遠景能源以全生命周期為視角,開發了如下資產后評估功能模塊:設計后評估、運行后評估、產品后評估、技改后評估及風場對標后評估五大體系。
以Wind OS™能源互聯網平臺為依托,完成不同區域、不同設備制造商、不同運維團隊等不同類型風電場的能量可利用率橫向對比,為宏觀管理、科學決策提供依據。通過資產評估,找到電量損失原因,通過遠景一體化智慧風場解決方案,針對絕大多數風場,可以獲得5%-10%的發電量提升。
實現對風場尾流的有效控制
尾流效應是影響風電場發電量的重要因素之一,其造成的真實能量損失高達10%以上,部分海上風場真實尾流損失甚至接近20%。因此在進行風場機位排布時,在主風向上會盡可能增加風機間的距離,以減小尾流效應影響。但在主風向以外的其他風向上,仍然可能由于尾流效應產生較大的能量損失。因此,風機間的協同控制在降低尾流損失方面就顯得尤為重要。
基于大數據技術,有效整合風場實時流場模型數據,風電場流場預測數據,風機與測風塔量測數據,真正建立工業級的風電場協同控制能力,實現對風電場尾流的有效控制。
風場中每臺風機運行情況的變化會引起自身尾流的變化,進而影響風電場實時流場數據,最終體現在其他風機所能捕獲的風能及全風場發電量的變化上。基于風電場運行產生的大數據,包括風場實時流場模型數據,風電場流場預測數據,風機與測風塔量測數據等,遠景通過有效地整合,并結合風機模型,最終建立起風場級的數學模型。
結合風場的流場模型,便可以利用非線性尋優算法對風場中各風機發電情況進行最優規劃,綜合考慮風況實時的動態變化和風機運行的物理限制(如風機輸出功率對風速和風向變化的響應時間等),實現風場級協同控制以減小尾流影響帶來的損失。同時,遠景的智能協調算法將各風機的運行狀態閉環反饋到風場流場模型中,實時在線進行系統學習并調整模型,消除外界環境的隨機干擾因素,從而進一步提高風場模型的精度,取得最優全場發電量。
通過對零部件故障信息的挖掘,優化產品設計和零部件選型,實現預防性維護
利用大數據技術,可以通過數理統計、模式識別、神經網絡、機器學習、人工智能等深度數據挖掘算法,在海量數據中,挖掘出零部件故障信息,追溯其在設計、制造、裝配、運輸、安裝各個環節的潛在缺陷,快速找尋引起故障或失效的原因。一方面從產品全生命周期角度考慮,可以閉環形成對設備的預防性維護和預測性維護策略,同時可以進一步閉環到產品設計與零部件選型;另一方面,基于零部件的大量數據失效積累,可以理性推進預防性維護,真正提升現場維護工作的計劃性。