90%准确率！机器学习改变风机报警模式
发布日期：2017/5/15
风机故障报警是常态，但当运维工程师发现故障大部件已糟糕到无药可救时，接下来的待件、换件，就显然是在拉低风场收益率了。这种赤裸裸的痛点，在风电上网电价下行的趋势下，对风场来说简直就是雪上加霜。
不过，远景风场运维团队给出了解决痛点的一种可能性——用机器学习也就是用算法对风机的健康度作出预警。据该团队介绍，从已有验证案例看，大部件的健康度预警准确率还不错，比如齿轮箱散热系统、主轴承等大部件的预警准确率均超过90%。
这是风电运维领域首款对风机健康度作出预警的机器学习技术程序，尽管它在大部件预警的覆盖面及准确率上还有待提升，但仍不失为风电存量资产市场上一件颇具标志性的事件。毕竟，目前电力界对设备的健康管理还停留在巡检、打分以及固化参数等人为的主观判断上，而远景风场运维团队通过机器学习系统，仅仅用温度与压力就可将风机大部件的健康状况归类到“正常、注意、亚健康、警告和故障”这五级健康度中，尤其是，还可以提前3个月判断出大部件的失效问题——这就是远景智慧风场Wind PHM智能预警软件。
机器学习离不开数据，而风场正好可以为其提供现实世界的大量、实时数据，但值得注意的是，这些数据中往往掺杂着很多的脏数据，如同钻石混在煤渣中，所以，数据平台必须具备很强的清洗能力，以保证机器学习能使用到准确的数据，“而这正是远景Wind OSTM物联网的技术优势，其最优算法保证了系统数据的准确性和可靠性。”远景能源Wind PHM项目负责人胡博士强调。
值得一提的是，远景Wind OSTM平台上运行着几十款中外品牌的风机，风场资产规模已超过了5000万千瓦，标准的物联网属性已使其成为一个完善成熟的大数据平台，上面准确、充沛的数据资源，不但为风场绩效考核、能量管理、报表推送等提供指标应用，也可以为机器学习提供准确的数据源，从而拓展了数据价值创造的空间。
“在我们给出Wind PHM模型的变量及其系数以后，机器学习就可根据给定的算法自行调整变量系数的大小，使模型更加精确，但这并不是一件容易做到的事情。”胡博士解释说，“因为我们不可能预先就知道哪个算法对完成任务是最优的，只能通过尝试不同的算法来找出最优的算法。”
事实上，胡博士和他的团队经历了三次建模的过程。
首次建模采用的是神经网络算法。一个良好运作的神经网络是靠大量的数据训练出来的，Wind OSTM平台上的数据足够神经网络训练所用，可问题是，在对某些大部件健康度的趋势判断上，这种模型的准确率并不能令人满意。胡博士提醒说，“对大部件这类预测对象来说，神经网络算法难以做到整体最优。”
于是，胡博士和他的团队尝试用支持向量机算法建模。从技术上看，这种算法的亮点在于：在处理特征密集的数据时，它不需要所有的失效数据或历史上的故障数据，只要对比正常的运行数据就能做出常态和非常态的分辨。在胡博士看来，“它解决了此前神经网络模型没有解决的某类大部件健康度预测准率不高的问题”，但这种算法在预测风机健康度上仍有瑕疵——这就成为他和团队“继续寻找最优算法”的理由。
需要注意的是，并没有现成的最优算法可以拿来直接使用。在深度分析、研究前两种算法并将之深度融合之后，Wind PHM模型的核心算法最终诞生。
接下来，胡博士选择了历史上的风机失效样本对这个模型进行了测试，结果它对大部件健康度的识别与判断，在时间节点上与历史样本中的问题或故障高度吻合，并提前3个月预测到了部件的失效时间。
“这样的测试和算法优化是在线下完成的，Wind PHM模型精度满足风机健康度识别和预测以后，就可以把它扩展到风场上线运行了。”胡博士说，“这一轮运行要验证的仍然是Wind PHM对大部件健康度趋势预判的准确性，以及它在自学习、自寻优方面的能力。”
提及自学习和自寻优，需要补充的是，建立Wind PHM模型是驱动大数据的一个过程，也就是用精确度较高的数据来为每类大部件的健康度进行定义。这其中也包括变量系数的采集和确定，而要完成这样的一个过程，人的知识、经验和能力相当重要，但Wind PHM上线后，所有的变量系数都可在目标或寻优策略的指引下自行优化，这使得模型对大部件健康度的预判更加准确。
实际上，变量系数的寻优比较复杂，比如主轴承的健康度与风速这个变量有关，而风速又与功率有关，功率在某个时刻又可能与变桨有关，而这一切又可能与环境温度有关——在如此复杂的关系下进行变量系数优化，起到关键作用的是Wind PHM自身的健康度算法。这意味着，通过变量系数优化，Wind PHM模型也有了更高的精准度。
“ Wind PHM这个机器学习系统是对大部件健康趋势的一种预测，”胡博士解释，“但在做预测时它并不关心什么风速、功率等因素，它只看对应的温度值是多少，也就是实际温度值与预测温度值之间的差，以此报出大部件的健康度。”
也就是说，从Wind PHM的角度看，在风机的健康度上，温度最有话语权。需注意的是，由于Wind PHM的健康度算法涉及大部件的实际温度值，那大部件自身的传感系统所获取数据的精确性就十分重要了。正因为这样，Wind PHM还要对大部件的传感系统进行智能监控，并做到随时报警，以确保每个部件系统传感数据的准确性。为了提升准确率，Wind PHM在对某台风机的健康度做预警时，还要横向对比邻近风机的相关温度等参数——这也是提升预警准确率的一种算法逻辑，毕竟，预测准确率是Wind PHM智能预警系统的生命。
Wind PHM走进风场，这意味着，在风场存量资产运营端，机器学习的应用会成为一种趋势。也正因此，胡博士希望风场运营者能意识到机器学习对提升风场收益的巨大价值。
来源:远景风向标
