运达股份王琳：低效机组的深度评估与定制优化研究与应用

2021年10月17日-20日，2021北京国际风能大会暨展览会（CWP 2021）在北京新国展隆重召开。本届大会以“碳中和——风电发展的新机遇”为主题，历时四天，包括开幕式、主旨发言、高峰对话、创新剧场以及关于“国际成熟风电市场发展动态及投资机会”“国际新兴风电市场发展动态及投资机会”“风电设备智能运维论坛”“碳达峰碳中和加速能源转型”等不同主题的15个分论坛。

在20日上午召开的风电机组优化升级专题论坛上，浙江运达风电股份有限公司数字能源创新中心主任工程师王琳发表了《低效机组的深度评估与定制优化研究与应用》的主题发言。

以下为发言全文：

王琳：尊敬的各位专家、领导以及风电行业的同仁们，大家上午好，我是来自运达股份的王琳，本次分享报告的主题是低效机组的深度评估与定制优化研究与应用，主要分为以下三个方面来讲述，第一个方面是低效机组的深度评估，第二个方面低效机组的电池优化，第三个方面量化评估与应用案例。

首先讲述一下低效机组的深度评估，我们都知道现在业内都一直追求收益的最大化，而利润主要是收入减去成本，就是一方面要不停的增加收入，一方面要降低成本，这也是行业内一直所说的降本增效。而收入主要取决于电价跟电量，电价是我们无法控制的，所以只能尽可能去发更多的电。而对于已经运行的风电机组来说，风电机组的发电量主要取决于机组的可利用率以及机组本身自身的发电性能，针对机组的可靠性来讲，为了更好的提升机组的可利用率，降低运维的成本。

很多业内专家都已经致力于研究故障监测、诊断系统，去解决这个问题，相对来讲对于机组本身出力性能的精准评估、实时监测、诊断及优化技术的研究是不够系统跟深入的，所以我们基于机组运行数据开展了低效机组深度评估与定制优化的研究，也结合了各种技术，形成了评估。我们系统的主要目的就是三种，第一个是获知机组的真实性能，第二个是保证机组的最大出力，第三个挖掘机组出力的潜力。主要应用的场景是以下三个，第一个场景是实时监测，异常预警，主要是发现机组性能异常并预警，服务于风电场的运维。第二个场景是性能评估设计反馈，主要是机组机型真实性的评估，发现机组的性能缺陷，并反馈到设计端，形成整体的设计闭环。第三个性能诊断优化方案定制，主要对后市场业务提供技术支持，右边是数据平台以及性能评估的主要支撑模块。

当然对机组进行精准评估之后发现问题，更主要的是如何解决这个问题，对于不同的问题提出定制化的解决方案，所以第二点讲一下低效机组的定制优化。我将整个所有的优化方案分为了四个大块，第一个大块是从微观选址上进行优化，包括一些机位的位移、增容等。第二个是从气动特性进行优化，叶根加长、加小叶尖。第三个从控制角度方面，包括提前变桨、大风切出。第四个是我们单位其他创新技术的应用，下面我会从几大方面挑选一到两个点进行讲述。

第一个点微观选址优化，如果前期微观选址不精准，导致机组在运行的过程中存在尾流效应，就会导致机组发电量大大损失，因此我们提出了基于CFD仿真分析去解决这个尾流的问题。

第二个从翼型方面进行优化，一个是涡流发生器，可以有效增加失速攻角，提高最大升力系数。二个是加襟翼，可以显著提高翼型各攻角的升力系数，提升翼型的气动性能。第三个是超大风控制技术，常规的控制技术切出风速一般是十几米左右，但是如果使用超大风控制技术，我们允许在风速大于切出风速时候进入大风控制模式，通过先进的控制算法限制功率和转速，进而降低机组的载荷，确保机组安全运行，切出风速可以达到23米到25米之间，在大风情况下减少机组停机频率和停机时间，相当于我们机组在大风的时候可以充分的去发电，可以更好的出力，所以可以提高发电量，据测算年发电量提升可以有1-2个点。

第四个讲一下扇区管理，由于前期微观选址不当或者是地形以及风况特殊性，会导致一些机组在某些特殊的风向上存在过振动或者风速变化率比较大的现象，因此很有必要对扇区进行管理。我们这边对12个风电场以及200多台机组进行了测算，机组扇区性能的平均差异是在2.5%左右，最大的差异将近10%，KS是我们模型性能指数的阈值，在设置为0.95的时候，机组整体性能可提升是1-5个点。

第五个就是除冰系统，如果叶片结冰，对机组的危害是巨大的，轻微的是影响发电量，严重可能会导致自身的安全隐患。所以对除冰进行监测，进行处理也是非常必要的，这里主要有两种方案，一种是电加热技术，一种是热鼓风技术。

第六个是我们提出的智能化性能优化策略，目前这个策略可以适用于多种场景，第一个场景是场控端，可以基于风电场的场控系统实现机组发电性能相关参数的自适应控制，也可以直接部署在机组端，这样基于机组的主控系统去实现这样的自适应的控制。如果我们没有办法去接入场控系统和主控系统的时候，也可以提供离线诊断的服务，离线获得数据，根据运行数据去实现风电场机组给出优化方案，我们比较推荐从场控去实施这个方案，具体的优化策略主要有三点，下面我是一一讲述。

第一点是自适应Kopt控制，在不同程度会出现叶片结冰、老化，出现转速扩充中Kopt偏离最优值，一旦不是最优了，当前出力也不是最优的，这样恢复使发电量带来损失，因此我们提出了自适应Kopt的控制，可以在保持转距不变的前提条件下，根据机组输出功率的变化，修正Kopt，直至收敛至理性的最优值，第一个半物理仿真，初步确定Kopt的取值范围，给出初始值，最后进行现场的应用、精准的寻优。

第二个是自适应最优桨距角控制，为了更好的去出力，我们通常不变桨，这样是处于最优桨距角的值，由于各种各样的原因导致当前最优桨距角已经不是最优了，比如说因为叶片在制造、安装过程中造成的实际的最优桨距角与设计值不符，也有可能本身系统仿真带来的误差，会导致这个值不是最优的。第三个可能是因为机组如果经过长时间的运行，气动性能逐渐在改变，也会带来这样的影响。当然持续的变桨动作也会导致叶片的邻位和出厂设置有偏差，这样的情况存在说明之前最优桨距角不合适了，也会带来性能损失，这样就会提出自适应桨距角控制。第三个是自适应偏航校正，适用于风向标校正方法不当以及运维人员操作误差等带来的风向标的测量误差，因为我们都知道一旦不能精准对方，带来的损失就是三次方，这样也是极大的损失了机组自身的出力，所以我们提出了自适应偏航校正方法，用一个性能特征指数、变量构件来实现实时精准对风，保证机组一直处于一个非常好的发电的状态。

第二部分是我们针对第一部分发现的问题去提出一个相应的解决方案，当然我们这个方案去实施了之后，如何去评价优化方式是否有效，以及它到底带来了多少的提升量，这才是我们所关注的。之前大部分大家的评估方式是通过时域上纵向对比以及地理位置对比，这种对比方式会带来各种各样的不确定性，如果我们采用临近机组的对比，这样是忽略了地形的因素，对机组性能的影响，即使同一台机组安装在不同的机位点，出力都是不一样，正是由于这种不确定性，所以提出了自己的量化评估的手段。

评估方式主要是按照流程，首先要确定将风机主要分为两组，第一组是考核风机，考核风机也就是说实施过优化策略的风机，一组就是参考风机，是我们没有进行优化的风机，评估风机也是分为两个时期，一个基准期，没有做任何改变，一个优化期是实施相应优化策略之后，来预测考核风机的功率输出，在优化期是利用参考风机的特征参数，通过深度学习模型来预测考核风机的功率输出，实际输出与通过模型输出功率之差是发电量提升的水平。

本次的报告就到这里，谢谢大家。

（根据演讲速记整理，未经演讲人审核）