视频 | 龙源电力集团运行数据分析及优化中心李韶武：风人风语话数据
在本次《G20能效引领计划下的能源大数据》活动中，龙源电力集团运行数据分析及优化中心李韶武以《风人风语话数据》为主题发表了精彩演讲，李韶武表示：风电虽是清洁能源的主力军，跟火电及其他传统能源相比还具有一定差距，待到2020年，整个风电行业将实现大的突破
10月18日，由数据猿联合中关村大数据联盟、青域基金、中国工业节能与清洁生产协会余热利用专业委员会、百分点集团共同主办的《G20能效引领计划下的能源大数据》活动在北京成功举办。
活动现场主持人：数据猿创始人牟蕾
与会分享嘉宾有：
中国大数据产业联盟常务秘书长 张涛
中国国电龙源电力集团（北京）风电工程技术有限公司运行数据分析及优化中心主管工程师 李韶武
能源基金会工业节能项目主任、中国工业节能与清洁生产协会余热利用专业委员会 指导委员会主任 何平
青域基金 合伙人 牟颖
百分点集团能源行业架构师 董继军
通用电气中国数字创新坊 能源行业战略活动总监 秦川
北京思诺环能科技有限公司 创始人 杨超
沈阳昊宸科技有限公司 总经理 王昱涵
云智环能科技（北京）有限公司 总经理 张隽永
https://v.qq.com/txp/iframe/player.html?vid=r0338loujhb&width=500&height=375&auto=0
以下内容为“龙源电力集团运行数据分析及优化中心李韶武”分享，并由数据猿编辑整理发布：
李韶武：首先为大家介绍我们集团的示意图，每一个中心都代表了风电场，在我们的印象中，所有的风电场都是处在比较偏僻的地方。至于风电场是什么样的呢？
我们龙源在戈壁拥有一个风电场，不仅可以看到很多风机、黄羊，还可以挖锁阳，锁阳号称是戈壁滩的人参。除此之外，我们在呼伦贝尔大草原、西藏等多地都拥有自己的风电场，同时西藏风电场也是中国首个藏区风电场，附近的景色十分迷人。
其次是风电场实时的示意图，一个风电场一般情况下是5万的容量，33台风机，这些风机分布在整个风电场里面，我们可以明显感觉到，风电场和其他发电企业存在很大差异。
“风机”跟“飞机”只有一字之差，事实上其构造也跟飞机非常相似，都需要有像机翼一样的叶片，这个叶片旋转吸收风能，风能转化成机械能，再由机械能转化成电能，把电能输入给电网，这就是风机对能源的转化过程。
从外观看，风机的构成并不复杂，仅仅是由三只叶片、一根机舱以及一个塔架组成的，但其实里面是非常复杂的系统。每一个风机都是自成系统，因此需要采集到时时刻刻的数据，并把这些数据收集下来。
下面先给大家展示三个小的案例：
风电行业采集数据的频率是1秒钟采集一次，实时数据展示都是每秒的数据，每10分钟把这些数据处理完之后，存到数据库里面。在小风速的时候，比如在2米每秒以下的情况下，风机没有发电；而风速比较高的时候，同样也没有发电。这是因为我们风机里面存在切入风速和切出风速，只有在切入和切出之间，风机才是正常的运转状态。此外，当风速已经超过3之后，它还有很多点是处在没有发电的状态，这个我们称之为停机状态。
以前在我们风电领域，有一个指标叫可利用率，就是说正常的运行时间比上总的时间，这称之为可利用率，可以帮助我们一目了然地发现风机是否在运转。可是运营商更多关注的是整个性能和它停机的存储电量。
再给大家举一个例子，这里有一个1.5兆瓦的风机，1.5兆瓦，换一个说法就是1500千瓦。比如说现在风速是10米，刮一小时就可以得到1500度电。在6米每秒的时候，它的功率只有大概300度每小时，7米的时候可能是400度。
我们现在一个风电场就拥有多台风机，像汽车一样，同一个型号的汽车，或者说同一个型号的风机，它的性能是不是一样的呢？这就需要从数据中来寻找答案，我们这里展示了三个风机的性能，每一个颜色表示一个风机。
不同颜色，可以看出来性能有很大的差异，我们把发电性能分为两部分：即风机之间发电性能的一致性和它的稳定性，对于运营商来说是非常重要的。当我们发现它的一致性出现问题的时候，就想知道它背后是什么原因导致它发生了这些问题？
风电领域，除了刚才跟大家说到的风速和功率之外，我们还收集了很多其他传感器的数据。风电领域里面有非常重要的两个参数，一个是叶片的旋转速度，一个是叶片的角度。
旋转速度其实跟飞机的角度是相类似的，飞机在上升和下降的时候，它的机翼和风的速度是有差异的，这个角度被称为桨区角，风机发电性能不一样，跟它控制策略的参数的差异是一样的。
除了看风机之间的差异之外，一个风机本身发电性能出现了，但一些点在正常的发电性能之外，这个时候就应该对这些点单独进行分析，要看看它是什么原因，导致发生了这些问题。当一些点都集中在区域的上方时，这个参数我们称之为齿内箱油温，由于齿内箱油温高，导致风机发电性能受到限制。像这样会损失很多电量，也是运营商极力避免的事情。
我们对数据的分析，除了刚才利用可视化的方式之外，还尝试从其他的角度着手。我们会看这些发电性能数据随时间的变化情况，同时我们还会从3D效果的展示上，看是不是能够快速的发现一些问题。
上面给大家简单介绍了风电场的基本情况，和风机的情况。下面进入主题：《风人风语话数据》。
我们龙源是目前国内最早从事风电运营的发电企业，拥有超过11000台机组，分布在200个风电场，全国24个省份都有风电场。在中国每6台风机中，其中就有一台是属于龙源的，风电发出的电里面，每4度里面，有1度属于龙源。我们现在也是国内和世界上最大的风电运营商。
刚才也提到了，运营商非常关注性能损失和停机的损失。我们刚才也通过一台一台手动的形式，用可视化的方法，把这些问题查找出来。当我们面对整个集团一万多台风机的时候，采用这种方式肯定不行。于是就想能不能找到一个更加方便的解决方案，帮助我们自动实现这个问题。
怎么去解决呢？我们一般会考虑到整个风机，它感受到多少风，应该发多少电量出来。如果没有能够正常发出电量，就称之为损失电量，这些损失电量又分为性能问题损失的和停机损失的。
风机的数据是非常异常的，它不像我们想的那么干净和整洁，因此我们在去年做了一个事情，把整个集团的一万多台风机的发电性能的模式做了一个聚类和分析，可以看到一共有8种模式，这8种模式下，每一个不在正常状态的都表示了电量的损失，以及效益上的损失。因此我们非常想知道，哪些因素导致它发生了改变？什么时候发生改变？
因此就有了数据分析的两个重点：我们要先找到发生问题的时间，再找到发生问题的原因。为了找到发生问题的时间，我们用了一个方法，叫变点分析法，该方法目前在金融领域等被广泛应用。这个方法是把风机比较重要的参数，跟性能有关系的，比如说时间、风速、功率，做时间排列，然后自动识别出这些性能在什么时候发生的改变。
我们是2014年把它做出来的，2015年投入运用。2014年在我们集团发生了一件非常有意思的事情。当年在江苏省有一个风电场，买的国内最有名的风机制造厂商的风机，买了之后，前一个星期它的发电性能非常非常好，但是三个月之后，它的性能反复出现问题，有时候特别好，有时候特别差，包括我们的领导，也包括风机厂家都不知道原因是什么。
领导说你们要不然分析一下，我们就把这个数据拿过来，用变点分析法分析了一下，之后发现9个点发生了改变，后来我们又把这些数据跟天气数据进行比对，发现所有的点都跟下雨天对应，什么意思？当下完雨之后，风机的性能马上上升，只要不下雨，性能马上下降。
我们发现这个问题之后，跟厂家一块去现场进行勘察，发现叶片设计的不是很合理，叶片对污染物的敏感性特别高，只要是积累了脏东西之后，性能马上下降，因此我们后来做了一些别的尝试，在2015年把这个方法投入了实际运行。
我们前面也提到了，机组之间的一致性有时候会出现差异。为了分析整个集团的数据，我们做了功率属性异常机组问题挖掘。它是基于系统本身的问题和我们主要关注的一些重要的参数，我们在这里面做了数据之间的分析，并建立了数据分析的模型。
还有机组本身的差异，像这样的发电性能的图，当我脱离正常点之外，它背后一定有一些参数出现了差异。发展这些方法，主要是为了告诉我们，我们能够在什么时间点发现这些性能发生了改变，它背后的原因是什么。
我们刚才说的都是跟性能分析有关系的，我们还有很多停机的问题，今天由于时间原因，就不多做介绍了。这些分析的方法也好，案例也好，都是离散的。我们为了整个集团运用，开发了一个系统，叫效能分析系统。
后面有很多数据，包括我们整个风电行业几乎所有的数据源，一共有8个，同时这个系统提供性能分析和故障分析，能够帮助集团公司，帮助省公司，帮助风电场，发现集团公司内应该关注哪些异常的省份，应该关注哪些异常的风电场，风电场内可以找到异常的风机，并且找到异常原因。
一个运行分析数据部门，每天做这么多分析，并且分析出那么多问题，其实并没有用，因为没有创造出价值。我的发电量还是那样没有提升，这个怎么办？我们想能不能从数据分析中，找到优化的方向，找到优化方向之后，做完了优化，还要评估一下，它是不是真的提升了，这些都是跟数据分析有关系的。
我们在2013、2014年做了很多分析，积累了大量的数据和样本的结果，我们把23个风电场的性能问题进行了分析，并统计了其占全厂的比例。说到性能不佳的原因，其中最应该关注的只有4类，这4类占到所有的75%：第一个是方向标的，第二个组建高温，第三个是控制参数，最后是叶片安装角度。通过这些，发现了我们应该优化的方向是哪里。
前面说了很多数据模型，这些数据模型需要强大的计算能力，尤其是在我们面对很多数据量的时候，我们每一个风电场，每年大概可以产生3T到30个T的数据，整个集团每年的数据量大概是100T到上千个T左右，除了计算能力之外，我们还需要把结果进行统计，通过这些统计发现我们优化的方向，指导我们进行生产和运行。这个就是根据我们前面所发现的那些跟性能有关的问题，所找到的优化的方向。
说完了性能问题，下面就是刚才没有说的停机的问题了，当机器发生故障，就停机了。一般说停机这一块，是针对现场故障问题。我停机时间比较长，停机时机不对，什么叫时机不对？比如说小风电的时候，希望它停，不希望它大风电停。针对这些，我们从大数据的角度做了一些分析。比如说像停机时间长的，我们开发了三个系统：远程基础设施系、智能诊断系统和备件定额存储系统。
说到故障诊断系统，我们收取的都是知识库的数据，也就是一些不能够直接处理的非结构化数据。我们收集了整个集团的所有机型的所有故障数据，把它形成了一个统一的故障数的形式，帮助现场人员快速定位，并快速进行反馈。因为现在每个厂家在这一块的故障数不一样，做完统计数之后，就可以让所有集团用统一的语言进行交流。
我们每一个风电场还制订了备件的消耗需求，可以帮助风电场科学地制定备件消耗的存储计划。
我们在故障运行这一块用了很多大数据的技术，风机什么时候坏，做一个运行就知道了。现在在风电领域有一个更重要的问题是大部件的预警。像叶片、齿轮箱、发电机、便电器，这些都是大部件，因为它本身的更换成本非常高，价值也非常高，所以对大部件的预警是非常关键的。在2014、2015年，我们集团发生了比较多起的大部件组坏事件，其中叶片和齿轮箱占80%以上。
多年前在山东某一个风电场，当时这个风电场不是建立在非常偏僻的地方，而是在公路边上。叶片损坏之后，就直接掉下来了，旁边就是一个公路，差一点砸到过往的行人和汽车，由于这个事情，整个风电场停运了小半年。一个风电场停运小半年，我们损失了3000到5000万的电量，就是1500万到2500万，所以说，像这样的事情在整个风电领域是时有发生的，对这个需求也是非常大的。
于是我们就想能够把大部件预警的技术做出来，我们一开始尝试了很传统的数据分析方式，尝试了三个月，整个集团很多人都在做这个事情，但是没有出来。后来就跟我们合作方一起，尝试大数据的更深入学习，以及跟机翼学习有关的一些模型，后来我们把整厂的26个参数都拿了出来，然后利用全新的机翼学习模型，就把这个事情做出来了。
刚开始是用单机去跑的，单机跑完之后，出现了一个哭笑不得的事，算出来了很高兴，可是我们跑一台单机需要23个小时，肯定不能这么干，因为我们都是实时的。所以我们就用大数据技术，成功地把时间提到我们可以接受的程度。
拥有这样的大部件预警技术之后，能够提前预知叶片要坏的时间，并做好充足准备。同时该技术还跟我们的风光预测系统结合，可以提前预知什么时候刮什么风，并作出相应的更换或者无休计划。
现在在风电领域有很多像技改，风机发现性能都没有达到最优效果，可能是设计的问题，也有可能是别的问题。有的厂家没有那么强的技术实力，所以我们开发了一个优化，优化完了要评估。其实就是一个合同能源管理的雏形，比如说一个厂家给我们做优化，做完了优化，我们算完了收益之后，是要跟人经济分成的，这一块也需要用到大量的数据，而且在这一块，我们要算的结果要更加的精准，所以也用到了很多数据分析的技术。
我们刚才说的都是风机刚装完，对以前的历史数据进行处理，看看已经存在的一些问题。除此之外，在风电领域最重要的是监视的数据，那都是实时的数据。监视的数据量更大，需要更多的跟大数据有关的技术。
我们集团在2014年的时候，对大数据不是很理解，当时就想大数据能不能在风电圈存活下来？我们有没有必要用？因此一开始做分析的时候，就是简单的可视化软件，算一下就行了。
后来发现这个数据量是非常巨大的，而且我们不仅用到传统的分析数据，还有很多别的数据，比如CMS系统、配件系统、故障诊断系统，这些系统不仅收集了风机和设备的数据，也有很多人的数据，所以数据多样性这个特点目前在风电领域还是比较显著的。有了这样的数据之后，需要强大的计算能力，才能把数据和结果呈现出来，这个数据量也是非常巨大的。
在整个风电领域里面，我们是一个全生命周期的管理。因为我们是运营商，不是太关心技术，我们关心的是我投了钱之后，能够得到足够的收益。如果现在出3个亿，想建一个风电场，需要选择风能源最好的地方建，建完之后，还要在风电场的这些机位上，找到最合适的机位，还要选择最合适的设备，什么是合适的设备？不是说贵就是好。既需要好，还需要它稳定，还需要它备件便宜、故障率低，生产期的事情做好，才能最大化的提高收益。
给大家举一个简单的例子。像天气预报，大家觉得这只有气象局可以做，事实上，在整个风电圈里面，有三四家都可以做到这一块，他们可以清楚知道哪些地方风资源比较好，哪些地方风资源比较差，可以拿这个来选风电场，做微观选址，找合适的机位。但数据量是非常巨大的。
举一个简单的例子，像江苏省，4个江苏省大概是38万平方公里，我们如果需要测量一年的数据，大概要用到96000个课时，会产生20个数据，像整个中国，这个数据每年都是1000个T，而且精度还比较差，如果我们定义成20米，这个数据量的规模可想而知。
运营商最关注的还是发电量，风电虽然说是清洁能源的主力军，但跟火电以及其他传统能源相比还具有一定差距，所以我们最终关注的还是度电成本。2020年，整个风电装机比现在将翻一番，能源也要翻一番，希望以后在大数据的建设时期，我们能够跟各位去探讨更多的算法，去研究更多的模型，去开发更多的系统，也希望跟合作方和各位一起共同进步，谢谢大家！
来源：数据猿