预测性分析系统助力风电场智慧运维
预测性分析系统助力风电场智慧运维 4月27日,华北电力大学技术转移转化中心与中关村华电能源电力产业联 盟联合主办的2021年智慧电厂论坛(第一期)在广东深圳成功举办。 各位领导、各位嘉宾、各位同行,很高兴给大家带来我们技术方案的分享, 我的演讲题目是《预测性分析系统助力风电场智慧运维》。 我们公司近两年才进入中国的市场,之前我们也有一部分的技术解决方案是 由中国的合作伙伴共同开拓,近两年对于中国市场持续的加大投入,我们也正式 进入中国市场,首先由我简单介绍一下我们公司以及我们集团公司。 斯帝雅阁位于鲁尔区的德国五大发电集团,受制于德国的容量和中国的五大 发电集团还是有很大的差距。我们公司成立于1937年,斯帝雅阁是德国能源保 障支柱之一,业务辐射全球,包含传统的煤电、燃气发电、风能、太阳能、垃圾 发电、生物制发电,矿井瓦斯、地热能和储能,我们的主业一直处于燃煤发电, 为什么囊括这么多的发电业务。受限于德国的环保要求,目前德国要求2038年 关闭所有的火电燃煤电厂,还有一座暂时没关停,明年左右会全部关停。 我们集团能源服务公司是在全球80个国家和地区为第三方业主提供电厂设 计开发、运营维护、核电退役拆除、数字电厂专家系统等几乎所有电力相关的能 源技术服务。斯帝雅阁能源服务公司作为斯帝雅阁集团的全资子公司,最开始是 为我们集团公司作为全方面的技术支持解决方案所成立的,随着公司的发展,为 全球的客户提供我们的技术支持。截至目前为止,我们能源服务公司80%的业务 来自于全球的客户只有20%的业务是来自于我们自己的集团。 斯帝雅阁公司是从上世纪90年代开始为电厂开发并应用全面的IT解决方 案,并应用于监控和优化电厂的发电流程,目前我们所开发的软件系统有效运行 的达2000余套,数字电厂专家系统全球部署700余套,是德国市场的领导者。 目前我们的整体解决方案占德国的市场大概是80%以上的占有率。 作为斯帝雅阁能源集团下属的服务公司,最重要的一点我们自己开发所有的 监控优化系统,我们不但自己使用,我们的客户也同步在使用,这一块经过我们 三十余年的历史发展,经过不断的迭代和优化,我们很有信心作为专家系统来说, 能够做出非常优秀的成绩。 这是斯帝雅阁公司在全球分支机构的分布(见PPT),除了本土的德国,欧 洲的分支机构北美、南美、非洲、中东、东南亚以及包括中国目前是在四川成都 设有分公司、分支机构,希望各位专家以及各位同行能来到成都莅临指导我们的 工作。 风电领域我们是提供了风电厂的资产管理、运维服务,目前在中国主要是提 供风电厂的咨询与服务,我们也有自己的管理风电厂资产。 接下来我整体介绍一下斯帝雅阁数字电厂的专家系统架构,作为斯帝雅阁数 字电厂的专家系统系列解决方案,我们称之为SR系列软件解决方案,按照国内 的安全分区,我们主要部署在第三区,需要获取DCS和CGNNATURE进行分析计算, 我们使用自己开发的数据管理系统进行数据的存储我们称之为SRX数据管理系 统。SRX还是通过主控数据的接口,将历史测量值接入,我们一般不会反写到数 据库或是E区,主要是单向的接口,没有需求我们也不会上传到外部的云平台作 为管理可以独立运行于内网,安全规范是符合国内的安全要求。 我们同步开发了很多的性能监测和预测分析的模块,目前在国内应用主要还 是 SR: SPC、SR: EPOS、SR: BCM, EBSILON,我们的客户介绍了 SR: BCM, EBSILON 应用的情况。 作为我们的模块,我们会有统一的SR客户端,对于测量值计算结果、用户 的配置等,包括数据的管理、输入输出、接口或是其他的报表都是由我们的SR 客户端进行统一的客户展示。 作为风电领域来说我们主要应用于SR: SPC预测性分析作为我们有效的分析 手段,今天我主要以SR: SPC作为分享案例。目前作为整个的SR系统的数字电 厂解决方案专家系统,我们所在全球的客户,主要的客户在德国是五大发电集团, 最大的发电集团莱茵集团都是使用我们数字化的专家系统,上面只列举四家,我 们也隶属于德国五大发电集团。像丹麦、奥地利、泰国、印度最大的发电集团都 是使用我们的解决方案,南非、中东也都有我们的客户。目前在中国也有相应的 发电集团正在使用或是正在洽谈中,部分的项目已经落地。这是德国市场的分布 情况以及使用的案例(见PPT),因为过小没有作为细节的展示,只是作为分享 的案例。 作为我们这款SR: SPC,它的应用场景还是预测性维护的场景。之前我们这 款产品在设计研发之初,我们公司预防性维护到预测性维护的过程,在运行维护 的策略还是分成三个大的部分,跟国内的策略还是比较吻合的,依然是被动性维 修,国内说得比较多的是故障维修。第二个阶段是预防性维护,风电领域做得比 较多的是定检,参加这个论坛的目的以及我们所做的工作都是为了达到最后的预 测性维护。 欧洲不一定是风电行业,能源行业还是占有比较大的比例,平时虽然没有太 大的支出,如果突发性的停机我们的维修成本会非常高,当然还有一些持续性的 伤害,本来不用付出如此大的代价,依然在出现故障之后会引起持续性、周边的 损失。 目前来说主流的运维策略还是预防性维护,也是我们常说的定检,可以在的 定期检查过程中减少一些数量,但是有非常持续的成本输出,各家运维水平和运 维策略不一样,相当于运维成本会各自不一样,欧洲10%的维护方式为预测性维 护,我们所用的解决方案还是希望能使我们自己以及我们服务的客户顺利的从预 防性维护过渡到预测性维护的过程。 预测性维护的优势,作为我们对于这方面的理解,对于物流和配件的优化是 非常有利的,因为不知道什么时候有配件的更换,如果定检的过程中,备件库中 会有大量的库存,这个地方可以对物流、配件进行优化。 对于现场运维人员而言,降低运维人员的技术门槛,我们将专家的知识融入 到专家系统中,同时减轻运维工程师的分析压力。我们这套系统大部分时间部署 在集控中心和现场的升压站,由于有部署在集控中心的案例,对于工程师的分析 压力会极大的降低,运维人员的维护强度也会减少,我们清晰的知道什么时候、 什么时间点需要维护,对于我们的精准性方面也是得到了巨大的提升,运维人员 不需要频繁的爬塔,出现报警进行长期的跟踪,或是视频手段查看。 对于管理而言,最优的解决模式是能合理安排维护时间,减少一些非计划性 的停机,避免安全事故的产生。在国内强调比较多,安全事故是比较严重的。同 时在我们所管理的业主或是管理的资产中,大家对于安全的角度也是非常重视。 最终的结果还是提高风电厂的综合收益。 对于这部分的资产输出、资产的购买可能会存在一定的成本,最终达到的效 益、节省成本,如果这部分资产购入之后可以为风电厂带来一些好处,风电厂的 综合收益可以得到提升。 时间有限我介绍一下这个解决方案的分析方法,作为预测性分析方法,SR: SPC专家系统的主要思路跟国内目前所做的基本上大同小异。首先还是从 CGNNATURE获取测量值,通过机器学习获得学习参考值,有监督学习使用神经网 络,无监督学习用当下比较多的大数据,这块我们的效果还是比较优秀,是因为 这块我们持续针对工业数据进行数据、算法的优化,持续大概三十年