手机浏览网
以下为演讲实录：
今天的这个会议主要是以电网为主要的议题，但是我今天的这个议题主要是讲风机机械的，但是我认为智能风机作为一个发电设备，它的安全可靠性以及它的使用成本实际上也是风机作为风电生产的电力源重要的一点。
我今天介绍的内容是我们在智能风机的安全可靠性方面的新技术探索和技术架构。
作为风机的主机的生产商，我们当然希望风机的度电成本以后是越来越低的。我们回顾来看，从技术的角度来讲，我们希望未来的风机产品能够越少人维护越好，这样的话就能够降低Opecs（音），同时又任何的问题能够早期发现，不要晚期维修，这就要求我们对于问题的发现要有很强的预测能力，而不仅仅是状态的监测能力。另外我们希望风电的风机在它的可靠性的基础上能够充分挖掘它的发电电量的潜力，这样有一个好处，就是在电网对整个风场进行调度的时候，如果有一些风机处于运维状态，那么剩余的风机仍然可以把发电量发起来，保证出口电量和电网的响应是稳定跟随的。最后，希望作为资产的用户能够清晰地看到智能风机产品的这些技术在性能、安全性和电量方面非常地清晰透明。
实际上要达成这些目标，要克服当前风机运行时候的固有的技术挑战。首先一个挑战就是风机实际在运行的时候，它会出现各种各样的故障，故障原因实际上和风机的设计，风电本身的属性是相关的。就是风机在设计的时候所有的部件是按照20年的寿命设计的，但是落地风场不同的机位，风机实际运行的自然环境千差万别，很多时候的一些部件由于机位的自然条件的差异处于过劳的状态，或者遇到极端情况是实验室设计以外的，这就导致这个部件失效。一旦部件失效以后再去进行维修，实际上这个成本越晚期维修和部件更换，带来的损失是更大的，一方面是更换成本，一方面是停机的时间损失。所以无论是风电还是传统的火电，大家都希望能够把故障发现在早期，或者在早期就有状态报警，这样早期就能够减少一些问题的发生和损失。
实际上做到这一点还是很有挑战的。首先风机是由8个机械子系统包括电机子系统构成的。实际上这些系统里面真正需要监测的问题非常多，市面上大家提出来很多检测的项目综合起来都有50多项。现在的一个挑战是在风电资产上如果对这50多个问题全部进行状态监测的话，用现在的方式主要依靠加装物理传感器的方式去做。这样会带来一个问题，首先这些传感器的加装是不是都十分必要的？就是是要加传感器，但是是不是每监测一个问题就要加一种传感器？如果我们所有的东西都靠物理传感器的话，遇到的一个挑战就是我们怎么部署这么多的传感器？尤其是很多风电设备是20年的寿命，可能已经工作了5年了，或者它已经工作了10年了，那么这个运行过程中，我们发现一些需要对规模化已经在运资产的某些安全性能进行监测，我们去补装这些传感器会带来多大的挑战？其实是非常大的挑战。另外，会让这个设备越来越复杂，因为它的硬件越来越多了，接入的东西越来越多了，本身去运维这些传感系统的成本就会非常高。还有一个很大的挑战就是监测这种东西实际上在一开始不会做得很准确，这个地方的挑战有些问题我们识别它的边界是需要时间和积累的，也就是说监测本身是需要持续改善的过程，不可能一蹴而就。因此，必须要探索出一种技术路线，能够让监测变得越来越准确，这是一个很重要的点。
另外一点，传统监测的时候说的就是状态监测。那么状态监测要做到早期问题状态的发现，就要对很细微的事情的苗头就要有所探测。这要求实际上传感器的敏感性是越来越高，成本也会越来越高。但是创造监测有一个 固有的局限性是什么？状态监测没有办法发现这件事情要发生的趋势，所以我们的设备上装了一些硬件传感器，虽然有状态的感知力，但是没有趋势感知力。主要缺失的是设备上缺乏了一种信息，这种信息是模型在设计的时候，我的风机在设计的时候，我背后的机理是什么？物理规律是什么？这些规律往往在设计环境下用于零部件的评估、风机设备的优化，但是我们很少在在运的风机上时时刻刻把这个趋势信息用好。如果能够发掘好对于趋势的捕捉，其实控制器是可以做很多工作的，我们现在很多的风电场一个是风机侧可以做一些控制，一个是在机群侧也可以做控制。但是控制苦于它的信息输入量太少了，如果风机上只是一些状态传感器的话，它只能告诉这个控制器现在是好还是不好，但是它不能告诉接下来的发展趋势是什么，这个时候控制策略就会受很大的限制。因此可以看到风机上有一些不重要的零部件坏了以后，比如有些传感器坏了风机进入亚健康，接下来就是选功率，就没有第三种选择。根本监测对象并不能是一个“黑盒”，所以风机这个盒子必须要打开，它的运行规律和背后的运行机理必须是掌握的话，所以是“黑盒”的话没有办法满足这个要求。
另外一个很大的挑战传统风机资产运营的架构。传统的风机都当作一种高级的传感器，风机本身就是一种传感器，在度量电量，产生能量。所有这些信息获取到云端之后进行数据分析，然后根据分析出来的趋势预测哪些风机资产是有风险的，预测完再到现场闭环是很长的路径，更何况整个这一条路径无论是网络安全还是各方面因素的约束，都迫使未来这些资产如果智能运行，云作为一种数据分析中心，作为问题预测中心，越来越不能满足很高的响应、很高的是时效性以及数据策略的优化。所以这种架构是一定要变更的。总体来说，如果要让资产智能运行，实际上是要完成一个从感就是数据的输入；知就是趋势的分析一直到行动达到极致的安全和性能的一个闭环。在整个闭环的链条上是有很多挑战的。
要解决这些挑战，我们重新思考了智能风机的技术架构。这个技术架构的核心是什么？就是我们把原来在云上要做很多数据分析工作直接放到边缘计算端，也就是放在风机来做，做的算法和逻辑进行分装，然后把风机和边缘计算端提供的计算服务平台化，这样就有一个好处就是所有的算法有升级和改进的空间，而它的平台对它提供的数据支撑以及传感。所以它围绕一种东西，这种模块我们叫“智能健康感知应用”，这种应用在风机进行了部署，在服务器也进行了部署。这些应用的特点是什么？实际上基于的是我们对于风机本身动力学的理解，也就是说我的一这个应用可以根据风机上这些振动的传感器分布在风机身体不同位置的振动和位移传感器重构风机的受 力，在这个过程中再对所有的部件包括电气系统进行健康的评估。这个时候在评估的时候就可以获得它发展趋势，这是物理传感器本身不能提供的信息。
有了这个东西以后有一个好处就是机端控制器可以根据疲劳累积的速率快慢去调节和重新分配受 力，这样不至于一直等到这个部件已经出现了异常状态才作出响应。另外我们怎么把基于前面这个趋势感知，我们其实是用于主动的干预在运行过程中就进行调节。另外一个很重要的点是故障，当我们发现捕捉到故障的时候怎么样能够把故障诊断快速和现场团队进行闭环，这个时候故障诊断的策略实际上在现在的风电运行过程中，在云端其实将近有80%多，这些策略是固化的，就是发现这些异常以后，我们就知道现场应该怎么样去进行干预和维护。那么我们把这些知识固化以后，也放到感知运用上就有一个好处，我的风机就可以直接和现场的运维团队进行对话，直接可以告诉运维团队哪里出了问题，应该怎么修，这样就在现场把资产的运营情况向一线团队进行透明，然后让他们及时地响应现场的问题，不至于所有数据要回传到总部进行一番分析才能得到结论，这样更敏捷。
我们现在已经对于风机的10个关键系统做了很多的智能感知应用的功能点。实际上所有这些应用有监测和监控两个方式，监控就是我刚才说的对于感知趋势的主动干预，而监测实际上是和人和运维团队进行交流的。
我们要把所有感知和监测到的数据在升压站现场运行端向客户全面展现出来，就有呈现的框架，所以这套系统是一个呈现框架，里面呈现了所有的监测的项目，全部是扩扩展的，随着越来越成熟的智能感知应用的不断部署，其实可以扩展的监测功能点是越来越多的，是动态增加的过程。还要将风机主动干预的过程向客户进行透明，这样资产运营的透明和智能运行的过程才能让客户完全看清楚。还有特别重要的一点就是在机群控制方面的协同作用，比如上面呈现出来的由于风机将自己的健康透明化以后，那么在升压站（音）这个版本上的应用可以对全场的健康进行全面的分析和后处理，以此支撑机群控制器的策略。还有一个在升压站服务器的边缘侧有一个很重要的场景就是我们的电量分析，实际上我们来度量这个资产的性能是不是达标，是不是存在出功不出 力的问题，很重要的就是要有一把尺，它要划清楚是风资源在哪里，我的设备在哪里？为了把机位上的风资源度量下来，我们把这个模型部署在升压站服务器层，这一层通过现场实际采到的风速驱动这个模型，然后还原每一个机位上应该具备的电量性能标准，以此为一把尺度量我的风机是不是性能达标。这样就可以进一步让整个资产的性能向客户透明。
所以整体来说，我们的这个技术架构和传统的风电的运行现状情况有很大的不同实际上是边缘计算，核心是边缘计算，云端的作用实际上是数据的挖掘、分析以及模型的构造，也就是智能感知应用的建模，然后借着这个应用，它的进化和改进推进所有资产都进行进化和改进。比如我的风机在运的有上千台，这种情况下我在老的风机上 部署的这些应用所收集过来的数据、运行的情况、探知到的我们通过实践运行校准过的问题边界部署到新一代的风机上以后，实际上所有的这些风机在整个空间上进行数据的迭代，不断加速风机产品在时间上需要20年才能看清的很多问题，这样用空间换时间的思维。基于整个的技术架构，我们称之为是网络的智能演化的技术架构。
今天主要和大家分享的是这些内容，谢谢大家。
（内容来自现场速记，未经本人审核）
