如何解决风电行业模型预测准确性不稳定的问题?

2019-01-17  |  作者:姜凯  |  来源:天泽智云  |  浏览:

北京天泽智云科技有限公司解决方案经理姜凯出席会议,并针对目前智能化应用面临的模型预测准确性问题,发表《以模型全生命周期管理为核心的风电智能化实践》主题演讲,以下为主要内容。

1月8-10日,2019年(第四届)风电场智能化专题交流研讨会在成都召开。本次会议由中国电力企业联合会科技开发服务中心和全国风力发电技术协作网主办,300多位行业专家和领导与会交流。北京天泽智云科技有限公司解决方案经理姜凯出席会议,并针对目前智能化应用面临的模型预测准确性问题,发表《以模型全生命周期管理为核心的风电智能化实践》主题演讲,以下为主要内容。
 
天泽智云姜凯
天泽智云解决方案经理 姜凯
 

风电智能化建设痛点——模型预测准确性不稳定

 
随着智能化技术的发展,市场上涌现出非常多以模型为核心的智能运维应用,包括针对风机端、风场端等,很大程度上解决了风电行业限电严重、度电成本高、运维难度大、人员流失等痛点问题。
 
天泽智云,工业智能实践者
与业务创新结合的智能运维应用
 
但在应用中我们发现模型预测的准确性成为了风电行业智能化建设的典型问题,很多模型在测试开发及应用初期准确性很高,但随着时间的推移逐渐出现误报、漏报等预测不准确的问题。
 
究其根源,主要是因为故障数据的缺失和不足。风场的智能化建设相对还处在比较初期的阶段,能够积累大量故障数据并进行统一化管理的业主并不是很多。而不论是机器学习还是故障预测,都需要有足够多的故障数据才能更好地完成对模型的分析和预测。
 
在这样的背景下要保证模型预测的准确性,首先需要完善数字化积累,建立平台管理数据,同时通过一套完整的体系进行模型全生命周期管理,提高预测的精确度。
 

模型全生命周期管理建设 全面提升预测准确性

 
基于天泽智云工业智能实践经验,我们将模型全生命周期管理建设过程总结为以下几个阶段:
 
天泽智云,工业智能实践者
首先,模型设计与建立。
 
与行业专家、运维工程师基于已有风机故障探讨,结合业务知识,明确是否需要建立相应的模型,并通过专业的方法和工具,形成体系化的建模理论。
 
其次,模型训练及优化。
 
完成建模之后,融合不同维度的业务数据,完成自动化数据标注和模型数据对接,协助模型的训练和优化。
 
再次,模型升级及管理。
 
完成训练之后,对不同场景下的模型进行版本管理、升级和调用。同一问题在不同业务场景中有不同表现,如齿轮箱故障预测在冬季和夏季可能对有不同的结果。所以可以将模型类比成一套软件,需要不停的关注、迭代和优化。
 
最后,模型应用支持。
 
完成上述流程后,对接到不同的业务系统(如风功率预测、故障预测等),接入实时数据,完成模型与业务应用环境对接,支撑业务应用落地。最终形成整个闭环。
 

以模型全生命周期管理为核心的风电智能运维应用设计

 
天泽智云结合以上理念,打造出一套基于DT/AT/PT/OT的相对完善的风电智能运维应用体系,帮助客户快速解决风电运维中的多种问题。
 
概括而言可以分为两部分,建模分析和边缘物联。首先通过风场智能物联网与边缘计算平台收集SCADA、CMS或其他系统的数据,之后通过数据预处理、降噪、降维等方法建立特征库,再结合机理分析和特征工程,及模型训练、模型验证得到数据进行部署和监控,最后实现风电的微服务、可视化等不同的应用服务,形成风电智能运维应用的闭环。
 
模型设计及训练——GenProTM 端到端的风电智能建模支撑
 
GenProTM是天泽智云自由研发的模型的开发工具,模型设计及训练环境支撑完整的工业数据分析和PHM建模过程,内置各类算子,实现与PHM知识体系相结合,协助风电算法工程师快速完成模型搭建。
 
模型设计及训练环境具有风电应用模型模板,便于算法工程师快速学习风电模型的搭建和设计,完成新模型的研发。
 
AI算法模型管理库——CyberRepositoryTM 模型存储和版本管理
 
我们也开发了专用的模型管理库—CyberRepositoryTM行业算法组件库,包括齿轮箱、轴承、发动机故障预测等不同的算法模板库,及训练流程库,能够让大家更方便地完成对不同模型的版本管理,同时能够迅速地参考库中模型完成模型的自主开发设计。
 
开发设计、运行管理之后,到了应用。对于模型的应用,风电领域,风机部件很多,每个部件都可以形成一个模型,模型有这么多应用,是否每个都要对应更改应用系统。如何解决这个问题。
 
模型运行管理——CyberSphereTM
 
我们知道风机有非常多的零部件,如果对每个进行建模系统将会形成一个非常复杂的系统。在此,我们开发了模型运行管理工具CyberSphereTM,通过可视化管理调度模型的运行周期、次数及频率。在运行过程中如果模型需要更改,则可直接通过CyberSphereTM将算子计算的结果输入到数据库,迅速对模型更新迭代且不影响其他应用的使用,从而快速构建智能平台。
 

4、风电模型全生命周期管理应用实践

 
>> 故障预警系统
 
基于SCADA数据进行早期故障预警/风功率预测,其背后支撑的是不断更新迭代的模型全生命周期管理体系,以便于在客户现场完成不同版本、不同模式的模型升级和管理。
 
>> 精准故障分析系统
 
精准故障分析系统是将CMS的振动信号与预警系统的分析结果相结合,以大量的机理和数据驱动的模型为支撑的一套分析体系。即当预警系统发现早期故障后,针对性的对这些故障做精准分析,同时对接CMS系统,对关键的振动数据进行精准评估分析,并自动将分析结果推送给运维团队。
 
>> 生产管理系统
 
生产管理系统通过各种分析方法完善对风场发电量等应用生产能效的分析。以系统对标为例,在整个风场中选出性能最佳的风机作为标杆风机,将其他风机与之对比从而指导风场运维,相对标记最差/排名最低的风机即为未来运维的主要关注对象。
 
>> 智能运维排程系统
 
智能运维排程系统是另一个非常典型的风场应用,尤其对于海上风场。众所周知,船舶、配件及人员等资源调度是海上风电运维面临的一个重大挑战。当一个海上风场有多台风机出现故障时,目前采用的方法大部分是根据故障发生的先后顺序来进行维修,而该系统则是从数学的视角出发,思考以什么样的方式能够最快、且成本最优的完成运维,综合评估出一套最优路径。
 
>> 风场移动运维管理系统
 
为了更好地让分析决策落地执行,风场移动运维管理系统应运而生。通过该系统一方面可以向现场工程师通过可视化的界面不断更新风场实时运维数据及信息,另一方面也可以让运维工程师将一线的一些故障数据及时反馈,推送到系统后针对该标签做针对性的训练,从而模型迭代优化,更好地完善模型,完成闭环。
 
>> 应用案例:某能源集团旗下风电机组智能预警服务
 
天泽智云为其能源集团旗下5个风场的140多台风机部署风电智能预警系统,帮助其从故障后维修跃迁到主动预防性维护,降低运维复杂度,大幅度减少风机停机时间和发电量损失,降低风场故障率,减少备件消耗,降低运营成本。通过实践,实现了以下功能:
 
模型的快速部署
模型总数量 305个
支持同一风场不同风机的部署以及在不同风场的部署
第一个风场部署时间1周,剩余四个部署总时间1周
 
系统的高鲁棒性和安全性
自去年8月上线以来,系统运行稳定,零宕机
数据传输过程对数据进行加密,防止数据被窃取
模型校验,模型代码混淆和加密,防止恶意篡改和非法破解
 
模型具备高可调试性
对模型运行状态的监控,给算法团队提供了模型运行精度的衰退情况,便于模型的训练、快速优化和更新
 
 
作者简介
天泽智云姜凯
姜 凯
天泽智云解决方案经理
 
上海交通大学仪器科学与工程系硕士研究生。合作参与风电、轨道交通、化工、制造等多个工业领域的设备健康管理系统设计及搭建项目,拥有数据采集、光电监测、图像处理、设备状态监测、工业设备信号处理、边缘计算、机器学习、故障预测与健康管理相关领域研究经验。
 
天泽智云logo

推荐文章