[除此之外伴奏]中国海装张方红:如何利用人工智能和大数据建设智慧风场 - 五彩电力新闻网

[风电产业] [除此之外伴奏]中国海装张方红:如何利用人工智能和大数据建设智慧风场 - 五彩电力新闻网

时间:2019-07-01 10:00:53  来源:北极星网  作者:北极星
[除此之外伴奏]中国海装张方红:如何利用人工智能和大数据建设智慧风场 - 五彩电力新闻网

  本报讯(北极星 首席记者关宁宁)[除此之外伴奏]五彩风力发电网讯:大数据和人工智能最终的助力无非就是将风电场的建设变得更加的精益求精,能够将所有粗放式的管理模块都用大数据和人工智能的方法慢慢的渗透和精益求精的替代掉,所以真正的实现风电场全生命周期数字化模块的智能管理,实现一个智慧的前运维和智慧的后评估。2018年10月18日,中国船舶重工集团海装风电股份有限公司高级大数据专家张方红出席“全球风电CTO论坛—智慧型风电场建设和未来构想”并作主旨发言。以下为演讲实录:大家好,我是中国海装的张方红,今天我分享的题目是人工智能和大数据如何助力智慧风场的建设。这是我今天想同各位分享的几个部分的内容,首先我们对智慧风场建设的痛点和难点的一些理解,然后海装在智慧风场这一块所做的哪些工作和付出的努力,是怎么样来体现工业互联网国家大力提倡的命题。我们海装建设智慧风场的思路是什么样的,最后给大家分享和讨论一下在大数据、人工智能方面如何助力智慧风场建设的一些技术实践和实例。风电场管理的痛点是什么,大家都知道粗放型管理的风电场终将被淘汰。因为我们国家风电产业起步比较晚,所以设备的资产管理、检修和维护管理粗放,是增加风电落地成本的根本原因之一,所以当前由于风电限价的原因,也决定了劳动密集型的运维方式一定是行不通。即便风场的数据可以实现远程的监控,也绝不等于可以实现智能监控和智慧管理,所以在风电产业现在已经进入了一个精益求精的时代,指标优、效益好、管理强才应该是一个优质风场的标杆,在这种情况下,如何把巨额的诊断成本变成巨额的诊断资产,我觉得实实在在是我们风电场管理的一个痛点。同时风场的盈利能力下降,设备在大量的上升,风场风机运行的数据、控制数据和环境数据都在海量的增加,数字化的建设又不能完全同智能化的建设划等号,而且风力发电,还有它分散性和不可控的特点,所以这些都是我们风电场建设的难点所在。这两年我们风电的大数据在井喷,海装存储的数据量也在井喷,现在每天存储的数据量就可以达到上亿条,而且我们也已经可以把全球所有风场风机的实时运行数据、风资源运行数据、远程运维数据,分钟级、甚至秒级的存储到大数据平台上,数量总量在激增,日数据也千倍的在增长,精度也在提高,采集点也在大幅度扩展,而且文件存储也从无到有,怎样用好这些海量数据,也是我们风场建设的另一个难点所在。所以基于这些痛点和难点,我们海装两年前就已经开始坚定的提出了一个建设智慧风场的战略,也积极响应了国家目前大力提倡的一个工业互联网的命题。其实我们都知道人工智能的技术已经发展经历了几次浪潮,而且这两年确实取得了突飞猛进的发展,从今天的展会也看到,很多的互联网公司就已经向工业企业提供技术服务恩了,但是怎样的结合,从技术成熟度来说,我认为也还是在一个探索和磨合的阶段。所以对我们这些涉足于工业领域的数据科学家来说,我觉得这是我们的机会,但是也是我们的挑战,因为从海量实时的数据中,去挖掘这些数据的相关性,对我们来说已经不是特别的困难。但是如何挖掘业务链中因果性,并且利用这些因果性解决真正的业务问题,并且落实到具体的操作层面,这才是我们的挑战所在。因为风电其实是一个相对的系统,它的数据是比较完善的,风电也属于重资产与的一个设备,它的维修和维护成本都很高,所以我们迫切的需要利用数据来进行智能维护,来降低成本、提高利润。所以基于这些理念和想法,我们申报了数采和新能源设备上云智慧风场营运项目,并且在2018获得了国家工信部制造业和互联网融合发展试点示范项目成功申报,这也帮助我们在建设智慧风场方面是一个鼓舞。海装大数据目前采用是沉积的结构,平台的下游接入是所有风机及所有的运行数据,包括智能硬件设备的数据,传感器的数据、控制系统的数据,数据实时传到风场的IT系统,再通过专用的网络传到公司级工业数据云平台上,所以平台上的数据经过清洗处理和整合,会进行各种业务开发,开发出以满足业务需求所用的各种的工业软件和工业APP,数据云平台下游接的是不同的设备、传感器、公共自动化厂商,数据云平台上游连接的是第三方应用开发商、联合体单位、供电集团和业主,所以现阶段海装大数据平台已经实现了风机级、风场级和公司级数据的采集和整合,我们正在进行和将要完成就是新能源设备上云,建立协同制造云平台体系和云服务体系,这样可以最终完善风电工业互联网的应用体系。海装的智慧风场建队已经初具规模,在大数据平台的基础上,对数据进行预测、分析,将智能化的预测结果渗透到风场管的理中去,通过高效具备良好交互性、简单易性的可视化平台,可以指导我们的运维人员进行业务操作,这样我们运维人员无需真正了解数学模型的细节,但是可以通过数学模型展示的结果,去找到规则,指导他们的现场操作。所以搭建这样一个智慧风场的建设,最终的诉求无非就是希望提高我们的发电量,提高全年AEP,再通过智能化的手段提升产品设计、OEM经验,最终通过以结果为驱动的数学模型,来实现收益利润的增值,实现我们的全链条服务。我们目前大数据平台已经有能力可以将全球所有的风场风机运行的实时数据采集回我们的平台,并用于我们的存储和分析。那么我们现在的应用体系架构已经搭建完成,就是基于大数据平台上的基础设施层、服务层和应用层的基础上,开发出了一系列的应用分析,目前可以实现的应用分析已经有风机的性能、评估分析、故障日志、观点分析、大部件故障诊断、风功率的预测以及天气预测模型等等,而且我们也是在持续的建设和增加中,我们其实最终的目标就是打造企业智能制造数据中心,和构建一个全方位数字生产制造体系。当然大家都知道罗马不是一天建成的,所有智慧风场的建设也绝不能一蹴而就,那么我们对于未来智慧风场建设有什么建设思路,首先我们一定不会闭门造车,独自来完成智慧风场的建设,我们非常期待和合作伙伴一起共同完成,期待我们的合作伙伴一定要具备大云物移的人工智能数据分析能力,这样可以结合海装过去数十年的风电专业的业务知识,以及结合大数据分析和云平台运用,就可以制定出一个比较成熟和完善风场融合系统解决方案,这样就可以对我们风电场实现一个长期的风险资产管理,最终建立更好的更多的以结果为导向数据分析应用,提高收益、降低成本。我们期望智慧化风电场建设它是一个生态的扁平管理,这样子就可以把我们的预防性维护服务的理念、智能化设计,基于大数据预警运维、智能化的诊断和评估,加上气象安全、风资源信息、智能化的建设方案,以及我们预防性维护策略的实施,智能化的决策和执行方案,综合的结合起来,来管理我们这个风场。核心的理念希望利用大数据平台,通过分析预测,通过人工智能从被动变主动,来保证所有风电机组的稳定运行,因为我们希望的就是跑赢SCADA,在SCADA运营系统前,我们已经可以通过我们的数据分析来进行提前的预警行动了。我们也相信一个完善美好的智慧风场,它一定可以产生四大价值,资产安全、发电量提升、备件消耗降低,最终提高风场的可利用率。剩下的一些时间我想同大家分享一下,我们海装风电现在已有的和正在实践的,通过大数据和人工智能的算法,是如何助力智慧风场建设的一些技术实例和实践。首先我们希望通过人工智能方法来预测风机大部件的故障,比如风机叶片有若干个零部件,掉落几个小零部件也许不会影响风机的正常影响,如果如果断裂的零部件随着变桨的转动,在内部随机脱落和撞击,除非造成其他的故障,比如卡住齿轮,并没有特定的传感器来检测,所以现阶段只能靠人工登塔的方法来检查和预测,但是我们通过人工智能,可以把相关维度SCADA数据,风机运行时控制数据以及发电机变桨系统方面某些数据提取出来做算法分析,利用机理模型,提取故障数据和正常数据的特征向量,最后通过一些回归模型或者算法构建出一个数学模型和运行模式,最终就可以确定我们的目标函数和模型的变量,通过这样的人工智能的算法,提前预测出变桨机械障碍,这样的手段是高效和快速的,可以降低大量运维人工成本和无计划的停机次数。在助力预警气象和天气这一块,海装目前已经同国家气象局合作,已经可以把我们风场所有的风资源信息、天气信息采集到我们的大数据平台,也和联合体单位共同研究了人工智能的算法进行中尺度气象预测和精准风速预测,我们通过把这些预测集中起来,结合我们的环境数据和环境安全数据,就可以帮助我们风电场进行宏观的选址和微观的选址。在我们的大数据平台上,我们现在已经可以通过大数据进行分析,对风机的运行参数进行一个波形的分析,已经研发出一些人工智能的算法,对风机的性能做出评估,以及运行过程中故障提前的报警。在智能分析决策系统这一块,通过大数据分析,我们建立了一些机理模型和数据模型分析的方式,比如可以提前数日诊断出某风场哪些风机冷却系统需要做深度的维护,并做出预警的提示,现场维护人员可以很快去发现我们的系统问题,并做出维修反映,又比如海装某风场通过统计回归曲线的分析和智能算法,可以发现风场一些风机的叶片较其他风机叶片气动性能比较差,可以尝试做出技改,这一块的内容,海装也有同事明天会给大家做更进一步的交流。在助力风功率精准预测这块,我们知道传统的方法,基于风电技术、风功率曲线,输入数据的物理方面进行预测,现在流行的方法可能是基于数字天气预报的预测和时间序列的分析法,我们海装现在在研的人工智能的算法是,把稀疏编码深度学习和反向传播神经网络浅层学习相结合,构造出了一个具有良好鲁棒性的系统机制,实现短期4小时之内的风功率预测,基于样本数据,我们在AI风功率预测方法与传统风功率预测方法做了一个误差的比对,传统的方法均方差误差可能在23%,平均相对舞误差率在21%,而流行的方法它的均方差误差是在10%,平均相对误差率在9%,而我们现研的基于人工智能的算法,在我们的样本数据上我们的均方差误差率可以达到5.7%,而我们平均相对误差率可能在4.9%左右。同时进一步人工智能如何助力风电场的资产管理,我们希望通过数字双胞胎的技术,将现场风机运行的状态数据实时无分通过大数据平台映射到实验室仿真系统上,并通过仿真系统的优化设计调整和改善,来实现管控现场风机的运行状态,那么实现这样一个数字双胞胎的算法仿真,可以推进维护和管理风机质量,降低运维成本,同时可以通过算法的仿真,对风场间的数据进行分析和比对,可以同时进行多风场、多目标的维护。现在我们已经可以通过大数据的平台对风场群大量的数据进行一个流计算的监控,再结合人工智能的算法会提供一些建模的仿真,提前的预测,强化风机健康度的评估等大数据的预警服务,可以实现的就是我们会通过这些数据分析和算法,实现自动的创建维修工单和派遣工单到服务平台,并通过贝叶斯分析的算法,可以把派遣工单平台的反馈结果返回到施工现场,实现一个闭环的控制。总的来说,大数据和人工智能最终的助力无非就是将风电场的建设变得更加的精益求精,能够将所有粗放式的管理模块都用大数据和人工智能的方法慢慢的渗透和精益求精的替代掉,所以真正的实现风电场全生命周期数字化模块的智能管理,实现一个智慧的前运维和智慧的后评估,这就是我今天想同大家分享的内容,因为说得有点快,不耽误大家的午饭时间,但是接下来非常欢迎各位同行能和我们进行更多的业务和技术方面的交流,谢谢大家。原标题:中国海装张方红:如何利用人工智能和大数据建设智慧风场

上一篇:[流花蜜露]海装风电吕彬:风电机组防雷的思路是引雷 要把雷击顺利的引下来 - 五彩电力新闻网
下一篇:返回列表
返回列表 返回顶部