运达风电柴问奇:基于数据驱动的风电机组智能运维

能见App 2021年10月18日 3497

2021年10月17日-20日,2021北京国际风能大会暨展览会(CWP 2021)在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一,这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会,再次登陆北京。

本届大会以“碳中和——风电发展的新机遇”为主题,历时四天,包括开幕式、主旨发言、高峰对话、创新剧场以及关于“国际成熟风电市场发展动态及投资机会”“国际新兴风电市场发展动态及投资机会”“风电设备智能运维论坛”“碳达峰碳中和加速能源转型”等不同主题的15个分论坛。能见App全程直播本次大会。

在风电设备智能运维发展论坛上,浙江运达风电股份有限公司数字能源创新中心主任工程师柴问奇发表了题为《基于数据驱动的风电机组智能运维》的主题演讲。

以下为演讲精选:

柴问奇:我是来自于浙江运达风电股份有限公司数字能源创新中心主任工程师柴问奇,今天的题目为数据驱动的风电机组健康监测与运维决策的报告。主要向大家汇报一下运达这两年做了哪些业务和产品的开发以及技术的改良,和技术在应用过程中有哪些经验和心得。

上图提到的四个内容,包括当前装机容量增长与运维能量增长不匹配的问题,备件库存问题,因为电价导致机组降本设计带来的安全余量问题等。事实上因为业务端的需求导致,已经倒逼企业进行智能化和数字化的改善。

数字技术在运维端有以下几个场景,包括各个大部件数据安全的监测,降低运维成本的各项技术,当然也包括后续面向经营的一些健康评估,效能的评估等等相关技术。

运达第一次对外展示数字分析技术是在2018年的风能展,利用数据的方法对机组和风电场的技改进行一系列的技术。在2019年,在风能展上推出了故障预警与健康监测系统,在同一个数据平台上扩展搭建了发电量的系统。今年年初智慧风电场业务热潮当中,我们对相关平台进行了整合扩大规划,最终形成了当前向大家介绍的风电智慧运营平台。

这个平台建设一方面是业务上的需求,需要对接当前智慧电场建设工作,一方面也是运达内部企业架构的调整,将做数字产品业务单独从技术中心剥离出来,由创新研究院进行承担。现在不仅仅有相关产品的推出,也有相关数字运维课程推出,为了支持相关的平台建设,也自研相关的智能监测设备,在后面都会提到。

智慧运营平台整体设计框架,理念就是一个以数据平台为基础,面向整个风电场全生命周期的运营与管理的平台。这个平台的建设目标,为了实现理想中的,以无人职守、少人职守,预测性运维为基础,以它为目标开发的平台化产品。

下面介绍在设备健康方面做了哪些数字化技术研究,以及有哪些心得可以进行分享。

如果和整机厂商们沟通,大家首先会想到数据的运维问题。在当前的机组往高大远设计的理念引导之下,机组的塔筒和浆叶越来越大,因此相关部件的状态监测系统安装价值是在稳步上升的。在相关的部件上,越来越多增加状态监测点是当前不可避免的趋势。包括净空监测,浆叶状态监测,机器人辅助监测等。净空监测是一个连续采样采集数据的设备,它的良好的利用主要取决于系统对数据的整合和使用。对于状态监测、振动监测而言,它的使用核心在于进行秒级数据的对应,可能要采用控制器的毫秒级的数据对这个数据进行数据进行标定,以确保相关的数据采集时刻风级运行状态可以清楚进行判别。

而至于第三类停机之后利用定检方式进行采集,我个人认为是管理的问题,它是需要和整体管理理念,需要和定检维护设计逻辑的策略。需要有计划的有规范的对相关的定检等相关的活动进行计划采集数据,来达到实际采集母报。另外一方面,运行数据除了在现有温度压力等等监测点方面,我们针对于以前监测效果不是很好的变桨系统以及变流器系统,做了一系列高频数据的应用分析测试。在2019年的时候,运达风电已经全面迈入了秒级,在2021年已经开始做毫秒级数据的规范化的分析。

给大家讲一下案例,这是变桨系统,有一些风电场,有一两个风电场运行三年四年之后批量性损坏,一年坏十几台。拆下来之后,就是疲劳损伤,厂家说变桨电机用三五年差不多该坏了。业主就施压再全换一套。我们就拿了毫秒级数据过来分享了一下变桨电机的控制系统,最终发现是因为变桨系统的策略存在一个漏洞,以及反馈存在危洞的问题,导致变桨电机频繁不制动,频繁变换(浆聚角),导致变桨电机寿命大量损失。后面就通过相关部分传感器的更换以及主控程序的升级解决了这个问题,整体来说对于运维成本的降低是远远超过一千万的水平。

讲完数据讲讲模型构造的问题,模型构造当前在进行故障预警开发的时候有以下几个需求。第一是新模型的开发,主要原因是在于当前机型更新迭代速度非常快,机型和平台的更新迭代速度快会导致供应链变化,供应链变化以后,每一台机组的典型故障模式会发生变化,时不时需要开发新的故障预警模型应对新的需求。第二是模型的初始准确率也是这样的,1.5的平台挪到4.5、5.5的平台,泛用性也是存在问题的。第三就是故障点的判别精度,其实现在据我了解很多相关的系统还会做,比如说油温过高,振动强度过大一系列报警策略以及报警预警等。

从我们的角度来看,对于现场人员的支持是不足够的,在报警的系统,最主要还是要给现场人员告诉他们是哪一个部件的损伤,需要修哪一个部件。因此针对这三个问题,我们大概总结出来一套套路,用一个工况精细化筛选+状态估计,对工况进行精细化的分类,可能分到几十类上百类的情况。因为基于数据的运维工作,首先没有很高的实时性的要求,也没有连续监测的需求,所以可以只挑选自己需要的工况进行分析。而状态估计方法大的优点在于没有正样本进行训练,有时候一个新的平台出来没有正样本是非常正常的。而且这个模块很容易做标准化的形态,一方面利于内部扩大生产和模型开发,另外一方面和第三方厂家和高校联合合作进行开发。关于这一个架构,有非常多的应用实例,推荐大家可以关注一下我们在20号上午风电机组升级的演讲,有一些性能方面的研究和相关的成果。

有了数据和模型,怎么样持续对模型的效果进行优化,以及怎样的业务流程最适合当前智慧运维业务流程。上面是一个传统业务流程,我们的系统直接服务于总部的技术支持,或者说对于业主来说技术监督。由技术支持完全负责和现场的对接,它告诉现场该怎么操作,现场操作完之后由它来确认现场操作效率。这是一个非常直观的,也是在传统意义上非常有效的流程,但是不太适合当前现场工作压力过大,现场没有足够多的时间进行相关的判定的业务现状。因此我们对整体的流程进行了改进,将技术支持所在角色,与现场沟通的角色转变成了对知识库进行确保,以及对整个流程进行监督的角色,把所有的方案制定以及最终的模型效果的评判全部都纳入到系统的范围当中来。

一般来说在做系统的时候都会以预警准不准确为标签对模型进行优化,根据研究,我们发现用一个更加量化的指标,比如说要求健康度,这一次预警目标健康度提升多少,以这样的指标对模型进行优化是一个更加有效的模型迭代的方法。而且这种情况下,可以分辨出,是我们这边模型的预警策略的问题还是技术支持那边对于故障处理方案的效果不佳的问题。

这是在2019年跟今年相关的效率上的对比,可以看到,一方面来说相对于2019年整个系统接入项目翻了很多倍,人力的投入是差不多的。也可以看到,现场的工单处理效率差的不是非常远,差的最多是技术支持工作模式。现在在他们的帮助下,在现在新的体系帮助下,模型版本更新板的非常快,另外一方面每个月更新相关的技术流程。同一个模型相对于两年前,预警准确率可以提升到30%到40%以上。

下一步,我们打算在现在已经有了基于健康度的故障预警相关的工作基础上,还要从两个方向入手。第一,要更加切实转变运达作为主机厂商的视角,更多从风电场运营的角度去看待相关的技术需求,去进行资产优化等相关的技术研究。另外一方面也是切实推动无人职守、少人运维的先进理念的实现,谢谢大家!

    

(根据演讲速记整理,未经演讲人审核)