论文部分内容阅读
【摘 要】科技的进步，促进人们对能源需求的增多。我国风电场经过20多年的发展，在很大程度上补充了电力能源的供应。近段时间以来，更多的小型风力发电场转变成为较大规模的风力发电场，这样一来，发电设备就呈现多样性和复杂性的状态，这就给风电场的运维管理带来了极大的挑战。本文就风电场智能化设计云平台关键技术展开探讨。
【关键词】风电场;智能化设计;云平台
引言
风电场选型、选址和建设条件日益复杂，风电场设计成为影响风电场开发成败的决定性因素。受益于大数据技术、云计算等信息技术的飞速发展，大量的创新技术正成为风电场设计的重要基础。基于人工智能和大数据等技术的风电场智能化设计正在革命性地改变传统风电设计行业，为平价风电开发提供有力的技术支撑。
1大规模风电场并网运行的特点
（1）风能的稳定性差。不同于其他情节性能源，风能属于过程性能源，具有随机性和不可控性，风向经常发生变动，并且风速具有不稳定性，因此这些不可控因素严重影响风力发电机的工作效率。为了能够确保输出电能的稳定性，风力发电机必须加装调节风速和风向的控制装置。（2）风能的能量密度小。风能的能量密度与发电机的风轮尺大小成正比例关系，为了确保在相同时间内风能的能量密度达到风电场并网前的发电容量，一定要确保发电机的风轮大小，一般要比未并网前大几十倍。（3）风轮的效率较低。按照正常理论来讲，风轮的最大效率大致保持在59%左右，实际可能会更低。最新统计显示，水平轴风轮机最大效率维持在15%～45%，垂直轴风轮机最大效率在30%～35%。不难看出，虽然我国的风能资源比较丰富，但分布位置比较偏远，大多集中在西北、华北和东北地区。根据分析风能以上的几个特点，发现利用风能发电不是件容易的事。总的来说，风能发电要考虑的因素有很多，其中最关键的就是风能的不稳定性，如果风能转化为电能直接并入电网，将会对电网的正常运行带来一定威胁。（4）风能不能储存。风能也是最不容易存储的能源之一，所以要保持独立运行风能发电机组供电不间断，在保证持续供电的同时还要配备可存储风能的装置。
2风电场智能化设计云平台关键技术
2.1基于大数据应用的智慧型风电场预测模型方法
风电场功率过去采用的预测方法是模拟整个风电场的功率输出情况，建模简单但是风电场功率预测精确度比较差。因为风电场中各风电设备相隔距离比较远，所以风电场风机设备所处的气压、温度、气流和风向都不完全相同，导致最后风电场功率的预测结果与实际相差较大。所以智慧型风电场模型预测方法应该采用大数据技术，通过大数据技术对风电场中各风机设备的运行参数进行统计、整理和分析，找出风电场功率变化的规律，提高风电场功率预测的稳定性，有利于智慧型风电场的建立。
2.2 数据分析建模技术
在大数据环境下，面对海量数据的采集与统计，传统的分析方法已无法满足大规模数据集处理，需要基于数据平台，利用分布式存储和并行处理机制，建立大数据环境下的数据分析模型，由海量数据中提取出有用的信息特征，为风电机组、风电场的设计优化和运维策略提供支持。一方面，应综合考虑质量成本、发电量损失、发电量可利用率（PBA）、停机时间、平均故障间隔时间（MTBF）、平均维修时间（MTTR）等因素，确定健康评估模型的建模和实施优先级;另一方面，需根据业务问题完成模型建模的需求分析，并选择基于机理规则、数据驱动或二者结合的方法完成建模分析。
2.3一体化监控平台
网络微机监控系统作为升压站电气监控系统的常规设计方案，下设站控层、間隔层与过程层：站控层由操作员站、远动装置以及交换机和网络接口设备等搭建监控后台，实现整体的监控功能;间隔层由一体化监控平台下各个子系统，如保护测控装置、风机机组控制系统和巡检终端等组成，各个子系统可完成独立的监控功能。过程层由电流互感器、电压互感器、测温装置、风机数据采集等就地装置，完成电气量的实时采集、设备运行状态的监测和控制命令的执行。所述巡检装置集中在巡检机器人、在线监测装置、视频终端以及一体化电源这 4 种类型，均可接入间隔层，海上升压站配置的网络微机监控系统可升级为一体化监控平台，巡检数据纳入网络监控数据中，由海底光电复合缆一并远传至陆上集控中心，实现对海上升压站无人值守、少人巡检、陆上集控中心实时远程监控的去人工的巡检方案。
2.4数字孪生技术
在设计仿真及产业化运行阶段，风电机组实现了数字世界与物理世界的闭环映射及闭环验证。基于风资源条件、机型平台等级、子系统条件等设计需求完成仿真模型建模、控制器设计、载荷及动力学仿真设计、部件校验。通过对样机的安全功能测试、系统辨识、性能测试、载荷验证等完成设计认证，实现与仿真设计的闭环确认。通过产业化机组的安全、性能、可靠性、子部件健康、系统裕度等评估，实现产业化机组表现与样机的对比及与仿真设计的对比。基于闭环映射及闭环验证，可进一步实现设计的优化、现场故障诊断及预警预测的目标。
2.5风电场模型数据预处理
（1）风电场气象数据采集。大数据采集风电场气象数据需要排除一些误差较大的数据，保证风电场数据的精确度。大数据通过传感器采集数据时会容易受到信道的影响导致气象数据异常或丢失，这些数据如果直接被大数据技术采集则会影响最终风电场功率模式的精度。所以气象数据在使用之前应该经过预处理，将误差气象数据进行修正或者将缺失的气象数据补全，保证气象数据的完整性和原始性。在气象数据的采集中应该测量风速、风向、气压、小时温度变化、小时风速变化以及小时气压变化的值，然后进行数据预处理，保证气象数据的完整性和精确性。（2）风电场历史数据整理。风电场模型构建之后还要整理其历史数据，然后将历史数据与当前测量的风电场数据进行比对，剔除误差较大的数据，防止在构建模型的过程中出现矛盾数据。在历史数据整理之后对预测结果进行预处理，将外力因素导致的错误历史数据记录剔除，防止风电场功率模型出现较大误差。风电场处理历史数据时可以根据风机生产厂家提供的风功率变化曲线将误差较大的数据剔除，防止风电场功率容错范围过大，同时查看风电场风机的维修记录，将维修时间内的历史数据剔除，然后将此阶段的历史数据采用插值法进行补全，将历史数据对风电场功率模型建立的影响因素控制在最小。（3）风电场数据归一化处理。风电场气象数据和历史数据采集完成后需要对这些数据进行归一化处理，即风速归一化、风向归一化、温度归一化以及其他因素归一化。风速归一化即（当前风速值 - 最小预测风速值）/（最大预测风速值 - 最小预测风速值）;风向归一化即计算出风向值的正弦和余弦数值;温度归一化即（1+e（5- 当前温度值）/10）-1;其他因素归一化的值按照风速归一化的归一方式计算即可。
结语
随着时代的发展，当今社会更注重绿色能源的开发，而传统的发电厂多为火力发电，在发电的同时对周围环境带来了污染，但是风力发电则不会带来污染问题。所以风能资源逐渐被开发利用，我国多地建设风电场将风能转化为电能，在大数据技术下风电场逐渐向智慧型的方向发展。
参考文献：
[1]刘超，盛科，杨佳元，等.风电场机组选型与微观选址优化研究[J].风能，2019（8）：62-65.
[2]杨珺，张闯，孙秋野，等.风电场选址综述[J].太阳能学报，2018（s1）：136-144.
[3]秦初升.基于全寿命周期成本的风电场工程规划优化设计研究[J].水力发电，2019，39（5）：83-86.
（作者单位：特变电工新疆新能源股份有限公司）
【关键词】风电场;智能化设计;云平台
引言
风电场选型、选址和建设条件日益复杂，风电场设计成为影响风电场开发成败的决定性因素。受益于大数据技术、云计算等信息技术的飞速发展，大量的创新技术正成为风电场设计的重要基础。基于人工智能和大数据等技术的风电场智能化设计正在革命性地改变传统风电设计行业，为平价风电开发提供有力的技术支撑。
1大规模风电场并网运行的特点
（1）风能的稳定性差。不同于其他情节性能源，风能属于过程性能源，具有随机性和不可控性，风向经常发生变动，并且风速具有不稳定性，因此这些不可控因素严重影响风力发电机的工作效率。为了能够确保输出电能的稳定性，风力发电机必须加装调节风速和风向的控制装置。（2）风能的能量密度小。风能的能量密度与发电机的风轮尺大小成正比例关系，为了确保在相同时间内风能的能量密度达到风电场并网前的发电容量，一定要确保发电机的风轮大小，一般要比未并网前大几十倍。（3）风轮的效率较低。按照正常理论来讲，风轮的最大效率大致保持在59%左右，实际可能会更低。最新统计显示，水平轴风轮机最大效率维持在15%～45%，垂直轴风轮机最大效率在30%～35%。不难看出，虽然我国的风能资源比较丰富，但分布位置比较偏远，大多集中在西北、华北和东北地区。根据分析风能以上的几个特点，发现利用风能发电不是件容易的事。总的来说，风能发电要考虑的因素有很多，其中最关键的就是风能的不稳定性，如果风能转化为电能直接并入电网，将会对电网的正常运行带来一定威胁。（4）风能不能储存。风能也是最不容易存储的能源之一，所以要保持独立运行风能发电机组供电不间断，在保证持续供电的同时还要配备可存储风能的装置。
2风电场智能化设计云平台关键技术
2.1基于大数据应用的智慧型风电场预测模型方法
风电场功率过去采用的预测方法是模拟整个风电场的功率输出情况，建模简单但是风电场功率预测精确度比较差。因为风电场中各风电设备相隔距离比较远，所以风电场风机设备所处的气压、温度、气流和风向都不完全相同，导致最后风电场功率的预测结果与实际相差较大。所以智慧型风电场模型预测方法应该采用大数据技术，通过大数据技术对风电场中各风机设备的运行参数进行统计、整理和分析，找出风电场功率变化的规律，提高风电场功率预测的稳定性，有利于智慧型风电场的建立。
2.2 数据分析建模技术
在大数据环境下，面对海量数据的采集与统计，传统的分析方法已无法满足大规模数据集处理，需要基于数据平台，利用分布式存储和并行处理机制，建立大数据环境下的数据分析模型，由海量数据中提取出有用的信息特征，为风电机组、风电场的设计优化和运维策略提供支持。一方面，应综合考虑质量成本、发电量损失、发电量可利用率（PBA）、停机时间、平均故障间隔时间（MTBF）、平均维修时间（MTTR）等因素，确定健康评估模型的建模和实施优先级;另一方面，需根据业务问题完成模型建模的需求分析，并选择基于机理规则、数据驱动或二者结合的方法完成建模分析。
2.3一体化监控平台
网络微机监控系统作为升压站电气监控系统的常规设计方案，下设站控层、間隔层与过程层：站控层由操作员站、远动装置以及交换机和网络接口设备等搭建监控后台，实现整体的监控功能;间隔层由一体化监控平台下各个子系统，如保护测控装置、风机机组控制系统和巡检终端等组成，各个子系统可完成独立的监控功能。过程层由电流互感器、电压互感器、测温装置、风机数据采集等就地装置，完成电气量的实时采集、设备运行状态的监测和控制命令的执行。所述巡检装置集中在巡检机器人、在线监测装置、视频终端以及一体化电源这 4 种类型，均可接入间隔层，海上升压站配置的网络微机监控系统可升级为一体化监控平台，巡检数据纳入网络监控数据中，由海底光电复合缆一并远传至陆上集控中心，实现对海上升压站无人值守、少人巡检、陆上集控中心实时远程监控的去人工的巡检方案。
2.4数字孪生技术
在设计仿真及产业化运行阶段，风电机组实现了数字世界与物理世界的闭环映射及闭环验证。基于风资源条件、机型平台等级、子系统条件等设计需求完成仿真模型建模、控制器设计、载荷及动力学仿真设计、部件校验。通过对样机的安全功能测试、系统辨识、性能测试、载荷验证等完成设计认证，实现与仿真设计的闭环确认。通过产业化机组的安全、性能、可靠性、子部件健康、系统裕度等评估，实现产业化机组表现与样机的对比及与仿真设计的对比。基于闭环映射及闭环验证，可进一步实现设计的优化、现场故障诊断及预警预测的目标。
2.5风电场模型数据预处理
（1）风电场气象数据采集。大数据采集风电场气象数据需要排除一些误差较大的数据，保证风电场数据的精确度。大数据通过传感器采集数据时会容易受到信道的影响导致气象数据异常或丢失，这些数据如果直接被大数据技术采集则会影响最终风电场功率模式的精度。所以气象数据在使用之前应该经过预处理，将误差气象数据进行修正或者将缺失的气象数据补全，保证气象数据的完整性和原始性。在气象数据的采集中应该测量风速、风向、气压、小时温度变化、小时风速变化以及小时气压变化的值，然后进行数据预处理，保证气象数据的完整性和精确性。（2）风电场历史数据整理。风电场模型构建之后还要整理其历史数据，然后将历史数据与当前测量的风电场数据进行比对，剔除误差较大的数据，防止在构建模型的过程中出现矛盾数据。在历史数据整理之后对预测结果进行预处理，将外力因素导致的错误历史数据记录剔除，防止风电场功率模型出现较大误差。风电场处理历史数据时可以根据风机生产厂家提供的风功率变化曲线将误差较大的数据剔除，防止风电场功率容错范围过大，同时查看风电场风机的维修记录，将维修时间内的历史数据剔除，然后将此阶段的历史数据采用插值法进行补全，将历史数据对风电场功率模型建立的影响因素控制在最小。（3）风电场数据归一化处理。风电场气象数据和历史数据采集完成后需要对这些数据进行归一化处理，即风速归一化、风向归一化、温度归一化以及其他因素归一化。风速归一化即（当前风速值 - 最小预测风速值）/（最大预测风速值 - 最小预测风速值）;风向归一化即计算出风向值的正弦和余弦数值;温度归一化即（1+e（5- 当前温度值）/10）-1;其他因素归一化的值按照风速归一化的归一方式计算即可。
结语
随着时代的发展，当今社会更注重绿色能源的开发，而传统的发电厂多为火力发电，在发电的同时对周围环境带来了污染，但是风力发电则不会带来污染问题。所以风能资源逐渐被开发利用，我国多地建设风电场将风能转化为电能，在大数据技术下风电场逐渐向智慧型的方向发展。
参考文献：
[1]刘超，盛科，杨佳元，等.风电场机组选型与微观选址优化研究[J].风能，2019（8）：62-65.
[2]杨珺，张闯，孙秋野，等.风电场选址综述[J].太阳能学报，2018（s1）：136-144.
[3]秦初升.基于全寿命周期成本的风电场工程规划优化设计研究[J].水力发电，2019，39（5）：83-86.
（作者单位：特变电工新疆新能源股份有限公司）