以下為演講實錄：

 

　　今天的這個會議主要是以電網為主要的議題，但是我今天的這個議題主要是講風機機械的，但是我認為智能風機作為一個發電設備，它的安全可靠性以及它的使用成本實際上也是風機作為風電生產的電力源重要的一點。

 

　　我今天介紹的內容是我們在智能風機的安全可靠性方面的新技術探索和技術架構。

 

　　作為風機的主機的生產商，我們當然希望風機的度電成本以后是越來越低的。我們回顧來看，從技術的角度來講，我們希望未來的風機產品能夠越少人維護越好，這樣的話就能夠降低Opecs（音），同時又任何的問題能夠早期發現，不要晚期維修，這就要求我們對于問題的發現要有很強的預測能力，而不僅僅是狀態的監測能力。另外我們希望風電的風機在它的可靠性的基礎上能夠充分挖掘它的發電電量的潛力，這樣有一個好處，就是在電網對整個風場進行調度的時候，如果有一些風機處于運維狀態，那么剩余的風機仍然可以把發電量發起來，保證出口電量和電網的響應是穩定跟隨的。最后，希望作為資產的用戶能夠清晰地看到智能風機產品的這些技術在性能、安全性和電量方面非常地清晰透明。

 

　　實際上要達成這些目標，要克服當前風機運行時候的固有的技術挑戰。首先一個挑戰就是風機實際在運行的時候，它會出現各種各樣的故障，故障原因實際上和風機的設計，風電本身的屬性是相關的。就是風機在設計的時候所有的部件是按照20年的壽命設計的，但是落地風場不同的機位，風機實際運行的自然環境千差萬別，很多時候的一些部件由于機位的自然條件的差異處于過勞的狀態，或者遇到極端情況是實驗室設計以外的，這就導致這個部件失效。一旦部件失效以后再去進行維修，實際上這個成本越晚期維修和部件更換，帶來的損失是更大的，一方面是更換成本，一方面是停機的時間損失。所以無論是風電還是傳統的火電，大家都希望能夠把故障發現在早期，或者在早期就有狀態報警，這樣早期就能夠減少一些問題的發生和損失。

 

　　實際上做到這一點還是很有挑戰的。首先風機是由8個機械子系統包括電機子系統構成的。實際上這些系統里面真正需要監測的問題非常多，市面上大家提出來很多檢測的項目綜合起來都有50多項。現在的一個挑戰是在風電資產上如果對這50多個問題全部進行狀態監測的話，用現在的方式主要依靠加裝物理傳感器的方式去做。這樣會帶來一個問題，首先這些傳感器的加裝是不是都十分必要的？就是是要加傳感器，但是是不是每監測一個問題就要加一種傳感器？如果我們所有的東西都靠物理傳感器的話，遇到的一個挑戰就是我們怎么部署這么多的傳感器？尤其是很多風電設備是20年的壽命，可能已經工作了5年了，或者它已經工作了10年了，那么這個運行過程中，我們發現一些需要對規模化已經在運資產的某些安全性能進行監測，我們去補裝這些傳感器會帶來多大的挑戰？其實是非常大的挑戰。另外，會讓這個設備越來越復雜，因為它的硬件越來越多了，接入的東西越來越多了，本身去運維這些傳感系統的成本就會非常高。還有一個很大的挑戰就是監測這種東西實際上在一開始不會做得很準確，這個地方的挑戰有些問題我們識別它的邊界是需要時間和積累的，也就是說監測本身是需要持續改善的過程，不可能一蹴而就。因此，必須要探索出一種技術路線，能夠讓監測變得越來越準確，這是一個很重要的點。

 

　　另外一點，傳統監測的時候說的就是狀態監測。那么狀態監測要做到早期問題狀態的發現，就要對很細微的事情的苗頭就要有所探測。這要求實際上傳感器的敏感性是越來越高，成本也會越來越高。但是創造監測有一個  固有的局限性是什么？狀態監測沒有辦法發現這件事情要發生的趨勢，所以我們的設備上裝了一些硬件傳感器，雖然有狀態的感知力，但是沒有趨勢感知力。主要缺失的是設備上缺乏了一種信息，這種信息是模型在設計的時候，我的風機在設計的時候，我背后的機理是什么？物理規律是什么？這些規律往往在設計環境下用于零部件的評估、風機設備的優化，但是我們很少在在運的風機上時時刻刻把這個趨勢信息用好。如果能夠發掘好對于趨勢的捕捉，其實控制器是可以做很多工作的，我們現在很多的風電場一個是風機側可以做一些控制，一個是在機群側也可以做控制。但是控制苦于它的信息輸入量太少了，如果風機上只是一些狀態傳感器的話，它只能告訴這個控制器現在是好還是不好，但是它不能告訴接下來的發展趨勢是什么，這個時候控制策略就會受很大的限制。因此可以看到風機上有一些不重要的零部件壞了以后，比如有些傳感器壞了風機進入亞健康，接下來就是選功率，就沒有第三種選擇。根本監測對象并不能是一個“黑盒”，所以風機這個盒子必須要打開，它的運行規律和背后的運行機理必須是掌握的話，所以是“黑盒”的話沒有辦法滿足這個要求。

 

　　另外一個很大的挑戰傳統風機資產運營的架構。傳統的風機都當作一種高級的傳感器，風機本身就是一種傳感器，在度量電量，產生能量。所有這些信息獲取到云端之后進行數據分析，然后根據分析出來的趨勢預測哪些風機資產是有風險的，預測完再到現場閉環是很長的路徑，更何況整個這一條路徑無論是網絡安全還是各方面因素的約束，都迫使未來這些資產如果智能運行，云作為一種數據分析中心，作為問題預測中心，越來越不能滿足很高的響應、很高的是時效性以及數據策略的優化。所以這種架構是一定要變更的。總體來說，如果要讓資產智能運行，實際上是要完成一個從感就是數據的輸入；知就是趨勢的分析一直到行動達到極致的安全和性能的一個閉環。在整個閉環的鏈條上是有很多挑戰的。

 

　　要解決這些挑戰，我們重新思考了智能風機的技術架構。這個技術架構的核心是什么？就是我們把原來在云上要做很多數據分析工作直接放到邊緣計算端，也就是放在風機來做，做的算法和邏輯進行分裝，然后把風機和邊緣計算端提供的計算服務平臺化，這樣就有一個好處就是所有的算法有升級和改進的空間，而它的平臺對它提供的數據支撐以及傳感。所以它圍繞一種東西，這種模塊我們叫“智能健康感知應用”，這種應用在風機進行了部署，在服務器也進行了部署。這些應用的特點是什么？實際上基于的是我們對于風機本身動力學的理解，也就是說我的一這個應用可以根據風機上這些振動的傳感器分布在風機身體不同位置的振動和位移傳感器重構風機的受 力，在這個過程中再對所有的部件包括電氣系統進行健康的評估。這個時候在評估的時候就可以獲得它發展趨勢，這是物理傳感器本身不能提供的信息。

 

　　有了這個東西以后有一個好處就是機端控制器可以根據疲勞累積的速率快慢去調節和重新分配受 力，這樣不至于一直等到這個部件已經出現了異常狀態才作出響應。另外我們怎么把基于前面這個趨勢感知，我們其實是用于主動的干預在運行過程中就進行調節。另外一個很重要的點是故障，當我們發現捕捉到故障的時候怎么樣能夠把故障診斷快速和現場團隊進行閉環，這個時候故障診斷的策略實際上在現在的風電運行過程中，在云端其實將近有80%多，這些策略是固化的，就是發現這些異常以后，我們就知道現場應該怎么樣去進行干預和維護。那么我們把這些知識固化以后，也放到感知運用上就有一個好處，我的風機就可以直接和現場的運維團隊進行對話，直接可以告訴運維團隊哪里出了問題，應該怎么修，這樣就在現場把資產的運營情況向一線團隊進行透明，然后讓他們及時地響應現場的問題，不至于所有數據要回傳到總部進行一番分析才能得到結論，這樣更敏捷。

 

　　我們現在已經對于風機的10個關鍵系統做了很多的智能感知應用的功能點。實際上所有這些應用有監測和監控兩個方式，監控就是我剛才說的對于感知趨勢的主動干預，而監測實際上是和人和運維團隊進行交流的。

 

　　我們要把所有感知和監測到的數據在升壓站現場運行端向客戶全面展現出來，就有呈現的框架，所以這套系統是一個呈現框架，里面呈現了所有的監測的項目，全部是擴擴展的，隨著越來越成熟的智能感知應用的不斷部署，其實可以擴展的監測功能點是越來越多的，是動態增加的過程。還要將風機主動干預的過程向客戶進行透明，這樣資產運營的透明和智能運行的過程才能讓客戶完全看清楚。還有特別重要的一點就是在機群控制方面的協同作用，比如上面呈現出來的由于風機將自己的健康透明化以后，那么在升壓站（音）這個版本上的應用可以對全場的健康進行全面的分析和后處理，以此支撐機群控制器的策略。還有一個在升壓站服務器的邊緣側有一個很重要的場景就是我們的電量分析，實際上我們來度量這個資產的性能是不是達標，是不是存在出功不出 力的問題，很重要的就是要有一把尺，它要劃清楚是風資源在哪里，我的設備在哪里？為了把機位上的風資源度量下來，我們把這個模型部署在升壓站服務器層，這一層通過現場實際采到的風速驅動這個模型，然后還原每一個機位上應該具備的電量性能標準，以此為一把尺度量我的風機是不是性能達標。這樣就可以進一步讓整個資產的性能向客戶透明。

 

　　所以整體來說，我們的這個技術架構和傳統的風電的運行現狀情況有很大的不同實際上是邊緣計算，核心是邊緣計算，云端的作用實際上是數據的挖掘、分析以及模型的構造，也就是智能感知應用的建模，然后借著這個應用，它的進化和改進推進所有資產都進行進化和改進。比如我的風機在運的有上千臺，這種情況下我在老的風機上 部署的這些應用所收集過來的數據、運行的情況、探知到的我們通過實踐運行校準過的問題邊界部署到新一代的風機上以后，實際上所有的這些風機在整個空間上進行數據的迭代，不斷加速風機產品在時間上需要20年才能看清的很多問題，這樣用空間換時間的思維。基于整個的技術架構，我們稱之為是網絡的智能演化的技術架構。

 

　　今天主要和大家分享的是這些內容，謝謝大家。

 

　　（內容來自現場速記，未經本人審核）