摘要：隨著風電場行業的大發展，在運行機組數量急劇增長的情況下，風電機組的發電性能、可靠性問題迫切需要解決。本文通過數據分析，清晰地展現風電機組的能量真正損失在哪兒了，進行性能分析與優化建議，對提高和優化機組性能和可靠性提供強大的依據。
　　
　　1、前言
　　
　　國家“十三五”能源規劃指出，到2020年，中國風電規模要達到2億千瓦，規劃明確風電主要以大型基地為主，截止2015年底，全國并網風電裝機容量12934萬千瓦，設備平均利用小時為1728小時。隨著風電機組運行時間的增加，機組性能和可靠性方面的問題也逐漸增多，造成了不必要的發電量損失和經濟損失。
　　
　　本文通過數據處理、KPI指標分析、損失電量分解、根源分析等手段，評估風電場和每臺機組的實際發電能力，可靠地進行詳細科學的分析和診斷，準確回答出“風電場和風電機組的電量損失在了哪里”，使管理者全面了解風電場的最真實情況，并為優化技改提供方向。
　　
　　2、背景
　　
　　現場通過數據采集方式，可得到機組、升壓站、電能量計量等相關數據，通過這些數據可計算相應的指標，如風電機組可利用率、風電機組功率曲線、風電機組發電量及可利用小時數等等。以往發電企業更多關注限電、停機、故障等最直接表現出來的問題，通過計劃經營、檢修、維護等方式來提供發電效益，往往忽略了機組性能問題。我們會發現，當限電、停機、故障等都不存在的時候，發電量的表現仍然不盡人意。通過分析和實驗發現，機組性能存在可觀的優化空間。性能分析不但能提高發電效益，同時能對技改后評估提供依據。風電機組性能問題表現為兩個方面。一是限功率運行；二是功率曲線表現差。
　　
　　通過對運行數據分析，往往可以發現高溫、結冰、風向標、葉片、控制策略異常以及軟件配置等問題。解決這些問題能夠減少被考核，提高發電能力，避免大部件故障的發生等，提高企業經濟效益。
　　
　　功率曲線是衡量機組發電能力最直觀的表述。它能幫助我們進行機組之間的比較或與保證功率曲線比較。廠家提供的保證功率曲線往往是在標準空氣密度下以自由來流風速進行擬合的，而采集的風速則是機艙風速。因此，在與保證功率曲線對比時，需要將機艙風速修正為相同空氣密度下的自由來流風速。
　　
　　如圖1所示，藍色點為風機SCADA中導出的原始數據散點圖，灰色點為藍色點計算出的風機原始機艙功率曲線，紅色點線為保證功率曲線，從圖中可以看到由于風機廠家的設置自由來流風速與風輪機艙風速之間的影響差異，導致機艙風速遠小于真實風速，SCADA數據繪制的功率曲線遠高于保證功率曲線，無法反映功率曲線的性能損失。通過風速修正后的功率曲線如黃色點所示，可以看到機組真實的功率曲線并沒有達到保證功率曲線。使用風速修正后的風速計算，可以計算出機組功率曲線劣化帶來的性能損失。 　　 　　
　　本文選取某一個風場的數據，按照詳細分析流程的描述進行操作，具體的揭示了通過性能分析發現的機組問題。
　　
　　3、分析流程
　　
　　3.1 分析流程概述
　　
　　由于數據的龐大復雜，需要對數據進行處理，清洗等操作。通過數據的輸入、數據處理及最后的數據輸出，完成能量可利用率指標的計算，形成數據的查詢與展示。輸入的數據通常有機組10min數據、測風塔數據、機組故障數據、測風數據、報表數據、臺賬數據、地形圖等，經過數據統計、數據清洗、數據插補、數據篩選與分類、數據量化等方法對數據進行處理，最終展示出各指標的散點圖、柱狀圖、曲線圖、時序圖、餅圖、玫瑰圖、甘特圖、瀑布圖、地圖、樹地圖、堆疊圖、面積圖、氣泡圖等可視化分析形式。 　　 　　
　　3.2 分析基礎平臺
　　
　　基于R、Python、H2O對歷史數據進行挖掘、分析、建模，基于Spark實現全量數據的大型分布式模型訓練、驗證、評估，通過分類、回歸等機器學習算法，在Hadoop集群主節點、Spark節點、DataNode和交換機進行配置，完成數據的分布式計算和集群管理，從而實現算法的開發。 　　 　　 　　
　　4、性能分析與優化
　　
　　4.1 數據質量分析
　　
　　本文采用的是機組SCADA系統導出的2014年9月1日至2015年10月1日的10分鐘數據。其中2015年6、9月數據缺失；21號機組缺少6月份以后的數據，22號機組所有數據缺失。此時，對于缺失數據可以選擇通過算法進行插補。由于缺失數據對本文的分析不產生影響，因此忽略插補步驟。下一步進行數據量化。
　　 　　
　　4.2 整體發電量分析
　　
　　通過數據量化得到32臺機組2014年10月至2015年10月12日故障停機、高溫降容及其他降容損失電量達488萬kWh，占應發電量的6.04%。其他由于齒輪箱油溫高降容損失26萬kWh，發電機驅動端軸承溫度高損失4.14萬kWh，發電機非驅動端軸承溫度高損失3.68萬kW，發電機繞組溫度高損失0.06萬kWh；停機及其他降容損失454.12萬kWh。同時，機組之間功率曲線相差比較大，見下圖。
　　 　　
　　4.3 機組異常問題分析
　　
　　根據SCADA的10分鐘數據利用數據模型分析機組的發電性能、控制策略和大部件穩定性。分析結果匯總如下：
　　
　　1、 機組由于高溫存在限功率運行的情況
　　
　　由于機組程序設置高溫（齒輪箱油溫75°）后，機組自動限功率運行，直至達到極限溫度后停機。分析發現每個月都存在齒輪箱高溫降容的情況，其中2014年11月、2015年3月和5月比較嚴重；大風月份發電機前后軸承也存在高溫降容情況。除14、15和20號外其他機組都出現過齒輪箱高溫降容情況，9、32、17、4、24比較嚴重；32、33、13、24、26、2、9、3、23、11、30、7、21號發電機驅動端存在高溫情況；9、24、18、20、7、2、13、33、11發電機非驅動端存在高溫情況；13號機組2015年4月出現過發電機繞組高溫降容情況。
　　
　　為分析近期機組情況，本文通過2015年8月和10月數據分析發現。4、5、9、10、11、13、14、16、17、23、24、25、28，共13臺機組存在齒輪箱高溫問題。高溫情況在10月份后有所緩解，但是4、5、16、17這4臺機組還存在齒輪箱油溫高問題。
　　
　　優化建議：此時應建議風電場對10月份還存在問題的機組檢查其齒輪箱散熱器是否堵塞、溫控閥和單向閥是否失效、油泵是否失效；同時加強對其他機組齒輪箱散熱系統的維護，可考慮進行改造避免發電量損失。同時檢查出現過高溫降容的發電機軸承是否存在電腐蝕情況，振動是否存在異常，潤滑油脂是否合適等問題。
　　 　　
　　2、 控制策略修改導致發電性能下降
　　
　　絕大部分機組在4、5和10月份調整過控制策略，導致機組發電性能有所下降。
　　
　　分析發現10月份前絕大部分機組功率曲線出現了下降；懷疑是由于程序升級導致，若存在限電的話，個別機組也有可能是限電導致；分析發現各機組額定轉速有所不同，控制參數前后不一致。如5、7、9、12、15、16、17、18、23、25、26、29、30、31、33，共15臺機組發電性能在10月份出現了明顯下降。
　　
　　此時應建議風電場確認是否進行了程序升級，10月份后是否開始限電。同時調查上述15臺機組程序版本及控制參數是否存在問題，特別是26號，若確實是由于程序升級導致，建議恢復到8月份程序版本。
　　 　　
　　3、 個別機組功率曲線表現不好
　　
　　分析發現全場機組功率曲線一致性較差，個別機組功率曲線存在問題，個別機組在一些月份存在問題。
　　
　　其中一些機組功率曲線離散度比較大，功率曲線與其他機組相比相差較大，如9、10、19、26、29、30這6臺機組；建議檢查這些機組設備配置是否有區別，特別是主控程序版本、變頻器、變槳系統及風速儀、風向標及傳遞鏈等。
　　
　　其中機組8、25在10月的時候功率曲線差，分析發現其額定轉速低于其他機組，建議檢查這些機組控制參數列表設置是否存在問題，調查發電機型號是否與其他機組不一致。
　　
　　其中機組4、15、16的功率曲線差，建議風電場檢查風向標是否校正，葉片零位是否校正，葉片是否存在污染或者破損等。
　　
　　4、 控制策略存在異常
　　
　　分析發現個別機組的最優CP控制階段采用了兩個動態的Kopt參數，針對不同的空氣密度。如27、28這兩臺機組，在8月和10月一直存在這種情況。建議風電場與廠家或者維護單位確認是否在一些機組上進行相關試驗，并對試驗結果請相關專家進行評估，挑選最優參數進行升級。
　　
　　表2 機組性能分析表
　　
　　5、結論
　　
　　通過對風電機組的性能分析，利用數據說話，科學地分析每臺機組的性能損失問題，可針對性地解決問題，提高機組的發電量。但是在性能分析中，還存在兩個問題：一是數據質量差，隨著數據過多的缺失，風電場的一些真實問題會隨之丟失。欲實現精細化管理，必須加強數據采集技術：如建設通訊中斷就地緩存。二是全參數的數據量大，目前大多數廠商只采集部分數據。為了達到更精準的根源分析，需要借助全參數的數據相互耦合判斷。在數據量隨之增大后，對性能的要求也隨之增高，尤其是對實時性能分析的要求更高。因此，需要引入大數據平臺存儲技術，如HDFS、HIVE等和流數據處理技術，如SparkStreaming、Storm等。