王闊，劉輝

（1.北京大學，北京市 海淀區(qū) 100191；2.國網冀北電力有限公司電力科學研究院，北京市 西城區(qū) 100045）

0 引言

隨著以數(shù)字化、網絡化、智能化為特征的新一代信息技術日益創(chuàng)新突破，能源革命與數(shù)字革命加速融合，電力行業(yè)迎來了全面轉型升級機遇期。同時，在“雙碳”目標的重大戰(zhàn)略部署下，中國加快了構建以新能源為主體的新型電力系統(tǒng)的步伐，電力系統(tǒng)“雙高”、“雙峰”的特征日漸凸顯[1-2]，新能源大數(shù)據(jù)呈現(xiàn)海量多源異構、數(shù)據(jù)孤島、智能化水平不高的現(xiàn)狀[3]。一方面，電源側、電網側與監(jiān)管部門都對新能源運行數(shù)據(jù)的多業(yè)務場景應用提出了更高要求：電網側面對裝機規(guī)模及數(shù)據(jù)量巨大的新能源系統(tǒng)，新能源并網消納分析和功率預測等技術已成為國家電網公司的重要攻關方向；新能源運營商也迫切需要通過精益化運維手段提升場站的運行性能。另一方面，上述業(yè)務需求數(shù)據(jù)橫跨多個部門，分析工具則高度依賴智能化計算[4]。傳統(tǒng)的數(shù)據(jù)管理系統(tǒng)與新能源發(fā)展趨勢并不匹配，以數(shù)字化轉型賦能新能源行業(yè)高質量發(fā)展，加快推動電網向能源互聯(lián)網升級的呼聲日益高漲[5]。

基于大數(shù)據(jù)技術提升新能源管控的自動化、智能化水平也成為行業(yè)研究的熱點[6-9]，各大新能源廠商陸續(xù)開展了新能源數(shù)據(jù)價值挖掘工作。GE于2012年首先提出工業(yè)互聯(lián)網的概念，通過構建Predix平臺架構幫助客戶將海量數(shù)據(jù)轉化為準確的決策[10]。遠景能源2013年提出智慧風電場管理系統(tǒng)EnOS，基于智能物聯(lián)網技術和云計算技術，幫助開發(fā)商提升發(fā)電量、降低運維成本，提高風電場綜合效益。此外，金風科技建立了智慧運營系統(tǒng)SOAMTM，聯(lián)合動力建立了UPWindEYE系統(tǒng)，上海電氣建立了“風云集控”系統(tǒng)，華為建立了FusionSolar 智能光伏系統(tǒng)[11]，各大廠商對新能源的數(shù)字化應用都進行了有益探索。

上述應用場景有所不同，但均未形成跨部門、多業(yè)務、智能化的大數(shù)據(jù)平臺，本文在新能源大數(shù)據(jù)應用面臨的技術挑戰(zhàn)基礎上，從數(shù)據(jù)融合、智能計算、和應用服務三個層面分別闡述了新能源大數(shù)據(jù)平臺的特點和架構，通過融合電網、新能源場站等各方數(shù)據(jù)，提出了面向電網公司、新能源運營商等不同業(yè)務場景的關鍵技術，并設計了面向不同應用場景的業(yè)務功能，最后通過某區(qū)域新能源大數(shù)據(jù)應用平臺的典型應用分析進行了實踐驗證。

1 新能源大數(shù)據(jù)應用面臨的技術挑戰(zhàn)

面對新能源大規(guī)模高比例并網、分布式電源和微電網接入等多重挑戰(zhàn)，以數(shù)字化技術為新能源賦能主要面臨以下的技術挑戰(zhàn)。

1）新能源海量多源異構數(shù)據(jù)的價值尚未充分挖掘。新能源系統(tǒng)在運行過程中積累了海量數(shù)據(jù)，數(shù)據(jù)分散分布于新能源場站、發(fā)電企業(yè)、電網所開發(fā)的不同系統(tǒng)中，易造成數(shù)據(jù)孤島效應。同時，數(shù)據(jù)存在結構化和非結構化多種形式，呈現(xiàn)“多源異構”的特點。海量數(shù)據(jù)蘊含著巨大的應用價值，亟需實現(xiàn)數(shù)據(jù)匯集與集中處理，實現(xiàn)多源異構數(shù)據(jù)的融匯互聯(lián)[12]。

2）多元化應用對算法層的智能化、兼容性和交互性提出了更高需求。大數(shù)據(jù)技術的崛起依賴于高質量數(shù)據(jù)及高性能算法，而目前新能源數(shù)據(jù)存在數(shù)據(jù)質量和一致性較差的問題，導致數(shù)據(jù)利用率不高，數(shù)據(jù)價值尚未體現(xiàn)[13]。同時，新能源行業(yè)多元的應用中對數(shù)據(jù)及算法的需求存在交集，而各方的應用壁壘會導致運算效率的下降和運算成本的增加，因此亟需設計一套智能計算層來實現(xiàn)數(shù)據(jù)價值的高效挖掘。

3）面向各方多業(yè)務場景服務的需求日漸迫切。未來，高比例新能源電力系統(tǒng)的發(fā)展方向使得電網的運行特性更加多元，新能源電站與電網的交互特性變得更加復雜，對電網安全穩(wěn)定運行和新能源高效消納提出更大挑戰(zhàn)[14-15]。同時，新能源行業(yè)大力推進提質增效，迫切需要第三方提供精益化服務，提升新能源系統(tǒng)的發(fā)電潛力，降低全壽命周期成本[16]。

因此，迫切需要以“平臺+數(shù)據(jù)+計算”方式培育能源互聯(lián)網的新業(yè)務、新業(yè)態(tài)、新模式，探索新能源數(shù)字化關鍵技術的研究及應用，挖掘新能源行業(yè)服務需求，助力新型電力系統(tǒng)構建和“雙碳”目標實現(xiàn)。

2 新能源大數(shù)據(jù)平臺架構

通用大數(shù)據(jù)平臺的主流架構為異構混搭架構和分布式一體化架構。異構混搭架構功能簡單，但存在對業(yè)務支撐靈活度低、數(shù)據(jù)搬遷困難、數(shù)據(jù)冗余、擴展困難等問題，且并未關注歷史積累數(shù)據(jù)的價值創(chuàng)造和應用。分布式一體化架構可以把分散的資源連接為一個整體，實現(xiàn)資源整合、共享和有機協(xié)作，建立統(tǒng)一數(shù)據(jù)體系和服務體系[17]。

新能源數(shù)據(jù)呈現(xiàn)數(shù)據(jù)量大、來源廣、數(shù)據(jù)結構多樣的海量多源異構特征，且基于不同的應用場景，需實現(xiàn)數(shù)據(jù)及算法的實時交互和融合應用[18-19]。因此，新能源大數(shù)據(jù)平臺采用分布式一體化架構，通過云計算虛擬化技術，將物理服務器設備進行抽象管理，實現(xiàn)對硬件資源的動態(tài)申請，提升系統(tǒng)的靈活性和穩(wěn)定性[20]。此外，與傳統(tǒng)的分布式一體化架構相比，新能源大數(shù)據(jù)平臺針對新能源場景的特性，采用自適應數(shù)據(jù)動態(tài)分片技術，根據(jù)時序數(shù)據(jù)點編碼和關系數(shù)據(jù)表字段進行智能分片規(guī)則推演，將各關聯(lián)設備的不同任務（時序數(shù)據(jù)存儲、業(yè)務數(shù)據(jù)計算等）動態(tài)均衡分發(fā)到平臺特定節(jié)點執(zhí)行，減少大數(shù)據(jù)平臺各節(jié)點之間數(shù)據(jù)傳輸帶來的性能損耗，可以提高大規(guī)模數(shù)據(jù)處理能力和效率。

平臺的物理結構如圖1所示，由邊緣層、基礎設施層（IaaS）、平臺層（PaaS）、應用服務層（SaaS）4個層級組成。平臺的功能架構主要由數(shù)據(jù)架構、算法架構和應用架構組成。

圖1 新能源大數(shù)據(jù)應用平臺架構Fig.1 Overall architecture of renewable energy big data application platform

2.1 多元數(shù)據(jù)融合

為實現(xiàn)全產業(yè)鏈的信息互聯(lián)，充分發(fā)揮電網企業(yè)數(shù)據(jù)和技術優(yōu)勢，平臺接入了電網公司、新能源場站、第三方廠家等多源數(shù)據(jù)，數(shù)據(jù)類型及傳輸方式如圖2所示。為了保證數(shù)據(jù)的實時傳輸，平臺通過邊緣層打通工業(yè)網絡的數(shù)據(jù)傳輸通道，可支持IEC104、MODBUS等多種工業(yè)協(xié)議的智能解析接口，也可通過ODBC、JDBC、FTP等接口采集數(shù)據(jù)，突破場站內部不同的信息孤島，實現(xiàn)數(shù)據(jù)的共享。

圖2 新能源大數(shù)據(jù)平臺數(shù)據(jù)接入示意圖Fig.2 Data access of renewable energy big data application platform

平臺接入的海量數(shù)據(jù)包括電網調控中心的新能源率預測、智能電網調控系統(tǒng)、單機信息等分級運行數(shù)據(jù)，新能源場站的發(fā)電機組、AGC、AVC等秒級運行數(shù)據(jù)，中國氣象局、功率預測廠家等第三方廠家的氣象數(shù)據(jù)及算法模型，能夠充分支撐多方對狀態(tài)監(jiān)控、發(fā)電性能、涉網性能等多角度精細化服務的運算需求，打破行業(yè)壁壘。

為實現(xiàn)多源異構數(shù)據(jù)的有效利用，平臺在采集、稽核和管理過程中進行優(yōu)化處理，通過云化ETL技術實現(xiàn)數(shù)據(jù)采集接口的標準化設計，包括通信標準化、統(tǒng)一數(shù)據(jù)上傳規(guī)則、測點規(guī)范命名等，從源頭提升數(shù)據(jù)質量。同時，開發(fā)數(shù)據(jù)稽核功能，通過風電機組運行狀態(tài)的自動辨識和運行性能的量化評價，提升數(shù)據(jù)的維度和標準化程度，最終構建了多源異構數(shù)據(jù)的全生命周期管理體系，通過血緣關系追溯等功能實現(xiàn)端到端透明管控，通過多源數(shù)據(jù)的集成和融合提升數(shù)據(jù)利用效率。

2.2 智能化算法架構

大數(shù)據(jù)應用中各功能的實現(xiàn)得益于多元的智能算法，且基于數(shù)據(jù)應用的不同環(huán)節(jié)和目標，算法具有通用性。為了提升運算效率，降低系統(tǒng)冗余，平臺針對數(shù)據(jù)質量提升和多業(yè)務場景應用的需求，嵌入了大量數(shù)據(jù)挖掘及數(shù)據(jù)融合算法（如圖3所示），包括聚類算法、線性回歸算法、深度學習算法等，算法種類豐富，能夠通過專用或組合的方法實現(xiàn)包括新能源異常數(shù)據(jù)檢測及清洗、關鍵部件的故障識別、光伏圖像識別、功率預測、風電機組控制優(yōu)化等功能應用，為新能源多業(yè)務場景的需求提供解決方案。

圖3 平臺嵌入的智能算法Fig.3 Intelligent algorithm embedded in the platform

2.3 多業(yè)務應用

平臺深度整合新能源運營商、電網公司等多方需求，開發(fā)了涵蓋新能源發(fā)電精益化運維、新能源功率預測與資源評估、新能源場站涉網性能跟蹤評價與風險預警、新能源消納分析等功能，結合海量數(shù)據(jù)、專家知識及智能算法集成了全面而豐富的應用模型，基于模型分析可得到對新能源整體運行態(tài)勢的實時、連續(xù)、宏觀精準把握，以及對電網局部狀態(tài)的多角度、多層次精確感知，開展新能源電站及網源協(xié)調問題的分析優(yōu)化，助力新能源的精益運行和數(shù)字化賦能水平提升。

3 新能源大數(shù)據(jù)平臺的多業(yè)務應用

3.1 監(jiān)管側與電網側業(yè)務：新能源消納分析技術

新能源消納影響因素眾多，各因素之間又相互影響。為此，平臺整合了數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)信息、負荷信息、設備故障信息、狀態(tài)信息以及氣象預測等系統(tǒng)數(shù)據(jù)，通過定義標準庫的方法實現(xiàn)語義統(tǒng)一，并基于關聯(lián)分析算法挖掘并量化各因素之間的關系，對新能源消納情況進行在線實時評價，有助于為新能源調度運行提供詳實的數(shù)據(jù)支撐。

為實現(xiàn)受阻電量分析功能，平臺設計了風電場受阻電量精細化分析算法，通過對區(qū)域內新能源消納信息的監(jiān)測與統(tǒng)計，既能支撐風電場定位發(fā)電量損失薄弱環(huán)節(jié)，提升風電場的運維管理水平，又能支撐電網調度機構高效監(jiān)測分析消納情況，助力提升區(qū)域新能源消納水平。

根據(jù)數(shù)據(jù)平臺實時采集的新能源機組遙測數(shù)據(jù)及上報的狀態(tài)位等信息，將受阻電量按形成機理分類統(tǒng)計，如圖4所示。

圖4 新能源消納受阻電量分類Fig.4 Classification of renewable energy curtailment

單個新能源電站的受阻電量計算公式為

式中：Pj_loss表示第j個新能源電站受阻電量；h=1,2,3，分別對應調峰受阻、斷面約束受阻和場外受累受阻三種情況；g=1,2,3,4，分別對應計劃停機、故障停機、站內受累和發(fā)電性能劣化4種情況；Tj,h和Tj,g表示對應情況累計出現(xiàn)的時間；Pj,h和Pj,g分別表示對應情況下的平均功率損失。

調峰受阻電量和斷面約束受阻電量為

式中：Pref_i為場站第i臺新能源機組參照樣板機得到的理論功率；Preal_i為第i臺機組實際發(fā)電量，N為新能源機組臺數(shù)；t為調峰降額發(fā)電狀態(tài)的時間或斷面限制降額發(fā)電狀態(tài)的時間，根據(jù)機組上報狀態(tài)位確定。

場外受累停機受阻電量、計劃停機受阻電量、故障停機受阻電量和站內受累停機受阻電量為

式中：N為新能源機組停機的臺數(shù)；t為停機持續(xù)時間，具體停機原因可結合數(shù)據(jù)平臺與調度日志確定。

通過大數(shù)據(jù)平臺統(tǒng)計，可以對區(qū)域新能源整體實時消納狀態(tài)、斷面消納、斷面棄電率、通道利用率、受阻電量等進行監(jiān)視，圖5為某地區(qū)實時消納斷面圖。

圖5 實時消納斷面Fig.5 Real time power accommodation

3.2 電網側業(yè)務：新能源涉網性能跟蹤評價技術

大數(shù)據(jù)平臺通過融合新能源場站AGC運行數(shù)據(jù)、AVC運行數(shù)據(jù)、SVG運行數(shù)據(jù)、SCADA運行數(shù)據(jù)等多源秒級數(shù)據(jù)，采取性能評價、發(fā)現(xiàn)問題、定位問題、解決問題的思路，采用分布式時序數(shù)據(jù)庫，支撐大量實時、歷史數(shù)據(jù)的快速讀寫和查詢，可實現(xiàn)新能源場站涉網性能在線、實時、并行分析，包含事前預警、事后分析以及典型涉網缺陷定位功能，為各新能源場站涉網性能指標的跟蹤評價業(yè)務賦能。

涉網事故分析與預警系統(tǒng)提供新能源場站并網點電壓超限預警、脫網預警、脫網原因分析等功能，如圖6 （a）所示。涉網性能評價模塊提供AGC、AVC、SVG調節(jié)性能統(tǒng)計分析和展示，并可以實現(xiàn) AVC系統(tǒng)阻抗優(yōu)化功能，根據(jù)各場站的并網點電壓和無功數(shù)據(jù)進行分析，計算不同電壓、不同功率的系統(tǒng)交流阻抗值，并通過統(tǒng)計學相關概率算法，計算適用各工況的最佳阻抗值，功能模塊如圖6 （b）所示。

圖6 涉網性能跟蹤評價模塊Fig.6 Performance tracking and evaluation module

利用大數(shù)據(jù)技術對新能源涉網性能進行跟蹤評價，可有效支撐電網調控中心對涉網事件的風險管理、新能源場站涉網性能的優(yōu)化提升。

3.3 共享應用：資源評估與功率預測技術

隨著新能源裝機規(guī)模不斷擴大，功率預測關系著電網的安全穩(wěn)定運行，是大數(shù)據(jù)平臺的重要組成部分。預測模塊通過不同的通信接口協(xié)議，直接采集數(shù)值天氣預報、子站與主站預測數(shù)據(jù)、歷史運行數(shù)據(jù)等多源系統(tǒng)數(shù)據(jù)，采用神經網絡算法建立自主預測模型，并通過時空模式分析與修正，實現(xiàn)新能源發(fā)電功率高精度預測。

該模塊集成了多個廠家的功率預測模型，實現(xiàn)多數(shù)據(jù)源、多模型組合優(yōu)化，支撐場站功率預測精度提升，面向調控中心、交易中心和風電運營商，提供新能源功率預測優(yōu)化、極端天氣預警、中長期電量預測等業(yè)務服務（見圖7），并實現(xiàn)風電場短期功率預測結果誤差成因量化分析。

圖7 功率預測與資源評估功能模塊Fig.7 Power prediction and pesource evaluation module

功率預測算法的多數(shù)據(jù)源、多模型組合優(yōu)化，以基于人工智能的學習算法為主，融合氣象站、調度、場站、負荷等多源數(shù)據(jù)，利用學習算法建立歷史時刻的輸入數(shù)據(jù)（實測風速）與整場輸出數(shù)據(jù)之間的映射關系，基于學習獲得的映射關系，以NWP數(shù)據(jù)為輸入，依托大數(shù)據(jù)平臺的高算力、多模型進行實時計算，預測未來時刻的輸出功率。極端天氣預警模塊可以根據(jù)氣象預測計算因大風、寒潮等天氣導致的停機容量，優(yōu)化子站上報結果，支撐主站實現(xiàn)預測偏差的預警。

圖8 多模型組合優(yōu)化功率預測Fig.8 Multi model combined power prediction

3.4 電源側業(yè)務：新能源場站精益化運維技術

新能源場站具有占地面積廣、設備數(shù)量多、氣象影響大、運維手段單一的特點，由于發(fā)展時間較晚，傳統(tǒng)的運維手段和新興的發(fā)展勢頭并不匹配。依托大數(shù)據(jù)平臺，通過智能化信息采集、大數(shù)據(jù)分析處理、云平臺智能決策等技術，融合新能源場站的SCADA運行數(shù)據(jù)、風機運行數(shù)據(jù)、風機故障數(shù)據(jù)、單機信息數(shù)據(jù)等多源數(shù)據(jù)，可以形成涵蓋實時監(jiān)測、診斷預警、設備管理、運維評價等功能的精益化運維系統(tǒng)，實現(xiàn)新能源場站的管控精細化和運維高效化。

以風電為例，為提升風電場精益化運維水平，平臺開發(fā)了風電機組典型發(fā)電缺陷辨識算法，實現(xiàn)風電機組發(fā)電性能缺陷及影響程度的自動識別，辨識機組發(fā)電性能劣化的關鍵因素，提升機組的發(fā)電性能。

數(shù)據(jù)平臺中將影響風電機組發(fā)電性能的因素分為以下6個方面：①能量捕獲關鍵部件受損；②傳動系統(tǒng)關鍵部件受損；③機組測量部件存在缺陷或受損；④機組偏航或變槳精度不準；⑤主控系統(tǒng)功率控制算法問題；⑥其他因素。由于篇幅限制，此處以偏航誤差評估及優(yōu)化為例，簡要介紹新能源場站精益化運維的技術路線。

偏航誤差來源于偏航控制性能誤差和偏航靜態(tài)偏差。偏航靜態(tài)偏差指偏航誤差分布整體偏移，僅通過風向標測量值無法獲取機組的偏航靜態(tài)偏差，會導致機組長時間處于無法準確對風的狀態(tài)。當風電機組存在偏航誤差時，導致的功率損失為

據(jù)統(tǒng)計，機組自身最大偏航誤差約為15°，功率損失約為9.87%，由于偏航靜態(tài)偏差的存在，會使最大偏航誤差增大到約30°，功率損失高達35%。

根據(jù)偏航靜態(tài)偏差對風電機組發(fā)電性能影響規(guī)律，同時考慮受偏航扇區(qū)的影響特征，建立優(yōu)化模型。將風向標測量的偏航誤差角度α和風速v進行區(qū)間化處理。將經過預處理后的數(shù)據(jù)集按照風速分成5個區(qū)間，每個區(qū)間的范圍如式（5）所示：

式中：v（i）為第i個區(qū)間的最小風速；v（i+1）為第i個區(qū)間的最大風速；風速區(qū)間的步長為0.4 m/s。

為了更加精確地分析子風速區(qū)間內功率與偏航誤差的關系，進一步把每個子風速區(qū)間數(shù)據(jù)按照偏航誤差從-20°到20°劃分為20個子區(qū)間，如式（6）所示：

式中：α（j）為第j個子區(qū)間的偏航誤差下限，α（j+1）為第j個子區(qū)間的偏航誤差上限，每個區(qū)間的偏航誤差步長為2°。計算每個偏航誤差區(qū)間內功率的平均值作為衡量每個偏航誤差區(qū)間對應的功率性能的指標

式中：n為風速區(qū)間的數(shù)量；Pi,j是每個子區(qū)間內所有數(shù)據(jù)的功率平均值。選出Iindicator最大值對應的區(qū)間BSUBBIN，計算該區(qū)間偏航誤差角α的均值，即為偏航系統(tǒng)靜態(tài)偏差的估計值

式中：n為該偏航誤差區(qū)間內風速子區(qū)間的數(shù)量；αi,j為每個子區(qū)間內偏航誤差的平均值。

偏航系統(tǒng)靜態(tài)偏差估計值的完整計算流程如圖9所示，可以實現(xiàn)風電場內不同風電機組、不同風速區(qū)段偏航控制參數(shù)的自適應設置，優(yōu)化風電機組偏航控制誤差，有效提高機組發(fā)電性能。

圖9 基于風速和偏航誤差雙重分區(qū)的偏航靜態(tài)偏差計算流程圖Fig.9 Flow chart of static deviation calculation based on wind speed and yaw error

4 典型應用案例

4.1 新能源功率預測精度提升

基于新能源大數(shù)據(jù)平臺的功率預測優(yōu)化模塊，依托承德地區(qū)某風電場（249.5 MW）2020年6月~10月的氣象平臺數(shù)據(jù)（風速、風向、溫度等）和場站SCADA系統(tǒng)秒級數(shù)據(jù)（風速、風向、功率、機組運行狀態(tài)、槳葉角度、偏航角度和故障信息等），對風電場上報的日前功率預測結果開展優(yōu)化。

通過智能算法對比尋優(yōu)，此風電場夏季數(shù)據(jù)適用的聚類模型為高斯混合模型，計算不同分組個數(shù)時的BIC指標對分組有效性進行評價，結果如圖10所示，可知最優(yōu)聚類組數(shù)為4組。

圖10 高斯混合聚類模型的BIC值Fig.10 BIC value of Gaussian mixture model

將該風電場機組分4個子群，并計算組內平均相關系數(shù)，選擇平均相關系數(shù)最高的機組為特征機組，建立機組群的功率預測子模型。相較于傳統(tǒng)模型，分組模型能夠更靈活地判斷實測功率的頻繁變化趨勢以及極值點的出現(xiàn)位置，更準確地追蹤實時的功率變化。對功率預測優(yōu)化前后的日前預測準確率進行統(tǒng)計，修正前后逐日功率預測準確率變化如圖11所示。

由圖11可知，通過功率預測專項優(yōu)化，6月~10月風電場功率預測準確率得到提升的月度平均天數(shù)為16.4天，功率預測精度提升效果顯著，可以助力地區(qū)電網的功率預測精度提升，支撐電網調度制定更為精細的日前發(fā)電計劃。

圖11 優(yōu)化前后預測功率準確率對比圖（逐日）Fig.11 Comparison of predicted power accuracy before and after optimization （day by day）

對2020年6月~10月風電場功率預測優(yōu)化前后的月度“兩個細則”考核電量進行計算，優(yōu)化前后月度考核電量的對比結果如表1所示，功率預測精度提升后，風電場6月~10月的月度考核電量平均降低了33.1 MW，顯著提升了新能源場站的涉網管理水平。

表1 優(yōu)化后月度考核電量降低情況統(tǒng)計Table 1 Statistics on the reduction of monthly assessment power after optimization

4.2 新能源場站運行能效提升

基于新能源大數(shù)據(jù)平臺的精益化運維模塊，依托張家口地區(qū)某風電場（100 MW）2020年全年的測風塔數(shù)據(jù)（風速、風向等）和場站SCADA系統(tǒng)數(shù)據(jù)（風速、風向、功率、偏航角度等），對風電場發(fā)電量損失開展多維量化分析，結果如圖12所示，因風電機組發(fā)電性能缺陷導致的損失發(fā)電量占總損失發(fā)電量的55%，是造成該風電場損失發(fā)電量的主要原因。

圖12 風電場損失電量分析Fig.12 Analysis of wind farm power loss

當風電機組存在偏航靜態(tài)偏差，會導致機組無法準確對風，降低機組的風能捕獲效率，造成機組發(fā)電性能降低。對各臺風電機組的偏航靜態(tài)偏差進行計算，典型機組的計算結果如表2所示。該風電場50臺機組的偏航靜態(tài)偏差大致可以分為4類，#12、#24、#11、#1、#21風電機組偏航靜態(tài)偏差在7.5°左右（見圖13），#33、#4、#48、#43風電機組偏航靜態(tài)偏差在3.8°左右，#42、#23風電機組偏航靜態(tài)偏差在-3.8°左右，其余機組偏航靜態(tài)偏差在0°左右?？梢姴糠诛L電機組存在較大的偏航靜態(tài)偏差，這也是導致該風電場機組發(fā)電性能缺陷的主要因素。

表2 各機組偏航靜態(tài)偏差計算結果Table 2 Calculation results of yaw static deviation

圖13 12#機組偏航靜態(tài)偏差Fig.13 Measured yaw error of #12

采用基于風速和偏航誤差雙重分區(qū)的偏航靜態(tài)偏差計算方法，對偏航靜態(tài)偏差較大的12#風電機組開展控制策略優(yōu)化，實現(xiàn)風電機組在不同風速區(qū)段偏航控制參數(shù)的自適應設置。優(yōu)化前后的功率特性曲線對比如圖14所示，經測算#12風電機組年發(fā)電量提升了約2.6%，降低了風電場的發(fā)電量損失，提升了風電場的發(fā)電量和發(fā)電效益，有效減少了碳排放。

圖14 #12機組優(yōu)化前后的功率特性曲線Fig.14 Power characteristic curve of #12 wind turbine before and after optimization

5 結論

本文在分析新能源大數(shù)據(jù)應用面臨的技術挑戰(zhàn)基礎上，提出了“數(shù)據(jù)融合層、智能算法層、應用服務層”的多業(yè)務場景大數(shù)據(jù)平臺功能架構，針對電網公司和新能源運營商兩大服務對象，設計了“新能源消納分析、新能源場站涉網性能跟蹤評價、資源評估與功率預測、新能源場站精益化運維”4方面業(yè)務方向，介紹了為實現(xiàn)4方面業(yè)務所需的關鍵技術，基于所述平臺架構與關鍵技術構建了新能源大數(shù)據(jù)平臺并開展典型案例實踐。實踐表明，所開發(fā)的新能源大數(shù)據(jù)平臺可顯著提升新能源功率預測精度和新能源場站運行能效，為新能源大數(shù)據(jù)價值挖掘和實踐應用提供了有益探索。