风电机组性能分析与优化

　　摘要：随着风电场行业的大发展，在运行机组数量急剧增长的情况下，风电机组的发电性能、可靠性问题迫切需要解决。本文通过数据分析，清晰地展现风电机组的能量真正损失在哪儿了，进行性能分析与优化建议，对提高和优化机组性能和可靠性提供强大的依据。
　　
　　1、前言
　　
　　国家“十三五”能源规划指出，到2020年，中国风电规模要达到2亿千瓦，规划明确风电主要以大型基地为主，截止2015年底，全国并网风电装机容量12934万千瓦，设备平均利用小时为1728小时。随着风电机组运行时间的增加，机组性能和可靠性方面的问题也逐渐增多，造成了不必要的发电量损失和经济损失。
　　
　　本文通过数据处理、KPI指标分析、损失电量分解、根源分析等手段，评估风电场和每台机组的实际发电能力，可靠地进行详细科学的分析和诊断，准确回答出“风电场和风电机组的电量损失在了哪里”，使管理者全面了解风电场的最真实情况，并为优化技改提供方向。
　　
　　2、背景
　　
　　现场通过数据采集方式，可得到机组、升压站、电能量计量等相关数据，通过这些数据可计算相应的指标，如风电机组可利用率、风电机组功率曲线、风电机组发电量及可利用小时数等等。以往发电企业更多关注限电、停机、故障等最直接表现出来的问题，通过计划经营、检修、维护等方式来提供发电效益，往往忽略了机组性能问题。我们会发现，当限电、停机、故障等都不存在的时候，发电量的表现仍然不尽人意。通过分析和实验发现，机组性能存在可观的优化空间。性能分析不但能提高发电效益，同时能对技改后评估提供依据。风电机组性能问题表现为两个方面。一是限功率运行；二是功率曲线表现差。
　　
　　通过对运行数据分析，往往可以发现高温、结冰、风向标、叶片、控制策略异常以及软件配置等问题。解决这些问题能够减少被考核，提高发电能力，避免大部件故障的发生等，提高企业经济效益。
　　
　　功率曲线是衡量机组发电能力最直观的表述。它能帮助我们进行机组之间的比较或与保证功率曲线比较。厂家提供的保证功率曲线往往是在标准空气密度下以自由来流风速进行拟合的，而采集的风速则是机舱风速。因此，在与保证功率曲线对比时，需要将机舱风速修正为相同空气密度下的自由来流风速。
　　
　　如图1所示，蓝色点为风机SCADA中导出的原始数据散点图，灰色点为蓝色点计算出的风机原始机舱功率曲线，红色点线为保证功率曲线，从图中可以看到由于风机厂家的设置自由来流风速与风轮机舱风速之间的影响差异，导致机舱风速远小于真实风速，SCADA数据绘制的功率曲线远高于保证功率曲线，无法反映功率曲线的性能损失。通过风速修正后的功率曲线如黄色点所示，可以看到机组真实的功率曲线并没有达到保证功率曲线。使用风速修正后的风速计算，可以计算出机组功率曲线劣化带来的性能损失。 　　 　　
　　本文选取某一个风场的数据，按照详细分析流程的描述进行操作，具体的揭示了通过性能分析发现的机组问题。
　　
　　3、分析流程
　　
　　3.1 分析流程概述
　　
　　由于数据的庞大复杂，需要对数据进行处理，清洗等操作。通过数据的输入、数据处理及最后的数据输出，完成能量可利用率指标的计算，形成数据的查询与展示。输入的数据通常有机组10min数据、测风塔数据、机组故障数据、测风数据、报表数据、台账数据、地形图等，经过数据统计、数据清洗、数据插补、数据筛选与分类、数据量化等方法对数据进行处理，最终展示出各指标的散点图、柱状图、曲线图、时序图、饼图、玫瑰图、甘特图、瀑布图、地图、树地图、堆叠图、面积图、气泡图等可视化分析形式。 　　 　　
　　3.2 分析基础平台
　　
　　基于R、Python、H2O对历史数据进行挖掘、分析、建模，基于Spark实现全量数据的大型分布式模型训练、验证、评估，通过分类、回归等机器学习算法，在Hadoop集群主节点、Spark节点、DataNode和交换机进行配置，完成数据的分布式计算和集群管理，从而实现算法的开发。 　　 　　 　　
　　4、性能分析与优化
　　
　　4.1 数据质量分析
　　
　　本文采用的是机组SCADA系统导出的2014年9月1日至2015年10月1日的10分钟数据。其中2015年6、9月数据缺失；21号机组缺少6月份以后的数据，22号机组所有数据缺失。此时，对于缺失数据可以选择通过算法进行插补。由于缺失数据对本文的分析不产生影响，因此忽略插补步骤。下一步进行数据量化。
　　 　　
　　4.2 整体发电量分析
　　
　　通过数据量化得到32台机组2014年10月至2015年10月12日故障停机、高温降容及其他降容损失电量达488万kWh，占应发电量的6.04%。其他由于齿轮箱油温高降容损失26万kWh，发电机驱动端轴承温度高损失4.14万kWh，发电机非驱动端轴承温度高损失3.68万kW，发电机绕组温度高损失0.06万kWh；停机及其他降容损失454.12万kWh。同时，机组之间功率曲线相差比较大，见下图。
　　 　　
　　4.3 机组异常问题分析
　　
　　根据SCADA的10分钟数据利用数据模型分析机组的发电性能、控制策略和大部件稳定性。分析结果汇总如下：
　　
　　1、 机组由于高温存在限功率运行的情况
　　
　　由于机组程序设置高温（齿轮箱油温75°）后，机组自动限功率运行，直至达到极限温度后停机。分析发现每个月都存在齿轮箱高温降容的情况，其中2014年11月、2015年3月和5月比较严重；大风月份发电机前后轴承也存在高温降容情况。除14、15和20号外其他机组都出现过齿轮箱高温降容情况，9、32、17、4、24比较严重；32、33、13、24、26、2、9、3、23、11、30、7、21号发电机驱动端存在高温情况；9、24、18、20、7、2、13、33、11发电机非驱动端存在高温情况；13号机组2015年4月出现过发电机绕组高温降容情况。
　　
　　为分析近期机组情况，本文通过2015年8月和10月数据分析发现。4、5、9、10、11、13、14、16、17、23、24、25、28，共13台机组存在齿轮箱高温问题。高温情况在10月份后有所缓解，但是4、5、16、17这4台机组还存在齿轮箱油温高问题。
　　
　　优化建议：此时应建议风电场对10月份还存在问题的机组检查其齿轮箱散热器是否堵塞、温控阀和单向阀是否失效、油泵是否失效；同时加强对其他机组齿轮箱散热系统的维护，可考虑进行改造避免发电量损失。同时检查出现过高温降容的发电机轴承是否存在电腐蚀情况，振动是否存在异常，润滑油脂是否合适等问题。
　　 　　
　　2、 控制策略修改导致发电性能下降
　　
　　绝大部分机组在4、5和10月份调整过控制策略，导致机组发电性能有所下降。
　　
　　分析发现10月份前绝大部分机组功率曲线出现了下降；怀疑是由于程序升级导致，若存在限电的话，个别机组也有可能是限电导致；分析发现各机组额定转速有所不同，控制参数前后不一致。如5、7、9、12、15、16、17、18、23、25、26、29、30、31、33，共15台机组发电性能在10月份出现了明显下降。
　　
　　此时应建议风电场确认是否进行了程序升级，10月份后是否开始限电。同时调查上述15台机组程序版本及控制参数是否存在问题，特别是26号，若确实是由于程序升级导致，建议恢复到8月份程序版本。
　　 　　
　　3、 个别机组功率曲线表现不好
　　
　　分析发现全场机组功率曲线一致性较差，个别机组功率曲线存在问题，个别机组在一些月份存在问题。
　　
　　其中一些机组功率曲线离散度比较大，功率曲线与其他机组相比相差较大，如9、10、19、26、29、30这6台机组；建议检查这些机组设备配置是否有区别，特别是主控程序版本、变频器、变桨系统及风速仪、风向标及传递链等。
　　
　　其中机组8、25在10月的时候功率曲线差，分析发现其额定转速低于其他机组，建议检查这些机组控制参数列表设置是否存在问题，调查发电机型号是否与其他机组不一致。
　　
　　其中机组4、15、16的功率曲线差，建议风电场检查风向标是否校正，叶片零位是否校正，叶片是否存在污染或者破损等。
　　
　　4、 控制策略存在异常
　　
　　分析发现个别机组的最优CP控制阶段采用了两个动态的Kopt参数，针对不同的空气密度。如27、28这两台机组，在8月和10月一直存在这种情况。建议风电场与厂家或者维护单位确认是否在一些机组上进行相关试验，并对试验结果请相关专家进行评估，挑选最优参数进行升级。
　　
　　
　　5、结论
　　
　　通过对风电机组的性能分析，利用数据说话，科学地分析每台机组的性能损失问题，可针对性地解决问题，提高机组的发电量。但是在性能分析中，还存在两个问题：一是数据质量差，随着数据过多的缺失，风电场的一些真实问题会随之丢失。欲实现精细化管理，必须加强数据采集技术：如建设通讯中断就地缓存。二是全参数的数据量大，目前大多数厂商只采集部分数据。为了达到更精准的根源分析，需要借助全参数的数据相互耦合判断。在数据量随之增大后，对性能的要求也随之增高，尤其是对实时性能分析的要求更高。因此，需要引入大数据平台存储技术，如HDFS、HIVE等和流数据处理技术，如SparkStreaming、Storm等。