在环境可持续、能源安全等因素影响和推动下,电力系统核心向新能源和分布式转移，大型风电场与光伏电站将承担着提高电力系统绿色电量渗透水平的核心作用。大规模新能源场站具有"看天吃饭"、地理位置偏远、分布分散等特性，上网电量也依赖大电网对新能源电量的消纳能力，为提高有效发电量、延长设备使用寿命、及时响应配合大电网进行出力调节等，在设备巡检、电厂运维、远程控制等方面都存在智能化管理需求在未来新能源电厂管理中，电力数字化技术将应用于贯穿电厂全生命周期的数字李生、基于跨域物联的远程集控等场景，实现电厂智能化管理水平跃升。
本文节选自《电力数字化2030》，
下载原文，请扫码加入综合能源服务研习社
全周期数字李生
新能源电厂全生命周期数字李生将涵盖规划建设、计划生产和运营维护三个环节。在规划建设阶段,通过建设现场的数字李生,有效推动工程落地;在计划生产阶段,通过生产过程的数字李生,合理优化生产策略;在运营维护阶段,通过对生产设备的数字李生,及时改善设备状态;全周期中,通过对生产环境的数字李生,大力保障资产与人身安全。在基于数字李生的新能源电厂管理中,边端数据采集(包括传统生产信息监测管理系统与多样化的传感设备)已具备一定基础,如何有效利用积累下来的海量数据、充分挖掘数据资产价值,是新能源发电商提升效率的关键。其中,空间计算与机器学习将发挥重要作用。
关键技术应用1：空间计算与3D建模助力场景仿真,提升效率
1)全周期BIM支持：在规划建设期,根据设备参数、现场图像与周边环境等数据,通过空间计算与3D建模仿真还原施工现场情况,对工程全过程进行基于BIM模型的动态监测管理,对与规划偏离情况、项目建设风险或安全隐患进行预警和分析,确保工程进度与质量。
与此同时,BIM模型不仅能在基建阶段指导施工建设,通过电子化移交的方式,还能为场站生产运营、持续升级改造、设备变更退役等各环节提供可视化的管理支撑,有效解决跨领域、跨专业的数据烟囱与协同难题。值得注意的是,电子化移交不仅能提升电厂管理效率,在电网建设运营等场景下同样能发挥重要作用。
2)三维动态安防管理：三维立体展示厂区全景,通过电子围栏,对员工位置与高度等信息进行监控,自动触发安全预警;同时,基于对重点区域与危险源的实时监控结果,准确识别安全隐患、及时告警,并在紧急情况发生时,自动规划最优撤离路径,最小化安全事故发生概率,保证人员安全、资产安全。
3)沉浸式技能培训与远程巡检：借助XR终端全息模拟设备故障场景,为员工提供高质量的沉浸式检维修培训,有效提升员工专业能力,提高设备维修效率;同时,借助可穿戴设备,可以实现便捷的远程专家巡检,与设备监测相结合,能进一步提高设备巡检的准确性。
关键技术应用2：机器学习有效支撑电厂决策,优化经营
1)更精准的发电量预测：与传统能源出力稳定不同,新能源"看天吃饭"的特性大大提高了新能源发电计划制定的难度,基于历史发电水平的生产计划容易与实际情况出现较大偏离。机器学习为新能源电厂运营商提供了有效解决方案。基于历史天气情况、新能源设备历史出力水平等海量数据进行学习建模,结合气象预测以及边端采集到的设备实际运行参数等多维变量,对新能源设备未来出力功率及发电量进行更准确的长短期预测,一来可以为新能源发电计划的制定或调整提供决策支持;二来可以基于预测结果优化新能源设备运营策略;同时,与配套储能设备相结合,还能根据发电量预测结果与电力市场价格变化,灵活调整储能充放电策略,提高经济回报。
2)更高效的自主运营控制：基于边端设备对风机尾流、光伏板积尘等情况的动态监测结果,结合气候变化以及短时发电量预测情况,根据机器学习得出的算法模型及数字空间模拟结果,对光伏板倾角、风机扇叶速度与角度、风机启停与出力情况等生成针对单个设备的自动控制指令,实现新能源场站的最优运营策略。
3)更及时的设备缺陷预警：对发电设备运行参数进行监测,基于对设备历史缺陷及检维修记录的学习模型,对当前及即将发生的设备缺陷进行评估并及时预警,合理安排错峰检维修,减少非计划停机。
依托空间计算与机器学习的电厂数字李生,能够帮助新能源发电商实现贯穿电厂全生命周期的虚实交互与闭环管理,基于数字空间对当前的反映以及对未来的预测,为物理世界采取相应措施提供决策支持与指引,最终提高电厂运营效率。
远程智能集控
大型电力企业运营将面临一些新的挑战,一方面由于新能源电厂位置偏远、分散,场站与设备巡检成本高昂,不同电厂管理也相对独立,造成统一性和协同性不足;另一方面对跨界电厂投资者来说,自建新能源电厂也缺乏有效的运营管理手段。通过云边协同技术架构的搭建和应用,打造支持远程智能集控的新能源电厂运营平台,可实现跨地域的机组设备管理,并有效降低新能源电厂运营成本、提高运营效率,从而解决上述挑战。
关键技术应用：云边协同，发挥三要素价值
1)泛在物联、数据融通：泛在物联是实现云边
协同的第一步。当前,许多设备厂商都已在电力设备或组件中嵌入了各类传感器,但不同厂商所采用的技术路线不同,导致标准不统一、数据不互通。因此,需要搭建企业级物联云平台,统一不同设备所采集的数据标准与通信标准,打通不同电厂设备间的数据壁垒,实现数据的全面接入、开放共享与统筹管理。同时,大量跨域数据的处理和分析也有赖于更加可靠的低时延网络通信技术的支持。
2)边缘算力提升：边缘算力提升是实现云边协同的第二步。通过各类传感器采集到的海量实时数据上云存储与计算会对云端资源造成挤压,影响数据处理的时效性,而一旦网络出现故障,整个场站的运行也将受到影响。通过边缘智能终端的部署,将云端的算力资源向边缘侧进行灵活分配,实现分布式计算,既提高了本地数据处理的时效性与响应速度,又有效避免了因数据传输带来的安全隐患,实现"即时交互"与"稳定安全"。
3)核心算法前移：核心算法前移是实现云边协同的第三步。基于边缘数据处理,如何快速准确识别设备故障状态或对设备运行进行及时控制调整,都需要算法模型的支撑。依托云端汇集的全局设备数据资源进行建模与机器学习,形成具有全局认知的算法模型,并将其部署到边缘智能终端上,让边缘设备装上"大脑",实现"逻辑集中、物理分散",通过智能前移完成对边缘数据的精准分析与高效处理。
通过云边协同的模式,可以实现各电厂间的数据融通,支撑模型搭建,并通过边缘智能终端的部署,提高边缘侧数据分析与响应能力,让新能源企业及电厂运营商能够通过移动终端实现跨域的远程操控和统筹管理,帮助新能源电厂运营从“局部改善”走向“全局提升”。
最佳实践案例：对近1100台风机设备与超15万块光伏板的实时监测与控制
中国某平台服务商依托设备物联及云边协同解决方案,以"边缘计算、预警预测、领域协同、开源架构"为技术特征,帮助客户企业通过终端设备实现风电、光伏场站的集中监控和无人值守,自动识别并预测设备的异常运行状态,基于健康度管理状态对场站设备开展维护,从而降低近20%的运营成本、提升10%发电量。
组件级传感：通过安装智能麦克风于风机塔筒门框侧,监篮听扫风声音,预警叶片缺陷;对传动链关键部件、变桨偏航控制等各类组件的全方位感知,让设备运营变得到实时可视,化更换为检修。
云边协同：采用最新边缘计算技术,通过设备直连、场站端数据预处理等手段,在边缘层完成大量数据处理,提升效率、降低云端负荷,实现考核级的数据准确;云端通过数据标准化集成,对各项运行指标进行动态监测和控制,同时可对各电厂表现进行直观对标,便于指标下达。
机器学习：基于环境因素对发电量影响的深度学习,使用5000核并行计算进行发电量预测,使得平均风功率预报准确率高达90%、高于行业平均水平7%,光功率预报准确率达93%、高于行业平均水平1%；同时,学习结果也能为新建项目提供参考与决策支持。
总结：电力数字化技术在数字绿色电厂中的应用
从关键使能技术当前应用程度看,大多数企业仍然对不同场站采取分别建设、各自运营的模式,"数据孤岛"多,集中控制采用率较低;同时,厂区内通信覆盖相对完善,但广域通信能力不足。未来需重点研究突破的方向包括:
提高设备网联水平：加强各类传感设备数据标准化程度,实现数据互通。提高广域通信能力:采用低时延、高可靠通信技术,保障大量实时数据的采集、处理与分析。
搭建集控运营平台：搭建以云边协同架构为基础的运营平台,提升边缘算力与智能化水平,实现本地快速、准确响应。
提高AI渗透率：加强人工智能训练,提高发电量预测、设备故障诊断等关键模型的成熟度与准确性。
提高场站与设备安全管理效率：加强3D建模在安防管理与沉浸式检维修培训的应用,提高安全保障力度,提升员工面对真实故障的实操能力。