以下是演講的主要內(nèi)容(現(xiàn)場筆錄)：

　　

　　我的報(bào)告分為以下三個(gè)部分：首先是我們對風(fēng)電機(jī)組運(yùn)行大數(shù)據(jù)的概述和我們對運(yùn)行大數(shù)據(jù)的一些自己的理解。

　　

　　首先大數(shù)據(jù)是一個(gè)目前在各行各業(yè)都非常流行的，也是應(yīng)用非常廣泛的一個(gè)概念，就定義上來說它是一種海量的、高增長率，并且是多樣化的一個(gè)信息資產(chǎn)。一般認(rèn)為大數(shù)據(jù)有著一個(gè)5個(gè)V的特征，也就是大量、多樣、真實(shí)性、高速和價(jià)值，特別是大數(shù)據(jù)價(jià)值和傳統(tǒng)數(shù)據(jù)有一些不同的地方，它的價(jià)值不是一個(gè)密集的價(jià)值，而是比較稀疏的，需要我們不斷發(fā)覺和發(fā)現(xiàn)，在這里需要我們使用一些新技術(shù)對大數(shù)據(jù)進(jìn)行處理，其中比較重要的是數(shù)據(jù)挖掘技術(shù)、分布式處理技術(shù)、云存儲、云計(jì)算以及虛擬化技術(shù)，這樣對我們對數(shù)據(jù)的加工能力提出了一個(gè)更高的要求。

　　

　　具體到風(fēng)電大數(shù)據(jù)上，風(fēng)電大數(shù)據(jù)當(dāng)前利用有四個(gè)方面：在資源評估、狀態(tài)監(jiān)控、故障診斷和運(yùn)維管理這四個(gè)大類。隨著風(fēng)電的不斷發(fā)展和風(fēng)電裝機(jī)容量的不斷增加，風(fēng)電大數(shù)據(jù)也是非常明顯的有著量大、多源、易購、復(fù)雜的特點(diǎn)，風(fēng)電機(jī)組的設(shè)計(jì)數(shù)據(jù)、風(fēng)電機(jī)組的運(yùn)行數(shù)據(jù)以及一些其它來源的公共氣象數(shù)據(jù)，這其中最為重要，數(shù)據(jù)量最大，也是業(yè)務(wù)最廣泛的是風(fēng)電機(jī)組的運(yùn)行數(shù)據(jù)，這下面又可以具體的分為幾類，比較主要的有風(fēng)電機(jī)組SCADA的運(yùn)行數(shù)據(jù)、CMS系統(tǒng)采集數(shù)據(jù)、管理運(yùn)行數(shù)據(jù)、檢測及氣象數(shù)據(jù)。這些數(shù)據(jù)現(xiàn)在都或多或少的分散在一些風(fēng)機(jī)制造商、風(fēng)電廠業(yè)主以及第三方運(yùn)營商多個(gè)環(huán)節(jié)中，如何將這些數(shù)據(jù)匯集起來加以合理有效的應(yīng)用，是目前在數(shù)據(jù)這個(gè)層面主要存在的問題。

　　

　　就風(fēng)電機(jī)組和風(fēng)電廠的維修方式來說，從傳統(tǒng)的比較落后的方式一直到最新的比較好的方式，大體上可以分為事后維修、預(yù)防性的維修和改善性維修這三個(gè)方面，當(dāng)然我們是希望盡量不要有事后尾后，或者盡量減少事后維修的方式，怎么樣加大云放性維修和改善性維修的比例，這里就需要風(fēng)電運(yùn)行大數(shù)據(jù)對我們的維護(hù)和檢修做出一個(gè)支持，風(fēng)電運(yùn)行大數(shù)據(jù)在風(fēng)電運(yùn)維方面的運(yùn)用分為三個(gè)階段，首先最為基礎(chǔ)的現(xiàn)象上面的利用是對風(fēng)電的運(yùn)行數(shù)據(jù)有一個(gè)基本的采集和存儲。第二個(gè)步驟是要對這些運(yùn)行數(shù)據(jù)進(jìn)行一個(gè)狀態(tài)的監(jiān)測，通過對它們進(jìn)行一些初步的梳理統(tǒng)計(jì)分析，可以初步觸及到數(shù)據(jù)本質(zhì)，最終發(fā)展故障預(yù)警系數(shù)，深層挖掘出其中的價(jià)值，也就是使用數(shù)據(jù)挖掘技術(shù)，把有效的新穎而且潛在的有很大價(jià)值的知識，從一個(gè)大數(shù)據(jù)挖掘出來，并且表現(xiàn)出一個(gè)比較淺顯的運(yùn)營模式。我們從數(shù)據(jù)殘酷中提取這些大量的數(shù)據(jù)進(jìn)行挖掘和處理，最終實(shí)現(xiàn)一個(gè)對風(fēng)電機(jī)組運(yùn)行模式評估，再接入可視化運(yùn)行接口，來進(jìn)行診斷。

　　

　　我們認(rèn)為就風(fēng)電運(yùn)行大數(shù)據(jù)在風(fēng)電機(jī)組運(yùn)維這個(gè)領(lǐng)域應(yīng)用上來說，最最重要是以下三大類數(shù)據(jù)，CMS數(shù)據(jù)、SCADA數(shù)據(jù)、和載荷測試數(shù)據(jù)，當(dāng)然都離不開檢修運(yùn)維支持，CMS毫秒級數(shù)據(jù)故障早期辨識和定位上面，SCADA數(shù)據(jù)蘊(yùn)含分鐘及數(shù)據(jù)，運(yùn)行狀態(tài)評估故障中短期預(yù)警，載荷測試數(shù)據(jù)是全壽命周期監(jiān)測數(shù)據(jù)長期性能與壽命預(yù)測?；谶@幾種數(shù)據(jù)方式我們會(huì)形成一個(gè)多數(shù)據(jù)形式的風(fēng)電機(jī)組故障診斷及智能預(yù)警技術(shù)，最大程度上避免事故的損失。

　　

　　接下來要介紹的一部分是風(fēng)電機(jī)組的在線監(jiān)測系統(tǒng)，在線監(jiān)測和故障診斷是密不可分的兩個(gè)方面，一方面在線監(jiān)測是故障診斷的一個(gè)基礎(chǔ)，另一方面一個(gè)好的監(jiān)測系統(tǒng)是需要包括故障診斷的模塊和故障診斷的功能，一般來講一個(gè)故障監(jiān)測系統(tǒng)從底層到最上層，大致分為硬件層、操作系統(tǒng)層和應(yīng)用層。

　　

　　具體到功能上面來說，在線監(jiān)測系統(tǒng)面向用戶種類基本分為現(xiàn)場工作人員和數(shù)據(jù)分析人員，現(xiàn)場工作人員進(jìn)行風(fēng)電機(jī)組操作，風(fēng)電廠、風(fēng)電機(jī)組的實(shí)施信息和歷史信息的存儲和調(diào)用，完成對風(fēng)電廠現(xiàn)場的計(jì)劃安排我最終實(shí)現(xiàn)一個(gè)表格打印和總結(jié)工作。數(shù)據(jù)分析人員要額外的進(jìn)行統(tǒng)計(jì)分析和預(yù)警分析工作。

　　

　　我們利用風(fēng)電機(jī)組在線監(jiān)測系統(tǒng)監(jiān)測到的數(shù)據(jù)首先可以對風(fēng)電機(jī)組的故障做出一個(gè)初步的預(yù)警和判斷，其中最簡單的是單預(yù)測，這個(gè)其實(shí)SCADA本身就可以完成，下面是對數(shù)據(jù)的分時(shí)分析，也就是說隨著風(fēng)電機(jī)組或者是風(fēng)電廠的運(yùn)行，隨著時(shí)間的退役，風(fēng)電機(jī)組的運(yùn)行參數(shù)或者是某些方面的表現(xiàn)，隨著時(shí)間的變化會(huì)有一個(gè)降級，比如說這個(gè)例子是我們最關(guān)心的一個(gè)功率曲線和風(fēng)速的關(guān)系，隨著時(shí)間的增加功率有一個(gè)明顯的降低，這個(gè)時(shí)候就要檢查風(fēng)機(jī)部件或者是控制系統(tǒng)出現(xiàn)了什么樣的故障。三是是進(jìn)行集群分析方式，對兩個(gè)參數(shù)之間的關(guān)系進(jìn)行監(jiān)測，如果某一臺風(fēng)電機(jī)組出現(xiàn)了明顯偏離其他風(fēng)機(jī)的運(yùn)行狀態(tài)的話，我們就認(rèn)為它是有一個(gè)故障，這個(gè)例子是相軸承溫度的報(bào)警分析。

　　

　　以上的這些內(nèi)容不管是對一個(gè)數(shù)據(jù)趨勢的展示，或者是分時(shí)統(tǒng)計(jì)和集群分析的方式，都是包括在一個(gè)狀態(tài)監(jiān)測的內(nèi)容里面，也就是通過測試設(shè)備的某些比較單一的參數(shù)，來確定當(dāng)前這個(gè)風(fēng)電機(jī)組所處的運(yùn)行狀態(tài)，更進(jìn)一步的如果我們需要對故障診斷或者故障預(yù)警的時(shí)效性、可靠性、和準(zhǔn)確性做出一個(gè)要求，我們就需要對數(shù)據(jù)進(jìn)行進(jìn)一步的處理。測取很多的故障信號，對這些信號進(jìn)行綜合利用和特征提取，來預(yù)測這臺風(fēng)機(jī)將來的運(yùn)行狀態(tài)。

　　

　　我報(bào)告的第三部分，風(fēng)電機(jī)組的故障預(yù)警技術(shù)。不光是風(fēng)電機(jī)組的故障預(yù)警技術(shù)，任何機(jī)械的故障預(yù)警和故障診斷技術(shù)都是一個(gè)多學(xué)科的綜合的技術(shù)，是以信號處理技術(shù)、應(yīng)用力學(xué)和物理學(xué)的知識為基礎(chǔ)，在這個(gè)之上可能綜合了機(jī)械工程、建?；A(chǔ)等等不同類別來對機(jī)械的運(yùn)行參數(shù)進(jìn)行辨識，最終實(shí)現(xiàn)故障診斷的工作。

　　

　　從監(jiān)測到狀態(tài)再到診斷，這三者之間的邏輯關(guān)系也是比較清晰的，首先我們進(jìn)行了在線的連續(xù)監(jiān)測之后，可以得到當(dāng)前的這臺機(jī)械是屬于一個(gè)正常還是異常的狀態(tài)，如果是屬于異常的狀態(tài)它是有什么樣的癥狀或者是表現(xiàn)，它的表現(xiàn)可能會(huì)體現(xiàn)在SCADA或者是CMS系統(tǒng)采集到的震動(dòng)信號、溫度或者壓力等等這些異常信號上面，并且依據(jù)一些邏輯推理，之后我們可以得到這臺機(jī)械它當(dāng)前是處于什么樣的故障狀態(tài)，對于故障的診斷也是有著不同的層次，首先可能是一個(gè)從無到有的關(guān)系，也就是判斷它有沒有故障，接下來我們可能做一些預(yù)測，就是說將來故障會(huì)向什么樣的方向發(fā)展，并且對故障進(jìn)行定位，這個(gè)故障發(fā)生在什么樣的部件上面，它的類別是屬于磨損還是屬于腐蝕，還是變形，它的故障程度是暫時(shí)的，通過一些重新啟動(dòng)或者是一些小的干預(yù)就可以恢復(fù)的還是永久的，是要嚴(yán)重到立刻進(jìn)行處置，還是說我們可以暫時(shí)對它做出一個(gè)特定的監(jiān)測。所有的這些診斷的結(jié)果都可以對我們的不風(fēng)電運(yùn)維檢修做出一個(gè)指導(dǎo)。

　　

　　當(dāng)前在故障預(yù)警里面應(yīng)用比較多的還是訓(xùn)練方式，也就是歷史監(jiān)測數(shù)據(jù)我們獲得之后，可以對這些數(shù)據(jù)進(jìn)行分類模型或者數(shù)學(xué)模型的訓(xùn)練，通過對故障樣本的學(xué)習(xí)，不僅可以得到訓(xùn)練模型，還可以得到故障的概率舉證和故障特征舉證，或者是得到一個(gè)故障預(yù)警的預(yù)值，所以訓(xùn)練得到的這些內(nèi)容都可以拿到最新的監(jiān)測數(shù)據(jù)里面去，最終可以得到故障預(yù)警或者是故障診斷的結(jié)果。

　　

　　就我們應(yīng)用比較多的SCADA數(shù)據(jù)，具體來談一下SCADA數(shù)據(jù)在風(fēng)電機(jī)組預(yù)警方面的流程，SCADA答題可以分為參數(shù)量、控制量和狀態(tài)量的部分，參數(shù)量比較重要的都是一些數(shù)值量我，控制量和狀態(tài)量是作為模型建立和輔助參考，或者是對故障特征的一個(gè)分類的依據(jù)，參數(shù)量可能會(huì)有非常多的參數(shù)，幾百條或者是上千條，我們要從中選擇出和我們需要研究的故障狀態(tài)密切相關(guān)的參數(shù)，在這里有人工選擇的相關(guān)性分析兩種方式。人工選擇是依賴于工程師的經(jīng)驗(yàn)，對和我們需要研究的這些故障有邏輯的參數(shù)進(jìn)行一個(gè)選擇。模型的輸入和輸出關(guān)系確定之后，我們把能夠表示風(fēng)電機(jī)組穩(wěn)定運(yùn)行狀態(tài)的訓(xùn)練數(shù)據(jù)和代表風(fēng)電機(jī)組未知的需要判斷的這樣一個(gè)狀態(tài)的測試數(shù)據(jù)同時(shí)進(jìn)入這個(gè)模型中，進(jìn)行一個(gè)模型的應(yīng)用，最終就可以得到代表風(fēng)電機(jī)組運(yùn)行特征的特征值，來進(jìn)行特征的分析。

　　

　　在這整個(gè)流程中，我們認(rèn)為比較重要的幾個(gè)步驟做出一個(gè)重點(diǎn)的說明，首先是對原始數(shù)據(jù)的清洗工作，數(shù)據(jù)清洗是整個(gè)大項(xiàng)目一個(gè)成敗得基礎(chǔ)，同時(shí)一個(gè)大數(shù)據(jù)項(xiàng)目也可能甚至有70%-80%的時(shí)間都是用在數(shù)據(jù)的清洗上面，由于這個(gè)大數(shù)據(jù)的量非常大，其中難免有各種各樣重復(fù)、缺失的數(shù)據(jù)，采集的錯(cuò)誤或者是傳感器的錯(cuò)誤，針對每個(gè)項(xiàng)目制定一個(gè)清洗的策略和規(guī)則，同時(shí)對這些異常數(shù)據(jù)進(jìn)行重復(fù)檢測和重復(fù)處理，最終才能取得滿足我們要求的數(shù)據(jù)。對于數(shù)據(jù)清洗的處理上面我這里簡單的列了一下，可能有數(shù)值化、標(biāo)準(zhǔn)化、參數(shù)降維，對數(shù)據(jù)完整的合理性檢測，以及最后對離群的處理，這是主要的幾種方法。

　　

　　在對原始數(shù)據(jù)進(jìn)行清洗之后，我們還需要對數(shù)據(jù)進(jìn)行其它的預(yù)處理工作，這里我列了幾個(gè)主要的方式，首先是主成份分析工作，也就是說我們之前所選擇的那些參數(shù)還需要把它進(jìn)一步降維，在能夠保證它們參數(shù)之間所蘊(yùn)含的信息盡量大的被保存的前提下，盡量的降低參數(shù)的類型以提高這個(gè)模型的運(yùn)算效率。抽樣的方式不是在所有大數(shù)據(jù)項(xiàng)目中都會(huì)運(yùn)用，這個(gè)需要我們在具體項(xiàng)目中考慮所要面對的具體故障種類，以及和這些種類相關(guān)的參數(shù)性質(zhì)，一個(gè)合理的抽樣能夠達(dá)到一個(gè)比較好的結(jié)果。聚類是針對風(fēng)機(jī)運(yùn)行中的某一個(gè)特定參數(shù)，鎮(zhèn)定風(fēng)機(jī)運(yùn)行的不同的工況來使用一些算子進(jìn)行的一個(gè)對風(fēng)機(jī)運(yùn)行自動(dòng)分類過程，合理選擇聚類的方式以及聚類的個(gè)數(shù)，也是在提高運(yùn)算效率的同時(shí)，能夠很明顯的降低這個(gè)模型的誤差。

　　

　　在數(shù)據(jù)的預(yù)處理之后，我們運(yùn)用對運(yùn)用數(shù)據(jù)類別工作，在當(dāng)前所有文獻(xiàn)和應(yīng)用中，我們應(yīng)用比較多的大體上有這四個(gè)大類的模型，回歸模型、支持向量機(jī)模型、自回歸移動(dòng)模型、神經(jīng)網(wǎng)絡(luò)模型。所以這個(gè)類型的模型它比較適合于和其它的模型聯(lián)合應(yīng)用，來達(dá)到一個(gè)比較好的效果，神經(jīng)網(wǎng)絡(luò)模型實(shí)際在應(yīng)用中是一個(gè)比較均衡的模型，不論是在對大量的數(shù)據(jù)樣本的處理，對復(fù)雜系統(tǒng)的計(jì)算，還是說它的效率上面表現(xiàn)的都是比較好的，也是我們現(xiàn)在應(yīng)用的比較多、比較成熟的一種方法。

　　

　　在實(shí)際的模型訓(xùn)練中，我們這個(gè)例子是采用了風(fēng)電廠，神經(jīng)網(wǎng)絡(luò)是要高于回歸分析，它的均分誤差是最小的，很明顯的當(dāng)歷史數(shù)據(jù)采用的訓(xùn)練集的時(shí)間越長，它的均方也會(huì)越低，但是這個(gè)誤差降低的趨勢是趨緩的，所以我們最終可以找到一個(gè)經(jīng)濟(jì)性和準(zhǔn)確性的數(shù)據(jù)平衡，我們試驗(yàn)了20秒的數(shù)據(jù)，一分鐘和十分鐘平均數(shù)據(jù)，在一些常見的故障分析和處理中，表現(xiàn)最好的是一分鐘的數(shù)據(jù)，這里主要考慮到計(jì)算的效率，但是我們大部分采用的是十分鐘的效率進(jìn)行計(jì)算。

　　

　　模型確定之后根據(jù)剛才的流程，我們需要有最新的監(jiān)測數(shù)據(jù)進(jìn)入這個(gè)模型里面去，得到一個(gè)風(fēng)電機(jī)組運(yùn)行狀態(tài)的一個(gè)特征值，在很多模型中這個(gè)特征值就體現(xiàn)了一個(gè)參差的形式，對大量的殘差我們進(jìn)行統(tǒng)計(jì)決策的方面，可以得到風(fēng)電機(jī)組故障預(yù)警的預(yù)值，這個(gè)預(yù)值可以是簡單的單一的預(yù)值，也可以是一個(gè)隨著風(fēng)電機(jī)組變化的預(yù)值。

　　

　　這個(gè)是我們利用上面所說的那些風(fēng)電機(jī)組的故障預(yù)警技術(shù)搭建的風(fēng)電機(jī)組故臟預(yù)警和故障診斷的計(jì)算平臺，是使用實(shí)際的歷史監(jiān)測數(shù)據(jù)進(jìn)行訓(xùn)練之后，得到一個(gè)固定的模型訓(xùn)練的結(jié)果，現(xiàn)在如果有新的檢測數(shù)據(jù)進(jìn)來，我們就可以對主要零部件的一些常見的故障狀態(tài)進(jìn)行一個(gè)持續(xù)的在線的也是時(shí)間序列上面的監(jiān)測，右邊的這一列就是時(shí)間上面監(jiān)測的結(jié)果。下面這張圖片是一個(gè)發(fā)電機(jī)軸承故障的例子，我們是提前20天給出了發(fā)電機(jī)軸承故障的預(yù)警，方便現(xiàn)場做一些備品備件的管理，或者是運(yùn)維檢修的安排。

　　

　　最終我們是要建立一個(gè)風(fēng)電機(jī)組故障預(yù)警和故障診斷的一個(gè)完整的軟硬件平臺，包括數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)計(jì)算、數(shù)據(jù)應(yīng)用等完整的幾大模塊，我們持續(xù)不斷地工作，致力于對整個(gè)軟硬件平臺進(jìn)行不斷地改善，一方面是擴(kuò)展數(shù)據(jù)的來源，提高數(shù)據(jù)的準(zhǔn)確度，可以把數(shù)據(jù)存儲和數(shù)據(jù)采集的效率進(jìn)行一個(gè)提高，并且探索數(shù)據(jù)計(jì)算的方法，提高數(shù)據(jù)計(jì)算的速度。接下來可以對模型進(jìn)行一個(gè)模型準(zhǔn)確度的提升，最終經(jīng)過不斷地運(yùn)算，完善風(fēng)電機(jī)組的故障知識庫，以達(dá)到對風(fēng)電機(jī)組的故障準(zhǔn)確的判斷。希望經(jīng)過我們不斷地工作和研究，能夠?yàn)轱L(fēng)電機(jī)組的運(yùn)維和管理提供一個(gè)支撐，能為整個(gè)行業(yè)發(fā)展貢獻(xiàn)一份力量，謝謝大家！