華能新能源股份有限公司蒙東分公司 吳 巍

風(fēng)電場地址偏遠(yuǎn)、交通不便、占地面積大、設(shè)備種類復(fù)雜、設(shè)備服役時(shí)間長、巡檢任務(wù)繁重、人員作業(yè)風(fēng)險(xiǎn)高，傳統(tǒng)運(yùn)維模式已難以適應(yīng)現(xiàn)階段風(fēng)力發(fā)電領(lǐng)域高質(zhì)量的發(fā)展需求?，F(xiàn)有監(jiān)控設(shè)備均為物理量監(jiān)控，無法查看設(shè)備視頻實(shí)時(shí)狀態(tài)；現(xiàn)有視頻監(jiān)控系統(tǒng)不具備智能圖像識(shí)別功能且清晰度較低。風(fēng)電場亟需開展新的運(yùn)維模式的研究，輔助運(yùn)維人員開展日常巡視工作，減輕運(yùn)維人員工作負(fù)擔(dān)，提升應(yīng)急響應(yīng)速度，保障現(xiàn)場作業(yè)安全。

近年來隨著人工智能技術(shù)的跨越式發(fā)展，在圖像識(shí)別、聲音識(shí)別、數(shù)據(jù)處理、人機(jī)互動(dòng)、計(jì)算機(jī)視覺、無人駕駛等方面都已有成功的應(yīng)用案例并開始進(jìn)行推廣。因?yàn)槿斯ぶ悄芗夹g(shù)具有學(xué)習(xí)性、成長性、開放性、異構(gòu)性、友好性等基本特征,開展智能化風(fēng)電場運(yùn)行及維護(hù)的應(yīng)用，構(gòu)建設(shè)備狀態(tài)全景化、數(shù)據(jù)分析智能化、設(shè)備管理精益化風(fēng)電場的運(yùn)行及維護(hù)模式。

1 當(dāng)前風(fēng)電場運(yùn)行及維護(hù)現(xiàn)狀

在風(fēng)電場的設(shè)備管理中，風(fēng)電機(jī)組的安全運(yùn)行是設(shè)備管理中首要考慮的問題。由于風(fēng)電機(jī)組地處野外，位置偏遠(yuǎn)、交通不便、占地面積大，且風(fēng)電機(jī)組的主要設(shè)備均運(yùn)行在幾十米甚至上百米高的塔架上方，不能實(shí)現(xiàn)設(shè)備外觀的實(shí)時(shí)檢查，特別是對于存在地質(zhì)隱患的區(qū)域，如泥石流、礦山開采、地震等自然災(zāi)害，現(xiàn)場無法實(shí)現(xiàn)事前預(yù)控[1]。目前我國風(fēng)電場運(yùn)行維護(hù)主要分為以下幾點(diǎn)：

人工巡視。通過目視觀察等直觀方法對風(fēng)電場設(shè)備的運(yùn)行狀況進(jìn)行巡視。風(fēng)電場所有外出工作（包括巡檢、起停風(fēng)力發(fā)電機(jī)組、故障檢查處理等）出于安全考慮均需兩人或兩人以上同行。如發(fā)現(xiàn)設(shè)備及人員故障隱患需及時(shí)上報(bào)處理，查明問題原因，從而避免事故發(fā)生或擴(kuò)大，減少人員傷亡和經(jīng)濟(jì)損失[2]。

定期檢修。依據(jù)標(biāo)準(zhǔn)定期對風(fēng)電場設(shè)備進(jìn)行檢修，通過試驗(yàn)方式檢查設(shè)備狀態(tài)，發(fā)現(xiàn)設(shè)備缺陷并進(jìn)行維修工作。設(shè)備定期停電檢修具有一定的盲目性與強(qiáng)制性，會(huì)造成人力、物力浪費(fèi)，且“維修過度”會(huì)造成設(shè)備的可靠性降低，同時(shí)設(shè)備停電檢修直接影響企業(yè)發(fā)電效率；故障檢修。當(dāng)設(shè)備運(yùn)行過程出現(xiàn)異?，F(xiàn)象時(shí)，為保障設(shè)備的安全穩(wěn)定運(yùn)行，根據(jù)故障嚴(yán)重程度安排維修計(jì)劃，排除設(shè)備故障。

小結(jié)：當(dāng)前運(yùn)行及維護(hù)方式智能化程度低，還需大量專業(yè)人員進(jìn)行人工巡檢，不但人力成本高、實(shí)時(shí)性差、安全風(fēng)險(xiǎn)高，而且還存在大部分故障僅能在發(fā)生時(shí)進(jìn)行切除，設(shè)備運(yùn)行存在安全隱患，甚至引發(fā)嚴(yán)重的設(shè)備故障，導(dǎo)致整個(gè)風(fēng)電場設(shè)備退出運(yùn)行從而引起電網(wǎng)故障，威脅電網(wǎng)的安全穩(wěn)定運(yùn)行。

2 關(guān)于人工智能

近年來我國在人工智能領(lǐng)域密集出臺(tái)相關(guān)政策。李克強(qiáng)同志連續(xù)兩年在政府工作報(bào)告中提到人工智能產(chǎn)業(yè)發(fā)展的方向，在2017年的政府工作報(bào)告提出“一方面要加快培育新材料、人工智能、集成電路、生物制藥、第五代移動(dòng)通信等新興產(chǎn)業(yè)，另一方面要應(yīng)用大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)加快改造提升傳統(tǒng)產(chǎn)業(yè)，把發(fā)展智能制造作為主攻方向?！痹凇?018年國務(wù)院政府工作報(bào)告》又指出“加強(qiáng)新一代人工智能研發(fā)應(yīng)用；在醫(yī)療、養(yǎng)老、教育、文化、體育等多領(lǐng)域推進(jìn)‘互聯(lián)網(wǎng)+’；發(fā)展智能產(chǎn)業(yè)，拓展智能生活[3]?！?/p>

2.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)（ML,Machine Learning）是系統(tǒng)自我改進(jìn)的過程，經(jīng)研究發(fā)現(xiàn)機(jī)器學(xué)習(xí)能同時(shí)推進(jìn)人工智能技術(shù)和模式識(shí)別兩項(xiàng)技術(shù)的發(fā)展。機(jī)器學(xué)習(xí)的理論和方法已能幫助解決生產(chǎn)、生活、研究遇到的各種難題。機(jī)器學(xué)習(xí)所關(guān)注的重點(diǎn)是使計(jì)算機(jī)像人一樣通過不斷的經(jīng)驗(yàn)累積提高自身性能，實(shí)現(xiàn)自我完善。

深度學(xué)習(xí)(DL,Deep Learning)是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)重點(diǎn)的研究方向，深度學(xué)習(xí)研究的開展使我們離真正的人工智能(AI,Artificial Intelligence)距離越來越近。深度學(xué)習(xí)是通過對樣本數(shù)據(jù)的分析和記錄找出樣本的特征值及內(nèi)在規(guī)律，通過對數(shù)據(jù)的歸納總結(jié)使其具有自動(dòng)的分析學(xué)習(xí)能力，樣本數(shù)據(jù)包含文字、聲音、圖像等各類數(shù)據(jù)，最終實(shí)現(xiàn)機(jī)器能夠自動(dòng)識(shí)別文字、圖像和聲音等數(shù)據(jù)。

卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)的一種方法。卷積神經(jīng)網(wǎng)絡(luò)基本組成包括輸入層、隱含層、輸出層，其中隱含層可以是多個(gè)。利用開源TensorFlow架構(gòu)，YOLO卷積網(wǎng)絡(luò)進(jìn)行智能識(shí)別已被廣泛應(yīng)用于各行各業(yè)。通過大量的數(shù)據(jù)學(xué)習(xí)訓(xùn)練生成識(shí)別不同內(nèi)容的級聯(lián)分類器模型，對采集圖像、聲音等數(shù)據(jù)進(jìn)行分析可實(shí)現(xiàn)設(shè)備缺陷識(shí)別、安全風(fēng)險(xiǎn)識(shí)別和設(shè)備狀態(tài)識(shí)別等智能識(shí)別。

2.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘（DM,Data Mining）就是從海量的、不確定是否有效的數(shù)據(jù)中,提取隱藏在其中的不容易被發(fā)現(xiàn)的有效信息和數(shù)據(jù)的過程。原始數(shù)據(jù)分為不同的結(jié)構(gòu)類型，數(shù)據(jù)庫類型的結(jié)構(gòu)化數(shù)據(jù)，文字、圖像、聲音等類型半結(jié)構(gòu)化的數(shù)據(jù)以及各種各樣的異構(gòu)型數(shù)據(jù)。挖掘數(shù)據(jù)的方法可通過數(shù)學(xué)的方法、也可通過非數(shù)學(xué)的方法，可通過推導(dǎo)分析的方法、也可通過歸納總結(jié)的方法來實(shí)現(xiàn)。挖掘的有效數(shù)據(jù)最終可用于信息管理、原因分析、狀態(tài)預(yù)測、決策參考等,還可用于數(shù)據(jù)本身的自我維護(hù)[4]。

數(shù)據(jù)挖掘的過程是一個(gè)需要反復(fù)進(jìn)行、反復(fù)處理的過程，首先對數(shù)據(jù)進(jìn)行挖掘計(jì)算然后建立一個(gè)有效的數(shù)據(jù)模型,再圍繞數(shù)據(jù)挖掘所進(jìn)行預(yù)處理將處理結(jié)果展現(xiàn)出來進(jìn)行記錄，經(jīng)不斷的反復(fù)進(jìn)行、反復(fù)處理、反復(fù)驗(yàn)證最終得到實(shí)用和有效的數(shù)據(jù)。數(shù)據(jù)挖掘是知識(shí)發(fā)現(xiàn)的重要組成部分,其主要步驟為目標(biāo)定義、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)挖掘成果和評估。數(shù)據(jù)挖掘技術(shù)已廣泛應(yīng)用于各行各業(yè)中，與生活息息相關(guān)。從最開始的挖掘算法研究到實(shí)際應(yīng)用,充分的展現(xiàn)了其具有的廣泛性和實(shí)用性特點(diǎn)。目前在已知的領(lǐng)域中,基本都有專業(yè)的數(shù)據(jù)挖掘工具正在應(yīng)用,應(yīng)用領(lǐng)域涵蓋電力、金融、醫(yī)學(xué)、天文、交通等各個(gè)領(lǐng)域。

3 人工智能技術(shù)在智能化風(fēng)電場運(yùn)行及維護(hù)的應(yīng)用

利用機(jī)器學(xué)習(xí)可對風(fēng)電場運(yùn)行中的設(shè)備圖像、聲音、人員行為等數(shù)據(jù)進(jìn)行學(xué)習(xí)、訓(xùn)練，建立一套風(fēng)電場遠(yuǎn)程智能巡檢系統(tǒng)，輔助運(yùn)維人員完成風(fēng)電機(jī)組及升壓站的設(shè)備巡檢、人員管控、安全風(fēng)險(xiǎn)管控等日常運(yùn)維工作[5]。數(shù)據(jù)挖掘技術(shù)可對風(fēng)電場設(shè)備運(yùn)行及維護(hù)歷史數(shù)據(jù)進(jìn)行深入的分析判斷，挖掘設(shè)備運(yùn)行過程中關(guān)鍵數(shù)據(jù)，預(yù)測設(shè)備運(yùn)行狀態(tài)，提供檢修依據(jù)。

3.1 智能巡檢系統(tǒng)

在風(fēng)電場配置建立遠(yuǎn)程智能巡視系統(tǒng)，利用數(shù)據(jù)采集終端采集可見光圖像、紅外數(shù)據(jù)、聲音等數(shù)據(jù)，應(yīng)用成熟的機(jī)器學(xué)習(xí)技術(shù)，智能開展風(fēng)電場設(shè)備設(shè)施巡檢、作業(yè)人員入場檢測、人員定位、電子圍欄設(shè)置、作業(yè)范圍劃分、區(qū)域檢測、運(yùn)動(dòng)檢測、作業(yè)監(jiān)控、安全管理識(shí)別、防外破智能識(shí)別、入侵診斷、異物分析、周界巡視和違規(guī)告警，實(shí)現(xiàn)運(yùn)檢人員、設(shè)備間隔、作業(yè)范圍的人人互聯(lián)、人物互聯(lián)，避免運(yùn)檢人員誤入帶電間隔或失去工作現(xiàn)場監(jiān)護(hù)，確保運(yùn)檢人員人身安全。全面覆蓋風(fēng)電場設(shè)備，提升巡檢效率，降低巡檢成本。

升壓站智能巡檢。設(shè)備缺陷巡檢：表計(jì)破損（表盤模糊、表盤破損、外殼破損）、絕緣子破損、滲漏油（地面油污）、呼吸器破損、箱門閉合異常、異物（掛空懸浮物、鳥巢）、蓋板破損或缺失；安全風(fēng)險(xiǎn)巡檢：未戴安全帽、未穿工裝、吸煙、越線/闖入、煙火識(shí)別、小動(dòng)物識(shí)別、積水監(jiān)測；設(shè)備狀態(tài)巡檢：表計(jì)讀數(shù)、油位狀態(tài)（呼吸器油封油位異常）、硅膠變色、壓板狀態(tài)；聲音巡檢：設(shè)備聲音（聲音異常）。

風(fēng)電機(jī)組智能巡檢。風(fēng)機(jī)缺陷巡檢：制動(dòng)器缺陷（制動(dòng)器液壓系統(tǒng)正常，螺栓松動(dòng)、脫落，外殼破損）、油冷散熱片缺陷（油冷散熱片漏油或破損或附著物）、減速機(jī)缺陷（減速機(jī)滲漏，連接螺栓松動(dòng)、脫落）、液壓泵缺陷（油管及油管接頭漏油，外觀破損，安裝螺栓松動(dòng)、脫落）、振動(dòng)監(jiān)測設(shè)備缺陷（探頭松動(dòng)或脫落）、扭纜缺陷（電纜扭曲或破損）；安全風(fēng)險(xiǎn)巡檢：未戴安全帽、未穿工裝、吸煙、越線/闖入、煙火識(shí)別；狀態(tài)巡檢：油位狀態(tài)（齒輪箱油位、液壓油油位、潤滑泵油位）；聲音巡檢：設(shè)備聲音（聲音異常）。

遠(yuǎn)程智能巡檢系統(tǒng)的應(yīng)用將大大提高風(fēng)電場巡檢效率、減少運(yùn)維人員工作量，降低安全風(fēng)險(xiǎn)、及時(shí)發(fā)現(xiàn)巡檢設(shè)備故障缺陷及安全隱患。

3.2 數(shù)據(jù)挖掘的應(yīng)用

風(fēng)電場在運(yùn)行過程中會(huì)不斷產(chǎn)生和積累大量數(shù)據(jù)。通過對風(fēng)電場歷史數(shù)據(jù)的學(xué)習(xí)歸納，在風(fēng)電場運(yùn)行過程中應(yīng)用理論研究的方法已解決了很多問題，如果應(yīng)用數(shù)據(jù)挖掘技術(shù)可更充分地利用這些數(shù)據(jù)分析風(fēng)電場歷年積累龐大運(yùn)行數(shù)據(jù)背后隱藏的原理、規(guī)律和聯(lián)系，找到解決問題更加合理、快捷、有效的方法，同時(shí)還可為決策提供更加有力的科學(xué)依據(jù)。通過對歷史數(shù)據(jù)的學(xué)習(xí)歸納建立預(yù)測性模型，然后根據(jù)收集的當(dāng)前數(shù)據(jù)預(yù)測設(shè)備狀態(tài)，判斷設(shè)備性能發(fā)展趨勢，在設(shè)備故障前提前檢修排除事故隱患，預(yù)防事故發(fā)生。實(shí)現(xiàn)設(shè)備的狀態(tài)檢修，解決“維修過度”會(huì)造成的設(shè)備可靠性降低，降低人工成本，提高發(fā)電效率[6]。

3.3 風(fēng)電場智能運(yùn)維的發(fā)展趨勢

未來風(fēng)電場智能運(yùn)維的發(fā)展會(huì)越來越快，機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及其他人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的不斷應(yīng)用及相互融合將會(huì)形成多個(gè)風(fēng)電場整體運(yùn)維、信息互通、數(shù)據(jù)共享的智能運(yùn)維模式。

綜上，人工智能技術(shù)的應(yīng)用輔助運(yùn)維人員開展日常巡視工作，減輕運(yùn)維人員工作負(fù)擔(dān)，提升應(yīng)急響應(yīng)速度，保障現(xiàn)場作業(yè)安全，減少設(shè)備運(yùn)行事故發(fā)生，降低運(yùn)行及維護(hù)成本。最終實(shí)現(xiàn)風(fēng)電場空間全方位、設(shè)備全周期、時(shí)間全天候的風(fēng)電場智能運(yùn)行及維護(hù)模式，替代人工完成少人值班、無人值守的風(fēng)電場智能運(yùn)行及維護(hù)。因此人工智能技術(shù)在智能化風(fēng)電場運(yùn)行及維護(hù)工作中具有很高的應(yīng)用推廣價(jià)值。