9月23日，國家能源集團(tuán)龍?jiān)措娏こ碳夹g(shù)公司“風(fēng)機(jī)大數(shù)據(jù)挖掘的場景研究項(xiàng)目”成果通過中國電力企業(yè)聯(lián)合會鑒定，達(dá)到國際領(lǐng)先水平。該項(xiàng)目首次實(shí)現(xiàn)了針對風(fēng)機(jī)大數(shù)據(jù)應(yīng)用場景開展的故障預(yù)警和運(yùn)行數(shù)據(jù)對標(biāo)分析研究，建立了可供應(yīng)用落地的智能化、數(shù)字化故障預(yù)警與數(shù)據(jù)分析模型，有效提高風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行可靠性。

圖為研究人員開展風(fēng)機(jī)大數(shù)據(jù)挖掘項(xiàng)目模型研究

風(fēng)電機(jī)組具有傳動部件多、工況復(fù)雜、選址偏僻等特點(diǎn)，如何通過遠(yuǎn)程大數(shù)據(jù)分析，實(shí)現(xiàn)風(fēng)機(jī)狀態(tài)監(jiān)測、預(yù)警、故障診斷、壽命預(yù)測、智能維護(hù)等目標(biāo)，是風(fēng)電行業(yè)現(xiàn)階段面臨的重大難題。該項(xiàng)目依托龍?jiān)措娏ιa(chǎn)運(yùn)行監(jiān)控系統(tǒng)，建立了風(fēng)機(jī)傳動大部件故障預(yù)警、偏航對風(fēng)預(yù)警、機(jī)艙和塔筒振動異常預(yù)警、發(fā)電性能劣化預(yù)警、風(fēng)電機(jī)組降容預(yù)警5大類預(yù)警模型，以及風(fēng)機(jī)有效風(fēng)時(shí)數(shù)、無故障風(fēng)電場、非計(jì)劃停機(jī)時(shí)長對標(biāo)3大類運(yùn)行數(shù)據(jù)對標(biāo)分析模型，通過多元數(shù)據(jù)融合和多特征值決策的風(fēng)電機(jī)組故障預(yù)警判別方法，應(yīng)用LSTM（長短期記憶）等深度學(xué)習(xí)算法，實(shí)現(xiàn)了風(fēng)電機(jī)組關(guān)鍵部件的故障預(yù)警與發(fā)電性能劣化預(yù)警。創(chuàng)新提出基于時(shí)間序列的風(fēng)電機(jī)組故障預(yù)警多維模型性能調(diào)優(yōu)方法，融合參數(shù)自適應(yīng)調(diào)節(jié)策略，提升了故障預(yù)警模型的精確性和泛化性，成功實(shí)現(xiàn)覆蓋多機(jī)型、多場景應(yīng)用；采用數(shù)據(jù)動態(tài)可視化和實(shí)時(shí)數(shù)據(jù)分析的模型自調(diào)優(yōu)智能預(yù)警方法，通過挖掘多時(shí)間尺度數(shù)據(jù)的多特征值、趨勢一致性，提升了故障預(yù)警的及時(shí)性。

目前，該項(xiàng)目成果已推廣應(yīng)用至集團(tuán)公司300余個(gè)風(fēng)電場、150余種機(jī)型、2萬余臺風(fēng)電機(jī)組，取得了良好的經(jīng)濟(jì)收益和社會效益，具有良好的應(yīng)用和推廣價(jià)值。