1月8-10日，2019年（第四屆）風電場智能化專題交流研討會在成都召開。本次會議由中國電力企業聯合會科技開發服務中心和全國風力發電技術協作網主辦，300多位行業專家和領導與會交流。北京天澤智云科技有限公司解決方案經理姜凱出席會議，并針對目前智能化應用面臨的模型預測準確性問題，發表《以模型全生命周期管理為核心的風電智能化實踐》主題演講，以下為主要內容。

天澤智云解決方案經理 姜凱

1、風電智能化建設痛點——模型預測準確性不穩定

隨著智能化技術的發展，市場上涌現出非常多以模型為核心的智能運維應用，包括針對風機端、風場端等，很大程度上解決了風電行業限電嚴重、度電成本高、運維難度大、人員流失等痛點問題。

與業務創新結合的智能運維應用

但在應用中我們發現模型預測的準確性成為了風電行業智能化建設的典型問題，很多模型在測試開發及應用初期準確性很高，但隨著時間的推移逐漸出現誤報、漏報等預測不準確的問題。

究其根源，主要是因為故障數據的缺失和不足。風場的智能化建設相對還處在比較初期的階段，能夠積累大量故障數據并進行統一化管理的業主并不是很多。而不論是機器學習還是故障預測，都需要有足夠多的故障數據才能更好地完成對模型的分析和預測。

在這樣的背景下要保證模型預測的準確性，首先需要完善數字化積累，建立平臺管理數據，同時通過一套完整的體系進行模型全生命周期管理，提高預測的精確度。

2、模型全生命周期管理建設——全面提升預測準確性

基于天澤智云工業智能實踐經驗，我們將模型全生命周期管理建設過程總結為以下幾個階段：

首先，模型設計與建立。

與行業專家、運維工程師基于已有風機故障探討，結合業務知識，明確是否需要建立相應的模型，并通過專業的方法和工具，形成體系化的建模理論。

其次，模型訓練及優化。

完成建模之后，融合不同維度的業務數據，完成自動化數據標注和模型數據對接，協助模型的訓練和優化。

再次，模型升級及管理。

完成訓練之后，對不同場景下的模型進行版本管理、升級和調用。同一問題在不同業務場景中有不同表現，如齒輪箱故障預測在冬季和夏季可能對有不同的結果。所以可以將模型類比成一套軟件，需要不停的關注、迭代和優化。

最后，模型應用支持。

完成上述流程后，對接到不同的業務系統（如風功率預測、故障預測等），接入實時數據，完成模型與業務應用環境對接，支撐業務應用落地。最終形成整個閉環。

3、以模型全生命周期管理為核心的風電智能運維應用設計

天澤智云結合以上理念，打造出一套基于DT/AT/PT/OT的相對完善的風電智能運維應用體系，幫助客戶快速解決風電運維中的多種問題。

概括而言可以分為兩部分，建模分析和邊緣物聯。首先通過風場智能物聯網與邊緣計算平臺收集SCADA、CMS或其他系統的數據，之后通過數據預處理、降噪、降維等方法建立特征庫，再結合機理分析和特征工程，及模型訓練、模型驗證得到數據進行部署和監控，最后實現風電的微服務、可視化等不同的應用服務，形成風電智能運維應用的閉環。

模型設計及訓練——GenPro^TM 端到端的風電智能建模支撐

GenPro^TM是天澤智云自由研發的模型的開發工具，模型設計及訓練環境支撐完整的工業數據分析和PHM建模過程，內置各類算子，實現與PHM知識體系相結合，協助風電算法工程師快速完成模型搭建。

模型設計及訓練環境具有風電應用模型模板，便于算法工程師快速學習風電模型的搭建和設計，完成新模型的研發。

AI算法模型管理庫——CyberRepository^TM 模型存儲和版本管理

我們也開發了專用的模型管理庫—CyberRepository^TM行業算法組件庫，包括齒輪箱、軸承、發動機故障預測等不同的算法模板庫，及訓練流程庫，能夠讓大家更方便地完成對不同模型的版本管理，同時能夠迅速地參考庫中模型完成模型的自主開發設計。

開發設計、運行管理之后，到了應用。對于模型的應用，風電領域，風機部件很多，每個部件都可以形成一個模型，模型有這么多應用，是否每個都要對應更改應用系統。如何解決這個問題。

模型運行管理——CyberSphere^TM

我們知道風機有非常多的零部件，如果對每個進行建模系統將會形成一個非常復雜的系統。在此，我們開發了模型運行管理工具CyberSphere^TM，通過可視化管理調度模型的運行周期、次數及頻率。在運行過程中如果模型需要更改，則可直接通過CyberSphere^TM將算子計算的結果輸入到數據庫，迅速對模型更新迭代且不影響其他應用的使用，從而快速構建智能平臺。

4、風電模型全生命周期管理應用實踐

>> 故障預警系統

基于SCADA數據進行早期故障預警/風功率預測，其背后支撐的是不斷更新迭代的模型全生命周期管理體系，以便于在客戶現場完成不同版本、不同模式的模型升級和管理。

>> 精準故障分析系統

精準故障分析系統是將CMS的振動信號與預警系統的分析結果相結合，以大量的機理和數據驅動的模型為支撐的一套分析體系。即當預警系統發現早期故障后，針對性的對這些故障做精準分析，同時對接CMS系統，對關鍵的振動數據進行精準評估分析，并自動將分析結果推送給運維團隊。

>> 生產管理系統

生產管理系統通過各種分析方法完善對風場發電量等應用生產能效的分析。以系統對標為例，在整個風場中選出性能最佳的風機作為標桿風機，將其他風機與之對比從而指導風場運維，相對標記最差/排名最低的風機即為未來運維的主要關注對象。

>> 智能運維排程系統

智能運維排程系統是另一個非常典型的風場應用，尤其對于海上風場。眾所周知，船舶、配件及人員等資源調度是海上風電運維面臨的一個重大挑戰。當一個海上風場有多臺風機出現故障時，目前采用的方法大部分是根據故障發生的先后順序來進行維修，而該系統則是從數學的視角出發，思考以什么樣的方式能夠最快、且成本最優的完成運維，綜合評估出一套最優路徑。

>> 風場移動運維管理系統

為了更好地讓分析決策落地執行，風場移動運維管理系統應運而生。通過該系統一方面可以向現場工程師通過可視化的界面不斷更新風場實時運維數據及信息，另一方面也可以讓運維工程師將一線的一些故障數據及時反饋，推送到系統后針對該標簽做針對性的訓練，從而模型迭代優化，更好地完善模型，完成閉環。

>> 應用案例：某能源集團旗下風電機組智能預警服務

天澤智云為其能源集團旗下5個風場的140多臺風機部署風電智能預警系統，幫助其從故障后維修躍遷到主動預防性維護，降低運維復雜度，大幅度減少風機停機時間和發電量損失，降低風場故障率，減少備件消耗，降低運營成本。通過實踐，實現了以下功能：

模型的快速部署

• 模型總數量 305個

• 支持同一風場不同風機的部署以及在不同風場的部署

• 第一個風場部署時間1周，剩余四個部署總時間1周

系統的高魯棒性和安全性

• 自去年8月上線以來，系統運行穩定，零宕機

• 數據傳輸過程對數據進行加密，防止數據被竊取

• 模型校驗，模型代碼混淆和加密，防止惡意篡改和非法破解

模型具備高可調試性

• 對模型運行狀態的監控，給算法團隊提供了模型運行精度的衰退情況，便于模型的訓練、快速優化和更新

作者簡介

姜 凱

天澤智云解決方案經理

上海交通大學儀器科學與工程系碩士研究生。合作參與風電、軌道交通、化工、制造等多個工業領域的設備健康管理系統設計及搭建項目，擁有數據采集、光電監測、圖像處理、設備狀態監測、工業設備信號處理、邊緣計算、機器學習、故障預測與健康管理相關領域研究經驗。