一、項目背景

風力發(fā)電作為新能源產(chǎn)業(yè)技術(shù)之一，已得到社會各方面的全面認可。但是由于自然環(huán)境和負荷不穩(wěn)定等因素，導(dǎo)致風電機組在使用過程中，機組部件會逐漸磨損和腐蝕、斷裂，最終引起故障而停機或者大部件損壞。從而進行風電機組性能劣化預(yù)警，及時掌握部件損壞情況，在機組部件進入故障前，進行隱患排查、修理及更換，是提升風力發(fā)電的安全性和經(jīng)濟性的必要手段。

二、問題與挑戰(zhàn)

1.不能忽視的時序。風機機組性能劣化是一個具有時間跨度的現(xiàn)象，無法依據(jù)單點檢測判定是否發(fā)生劣化，需要綜合一段時間內(nèi)的機組運行數(shù)據(jù)分析機組在一段時間內(nèi)是否發(fā)生劣化。如圖是風速和功率散點圖：

2.劣化的強相關(guān)聯(lián)。風機機組劣化是一個動態(tài)過程，同一時刻某一劣化現(xiàn)象往往會引起另一劣化現(xiàn)象，所以需要將每一種劣化割裂開進行分析。

3.二維世界的損失。風機機組數(shù)據(jù)是一段時間內(nèi)的積累，反應(yīng)了風速和功率曲線形態(tài)上，時間作為第三維數(shù)據(jù)無法體現(xiàn)，而時間是風電機組性能劣化預(yù)警的重要因素。

三、解決方案

利用機器學習算法，分析與風機劣化的相關(guān)的影響因素，構(gòu)建基于風機功率曲線的劣化分類模型。引入時間平移窗口，將時序考慮進算法模型，分析機組劣化開始和結(jié)束時間。

1.劣化類型預(yù)測

引入機器學習算法，分析風機機組不同劣化現(xiàn)象的影響因素，探索風機劣化原因。利用圖像處理技術(shù)，提取機組功率特性曲線特征，構(gòu)建分類模型，預(yù)測風機機組劣化類型，劣化類型包括離散點離散度大、起點偏移、出現(xiàn)限負荷點、曲線形態(tài)異常等。

2.劣化起止時間

以時間小窗口為切入點，動態(tài)分析機組功率特性曲線的變化過程，利用劣化分類模型分析不同時間出現(xiàn)不同類劣化的起止時間。

四、應(yīng)用價值

1.預(yù)警風電機組性能劣化

建立風電機組性能劣化預(yù)警模型，離線或在線批量預(yù)警風電機組性能劣化，分析各類劣化原因，確定劣化發(fā)生時間。

2.保證風電機組可靠運行

準確把握機組的實時運行狀態(tài),并對其早期缺陷及時預(yù)警,有助于防范機組嚴重故障的發(fā)生。

3.推動風力發(fā)電技術(shù)發(fā)展

風電場引入風電機組性能劣化預(yù)警，保證風電場發(fā)電機組安全運行，提升風力發(fā)電的安全性和經(jīng)濟性，促進風力發(fā)電技術(shù)蓬勃發(fā)展。