人工智能“改善”风机运维

关注公众号：风电彤行

人工智能应用需要三方面基本要素：学习算法、大规模数据和大规模、廉价计算。人工智能可追溯到20世纪70年代，但是直到低成本、强大的云计算它最近才得以应用。风电行业很适合从这场技术革命中获益。最好的方式就是将风电工程及运维经验与具有最新人工智能方法相结合。如对风机的载荷、控制策略和部件失效方式完整的理解，人工智能才能提供其技术潜在的好处。

常规运维缺点：

当今风机运维工作效率比可能的效率低是因为：

应性反应-针对故障和失效采取的运维措施；

静态的-风机行为有固定的故障上限和下限，不依赖于状态，不根据每台风机行为来定制；

劳动密集-SCADA查询是费力耗费资源的工作，对在数据中有用的见解会被忽略，将丢失增加发电量和降低成本的机会。

来自人工智能输入的风电场运维将从以下几方面回报：

预测的--人工智能将是可预测的-在早期阶段和在故障或者失效发生前将识别异常和提及；

动态的--风机将有动态故障极限，此依赖于状态，针对每一台风机定制；

自动的--一个机器学习平台持续分析背景数据，对运营人员自动提醒，伴随对最有效的建议性纠正措施。专业运营热暖将摆脱沉闷的数据分析，他们的将更多投入在更高价值的工作中。

改善风机运维

所附图片展示了损坏变桨轴承的保持架。这些故障的维修费用很高且导致停机和少发电甚至造成叶片损坏。一个对变桨轴承故障富有经验的公司往往依赖费时又费钱的目视检查来识别故障单元。结合风机专业知识和基于风机所有运行工况下的预期变桨轴承性能模型的机器学习，可开发一款可替代的检测方法。近期，该人工智能平台可判定预期变桨轴承性能和实际性能的偏差，该偏差将发送提醒通知。当检查变桨轴承时，发现保持架失效。应用该人工智能系统后，在发生更换变桨轴承之前4个月就告知变桨轴承的故障，这一点使得运营方有计划执行更换工作时也完成了另一台机组相似的更换工作，从而节省了一台吊车10万欧元的费用。

失效变桨轴承保持架

异性检测

该检测为如何将机器学习应用于风机案例。使用主机制造商提供的功率曲线检测出性能不佳的机组是非常困难之事。尽管主机制造商发布了参考的功率曲线，但是实际的功率曲线受风速以外的诸多因素影响，如海拔高度、季节因素、风剪切、湍流强度等等。来自同一厂家的类似的机组之间的功率曲线差别也高达10%。

点对点的分析是另一个性能估算器。点对点方法虽然比参考功率曲线更有效，但是它是一个需要对风机机位和风区的深入考虑和理解的方法。整体能量法允许使用点对点对比和单台风机偏差法。

预测的功率曲线是由机器学习平台产生。这个模型包含了除风速以外的诸多因素并且解释了它们对发电的影响。每台机组模型都是独一无二。一旦在同一天发生偏差，这个模型就能够识别在发电方面的偏差，让运营者立即修正，限制发电量损失。

机器学习技术的应用将会使得风机发电增加和减小维修费用。而且，这些改进是通过现有的SCADA数据来完成的，而不需要额外的传感器。这些改进不久将来会成为一个标准。