基于iP9000平台的新能源集控及智能应用研发

何 婷，何飞跃，韩长霖，刘 寅

（中国水利水电科学研究院，北京100038）

0 引言

随着新能源电站的自动化水平提高，风电场/光伏电站涌现了大量的二次系统，如风电场/光伏电站监控系统、升压站监控系统、功率预测系统、状态监测系统、有功/无功控制系统、保护及故障信息子站及其他智能电子装置等[1]。但目前这些系统均独立运行，之间没有信息共享，而且这些二次系统的生产厂家往往不同，设备型号也繁杂多样[2]，因而存在多种硬件接入形式和不同的通信规约。在信息自动化飞速发展的今天，急需进行这些系统（装置）的信息整合，实现数据的综合利用。

本文从新能源电站的监视控制、运行维护和运行评价角度全面研究了新能源集控平台的功能需求，提出一种针对新能源集成化应用系统的开放式系统结构，给出了基于iP9000平台的新能源集控平台架构，并阐述了数据治理、状态监测、智能运维、运行评价、故障诊断等关键技术和方案，为实现新能源电站的集中高效管理提出了一种优化解决方案。

1 新能源集控平台架构

针对新能源集控多业务、多系统需求，中水科技iP9000智能一体化平台提供了良好的解决方案。iP9000智能一体化平台是在整合水利水电新能源工程经验基础上开发的基于面向服务架构（SOA）的智能一体化平台，该平台具有标准化、通用性、可扩展性、可配置性的特点，满足各专业应用的不同需求。

基于iP9000平台打造的新能源集控，采用开放式分层分布式的一体化结构，分为集控中心主控级和电站分控级2个主要层次，实现集控中心对所辖厂站远方监视、分析决策、操作控制和运行管理。在集控中心设置一套集控中心主站系统，在各电站设置通信子站系统，该通信子站系统用于收集电站子系统的数据，经规约转换后以IEC104规约向集控中心传送数据，同时接收集控中心的控制调节命令向场站系统转发。集控中心以集控应用建设为核心，以一体化、标准化、模块化、智能化为原则，在iP9000平台上集成建设集控中心监控系统、保信主站系统、风/光功率预测、电能量系统、风水光互补分析功能、视频监控系统等各类自动化系统和管理信息系统，解决了新能源电站的二次系统互不联系、管控难度大、维护复杂度高、智能决策水平差以及重复投资等问题。

新能源集控技术架构如图1所示，采用面向服务的架构，分为元数据层，消息通信层，技术服务平台层和数据组件平台层4个层次。元数据层提供新能源集控平台的基础数据。消息通信层是各个应用数据交互的通道，由分布式通信总线构成。技术服务平台层提供事件驱动、工作流等多种业务引擎。数据组件层实现面向应用的数据封装，为各个应用提供组件级服务。

图1 新能源集控平台技术架构

新能源集控系统应用架构如图2所示，应用架构包括基础设施层，数据资源层，应用支撑层和应用平台层。基础设施层和数据资源层实现应用实时数据库、历史数据库、时序数据库和文件系统的透明封装，为上层应用提供应用API接口。应用支撑层实现新能源集控的数据采集、数据处理、人机界面、智能告警、权限管理、日志管理等基础应用，应用平台层实现新能源集控的智能高级应用，包括AGC/AVC、风/光功率预测，状态监测、故障诊断等。

图2 新能源集控平台应用架构

2 系统安全解决方案

新能源集控需满足国家发展和改革委员会令[2014]第14号《电力监控系统安全防护规定》和国家能源局2015年36号文《国家能源局关于印发电力监控系统安全防护总体方案和评估规范的通知》的规定，各功能部署在对应的安全分区内[3]。

集控主站系统采用双网冗余设计，分为安全一区、安全二区、管理信息区等3个安全分区。安全一区和安全二区之间配置有防火墙，共用一套数据库，二区和三区之间配置有网络隔离装置，由二区向三区单向转发数据。

监控系统位于一区，保信主站系统、状态监测、电能量等系统位于二区，WEB发布、在线趋势分析和状态监测等系统位于管理信息区。

各区数据转发和同步服务由iP9000平台统一提供。

3 智能应用技术

新能源集控智能应用技术包括数据治理，状态监测，智能运维和运行评价，智能应用技术是实现智慧新能源的基础。

3.1 数据治理

由于新能源具有较大的随机性和波动性，同时由于通信的不稳定等原因，不可避免的存在数据错误、数据丢失等问题，需要对新能源数据进行清洗和治理，以提高数据的准确性和完整性。

3.1.1 治理原则

根据新能源监测、运行和管理的特点，通过分析集控大数据平台不良数据的成因，对数据的采集、存储等过程进行筛查和分析研究，总结不同环节数据治理的方法，将不良数据进行清洗和治理，最终得到满足数据质量要求的数据。数据治理技术主要应用于新能源数据仓库、数据挖掘和数据质量管理3个方面。

（1）新能源数据仓库中，数据治理的主要任务是清除错误数据、修补丢失数据、解决数据冗余问题，不仅是简单地对不良数据进行检测和根据实际情况修正，而且还需要对同类型数据进行分类整合，对复杂信息数据进行拆分。

（2）新能源数据挖掘中，数据治理的任务是对数据进行预处理，保证良好的数据质量。针对各种不同二次系统采集的数据，需要特定的治理方法。新能源的数据治理包括风机数据治理，升压站数据治理，状态监测系统数据治理，功率预测系统数据治理。

（3）新能源数据质量管理中，数据治理过程是评价数据正确性并改善其质量的过程。

3.1.2 治理方法

数据治理方法包括数据合理性治理法、拓扑治理法、模型一致性治理法、时序治理法、数据统计治理法、状态估计治理法、聚类分析治理法和模式识别治理法。

数据合理性治理法从新能源遥测、遥信、电度等数据的合理性出发，校验数据的合理性，从而对数据进行治理。拓扑治理法从新能源电站的网络拓扑结构出发，依据电网络理论，校验新能源厂站数据在拓扑结构约束下的数据联系，对各类数据进行治理。模型一致性治理法，依据新能源厂站数据的物理模型（如有功功率、无功功率等），校验各个数据的正确性，完成对数据治理。新能源厂站历史数据均为时间序列，可以采用回归分析、最小二乘法等方法，消除不良数据，完成数据治理。新能源厂站数据实际上为随机变量，可以按照方差分析、置信区间和状态估计等数据统计治理法进行数据治理。聚类分析和模式识别治理法是人工智能的数据治理方法，该类方法基于人工智能原理，采用均值聚类和模式识别的方法，治理新能源厂站数据。

3.1.3 治理流程

新能源厂站数据治理主要包括以下5个阶段：

（1）准备阶段。通过数据应用的需求分析明确新能源集控对数据质量的需求，通过调研数据所处的风电和光电设备的位置明确环境对数据流产生的影响，确定具体的数据治理任务目标，结合各方面的调研结果制定针对不同二次系统的数据治理方案，并确定数据接口方式，最终形成完整的数据治理方案，指导整个数据治理过程的大方向。

（2）检测阶段。将采集到的数据进行预处理，完成标准化预处理，进行冗余数据、重复记录、不合理数据、不一致数据、异常数据等检测，并完成统计分析，确定不良数据存在的形式，为设定具体的数据治理方法提供依据。

（3）定位阶段。通过对统计后的检测结果进行数据质量评估，分析不良数据的存在及修正对后期数据应用的影响，并通过问题定位、数据流追踪的方法，明确不良数据产生的根本原因，定位数据质量问题的性质和位置，完善数据治理的方案。根据定位的情况，部分数据可能需要再次检测，再次定位。

（4）修正阶段。定位阶段对数据的治理方案已具备有效的方法，本阶段即可对数据按照相应的方法进行修正，包括清除不合理数据、合并重复记录、修补缺失数据及不可修复数据标记，并对数据修正过程进行记录。

（5）验证阶段。将修正后数据与任务需求定义进行比较分析，可能用到部分检测阶段的方法，若验证结果与任务目标相符，则完成对该数据的清洗治理，若验证结果与任务目标不相符，则重新进行定位和修正，通过分析修正失败的原因，甚至需返回准备阶段重新调研，以确保治理的数据真实有效。

3.2 状态监测

风电场采集风电设备的主轴承、齿轮箱、轴承等主要部件的机械振幅数据，叶片应力数据；光伏电站采集阵列、汇流箱、逆变器、组串零电流，分别结合SCADA数据，采用人工智能算法，可对潜在的故障进行预测。一体化平台为状态检修平台提供采集、消息、计算、界面组态等基本功能，形成风机/光伏运行状态监测、统计与分析、故障预警、专家知识库、诊断模型、检修决策与优化运行等模块。

3.3 智能运维

我国大部分风电场集中投运在21世纪10年代初，运行至今，大量风电机组目前将面临出质保的问题。而且风电机组长期工作在条件恶劣的环境中，气温变化大，风沙、风速、载荷变化随机、不确定等因素导致机组各部件故障频发。国内风机的生产厂家繁多，型号多样化，各类型的风机运维技术多掌握在风机厂家，运营商反而缺少有效的维护技术和管理经验，因此需要建立风电场智能运维系统，对于提高风电运营的可靠性、安全性和经济性有着重大且长远的现实意义。

可建立风电场和风机的数学模型，并根据历史风资源的情况进行仿真运行，通过统计分析，得到机组运行规律，制定优化运行策略。新能源集控中心包括对升压站一次设备（GIS，变压器等）和风电场机组（电气设备、传动系统、塔架、叶轮等关键部件的振动、温度和压力参数等）的监测。利用状态监测模块的数据和SCADA数据综合分析，对设备运行过程中产生的各时域和频域信号进行处理，进行故障诊断、分析和预警，以减少故障的发生，提高运行效率。

光伏电站通过无人机巡检，发现热癍、遮挡、玻璃破碎、发电异常问题；通过智能清洗机器人，提高清洗效率、降低清扫成本；采用神经网络和统计分析方法进行故障诊断，诊断组串发电不良，逆变器发电不良等故障。

3.4 运行评价

新能源厂站的运行评价主要包括如下几个方面：发电量水平、设备运行水平、生产维护水平、能耗及综合评价。

根据采集的风能资源数据、太阳能资源数据、风机/光伏板的分布，结合风电机组的功率曲线和推力系数曲线、光伏面板IV特性等计算，得出风电场/光伏电站年理论发电量，再根据上网折减系数来进行上网电量的估算，对比实际上网电量，对发电量水平进行评价。生产维护水平评价根据期望运行费用与实际运行维护费用进行比较评价。

3.5 故障诊断

故障诊断过程本质上是一个故障模式识别的过程。设备故障模式识别是在故障信息监测和故障特征提取的基础上对设备发生故障的种类、原因和部位做出判断和推断。针对风电场/光伏电站的某一个设备故障诊断问题，选择不同的故障模式识别方法，可能导致其分类精度和准确性产生较大的差异。目前，广泛应用于设备故障诊断的模式识别方法主要有人工神经网络、支持向量机、灰色关联分析、聚类分析、信息融合等。

故障诊断的基础是故障特征量提取。在获取风电场/光伏电站设备运行实时监测数据的基础上，通过数据治理、数据挖掘、趋势分析等技术方法，准确地提取采集数据中的有效信息，分析故障特征量，以反映设备的运行健康状况。故障特征量提取方法包括时域提取法和频域提取法。时域提取法提取时域内各个量测的幅值指标和无量纲指标，对故障数据进行定位。频域提取法采用快速傅里叶变换、小波分析等方法提取各个量测的频率指标，对故障数据进行定位。

目前新能源厂站故障诊断应用方法主要有基于人工智能的人工神经网络、支持向量机和聚类分析等，由于每种故障的特征量不同，对于不同的故障，需要采用不同的故障诊断方法。同时，由于新能源厂站SCADA系统采集了厂站的实时数据，结合SCADA数据进行故障诊断是今后的发展方法，由于SCADA数据的采样频率低于状态监测系统的采样频率，因此需在一体化平台上构建多元数据存储和数据融合，进行数据整合和计算。

4 结论

新能源的开发利用飞速发展，对风电场和光伏电站的运维提出了更高的要求，因此建设新能源集控平台、提高智能应用技术，可更高效地支持新能源电站的运维。本文提出了基于iP9000一体化平台的集控解决方案，并介绍了一体化平台的架构、系统安全解决方案，描述了包括数据治理、状态监测、智能运维、运行评价和故障诊断的智能应用技术，为新能源电场的集中监视控制、系统运维、故障诊断和经济运行提供了一种解决方案。