在风电设备智能运维发展论坛上，北京金风慧能技术有限公司数据开发专家刘健发表了题为《风电场智能运维的探索与实践》的主题演讲。
以下为演讲全文：
刘健：各位同仁大家下午好！下面我给大家分享金风科技在风电场智能运维的探索与实践。首先，这两年在风电领域最热门的一个词就是平价，平价过程中资产运营方面最值得关注的就是LCOE。在这个过程中，大家会发现，不管是以前故障运维还是响应式运维方式，都已经没法满足平价的需求。这个过程中有了数字化的技术或者大数据的技术发展相当于生产力的发展，生产力的发展能够带来在风电场的运维做相应的提升，所以这也是为什么会在新形势下不断去用新的生产力来做智能运维的原因。
在智能运维过程中，结合相应所有外部输入，相应机组的操作数据还有一些效益指标等等。任务执行策略上面，两个运维场景，一种是计划停机，一种是非计划停机，共同促进智能运维模型，以这三个为目标来做智能运维，最终的目标是达到发电量最大和运维成本最低。
不管是智能运维还是运维数字化，它的方向或者说做的内容非常多，本次分享从三个场景进行举例，一是实时数据的故障可视化来做故障的自诊断或者是方案的自匹配。第二是短周期或者是相对来说长一点周期的数据做异常状态识别，来做风机状态维护。第三就是长周期的数据来做风电场的运行和评估，来实现机组运行维护的一机一策。
主要从三个方面来介绍。
首先是长周期的风电场运行和评估，风电场运行评估是风电场后评估中间的一部分，主要把运行和评估拿出来。从机组相应发电量评估还有发电损失等等一系列的评估数字化，把这些数据做成模块化，并把评估做成自动化，对机组的稳定性或者是机组运行可靠性进行识别。
下面就是在运营评估，这里可以看到一个是功率曲线的评估，还有风电场的对风偏差还有损失评估等等，把所有的评估集合成评估指标，识别到机组运行不好的情况或者说识别到差异情况进行处理，来得出机组的一机一策的运维方案。
下一个就是异常状态识别，为什么做异常状态识别，这个图上可以看到，这是通常运维维护过程中故障识别发现的一个点。我们做异常状态识别，以前的时候一直都是在B点发生故障，C点进行处理，或者就算做故障预警过程中，大家都是以B的发生数据作为研究对象对它进行分析。但是随着现在不管是机组稳定性多了以后，还是说机组很多数据不全的情况也好，我们会发现在案例数据会比较少或者说正案例和负案例的不平衡，所以说预警比较难做，一方面比较难以做到比较好的预警效果，第二个就算是比较好从B点进行分析，但很多时候在做故障预警的时候，发生故障才能做预警，永远是跟着故障发生后做。针对这个情况，没有办法发挥大数据的优势，我们把机组运行正常阶段进行总结，最后识别出来做异常状态的识别，做趋势的弱化或者是趋势的变坏，期望于在A点识别到异常问题，在C点做确认，并对故障进行预处理，这个相当于异常状态识别的理论依据。
下面是整体思路，相当于在这个地方正好，因为数据正常规律或者是机组正常运行的时候是非常多的，也就是说这个地方可以充分应用大数据一些相关技术，比如说列举的一些算法，这些算法相当于不同的系统或者是不同的数据状况有不同的表现，我们会用不同的算法更好识别它，各种算法去支撑和归纳正常归类模型，前面是做数据方式，我们把机组进行系统的分类，因为机组结构比较复杂，数据变量也比较多，我们进行系统的分类，分成各个子系统。对于各个子系统识别规律，识别到由点到线，由线到面跟异常状态识别。这个状态下，我们可以识别到凡是有监测点或者是凡是有输入数据的机组状态，它的异常变化。这里有一些空间点分布异常，时间点的分布异常，加上工况的异常做一些识别或者是功率识别，这个地方只是举了一个例子，这是异常状态。
第三就是故障可视化，刚刚前一个运达同事已经讲过这方面的内容，为什么我们还会做故障可视化呢？特别是现在机组的量越来越大的情况下，运维人员处理过程中需要不光技术的积累，知识的积累还需要经验的积累，这些积累相对来说都是比较缓慢或者不容易的。第二就是现代机组的更新迭代是非常快的，一旦更新迭代了很多的逻辑或者是经验都需要进行更新，在这个更新过程中就算是能非常好把这些手册发到现场人员的手里，不管他去识别或者是应用都有版本的问题或者匹配的问题，都不方便。第三就是随着机组运行越来越多，你会发现有些特定的故障分析过程中会非常复杂，这个地方完全取决于人员的经验或者是当时分析人员的状态或者当时有没有考虑到的问题，这个时候会造成一些大的安全风险。最后一个经验处理，很多的经验处理，不管是依据大家的总结或者是分析报告，这些方式缺少当时在处理过程中快速反馈和共享的平台。基于四各方面的因素做了故障可视化，故障可视化从五个方面来说，第一个将故障逻辑的可视化，不管是工具跟机组直接接上还是文件直接输入进来，用软件直接匹配实行故障逻辑是什么，故障逻辑的可视化。下面是故障定位和自诊断，推出相应的故障解决方案，最后这个解决方案会直接生成工单，让大家标准化处理。第三做评价和反馈，在这个地方，这是应用实践，这是一个工具，可以实现故障文件下载导入或者故障文件的分析，实现故障逻辑的触发展示，告诉大家这个是怎么回事或者是怎么触发的，再下面按照经验自主分析，告诉你到底怎么回事或者是什么原因，最后是根据处理的结果来做一些相应的评价反馈，而评价的反馈在线情况下实现方案的补充，相当于故障可视化的一个应用。故障可视化的价值，一个重点是智能诊断，降低运维工程师的门槛，第二让整个故障处理机实现标准化，第三个提高故障处理的效率。
以上就是从瞬时数据的故障可视化还有中期数据的异常识别还有长期数据的风电场的运行评估，三个方面对于运维数字化的案例分享。通过运维数字化，智能运维的实践能够提高风力技术的提升还有服务的优化，最终能够实现运维成本的降低，我的分享就到这里，谢谢大家。
（根据演讲速记整理，未经演讲人审核）
