風機故障報警是常態(tài)，但當運維工程師發(fā)現(xiàn)故障大部件已糟糕到無藥可救時，接下來的待件、換件，就顯然是在拉低風場收益率了。這種赤裸裸的痛點，在風電上網(wǎng)電價下行的趨勢下，對風場來說簡直就是雪上加霜。

　　不過，遠景風場運維團隊給出了解決痛點的一種可能性——用機器學習也就是用算法對風機的健康度作出預(yù)警。據(jù)該團隊介紹，從已有驗證案例看，大部件的健康度預(yù)警準確率還不錯，比如齒輪箱散熱系統(tǒng)、主軸承等大部件的預(yù)警準確率均超過90%。

　　這是風電運維領(lǐng)域首款對風機健康度作出預(yù)警的機器學習技術(shù)程序，盡管它在大部件預(yù)警的覆蓋面及準確率上還有待提升，但仍不失為風電存量資產(chǎn)市場上一件頗具標志性的事件。畢竟，目前電力界對設(shè)備的健康管理還停留在巡檢、打分以及固化參數(shù)等人為的主觀判斷上，而遠景風場運維團隊通過機器學習系統(tǒng)，僅僅用溫度與壓力就可將風機大部件的健康狀況歸類到“正常、注意、亞健康、警告和故障”這五級健康度中，尤其是，還可以提前3個月判斷出大部件的失效問題——這就是遠景智慧風場Wind PHM智能預(yù)警軟件。

　　機器學習離不開數(shù)據(jù)，而風場正好可以為其提供現(xiàn)實世界的大量、實時數(shù)據(jù)，但值得注意的是，這些數(shù)據(jù)中往往摻雜著很多的臟數(shù)據(jù)，如同鉆石混在煤渣中，所以，數(shù)據(jù)平臺必須具備很強的清洗能力，以保證機器學習能使用到準確的數(shù)據(jù)，“而這正是遠景Wind OSTM物聯(lián)網(wǎng)的技術(shù)優(yōu)勢，其最優(yōu)算法保證了系統(tǒng)數(shù)據(jù)的準確性和可靠性。”遠景能源Wind PHM項目負責人胡博士強調(diào)。

　　值得一提的是，遠景Wind OSTM平臺上運行著幾十款中外品牌的風機，風場資產(chǎn)規(guī)模已超過了5000萬千瓦，標準的物聯(lián)網(wǎng)屬性已使其成為一個完善成熟的大數(shù)據(jù)平臺，上面準確、充沛的數(shù)據(jù)資源，不但為風場績效考核、能量管理、報表推送等提供指標應(yīng)用，也可以為機器學習提供準確的數(shù)據(jù)源，從而拓展了數(shù)據(jù)價值創(chuàng)造的空間。

　　“在我們給出Wind PHM模型的變量及其系數(shù)以后，機器學習就可根據(jù)給定的算法自行調(diào)整變量系數(shù)的大小，使模型更加精確，但這并不是一件容易做到的事情?！焙┦拷忉屨f，“因為我們不可能預(yù)先就知道哪個算法對完成任務(wù)是最優(yōu)的，只能通過嘗試不同的算法來找出最優(yōu)的算法?！?br />
　　事實上，胡博士和他的團隊經(jīng)歷了三次建模的過程。

　　首次建模采用的是神經(jīng)網(wǎng)絡(luò)算法。一個良好運作的神經(jīng)網(wǎng)絡(luò)是靠大量的數(shù)據(jù)訓練出來的，Wind OSTM平臺上的數(shù)據(jù)足夠神經(jīng)網(wǎng)絡(luò)訓練所用，可問題是，在對某些大部件健康度的趨勢判斷上，這種模型的準確率并不能令人滿意。胡博士提醒說，“對大部件這類預(yù)測對象來說，神經(jīng)網(wǎng)絡(luò)算法難以做到整體最優(yōu)?！?br />
　　于是，胡博士和他的團隊嘗試用支持向量機算法建模。從技術(shù)上看，這種算法的亮點在于：在處理特征密集的數(shù)據(jù)時，它不需要所有的失效數(shù)據(jù)或歷史上的故障數(shù)據(jù)，只要對比正常的運行數(shù)據(jù)就能做出常態(tài)和非常態(tài)的分辨。在胡博士看來，“它解決了此前神經(jīng)網(wǎng)絡(luò)模型沒有解決的某類大部件健康度預(yù)測準率不高的問題”，但這種算法在預(yù)測風機健康度上仍有瑕疵——這就成為他和團隊“繼續(xù)尋找最優(yōu)算法”的理由。

　　需要注意的是，并沒有現(xiàn)成的最優(yōu)算法可以拿來直接使用。在深度分析、研究前兩種算法并將之深度融合之后，Wind PHM模型的核心算法最終誕生。

　　接下來，胡博士選擇了歷史上的風機失效樣本對這個模型進行了測試，結(jié)果它對大部件健康度的識別與判斷，在時間節(jié)點上與歷史樣本中的問題或故障高度吻合，并提前3個月預(yù)測到了部件的失效時間。

　　“這樣的測試和算法優(yōu)化是在線下完成的，Wind PHM模型精度滿足風機健康度識別和預(yù)測以后，就可以把它擴展到風場上線運行了?！焙┦空f，“這一輪運行要驗證的仍然是Wind PHM對大部件健康度趨勢預(yù)判的準確性，以及它在自學習、自尋優(yōu)方面的能力。”

　　提及自學習和自尋優(yōu)，需要補充的是，建立Wind PHM模型是驅(qū)動大數(shù)據(jù)的一個過程，也就是用精確度較高的數(shù)據(jù)來為每類大部件的健康度進行定義。這其中也包括變量系數(shù)的采集和確定，而要完成這樣的一個過程，人的知識、經(jīng)驗和能力相當重要，但Wind PHM上線后，所有的變量系數(shù)都可在目標或?qū)?yōu)策略的指引下自行優(yōu)化，這使得模型對大部件健康度的預(yù)判更加準確。

　　實際上，變量系數(shù)的尋優(yōu)比較復雜，比如主軸承的健康度與風速這個變量有關(guān)，而風速又與功率有關(guān)，功率在某個時刻又可能與變槳有關(guān)，而這一切又可能與環(huán)境溫度有關(guān)——在如此復雜的關(guān)系下進行變量系數(shù)優(yōu)化，起到關(guān)鍵作用的是Wind PHM自身的健康度算法。這意味著，通過變量系數(shù)優(yōu)化，Wind PHM模型也有了更高的精準度。

　　“ Wind PHM這個機器學習系統(tǒng)是對大部件健康趨勢的一種預(yù)測，”胡博士解釋，“但在做預(yù)測時它并不關(guān)心什么風速、功率等因素，它只看對應(yīng)的溫度值是多少，也就是實際溫度值與預(yù)測溫度值之間的差，以此報出大部件的健康度?！?br />
　　也就是說，從Wind PHM的角度看，在風機的健康度上，溫度最有話語權(quán)。需注意的是，由于Wind PHM的健康度算法涉及大部件的實際溫度值，那大部件自身的傳感系統(tǒng)所獲取數(shù)據(jù)的精確性就十分重要了。正因為這樣，Wind PHM還要對大部件的傳感系統(tǒng)進行智能監(jiān)控，并做到隨時報警，以確保每個部件系統(tǒng)傳感數(shù)據(jù)的準確性。為了提升準確率，Wind PHM在對某臺風機的健康度做預(yù)警時，還要橫向?qū)Ρ揉徑L機的相關(guān)溫度等參數(shù)——這也是提升預(yù)警準確率的一種算法邏輯，畢竟，預(yù)測準確率是Wind PHM智能預(yù)警系統(tǒng)的生命。

　　Wind PHM走進風場，這意味著，在風場存量資產(chǎn)運營端，機器學習的應(yīng)用會成為一種趨勢。也正因此，胡博士希望風場運營者能意識到機器學習對提升風場收益的巨大價值。