2021年10月17日-20日，2021北京國際風能大會暨展覽會（CWP 2021）在北京新國展隆重召開。作為全球風電行業年度大的盛會之一，這場由百余名演講嘉賓和數千名國內外參會代表共同參與的風能盛會，再次登陸北京。

本屆大會以“碳中和——風電發展的新機遇”為主題，歷時四天，包括開幕式、主旨發言、高峰對話、創新劇場以及關于“國際成熟風電市場發展動態及投資機會”“國際新興風電市場發展動態及投資機會”“風電設備智能運維論壇”“碳達峰碳中和加速能源轉型”等不同主題的15個分論壇。能見App全程直播本次大會。

在風電設備智能運維發展論壇上，浙江運達風電股份有限公司數字能源創新中心主任工程師柴問奇發表了題為《基于數據驅動的風電機組智能運維》的主題演講。

以下為演講精選：

柴問奇：我是來自于浙江運達風電股份有限公司數字能源創新中心主任工程師柴問奇，今天的題目為數據驅動的風電機組健康監測與運維決策的報告。主要向大家匯報一下運達這兩年做了哪些業務和產品的開發以及技術的改良，和技術在應用過程中有哪些經驗和心得。

上圖提到的四個內容，包括當前裝機容量增長與運維能量增長不匹配的問題，備件庫存問題，因為電價導致機組降本設計帶來的安全余量問題等。事實上因為業務端的需求導致，已經倒逼企業進行智能化和數字化的改善。

數字技術在運維端有以下幾個場景，包括各個大部件數據安全的監測，降低運維成本的各項技術，當然也包括后續面向經營的一些健康評估，效能的評估等等相關技術。

運達次對外展示數字分析技術是在2018年的風能展，利用數據的方法對機組和風電場的技改進行一系列的技術。在2019年，在風能展上推出了故障預警與健康監測系統，在同一個數據平臺上擴展搭建了發電量的系統。今年年初智慧風電場業務熱潮當中，我們對相關平臺進行了整合擴大規劃，終形成了當前向大家介紹的風電智慧運營平臺。

這個平臺建設一方面是業務上的需求，需要對接當前智慧電場建設工作，一方面也是運達內部企業架構的調整，將做數字產品業務單獨從技術中心剝離出來，由創新研究院進行承擔�，F在不僅僅有相關產品的推出，也有相關數字運維課程推出，為了支持相關的平臺建設，也自研相關的智能監測設備，在后面都會提到。

智慧運營平臺整體設計框架，理念就是一個以數據平臺為基礎，面向整個風電場全生命周期的運營與管理的平臺。這個平臺的建設目標，為了實現理想中的，以無人職守、少人職守，預測性運維為基礎，以它為目標開發的平臺化產品。

下面介紹在設備健康方面做了哪些數字化技術研究，以及有哪些心得可以進行分享。

如果和整機廠商們溝通，大家首先會想到數據的運維問題。在當前的機組往高大遠設計的理念引導之下，機組的塔筒和漿葉越來越大，因此相關部件的狀態監測系統安裝價值是在穩步上升的。在相關的部件上，越來越多增加狀態監測點是當前不可避免的趨勢。包括凈空監測，漿葉狀態監測，機器人輔助監測等。凈空監測是一個連續采樣采集數據的設備，它的良好的利用主要取決于系統對數據的整合和使用。對于狀態監測、振動監測而言，它的使用核心在于進行秒級數據的對應，可能要采用控制器的毫秒級的數據對這個數據進行數據進行標定，以確保相關的數據采集時刻風級運行狀態可以清楚進行判別。

而至于第三類停機之后利用定檢方式進行采集，我個人認為是管理的問題，它是需要和整體管理理念，需要和定檢維護設計邏輯的策略。需要有計劃的有規范的對相關的定檢等相關的活動進行計劃采集數據，來達到實際采集母報。另外一方面，運行數據除了在現有溫度壓力等等監測點方面，我們針對于以前監測效果不是很好的變槳系統以及變流器系統，做了一系列高頻數據的應用分析測試。在2019年的時候，運達風電已經全面邁入了秒級，在2021年已經開始做毫秒級數據的規范化的分析。

給大家講一下案例，這是變槳系統，有一些風電場，有一兩個風電場運行三年四年之后批量性損壞，一年壞十幾臺。拆下來之后，就是疲勞損傷，廠家說變槳電機用三五年差不多該壞了。業主就施壓再全換一套。我們就拿了毫秒級數據過來分享了一下變槳電機的控制系統，終發現是因為變槳系統的策略存在一個漏洞，以及反饋存在危洞的問題，導致變槳電機頻繁不制動，頻繁變換（漿聚角），導致變槳電機壽命大量損失。后面就通過相關部分傳感器的更換以及主控程序的升級解決了這個問題，整體來說對于運維成本的降低是遠遠超過一千萬的水平。

講完數據講講模型構造的問題，模型構造當前在進行故障預警開發的時候有以下幾個需求。是新模型的開發，主要原因是在于當前機型更新迭代速度非�？�，機型和平臺的更新迭代速度快會導致供應鏈變化，供應鏈變化以后，每一臺機組的典型故障模式會發生變化，時不時需要開發新的故障預警模型應對新的需求。第二是模型的初始準確率也是這樣的，1.5的平臺挪到4.5、5.5的平臺，泛用性也是存在問題的。第三就是故障點的判別精度，其實現在據我了解很多相關的系統還會做，比如說油溫過高，振動強度過大一系列報警策略以及報警預警等。

從我們的角度來看，對于現場人員的支持是不足夠的，在報警的系統，主要還是要給現場人員告訴他們是哪一個部件的損傷，需要修哪一個部件。因此針對這三個問題，我們大概總結出來一套套路，用一個工況精細化篩選+狀態估計，對工況進行精細化的分類，可能分到幾十類上百類的情況。因為基于數據的運維工作，首先沒有很高的實時性的要求，也沒有連續監測的需求，所以可以只挑選自己需要的工況進行分析。而狀態估計方法大的優點在于沒有正樣本進行訓練，有時候一個新的平臺出來沒有正樣本是非常正常的。而且這個模塊很容易做標準化的形態，一方面利于內部擴大生產和模型開發，另外一方面和第三方廠家和高校聯合合作進行開發。關于這一個架構，有非常多的應用實例，推薦大家可以關注一下我們在20號上午風電機組升級的演講，有一些性能方面的研究和相關的成果。

有了數據和模型，怎么樣持續對模型的效果進行優化，以及怎樣的業務流程適合當前智慧運維業務流程。上面是一個傳統業務流程，我們的系統直接服務于總部的技術支持，或者說對于業主來說技術監督。由技術支持完全負責和現場的對接，它告訴現場該怎么操作，現場操作完之后由它來確認現場操作效率。這是一個非常直觀的，也是在傳統意義上非常有效的流程，但是不太適合當前現場工作壓力過大，現場沒有足夠多的時間進行相關的判定的業務現狀。因此我們對整體的流程進行了改進，將技術支持所在角色，與現場溝通的角色轉變成了對知識庫進行確保，以及對整個流程進行監督的角色，把所有的方案制定以及終的模型效果的評判全部都納入到系統的范圍當中來。

一般來說在做系統的時候都會以預警準不準確為標簽對模型進行優化，根據研究，我們發現用一個更加量化的指標，比如說要求健康度，這一次預警目標健康度提升多少，以這樣的指標對模型進行優化是一個更加有效的模型迭代的方法。而且這種情況下，可以分辨出，是我們這邊模型的預警策略的問題還是技術支持那邊對于故障處理方案的效果不佳的問題。

這是在2019年跟今年相關的效率上的對比，可以看到，一方面來說相對于2019年整個系統接入項目翻了很多倍，人力的投入是差不多的。也可以看到，現場的工單處理效率差的不是非常遠，差的多是技術支持工作模式�，F在在他們的幫助下，在現在新的體系幫助下，模型版本更新板的非�？�，另外一方面每個月更新相關的技術流程。同一個模型相對于兩年前，預警準確率可以提升到30%到40%以上。

下一步，我們打算在現在已經有了基于健康度的故障預警相關的工作基礎上，還要從兩個方向入手。，要更加切實轉變運達作為主機廠商的視角，更多從風電場運營的角度去看待相關的技術需求，去進行資產優化等相關的技術研究。另外一方面也是切實推動無人職守、少人運維的先進理念的實現，謝謝大家！

（根據演講速記整理，未經演講人審核）