發電量損失的關鍵因素之一。通過對故障原因的進一步分析，鎖定了變槳通信滑環、變流器定子接觸器及發電機冷卻風扇3個具體故障點位。針對上述故障點位開展技術改造，大幅減少了全場風電機組設備的故障停機頻次和時長，降低了人工成本投入，提升了全場發電量。

圖2 按風電機組統計的故障停機頻次和時長Fig.2 Frequency and duration of failure shutolown counted by wind turbines

圖3 按故障類型統計的故障停機頻次Fig.3 Frequency of failure shutdown counted by fault types

圖4 按故障類型統計的故障停機時長Fig.4 Duration of failure shutdown counted by fault types

全場風電機組設備20個月內采用變槳控制策略優化前的典型功率曲線如圖5所示。

圖5 變槳控制策略優化前風電機組的典型功率曲線Fig.5 Typical power curve before pitch control strategy optimization of wind turbines

經分析發現：全場風電機組的功率曲線普遍存在異常，10 min平均風速為10 m/s及以上的情況下，風電機組無法穩定保持在額定功率。經現場查勘，風電機組各硬件設備無異常，進一步檢查風電機組控制系統，判斷變槳控制策略存在缺陷。通過對風電機組變槳控制策略進行調整優化，解決了其功率曲線異常的問題，在投入部分人工成本進行變槳控制參數調整的情況下，使全場風電機組在高風速條件下的發電性能恢復到正常狀態，大幅提升了風電場發電量。

3.2 應用于風電場技術改造方案優化的典型案例

某風電場裝有30臺單機容量為1500 kW的風電機組，于2006年并網發電。近年來，風電機組頻報齒輪箱油溫高的故障，檢查發現，部分齒輪箱散熱器堵塞嚴重，加之風電機組投運時間已接近15年，因此，該風電場提出針對全場風電機組開展更換大功率散熱器的技術改造方案。通過調取風電機組SCADA、生產管理系統等平臺數據，采用數據驅動的風電場資產管理方法優化技術改造方案，對6個月全場風電機組因齒輪箱高溫故障造成的發電量損失進行了準確測算，結果如圖6所示。依據測算結果優化了技術改造方案，減少了技術改造涉及的風電機組臺數，從而節約技術改造投入約175萬元。

圖6 各風電機組因齒輪箱高溫故障造成的發電量損失情況Fig.6 Loss of power generation of each wind turbine caused by high temperature fault of gearbox

通過對圖6的數據進行分析發現：全場共有9臺風電機組出現過齒輪箱高溫故障，造成的損失電量共計93萬kWh。深入分析發現：損失電量最多的5臺風電機組總損失電量為87萬kWh，占全場因齒輪箱高溫故障導致損失電量的93.5%。通過優化技術改造方案，對損失電量最多的5臺風電機組開展更換大功率散熱器的技術改造，對其他風電機組進行散熱器清洗，從而節約了技術改造投入，解決了風電場故障問題，同時有效控制了風電場運營階段LCOE的增加。

4 結論

本文提出了一種數據驅動的風電場資產管理方法，該方法是數字化理念、數字化技術與傳統風電場運營管理經驗相融合的風電場新型運營方法，在風電場設備檢查驗收、技術改造方案優化等領域具備廣闊的應用和發展前景。基于風電行業良好的信息化基礎，隨著大數據、云計算、物聯網、人工智能等數字化技術的發展，發電設備故障預警、設備異常識別等技術將更多應用于風電場資產管理領域，數據驅動的風電場資產管理方法將更加豐富、高效，并將創造更高的經濟價值。