基于人工智能技術的智能化風電場運行及維護應用

華能新能源股份有限公司蒙東分公司 吳 巍

風電場地址偏遠、交通不便、占地面積大、設備種類復雜、設備服役時間長、巡檢任務繁重、人員作業(yè)風險高，傳統(tǒng)運維模式已難以適應現(xiàn)階段風力發(fā)電領域高質量的發(fā)展需求?，F(xiàn)有監(jiān)控設備均為物理量監(jiān)控，無法查看設備視頻實時狀態(tài)；現(xiàn)有視頻監(jiān)控系統(tǒng)不具備智能圖像識別功能且清晰度較低。風電場亟需開展新的運維模式的研究，輔助運維人員開展日常巡視工作，減輕運維人員工作負擔，提升應急響應速度，保障現(xiàn)場作業(yè)安全。

近年來隨著人工智能技術的跨越式發(fā)展，在圖像識別、聲音識別、數(shù)據(jù)處理、人機互動、計算機視覺、無人駕駛等方面都已有成功的應用案例并開始進行推廣。因為人工智能技術具有學習性、成長性、開放性、異構性、友好性等基本特征,開展智能化風電場運行及維護的應用，構建設備狀態(tài)全景化、數(shù)據(jù)分析智能化、設備管理精益化風電場的運行及維護模式。

1 當前風電場運行及維護現(xiàn)狀

在風電場的設備管理中，風電機組的安全運行是設備管理中首要考慮的問題。由于風電機組地處野外，位置偏遠、交通不便、占地面積大，且風電機組的主要設備均運行在幾十米甚至上百米高的塔架上方，不能實現(xiàn)設備外觀的實時檢查，特別是對于存在地質隱患的區(qū)域，如泥石流、礦山開采、地震等自然災害，現(xiàn)場無法實現(xiàn)事前預控[1]。目前我國風電場運行維護主要分為以下幾點：

人工巡視。通過目視觀察等直觀方法對風電場設備的運行狀況進行巡視。風電場所有外出工作（包括巡檢、起停風力發(fā)電機組、故障檢查處理等）出于安全考慮均需兩人或兩人以上同行。如發(fā)現(xiàn)設備及人員故障隱患需及時上報處理，查明問題原因，從而避免事故發(fā)生或擴大，減少人員傷亡和經(jīng)濟損失[2]。

定期檢修。依據(jù)標準定期對風電場設備進行檢修，通過試驗方式檢查設備狀態(tài)，發(fā)現(xiàn)設備缺陷并進行維修工作。設備定期停電檢修具有一定的盲目性與強制性，會造成人力、物力浪費，且“維修過度”會造成設備的可靠性降低，同時設備停電檢修直接影響企業(yè)發(fā)電效率；故障檢修。當設備運行過程出現(xiàn)異?，F(xiàn)象時，為保障設備的安全穩(wěn)定運行，根據(jù)故障嚴重程度安排維修計劃，排除設備故障。

小結：當前運行及維護方式智能化程度低，還需大量專業(yè)人員進行人工巡檢，不但人力成本高、實時性差、安全風險高，而且還存在大部分故障僅能在發(fā)生時進行切除，設備運行存在安全隱患，甚至引發(fā)嚴重的設備故障，導致整個風電場設備退出運行從而引起電網(wǎng)故障，威脅電網(wǎng)的安全穩(wěn)定運行。

2 關于人工智能

近年來我國在人工智能領域密集出臺相關政策。李克強同志連續(xù)兩年在政府工作報告中提到人工智能產(chǎn)業(yè)發(fā)展的方向，在2017年的政府工作報告提出“一方面要加快培育新材料、人工智能、集成電路、生物制藥、第五代移動通信等新興產(chǎn)業(yè)，另一方面要應用大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等技術加快改造提升傳統(tǒng)產(chǎn)業(yè)，把發(fā)展智能制造作為主攻方向?！痹凇?018年國務院政府工作報告》又指出“加強新一代人工智能研發(fā)應用；在醫(yī)療、養(yǎng)老、教育、文化、體育等多領域推進‘互聯(lián)網(wǎng)+’；發(fā)展智能產(chǎn)業(yè)，拓展智能生活[3]?！?/p>

2.1 機器學習

機器學習（ML,Machine Learning）是系統(tǒng)自我改進的過程，經(jīng)研究發(fā)現(xiàn)機器學習能同時推進人工智能技術和模式識別兩項技術的發(fā)展。機器學習的理論和方法已能幫助解決生產(chǎn)、生活、研究遇到的各種難題。機器學習所關注的重點是使計算機像人一樣通過不斷的經(jīng)驗累積提高自身性能，實現(xiàn)自我完善。

深度學習(DL,Deep Learning)是機器學習領域中一個重點的研究方向，深度學習研究的開展使我們離真正的人工智能(AI,Artificial Intelligence)距離越來越近。深度學習是通過對樣本數(shù)據(jù)的分析和記錄找出樣本的特征值及內(nèi)在規(guī)律，通過對數(shù)據(jù)的歸納總結使其具有自動的分析學習能力，樣本數(shù)據(jù)包含文字、聲音、圖像等各類數(shù)據(jù)，最終實現(xiàn)機器能夠自動識別文字、圖像和聲音等數(shù)據(jù)。

卷積運算的神經(jīng)網(wǎng)絡系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(CNN)是深度學習的一種方法。卷積神經(jīng)網(wǎng)絡基本組成包括輸入層、隱含層、輸出層，其中隱含層可以是多個。利用開源TensorFlow架構，YOLO卷積網(wǎng)絡進行智能識別已被廣泛應用于各行各業(yè)。通過大量的數(shù)據(jù)學習訓練生成識別不同內(nèi)容的級聯(lián)分類器模型，對采集圖像、聲音等數(shù)據(jù)進行分析可實現(xiàn)設備缺陷識別、安全風險識別和設備狀態(tài)識別等智能識別。

2.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘（DM,Data Mining）就是從海量的、不確定是否有效的數(shù)據(jù)中,提取隱藏在其中的不容易被發(fā)現(xiàn)的有效信息和數(shù)據(jù)的過程。原始數(shù)據(jù)分為不同的結構類型，數(shù)據(jù)庫類型的結構化數(shù)據(jù)，文字、圖像、聲音等類型半結構化的數(shù)據(jù)以及各種各樣的異構型數(shù)據(jù)。挖掘數(shù)據(jù)的方法可通過數(shù)學的方法、也可通過非數(shù)學的方法，可通過推導分析的方法、也可通過歸納總結的方法來實現(xiàn)。挖掘的有效數(shù)據(jù)最終可用于信息管理、原因分析、狀態(tài)預測、決策參考等,還可用于數(shù)據(jù)本身的自我維護[4]。

數(shù)據(jù)挖掘的過程是一個需要反復進行、反復處理的過程，首先對數(shù)據(jù)進行挖掘計算然后建立一個有效的數(shù)據(jù)模型,再圍繞數(shù)據(jù)挖掘所進行預處理將處理結果展現(xiàn)出來進行記錄，經(jīng)不斷的反復進行、反復處理、反復驗證最終得到實用和有效的數(shù)據(jù)。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)的重要組成部分,其主要步驟為目標定義、數(shù)據(jù)準備、數(shù)據(jù)挖掘成果和評估。數(shù)據(jù)挖掘技術已廣泛應用于各行各業(yè)中，與生活息息相關。從最開始的挖掘算法研究到實際應用,充分的展現(xiàn)了其具有的廣泛性和實用性特點。目前在已知的領域中,基本都有專業(yè)的數(shù)據(jù)挖掘工具正在應用,應用領域涵蓋電力、金融、醫(yī)學、天文、交通等各個領域。

3 人工智能技術在智能化風電場運行及維護的應用

利用機器學習可對風電場運行中的設備圖像、聲音、人員行為等數(shù)據(jù)進行學習、訓練，建立一套風電場遠程智能巡檢系統(tǒng)，輔助運維人員完成風電機組及升壓站的設備巡檢、人員管控、安全風險管控等日常運維工作[5]。數(shù)據(jù)挖掘技術可對風電場設備運行及維護歷史數(shù)據(jù)進行深入的分析判斷，挖掘設備運行過程中關鍵數(shù)據(jù)，預測設備運行狀態(tài)，提供檢修依據(jù)。

3.1 智能巡檢系統(tǒng)

在風電場配置建立遠程智能巡視系統(tǒng)，利用數(shù)據(jù)采集終端采集可見光圖像、紅外數(shù)據(jù)、聲音等數(shù)據(jù)，應用成熟的機器學習技術，智能開展風電場設備設施巡檢、作業(yè)人員入場檢測、人員定位、電子圍欄設置、作業(yè)范圍劃分、區(qū)域檢測、運動檢測、作業(yè)監(jiān)控、安全管理識別、防外破智能識別、入侵診斷、異物分析、周界巡視和違規(guī)告警，實現(xiàn)運檢人員、設備間隔、作業(yè)范圍的人人互聯(lián)、人物互聯(lián)，避免運檢人員誤入帶電間隔或失去工作現(xiàn)場監(jiān)護，確保運檢人員人身安全。全面覆蓋風電場設備，提升巡檢效率，降低巡檢成本。

升壓站智能巡檢。設備缺陷巡檢：表計破損（表盤模糊、表盤破損、外殼破損）、絕緣子破損、滲漏油（地面油污）、呼吸器破損、箱門閉合異常、異物（掛空懸浮物、鳥巢）、蓋板破損或缺失；安全風險巡檢：未戴安全帽、未穿工裝、吸煙、越線/闖入、煙火識別、小動物識別、積水監(jiān)測；設備狀態(tài)巡檢：表計讀數(shù)、油位狀態(tài)（呼吸器油封油位異常）、硅膠變色、壓板狀態(tài)；聲音巡檢：設備聲音（聲音異常）。

風電機組智能巡檢。風機缺陷巡檢：制動器缺陷（制動器液壓系統(tǒng)正常，螺栓松動、脫落，外殼破損）、油冷散熱片缺陷（油冷散熱片漏油或破損或附著物）、減速機缺陷（減速機滲漏，連接螺栓松動、脫落）、液壓泵缺陷（油管及油管接頭漏油，外觀破損，安裝螺栓松動、脫落）、振動監(jiān)測設備缺陷（探頭松動或脫落）、扭纜缺陷（電纜扭曲或破損）；安全風險巡檢：未戴安全帽、未穿工裝、吸煙、越線/闖入、煙火識別；狀態(tài)巡檢：油位狀態(tài)（齒輪箱油位、液壓油油位、潤滑泵油位）；聲音巡檢：設備聲音（聲音異常）。

遠程智能巡檢系統(tǒng)的應用將大大提高風電場巡檢效率、減少運維人員工作量，降低安全風險、及時發(fā)現(xiàn)巡檢設備故障缺陷及安全隱患。

3.2 數(shù)據(jù)挖掘的應用

風電場在運行過程中會不斷產(chǎn)生和積累大量數(shù)據(jù)。通過對風電場歷史數(shù)據(jù)的學習歸納，在風電場運行過程中應用理論研究的方法已解決了很多問題，如果應用數(shù)據(jù)挖掘技術可更充分地利用這些數(shù)據(jù)分析風電場歷年積累龐大運行數(shù)據(jù)背后隱藏的原理、規(guī)律和聯(lián)系，找到解決問題更加合理、快捷、有效的方法，同時還可為決策提供更加有力的科學依據(jù)。通過對歷史數(shù)據(jù)的學習歸納建立預測性模型，然后根據(jù)收集的當前數(shù)據(jù)預測設備狀態(tài)，判斷設備性能發(fā)展趨勢，在設備故障前提前檢修排除事故隱患，預防事故發(fā)生。實現(xiàn)設備的狀態(tài)檢修，解決“維修過度”會造成的設備可靠性降低，降低人工成本，提高發(fā)電效率[6]。

3.3 風電場智能運維的發(fā)展趨勢

未來風電場智能運維的發(fā)展會越來越快，機器學習、數(shù)據(jù)挖掘及其他人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術的不斷應用及相互融合將會形成多個風電場整體運維、信息互通、數(shù)據(jù)共享的智能運維模式。

綜上，人工智能技術的應用輔助運維人員開展日常巡視工作，減輕運維人員工作負擔，提升應急響應速度，保障現(xiàn)場作業(yè)安全，減少設備運行事故發(fā)生，降低運行及維護成本。最終實現(xiàn)風電場空間全方位、設備全周期、時間全天候的風電場智能運行及維護模式，替代人工完成少人值班、無人值守的風電場智能運行及維護。因此人工智能技術在智能化風電場運行及維護工作中具有很高的應用推廣價值。