华锐风电李海港：大数据与人工智能在智慧风场的应用

2023年10月16日-19日，2023北京国际风能大会暨展览会（CWP2023）在北京如约召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，聚焦中国能源革命的未来。

本届大会以“构筑全球稳定供应链共建能源转型新未来”为主题，将历时四天，包括开幕式、主旨发言、高峰对话、创新剧场以及关于“全球风电产业布局及供应链安全”“双碳时代下的风电技术发展前景”“国际风电市场发展动态及投资机会”“风电机组可靠性论坛”等不同主题的21个分论坛。

10月17日上午，华锐风电科技（集团）股份有限公司数字化平台主管李海港在人工智能与智能运维发展论坛上发表了题为《大数据与人工智能在智慧风场的应用》的主旨发言。

以下为发言全文：

大家好！我叫李海港，来自华锐，主要是负责数字化平台相关的一些工作，今天给大家分享的内容是大数据与人工智能在智慧风场中的应用。

我的分享大概分四个部分，第一个综述，第二个AI在风机优化控制中的应用，第三个AI在华锐场运营管理中的应用，第四总结和展望。

综述就是大背景，大家应该都比较熟悉，碳达峰碳中和还有基础的单机容量的大型化，还有风电场越来越往特征场景发展，因为比较一些优质的风电场在前20年已经被建设的差不多了。

大数据和人工智能在应用上，一个是风机优化控制，主要是体现边缘计算和风机智能控制，还有风电场运行管理，这个主要指场景化及大数据平台建设、健康管理、智慧运维和无人化运维技术。

第二，给大家讲解一下AI在风机优化控制当中的应用。刚才说到它主要是在落地就是边缘计算和风机智能控制，边缘计算主要以智能感知为基础，以风机协同控制为目标，通过对于风机运行数据，各智能传感的数据进行分析，实现智能传感网络以及软传感，实现状态监测和故障诊断，实现模式识别和控制参数的优化等。第二是在风机智能控制运行中，通过数据挖掘和人工智能的应用，基于风机运行数据进行模式识别和风机模糊控制。

首先，边缘计算虽然是智能感知，智能感风机这种传感器，相当于主要大部件和控制系统传感器数量装的是越来越丰富，越来越多，像这种大部件主要传动系统，另外一个点就是软传感的技术，现在应用也越来越广泛，是因为在当前大背景下，特别是降成本这种大背景下，通过一些这种数据分析的方式或者建模的方式来实现软传感也是应用越来越多，比如说虚拟测风、叶片结冰等等。同时也会结合集控系统来实现风机之间的数据共享，也会用的越来越广泛。

有了数据之后，边缘计算就可以做到塔筒和叶片的模式识别，比如塔筒的固有频率，这一块其实在机组设计阶段肯定是有一个理论的固有频率，但是在实际运营过程中，其实很难测得固有频率，而我们通过LSTM模型以及CN算法模型，左侧那张图就能看到红色线特别明显塔筒固有频率，通过统计得到非常明显的统计值，就是固有频率的值，同样这套算法模型在叶片的固有特征以及故障特征方面也会有非常好的一个应用效果，这是在模式识别方向的应用。

另外，边缘计算基于图像识别的螺栓状态监测以及预警方面的应用，这种塔筒螺栓的监测基于这种应力传感器的方式，像这种其实在塔筒法兰上房安装摄像头，通过拍摄照片来去检测力矩标识线，通过这种角度可以换算成锁定的力矩值，左边这个图在我们的软件当中系统截图，可以看到它是一个三层法兰，中间第一层法兰截面，其实每一个螺栓展开可能是代表了大概五六个螺栓的实际监测值，因为它是基于图像算法识别的，它其实是放在边缘计算侧是比较合适的一种状态。

第三块，人工智能在风电场运营管理当中的一些应用。它的总体原则其实就是场景化的大数据平台建设以及健康管理、智能运维和无人化技术的应用，场景化的这种大数据平台建设它主要是通过这种数据链路的方式来实现数据稳定采集以及建设智能3D的监控系统应用，并且建设大数据平台以及搭建数据的建模一个平台，第二块是健康管理，通过数据分析，开展风机不见得状态监测、故障预警、故障诊断和寿命管理。智能运维是基于状态监测和健康管理结果，开展基于状态的风电场运维以及建立智能专家库，来提高现场运维能力和故障解决方案解决能力。

最后无人化技术应用也会越来越广泛，像无人机、巡检机器人等先进技术，一些“机器替人”的工作也会越来越多。

第一个就是场景化的大数据平台建设，这一块有集控中心包括可视化的风电场监控以及模型直接拖拽、自由组合的大数据可视化建模平台，这一块其实在下午一点多在展位有更详细相关软件体系的介绍。如果大家感兴趣可以去展位听一听，学习交流一下。

针对于健康管理，介绍几个应用的方向或者应用几个案例，第一个去识别叶片不平衡，叶片不平衡其实有两方面，一方面是质量，就是出场时候质量不平衡导致的，还有一种在运营过程中，这种气动不平衡导致的，如果说叶片不平衡会对机组风险其实是比较大的，它可以导致机组振动加剧、载荷增大等等一些问题，通过算法可以看到，其实是叶片不平衡最终体现在扭矩信号上，波动幅值其实很大，通过这种识别转矩信号以及扭矩信号来去实现叶片不平衡，这个准确率其实还是非常高的，可以拟合出来一个模型。

第二，来去识别叶片失速，失速时，相同风速、转速和功率其实明显低于正常值，右图大概8米左右风速，功率其实只有1K左右，右侧有主动恢复正常值的情况，右下角标蓝色的部分其实就是失速的集合，看到它功率曲线中有一块区域其实是比较容易去发生失速的，它失速其实更容易发生在功率爬升的一个阶段，其实我们最终发现，叶片失速可以通过结合着风速的攻角以及风速这几个可以构建出来一个比较简单的函数公式，并且这个公式不仅仅用在边缘计算当中，可以找到更简单的方式去计算这个Cp，所以它其实可以同时落地在PRC当中，也就是主控里面去的。

还有一块偏航矫正优化，偏航系统可分为测风系统、控制系统及执行机构三部分组成，第一快是提高测风能力，激光测风一般会在某一个入风口地方装几台，通过软传感实现虚拟车风，把这个结果去输送到每一个其他没有装激光测风上面去，通过精准测风再加上算法控制，右上角这个图其实是各个分数段一个最优的偏航角度值，看到它其实相对于我们测量的偏航角度值是有一定偏差，通过这种去识别出来最优偏航角度值来去为风机主控和辅控提供更精准的偏航校正。

还有就是遇到这种偏航频繁的这种问题，可以看到，它其实跟这种风的变化情况其实有强相关性的，然后我们这边也是首先提出假设，相关验证来确定和逻辑优化这几个步骤来做，我们刚开始就是去找，看偏航频繁它是跟哪些变量具有相关性，最终我们会发现它其实是跟风向的标准差其实是相关性最高的，我们去计算它通过构建算法之后算它的准确度和所对应的，去通过列出来这样一个表，并且区分了不同的风速段，有了这样一种数据集，我们就可以给到相应的控制算法这种控制工程师，还去找到一个最优的解，其实看到精确率越高，相对的照速率越低，其实是相对一个变量，所以需要结合实际情况来去找到一个比较平衡的值。

还有基于LSTM预测，去实现主要大部件温度的预测，它其实可以应用于齿轮箱、发电机、主轴等等一些主要部件都可以来适用。通过去预测一个机组的温度模型，然后来和实际测得的温度来去做一个匹配做个对比，去计算残差，来实现这种温度提前的预警，比我们直接去使用实际测得的这种温度值来在算法实现上其实更加容易，然后它的精确性以及它的泛化能力也会得到极大的增强，其实是在如果说风电场、温度差不多情况下，其实是具有很强的泛化能力，同时预测值、精确度也会比较高。

运维能力提升，其实涉及到风电场集中监控及运行管理平台还有综合的一个现场综合运营管理平台，综合信息管理平台是涉及到管人、管物和管事，各方面都是有的，还有智能风机的健康管理平台，这一块在下午的三点左右，在我们展位上也会有这一块相关软件体系的介绍，如果有感兴趣的话，下午大家也可以去聆听一下。

无人化技术应用，之前有很多相关同时也介绍过，现在不管是通过无人机去巡检叶片，还有这种轨道机器人以及在场站里面一些机器人等等，都已经应用越来越广泛越来越成熟，相信未来在做机器人消缺方面也会有更好的落地和更好的应用。当然现在来做消缺可能还是有一定的难度。

最后简单的总结，智能传感以及物联网给风电行业带来海量数据，大数据蕴含着风机运行和风机量管理相关的信息，数据挖掘具有很大价值，第二块就是人工智能跨界，给大数据挖掘提供平台和工具，并且在边缘计算、风机控制以及场群控制包括智慧运维、平台建设也发挥着越来越重要的一个作用，在未来，第一方面数据标准化还有模型的标准化以及应用的标准化这方面如果我们整个行业内可能做到这方面标准化进一步拓宽大数据应用边界、模型丰富程度以及应用的生态化。

我的基本介绍就这些，谢谢大家！

（根据演讲速记整理，未经演讲人审核）