RealSight IoT赋能风电产业,实现智慧洞察

案例概述

日前,某风电智能运维平台项目一期已成功上线,RealSight IoT物联网智能分析平台基于夯实的大数据分析技术为风机的正常运行保驾护航,实现智能风场不再是一句大话。

 

面临问题

  • 多源异构的数据源数据质量低下

不同厂商、不同型号、不同协议的风机,以及环境数据、电网数据等多源异构数据难以接入数据平台进行统一的管理和分析。同时,从风机SCADA系统上报的实时数据,常存在数据缺失、时间对齐、业务数据不准确等一系列数据质量问题,严重影响数据分析及数据建模的准确性和可信度。

  • 无法正确评估风机运行状态

风机在运行过程中会呈现不同的运行状态,有些状态在风机出厂过程中能够识别,但有些状态无法在出厂前识别。

  • 无法准确识别故障的隐患以及预测风机效能

风机常在非常恶劣的环境中运行,其核心部件(如叶片、齿轮箱等)受环境因素影响,存在多种渐发性故障。如何准确识别隐患期异常数据并及时处理?如何提高风功率预测的安全性和可靠性,降低风场的运营成本?这都是风场以及整个风电行业的痛点。

 

解决方案

针对上述设备运维的难点和问题,东软RealSight IoT物联网智能分析平台基于先进的大数据处理与分析技术,支持实时接入多源异构数据对风机进行综合监控和智能分析。支持接入多种解析协议的风机类型,实施可配置化的风机数据预处理和清洗,同时提供丰富的机器学习算法和预测分析模型,实现对风机的预测性维护、效能预测,为风机的正常运行保驾护航。

数据清洗
平台提供数据筛选和数据插补功能,并支持清洗或插补后数据的导出,方便用户实施个性化分析。

数据筛选:基于大数据计算技术,将集群中的风机运行数据转换为结构化的二维表,用户可以根据需求自定义筛选条件,对二维表中的数据进行过滤,选出对数据分析起重要作用的数据,如选出“风速大于5m/s”或“功率大于100kw/h”的数据。

数据插补:用户可以自定义插补规则,将同型号风机的正常运行数据按既定规则,对停机风机进行数据填补,解决了停机风机数据缺失问题,提高对数据分析的可靠性和准确性

风机状态智能识别

随着风力发电机运行时间的增加,设备逐渐老化,风场会逐步承担高昂的风机维护成本,了解风机的运行状态和发电状况,确定风机是否正常发电,是构建风机预测性维护体系的重要手段。

风机有多种运行状态,包括正常运行、低风速运行、欠功率、限功率、故障(停机)等。RealSight IoT基于大量历史运行数据建模,通过数学方法,将风功率曲线中的非线性分布转换为线性分布,再采用机器学习算法构建回归模型,识别和排除欠功率状态点;通过聚类算法辅助标注限功率点,通过分类算法识别限功率运行状态等等,最终实现整个风机的运行状态智能识别。

风机功率预测

风机的发电功率取决于风机的性能和风力大小等复杂的环境因素,如果能够提前了解未来一段时间风机的发电情况,就能帮助电网调度部门做好各类电源的调度计划,减少由于限电带来的经济损失,提高风电场运营管理效率。

风功率预测是一种基于风机目前的发电情况、风机状况以及天气预报等信息,预测未来一段时间发电功率的技术。RealSight IoT基于差分自回归滑动平均(AutoRegressive Integrated Moving Average,ARIMA)算法,结合时间序列混合模型,考虑风速受小时的影响因素,提出超短期风功率预测方法(预测未来4小时风功率,分辨率≦15min)。

此外,为了预测未来更长时间的风功率情况,模型加入天气预报数据,实施短期功率预测方案(未来72小时)。基于风机的部分数据作为试验数据,对模型进行交叉验证,采用平均准确率(Mean Average Precision,MAP)衡量模型的预测准确率,超短期功率预测准确率超过90%(超过行业一般标准)。

结冰识别模型

风机常建在海拔较高的地方,冬季受温度、周围环境的影响叶片会结上厚厚的冰层,严重阻碍了风机的正常工作,降低了风机的输出功率。同时,结冰叶片的不平衡或不对称影响着风机的结构,增了大风机的疲劳载荷。

RealSight IoT基于传感器上报的叶片振动数据、结合环境数据特征,采用决策树及逻辑回归算法,构建结冰识别模型。在叶片尚未结冰、或刚开始有结冰迹象的情况下,提早识别有结冰隐患的风机,有效降低风险。基于试验数据进行交叉验证,采用F1值衡量模型的准确性,准确率达到90%以上。

目前某风电智能运维平台项目一期已成功上线,系统每天采集海量数据至分布式大数据平台,不断积累历史运行数据、电网数据、环境数据、预警报警数据、维修定检数据。

随着数据的增加,数据中的价值不断积累,我们也将基于东软的物联网智能分析平台,为客户策划更多更有效的预测性分析模型和应用。

 

相关产品

2019-08-22T17:28:31+00:00