朱伟刚
（新疆风能有限责任公司，新疆 乌鲁木齐830000）
风能作为一种无污染、可再生且开发成熟度较高的清洁能源，目前已经得到了广泛的利用。风电机组作为实现风能向电能转化的重要设备，通过实施监测运行状态，可以为日常维护与保养、故障排查与处理等管理工作的开展，提供必要的信息参考，对提升风电机组的发电效率、使用寿命均有积极的帮助。考虑到风电机组的内部组成复杂，必须要应用大数据处理技术，实时获取并动态分析机组状态参数，保障风电机组始终以良好工况稳定运行。
1 基于大数据的风电机组状态监测流程
1.1 海量数据的采集阶段
提供海量的实时数据，是应用大数据处理技术的必要前提。在风电机组内部，分布着大量的数据监测和采集装置，可以动态的获取各种数据，例如轴承的温度数据、风轮的转速数据、关键部位的振动数据等等。这些装置在获取风电机组的实时数据后，采用内置的无线传输模块，将数据打包发送给控制中心，并存储到数据库中，为下一步数据的分析和处理提供素材。下表1 是风电机组SCADA系统提供的海量监测数据。
表1 风电机组SCADA系统提供的海量监测数据
1.2 数据汇总与分析阶段
数据库内存储的海量数据，由于采集部位不同、采集时间不同，为了提高数据利用价值和减轻系统运算压力，会在数据库内按照多个指标将其分类存储。例如以时间作为分类指标进行数据划分。技术人员就可以动态的掌握某个时间段里风电机组的运行状态，并且通过绘制以时间为x轴的坐标系，观察风电机组状态变化曲线。
1.3 数据挖掘和评估阶段
根据数据分析结果，可以为风电机组的运行管理提供必要的参考。为了避免机器误判，得出更加精确和真实的状态监测结果，还要求技术人员对数据分析结果进行专业评估。将分析结果中明显失准的、误差较大的数据剔除，然后利用剩余的分析数据表示风电机组的运行状态。根据评估结果，如果发现风电机组某些部位有异常情况，则安排维修人员通过实地检查，做出进一步的判断和处理。这样既可以减轻风电机组维护人员的压力，又能够提高检修工作的效率。
2 风电机组状态监测模型的结构组成
2.1 采集层
数据采集层是整个状态监测系统的基础层。结合风电机组的实际运行环境，采集对象主要包括内部数据和外部数据两种。其中，内部数据就是风电机组各个模块的运行参数，例如上文提到的温度数据、振动数据、能量转换数据等；而外部数据则主要是影响风电机组运行的一些因素，例如天气数据、地理信息数据等。因此，采集层包含的主要硬件设备，是分布于风电机组内部及风电场周边的大量传感器。采集到的各类数据，还需要在本层进行初步的处理，例如清除无效数据、重复数据等。这样既可以节约存储空间，又可以缓解数据传输压力。
2.2 存储层
该层选用的存储介质为Hive 和HBase 等分布式数据库。作为基于Hadoop 的数据仓库工具，Hive 能够提供类sql 查询功能，并能够实现MapReduce 作业与sql 语句之间的转译。通过转译即可保证sql 语句在Hadoop 上的执行，也能实现并行运行大批量数据处理任务功能。作为构建在HDFS上的分布式列存储系统，HBase 具备可伸缩、高性能以及高可靠特点。服务器可在HBase 的支持下实现大规模结构化存储集群的搭建。深入分析发现，Hive 和HBase 等分布式数据库具备高吞吐量和高容错率特点。
2.3 分析层
该层集成有完成训练的BP 神经网络预测模型。该模型能够应用大数据分析技术，对地理信息数据、天气数据以及SCADA 状态监测数据进行分析处理，以完成风电设备的异常状态预测。在海量数据处理中，传统的BP 神经网络训练方法很容易出现因内存不足而无法训练或耗时较长问题。为了解决该问题，本文研究引入了开源云计算平台Hadoop，由此BP 神经网络得以与Map-Reduce 框架结合，并行化运行方式也由此实现。并行化运行方式支持下，分析层能够对训练样本进行并行地批量训练，模型的运行速度及精度均大幅提升。
2.4 应用层
根据上一层得出的分析结果，通过系统自动或人工手动两种形式发布指令，控制风电机组前端的一些电气设备，作出相应的动作。将分析结果，与数据库内存储的风电机组预设状态参数进行对比，如果两组数据的对比结果差距较大，说明风电机组存在异常运行状态。然后系统可以回溯异常数据并找出产生异常数据的设备，从而发现故障所在。这样就帮助技术人员确定了检修目标，实现了风电机组异常问题的及时处理。应用层还提供了信息反馈功能，完成处理后重新获取该位置的状态参数，以便于技术人员判断故障是否彻底被排除。如果确认风电机组恢复正常运行，则将本次处理记录生成日志，保留在数据库中。
3 大数据在风电机组状态监测中的具体应用
3.1 基于大数据制定风电机组日常维修方案
随着各行各业对电力能源需求的不断上涨，风电场的发电任务更重，这也直接造成了风电机组经常会超负荷运行。长此以往，风电机组发生故障的规律也会明显的上升。为了能够让风电机组始终平稳、高效的运行，风电场方面必须要定期做好风电机组的维修工作。但是风电机组的内部组成复杂，各类元件、设备种类和数量较多，人工检修费时费力，且不容易发现安全隐患。利用大数据处理技术，直接获取风电机组各部位的运行参数，可以让设备管理人员一目了然的监测运行情况。根据监测信息，制定风电机组的维护方案，最大程度上避免严重故障的发生。
3.2 基于大数据实现风电机组常见故障处理
在风电机组运行中，一些突发问题也有可能导致风电机组出现异常工况或严重故障。在风电机组出现故障后，如何尽快确定故障发生位置和故障产生原因，是技术人员必须要解决的问题。大数据处理技术在状态监测方面的应用，也可以为故障处理带来极大的便利。一方面，大数据技术可以实现对风电机组工况的实时监督和同步反馈。只要风电机组的运行参数异常，系统会自动进行报警，提醒技术人员引起重视。这样就可以在出现重大故障前，及时采取应对措施，避免故障损失的扩大化。另一方面，通过大数据分析，还能够向技术人员提供一些维修建议，这对于及时排除故障、恢复风电机组正常运行也有显着的帮助。
4 大数据技术应用前后的效果对比
为了更加直观的验证大数据处理技术在风电机组状态监测方面的运用效果，本风电场分别选取了大数据处理技术应用前和应用后1 年里故障发生次数，并进行对比。通过对比发现，在未使用大数据处理技术时，风电机组一年内累积发生7 起故障，其中有2次严重故障。机组发电的连续性较差。在应用大数据处理技术后，风电机组在一年内监测到异常工况10 次，经过及时处理，9 次异常情况得到了有效处理，全年仅发生1 起故障，经过技术人员抢修未造成严重事故。全年发电机组运行稳定，效益提升明显。
结束语
在我国风电市场不断成熟的背景下，风电机组状态监测和运维管理也逐渐引起了风电场的重视。同时，随着大数据技术、传感器技术的发展，能够实现对风电机组整体运行状态的全面、实时监控。通过同步反馈异常工况、及时进行故障报警，帮助设备管理人员随时随地的掌握风电机组的详细情况，并且利用专业知识对异常工况、故障问题进行有效处理，极大的保证了风电机组的运行安全。今后要继续重视前沿技术的应用，除了大数据技术外，像5G技术、AI 技术等，在风电机组监测管理方面均有重大发展潜力。
