机器学习如何让风场更加智慧？

电量去哪儿了？

新能源领域风电与光伏电站运营核心就是损失电量。目前新能源电站计算损失电量的方式非常不严谨，存在大量人工统计、环境变化和设备自身带来的误差。“这就导致目前行业内所有的所谓损失电量统计都属于非考核级的数据。”远景能源智慧风场软件负责人赵清声介绍，“小到电站最基层工作人员的奖金收入，大到国家能源局对弃电量弃电率的“双弃率”考核，都因为损失电量无法准确统计而受到影响。”

远景基于EnOS™平台开发的Enlight产品，实现了对损失电量的精准分析，并固化了整个风电场的指标体系，实现理论发电量与损失电量的准确度达到95%。Enlight Wind支持用户以不同维度分析电量损失，包括原因、责任、系统、部件、故障代码等等，运营管理人员每周花10分钟即能快速了解，通过考核拉动人员与设备改善，各案例发电收益平均提升3%。

机器学习让风场更加智慧

在数据分析领域，机器学习是一种用来设计复杂模型和算法并以此实现预测功能的方法。在商业领域，机器学习因为预测分析而闻名。有些对象存在物理模型，但由于本身基础理论未研究透彻或生产实践的需要，会做很多简化假设，设制经验参数，进而演变成工程模型。机器学习可以弥补物理模型，工程模型上的不足，实现对模型的优化。有些对象如图象识别，很难总结物理模型，机器学习也可以自己提取特征值，产出可信赖的，可重复的决策和结果。

远景基于EnOS™平台开发的Ensight产品，基于2PB高质量数据和机器学习算法包，训练设备健康度模型，衡量发电性能和设备健康度，提供关键部件的健康度预警与状态维护提示，从而实现预测维护。“Ensight能够实现对变桨、偏航、传动链、力矩控制四大系统30多个亚健康状态的识别告警。”赵清声说，“系统不仅能精准的告警传动链设备亚健康状态，还能对设备发电性能跌落实现告警。”

EnOS™平台上海量、精准的数据采集，在此时发挥了重要的作用。Ensight通过海量数据，可以不断优化算法和物理模型，实现风机发电性能与设备亚健康状态识别，进行预测，从而减少大部件故障造成的非计划性停机损失，提升故障风机等效利用77小时。

Ensight基于SVM支持向量机自聚类识别轴承正常状态，回归当前工况条件下轴承理论温度，比较实际温度，当残差超过自学习出的阈值时，温度预警某台风机的轴承将在6个月后失效，分析人员通过CMS振动数据的物理模型分析，同时上机验证确认了这一预测。风场对此风机计划停机，用4个小时就更换好了轴承，避免非计划故障导致的7天停机和超过10万度的电量损失。

对电网更友好

新能源发电与电网之间的协调毫无疑问是一个世界性的难题。随着新能源发电接入规模与日俱增，对于讲求实时动态平衡的电网来说，新能源发电的间歇性、随机性、波动性都可能是极大的威胁。另一方面，由于种种原因无法及时、准确地响应电网调度，绝大多数新能源电站每个月都面临着来自电网数量不小的罚款。EnOS™智慧风场软件解决方案，基于USCADA场站端通用平台，实现高精度功率预测和AGC/AVC电网命令响应，打造电网友好型新能源电站。

在远景为神华国华江苏公司位于安徽、江苏的803MW新能源资产管理项目中，国华江苏通过远景USCADA平台代替了已出质保期的设备厂家EMS，直接响应电网调度出力命令，满足爬坡率要求，出力响应控制误差达到1%，高于设备厂家水平。