新疆龍源風(fēng)力發(fā)電有限公司 謝 強
風(fēng)能以其清潔性、可再生性以及儲量豐厚的優(yōu)勢,受到電能開發(fā)領(lǐng)域的廣泛關(guān)注,無限潛力等待挖掘。隨著清潔能源戰(zhàn)略實施與推廣,風(fēng)力發(fā)電場規(guī)模擴增,單個風(fēng)電場的風(fēng)電機組數(shù)量相應(yīng)增加。風(fēng)電機組需要采集大規(guī)模的風(fēng)能,所以場所往往設(shè)立在偏遠(yuǎn)、惡劣的山區(qū)沿海等地,遭受意外因素侵襲的概率較大,影響風(fēng)能向電能轉(zhuǎn)換的效果,因此保障風(fēng)電場所安全運行是實現(xiàn)風(fēng)力發(fā)電效率增長的基本要求。近年大數(shù)據(jù)在信息監(jiān)測與分析領(lǐng)域展現(xiàn)了良好的性能,風(fēng)電場運行期間產(chǎn)生大規(guī)模狀態(tài)數(shù)據(jù)以及性能信息,恰好符合風(fēng)電安全分析預(yù)警的需求,可用于指導(dǎo)風(fēng)電安全監(jiān)控行為。
傳統(tǒng)的風(fēng)電安全監(jiān)控預(yù)警系統(tǒng)僅能在故障發(fā)生時發(fā)出警告,風(fēng)電機組面臨停工的風(fēng)險,經(jīng)濟損失巨大。為此,基于大數(shù)據(jù)構(gòu)建嶄新的風(fēng)電安全監(jiān)控預(yù)警云平臺,提前預(yù)測風(fēng)電機組的故障隱患,將風(fēng)電運行的風(fēng)險扼殺在源頭。云平臺采用Spark 作為內(nèi)存計算模型,在云端完成風(fēng)電大數(shù)據(jù)處理;原始風(fēng)電安全數(shù)據(jù)經(jīng)清洗、轉(zhuǎn)換后,采用隨機森林模型展開深度故障挖掘,平臺根據(jù)故障挖掘結(jié)果進(jìn)行安全監(jiān)控預(yù)警,安全狀態(tài)評估以及預(yù)警警報在預(yù)警模塊顯示。
本次平臺設(shè)計采用了經(jīng)典的Spark 大數(shù)據(jù)計算平臺,其運用彈性分布式數(shù)據(jù)集實現(xiàn)數(shù)據(jù)集緩存在內(nèi)存中的存儲;Spark 采用Lineage 容錯機制集成了SQL、MapReduce、Streaming 等多個數(shù)據(jù)處理模型,構(gòu)成一個完整的、多場合使用的大數(shù)據(jù)處理系統(tǒng);容錯機制起到了減少數(shù)據(jù)處理時間開銷的作用[1]。
基于Spark 內(nèi)存計算構(gòu)建的大數(shù)據(jù)風(fēng)電安全監(jiān)控預(yù)警云平臺架構(gòu)為:數(shù)據(jù)采集層(機械狀態(tài)傳感器,機組功率傳感器,風(fēng)速傳感器,GIS)-數(shù)據(jù)存儲層(數(shù)據(jù)清洗、轉(zhuǎn)換,分布式文件系統(tǒng),分布式文件數(shù)據(jù)庫)-數(shù)據(jù)計算層(Spark 內(nèi)存計算,MapReduce 模型,Streaming 模型)-分析數(shù)據(jù)分析層(數(shù)據(jù)挖掘算法-分電故障預(yù)測-風(fēng)電安全分析)-風(fēng)電安全預(yù)警。其中數(shù)據(jù)存儲層、數(shù)據(jù)計算層、數(shù)據(jù)分析層構(gòu)成終端大數(shù)據(jù)處理平臺。由此架構(gòu)可知,平臺以互聯(lián)網(wǎng)為中介將采集層獲得的風(fēng)電安全數(shù)據(jù)上傳至云端大數(shù)據(jù)處理平臺中,上傳至云端之前已經(jīng)完成數(shù)據(jù)加密處理;在云平臺上完成大數(shù)據(jù)的存儲、計算與分析。同樣,風(fēng)電安全主控中心人員需要訪問云平臺獲得安全預(yù)警數(shù)據(jù)。
風(fēng)電安全監(jiān)控預(yù)警主要包括風(fēng)電安全狀態(tài)數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理與存儲、數(shù)據(jù)計算、數(shù)據(jù)分析四個主要過程。其中,風(fēng)電安全狀態(tài)數(shù)據(jù)采集類型主要有風(fēng)電機械狀態(tài)信息、風(fēng)電機組運行功率信息、風(fēng)電運行風(fēng)速信息等,綜合監(jiān)控風(fēng)電機組運行數(shù)據(jù)以全面了解其是否即將發(fā)生故障,為機組維修與安全運營提供參考依據(jù)。在風(fēng)電大數(shù)據(jù)存儲方面,平臺采用了分布式文件系統(tǒng)(HDFS)與分布式文件數(shù)據(jù)庫(HBase),實現(xiàn)風(fēng)電安全大數(shù)據(jù)在多個計算機節(jié)點上的分散式存儲,數(shù)據(jù)丟失風(fēng)險大大降低,安全系數(shù)提升。此外云平臺集成了數(shù)據(jù)挖掘算法,基于風(fēng)電安全監(jiān)控大數(shù)據(jù)預(yù)測機組故障趨勢,一旦出現(xiàn)機組故障或存在故障風(fēng)險及時向監(jiān)控中心界面發(fā)出故障預(yù)警。
預(yù)警云平臺的硬件環(huán)境設(shè)計如下:核心交換機、數(shù)據(jù)庫與應(yīng)用服務(wù)器是平臺網(wǎng)絡(luò)技術(shù)的主要構(gòu)成,網(wǎng)絡(luò)與平臺內(nèi)部計算機節(jié)點信息傳輸則以路由交換技術(shù)來完成。在此網(wǎng)絡(luò)環(huán)境中,風(fēng)電安全狀態(tài)數(shù)據(jù)通信網(wǎng)絡(luò)的通信速度可達(dá)1000Mbps,對應(yīng)的接口設(shè)備和工作站W(wǎng)MCS 的最小通信速度也在100Mbps 及以上。風(fēng)電主控制中心具備遠(yuǎn)程監(jiān)控機組運行狀態(tài)的功能,因此設(shè)置在各個風(fēng)電機組處的子站受控于主站,且二者通過專門性網(wǎng)絡(luò)完成數(shù)據(jù)共享與傳輸。
數(shù)據(jù)采集功能。本文在數(shù)據(jù)采集層中設(shè)置了風(fēng)電機械狀態(tài)傳感器、風(fēng)電機組運行功率傳感器、風(fēng)電運行風(fēng)速傳感器等數(shù)據(jù)采集設(shè)備,保障了數(shù)據(jù)采集的全面性與多樣化。平臺具備多數(shù)據(jù)源數(shù)據(jù)采集接口,以支持預(yù)警平臺高效、穩(wěn)定的傳輸風(fēng)電安全監(jiān)控信息。數(shù)據(jù)采集接口操作簡單,接口安裝完畢后,將對應(yīng)的接口協(xié)議驅(qū)動程序、IP、權(quán)限等內(nèi)容集成在平臺端即可。由于風(fēng)電機組安全監(jiān)測的對象、數(shù)據(jù)類型均有差異,所以需考慮好同類數(shù)據(jù)的維護(hù)與管理問題;數(shù)據(jù)向下一模塊傳輸?shù)姆绞脚c傳輸頻率可由用戶自行定義。
預(yù)處理模塊。各類傳感器采集的原始數(shù)據(jù)規(guī)模較大、數(shù)據(jù)殘缺、冗余信息量大,需進(jìn)行數(shù)據(jù)清洗提高原始風(fēng)電安全狀態(tài)數(shù)據(jù)的利用價值[2]。數(shù)據(jù)清洗操作主要包括刪除同類型重復(fù)數(shù)據(jù)、合并同源數(shù)據(jù)等,用戶可使用清洗預(yù)覽功能查看數(shù)據(jù)清洗效果,檢查已被清洗掉的數(shù)據(jù)。隨后采用平滑、規(guī)格化等方式實施大數(shù)據(jù)轉(zhuǎn)換與歸并,以獲取適合數(shù)據(jù)處理的數(shù)據(jù)描述形式。各部分風(fēng)電安全數(shù)據(jù)預(yù)處理完畢后,以數(shù)據(jù)接口為介質(zhì)傳輸?shù)桨踩珷顟B(tài)預(yù)測模塊進(jìn)行深度挖掘與分析,進(jìn)一步發(fā)送到故障預(yù)警模塊。
傳統(tǒng)的安全預(yù)警平臺預(yù)警原理是設(shè)置一個風(fēng)電安全狀態(tài)閾值,當(dāng)前風(fēng)電機組運行超過閾值則發(fā)出不同程度的警報,通知技術(shù)人員進(jìn)行維護(hù)與修整。本文基于大數(shù)據(jù)技術(shù)布局預(yù)警平臺,采用故障預(yù)測的方式取代閾值預(yù)警法,基于數(shù)據(jù)挖掘算法探索風(fēng)電安全狀態(tài)發(fā)展的深度規(guī)律,預(yù)測風(fēng)電故障發(fā)生情況,從而做出科學(xué)詳細(xì)的風(fēng)電安全狀態(tài)預(yù)警。平臺采用隨機森林模型作為預(yù)測風(fēng)電安全狀態(tài)的數(shù)據(jù)挖掘模型,其原理是采用分類與回歸的方式建造一個整體性之的決策樹,屬于近鄰預(yù)測算法范疇[3]。該模型優(yōu)勢是不受數(shù)據(jù)規(guī)模的干擾而提高運算量,具有良好的預(yù)測性能。隨機森林模型中的決策樹個體數(shù)據(jù)挖掘過程中高方差與高偏差問題頻發(fā),隨機森林使用較少的參數(shù)生成一個科學(xué)的決策模型,旨在解決此問題。
基于決策樹判斷風(fēng)電故障主要是對風(fēng)電狀態(tài)數(shù)據(jù)進(jìn)行分類,假設(shè)存在一個類別X,則有I(X=xi)=-log2p(xi),式中不確定信息為I(X),xi發(fā)生的可能性用p(xi)表示。上述公式中風(fēng)電安全狀態(tài)預(yù)測是通過熵來實現(xiàn)的,熵的功能是估計不確定的事物,熵較小的情況下X=xi隨機性越弱。由此總結(jié)風(fēng)電安全狀態(tài)預(yù)測的隨機森林模型的生成規(guī)則為:風(fēng)電安全狀態(tài)訓(xùn)練樣本數(shù)據(jù)-測試樣本采集(多個)-樹分類器(多個)-隨機森林-故障分類結(jié)果。本文平臺集成了隨機森林?jǐn)?shù)據(jù)挖掘算法,用于進(jìn)一步預(yù)測風(fēng)電機組故障類型,例如齒輪故障等,依次挖掘出風(fēng)電機組的機械狀態(tài)信息、風(fēng)電機組運行功率信息、風(fēng)電運行風(fēng)速信息。
風(fēng)電安全預(yù)警模塊具有可視化顯示功能:可視化仿真技術(shù)應(yīng)用。模塊采用三維仿真模擬顯示技術(shù)設(shè)計了風(fēng)場設(shè)備流程圖,直觀的展示機組所在位置以及安全狀態(tài)信息,一旦出現(xiàn)安全事故預(yù)警會出現(xiàn)紅色提示[4];診斷報告生成。點擊故障對象可實時顯示風(fēng)電機組設(shè)備的詳細(xì)狀態(tài)信息、生產(chǎn)風(fēng)險評價曲線、安全狀態(tài)評估報告、故障診斷報告,平臺預(yù)警產(chǎn)生的故障診斷報告將一同發(fā)送到機組管理人員手中,作為故障分析歷史依據(jù)。風(fēng)電安全狀態(tài)信息將展示一日內(nèi)、一周內(nèi)或是一個月內(nèi)該設(shè)備的安全狀態(tài)變化趨勢。安全預(yù)警模塊具備全面的警報管理功能,警報詳細(xì)時間及持續(xù)時長、警報頻率、追蹤維修水平等信息均可在客戶端查詢到,便于維修人員綜合分析故障發(fā)生的原因,盡可能在故障萌芽初期解決風(fēng)電安全隱患。
風(fēng)電屬于清潔型新能源,利于環(huán)境友好型、資源節(jié)約型社會構(gòu)建,逐漸發(fā)展成為新時期電能生產(chǎn)的主流途徑。本文基于大數(shù)據(jù)技術(shù)設(shè)計的風(fēng)電安全監(jiān)控預(yù)警云平臺存在兩點優(yōu)勢:改變以往閾值判斷風(fēng)電機組故障的傳統(tǒng)方式,采用數(shù)據(jù)挖掘算法預(yù)測風(fēng)電故障,對可能存在故障的機組設(shè)備提前預(yù)警,提醒維修人員進(jìn)行設(shè)備檢修,阻止深度安全事故發(fā)生,避免機組停止工作帶來的經(jīng)濟損失;大數(shù)據(jù)技術(shù)將各類型風(fēng)電安全狀態(tài)信息進(jìn)行匯總分類,在海量信息中篩選有價值信息,方便新能源專家對風(fēng)機模型的深入探究,為新能源技術(shù)革新、效率優(yōu)化提供便利。