大數據分析在風電場運維模式中的應用研究

文/戴維義

在新能源應用水平不斷提升的過程中，風電行業發展迅速。但風電場在運維中存在一些問題，需要先進技術的支持。而應用大數據分析技術可以優化風電場運維模式，提高運維管理質量。因此，本文利用調查法、文獻資料法等方法對大數據分析在風電場運維模式中的應用進行了研究與探討。

目前，從運維管理效果來看，風電場運維效率與技術水平較低，所以利用大數據分析等先進技術手段來提高運維管理質量非常必要。

一、大數據分析的內涵

大數據分析指的是在短時間內對海量數據進行采集、分析與處理的技術，主要包括六種功能。第一，可視化分析，即對數據進行計算與處理，之后通過圖表等視覺信息來展示數據處理結果。在風電場運維模式中應用可視化分析，可以采集風電機組的運行數據，之后通過畫面來展示數據處理結果，使運維人員直接掌握風電機組的運行狀況。第二，數據挖掘，這是大數據分析的關鍵，其主要利用Java等計算機語言及相關數學理論來挖掘數據內涵并明確數據之間的內在聯系，從而為構建數學模型奠定基礎。[1]第三，預測性分析，即根據可視化分析與數據挖掘結果進行預測性判斷。第四，語義引擎，即從非典型結構數據中抽取關鍵信息的過程。第五，數據存儲，即根據數據特點對數據進行分類存儲，可以為數據挖掘提供基礎信息。第六，數據管理，即在全生命周期中對數據進行識別、監控等管理活動。大數據分析在風電場運維模式中發揮著重要作用，可以全面采集風電機組的運行數據、優化數據結構、對風電機組進行實時監控，有利于滿足風電場運維模式的更新需求。同時，大數據分析也可以從各個角度挖掘風電機組的狀態參數，從各個維度來分析風電機組的運行質量，從而充分挖掘風電機組的潛能，增加風電場的經濟效益。

二、大數據分析在風電場運維模式中的作用

相關數據顯示，截至2023年我國新增風電裝機量在全球新增風電裝機量中占比將達到36%，有望成為全球第一大風電市場。與此同時，風電場的發展也對運維管理工作提出了更高的要求，大數據分析在風電場運維模式中的作用越發重要。

（一）有利于減小氣候隨機性對機組的影響

在運維過程中將大數據分析與天氣建模技術結合起來，有利于增強風電場對天氣變化預測的準確性。也就是說，風電場可根據天氣變化情況調整風電機組運維方案，增強風力發電的穩定性與可靠性。

（二）有利于縮短風機故障停機時間

對大數據分析進行深層應用，可以及時發現風電機組中的故障并進行故障排除，從而減小故障對風電機組的影響，縮短風電機組的停機時間，繼而增加風電場的經濟效益。[2]

（三）有利于優化運維管理流程

對大數據分析進行深層應用，有利于準確記錄風電場運維管理詳情并構建動態信息系統，幫助運維人員調整運維方案與運維管理流程，繼而提高風電場的運維管理效率。

（四）有利于改變運維模式

靈活應用大數據分析可以將傳統的被動運維轉變為主動運維，從而增強風電場運維模式的靈活性與準確性。

三、風電場運維的現狀

（一）風電場運維市場較為混亂

從實際情況來看，風電場運維市場空間較大，且運維利潤也比較可觀。所以，無論是風電開發商、整機廠商還是第三方運維公司，都在積極開展風電場運維工作。但這些運維主體都存在一定的問題（見表1），不僅降低了風電場運維質量，也導致風電場運維市場十分混亂。[3]

表1 不同風電場運維主體的優劣勢

（二）風電機組運維難度較大

首先，風電機組運維工作具有較強的專業性與復雜性，且當前大多數運維主體都利用分散式運維模式管理不同的風電機組，導致風電機組運維效率較低。其次，部分運維主體沒有根據相關標準與規范對風電機組進行嚴格監管，無法及時發現風電機組的故障。在這種情況下，風電機組的故障率相對較高。例如，2009年至2016年6月，某運維企業承擔的566個風電項目的運維管理工作發生大量事故，其中風電機組故障事故占比60%。[4]

（三）運維模式落后

目前，大多數運維主體都缺乏精細化管理意識，仍然采用傳統的粗放式運維模式，沒有對風電場進行全生命周期管控，也沒有利用先進技術采集風電場的數據信息，以致風電場運維一直處于被動狀態，無法滿足風電場管理需求。

（四）先進技術的應用不夠深入

從實際情況來看，部分風電場運維主體開始嘗試應用云計算、人工智能、大數據等先進技術手段開展運維工作。但大多數運維主體都沒有將先進技術應用于具體環節，只有一小部分風電運營商對大數據分析進行了深層應用。

四、大數據分析在風電場運維模式中的應用實踐

（一）淺層應用

淺層應用指的是在風電場運維中將集中控制中心當作數據收集關口，沒有對數據進行深入加工，但也可以解決風電場運維中的問題。從實際情況來看，風電場風機的分布具有點多面廣等特點，加大了風電場運維管理難度與設備控制難度，而利用大數據分析構建集中控制中心體系可以解決這一問題。集中控制中心能夠全面采集風電場數據，例如升壓站的運行數據、風功率預測運行數據、測風塔數據，且能夠對這些數據信息進行整合處理。在這種情況下，操控員只要根據數據信息分析后續設備的運行狀況并根據監控數據遠程操控設備，便可以解決風電場管理難度大、設備控制難度大等問題，繼而提高風電場的運維效率。同時，在對大數據分析進行淺層應用時，運維人員也可以進行可視化分析與數據庫管理，利用集中控制中心統一管理所有的風電機組并采集所有風電機組的數據。

（二）深層應用

大數據分析的深層應用是在淺層應用的基礎上對數據信息進行深加工并獲取風電機組的數據鏈。例如，風電機組在運行過程中會產生大量的數據，這些數據會流入大數據分析中心，所以大數據分析中心存儲了所有風電機組的運行數據、故障數據、檢修數據、更換數據等。首先，大數據分析中心會自動對風電機組的運行數據進行深度加工，及時發現風電機組的安全隱患。運維人員可以根據分析結果調整風電場運維方案，并明確風電機組的設計缺陷與共性缺陷，為機組優化奠定基礎。其次，大數據分析中心可以將風電機組的故障多發位置、故障原因等數據轉變為視圖并形成風機故障熱點圖。[5]而每一個機組的故障特點不同，所以運維人員可以將風機故障熱點圖與相對應的風電機組結合起來，從而提高風電場的運維效率與質量。例如，運維人員可以利用故障熱點圖排查風電機組的設計缺陷與共性缺陷，并對機組進行技術改造；可以利用故障熱點圖制訂風電場年度發電量計劃，并根據設備折損與更替周期計算風電機組的衰減情況，從而增加風電場的經濟效益；等等。

（三）全息應用

全息應用對大數據分析進行了拓展，即將大數據分析與云計算、人工智能等技術結合起來，從而打造智慧化風電場。首先，全息應用可以利用大數據分析與其他技術手段構建智能故障預警系統。該系統利用大數據分析技術處理短期風速波動數據、超短期風速波動數據等數據，根據分析結果預測風電機組的故障點，并為運維人員提供故障預警報告以及故障停機時間，有利于提高風電場運維效率。其次，全息應用可以利用大數據分析與其他技術手段構建智能故障診斷系統。該系統利用大數據分析技術處理風電機組歷史信息與當前信息，旨在制訂故障排除方案。最后，全息應用可以利用大數據分析技術構建智能場群控制系統。智能場群控制是以風電場最優發電層面為基礎的區域級應用，可有效增強風電場的柔性。

五、結語

在風電場運維中應用大數據分析可以減少氣候隨機性對機組的影響，縮短風機故障停機時間，優化運維管理流程，改變運維模式。因此，風電運營商需要提高對大數據分析的重視程度并利用該技術進行深層運維，進一步提高風電場運維管理質量。