90％準(zhǔn)確率！機(jī)器學(xué)習(xí)改變風(fēng)機(jī)報警模式

　　風(fēng)機(jī)故障報警是常態(tài)，但當(dāng)運維工程師發(fā)現(xiàn)故障大部件已糟糕到無藥可救時，接下來的待件、換件，就顯然是在拉低風(fēng)場收益率了。這種赤裸裸的痛點，在風(fēng)電上網(wǎng)電價下行的趨勢下，對風(fēng)場來說簡直就是雪上加霜。

　　不過，遠(yuǎn)景風(fēng)場運維團(tuán)隊給出了解決痛點的一種可能性——用機(jī)器學(xué)習(xí)也就是用算法對風(fēng)機(jī)的健康度作出預(yù)警。據(jù)該團(tuán)隊介紹，從已有驗證案例看，大部件的健康度預(yù)警準(zhǔn)確率還不錯，比如齒輪箱散熱系統(tǒng)、主軸承等大部件的預(yù)警準(zhǔn)確率均超過90%。

　　這是風(fēng)電運維領(lǐng)域首款對風(fēng)機(jī)健康度作出預(yù)警的機(jī)器學(xué)習(xí)技術(shù)程序，盡管它在大部件預(yù)警的覆蓋面及準(zhǔn)確率上還有待提升，但仍不失為風(fēng)電存量資產(chǎn)市場上一件頗具標(biāo)志性的事件。畢竟，目前電力界對設(shè)備的健康管理還停留在巡檢、打分以及固化參數(shù)等人為的主觀判斷上，而遠(yuǎn)景風(fēng)場運維團(tuán)隊通過機(jī)器學(xué)習(xí)系統(tǒng)，僅僅用溫度與壓力就可將風(fēng)機(jī)大部件的健康狀況歸類到“正常、注意、亞健康、警告和故障”這五級健康度中，尤其是，還可以提前3個月判斷出大部件的失效問題——這就是遠(yuǎn)景智慧風(fēng)場Wind PHM智能預(yù)警軟件。

　　機(jī)器學(xué)習(xí)離不開數(shù)據(jù)，而風(fēng)場正好可以為其提供現(xiàn)實世界的大量、實時數(shù)據(jù)，但值得注意的是，這些數(shù)據(jù)中往往摻雜著很多的臟數(shù)據(jù)，如同鉆石混在煤渣中，所以，數(shù)據(jù)平臺必須具備很強(qiáng)的清洗能力，以保證機(jī)器學(xué)習(xí)能使用到準(zhǔn)確的數(shù)據(jù)，“而這正是遠(yuǎn)景Wind OSTM物聯(lián)網(wǎng)的技術(shù)優(yōu)勢，其最優(yōu)算法保證了系統(tǒng)數(shù)據(jù)的準(zhǔn)確性和可靠性?！边h(yuǎn)景能源Wind PHM項目負(fù)責(zé)人胡博士強(qiáng)調(diào)。

　　值得一提的是，遠(yuǎn)景Wind OSTM平臺上運行著幾十款中外品牌的風(fēng)機(jī)，風(fēng)場資產(chǎn)規(guī)模已超過了5000萬千瓦，標(biāo)準(zhǔn)的物聯(lián)網(wǎng)屬性已使其成為一個完善成熟的大數(shù)據(jù)平臺，上面準(zhǔn)確、充沛的數(shù)據(jù)資源，不但為風(fēng)場績效考核、能量管理、報表推送等提供指標(biāo)應(yīng)用，也可以為機(jī)器學(xué)習(xí)提供準(zhǔn)確的數(shù)據(jù)源，從而拓展了數(shù)據(jù)價值創(chuàng)造的空間。

　　“在我們給出Wind PHM模型的變量及其系數(shù)以后，機(jī)器學(xué)習(xí)就可根據(jù)給定的算法自行調(diào)整變量系數(shù)的大小，使模型更加精確，但這并不是一件容易做到的事情?！焙┦拷忉屨f，“因為我們不可能預(yù)先就知道哪個算法對完成任務(wù)是最優(yōu)的，只能通過嘗試不同的算法來找出最優(yōu)的算法?！?br />
　　事實上，胡博士和他的團(tuán)隊經(jīng)歷了三次建模的過程。

　　首次建模采用的是神經(jīng)網(wǎng)絡(luò)算法。一個良好運作的神經(jīng)網(wǎng)絡(luò)是靠大量的數(shù)據(jù)訓(xùn)練出來的，Wind OSTM平臺上的數(shù)據(jù)足夠神經(jīng)網(wǎng)絡(luò)訓(xùn)練所用，可問題是，在對某些大部件健康度的趨勢判斷上，這種模型的準(zhǔn)確率并不能令人滿意。胡博士提醒說，“對大部件這類預(yù)測對象來說，神經(jīng)網(wǎng)絡(luò)算法難以做到整體最優(yōu)?！?br />
　　于是，胡博士和他的團(tuán)隊嘗試用支持向量機(jī)算法建模。從技術(shù)上看，這種算法的亮點在于：在處理特征密集的數(shù)據(jù)時，它不需要所有的失效數(shù)據(jù)或歷史上的故障數(shù)據(jù)，只要對比正常的運行數(shù)據(jù)就能做出常態(tài)和非常態(tài)的分辨。在胡博士看來，“它解決了此前神經(jīng)網(wǎng)絡(luò)模型沒有解決的某類大部件健康度預(yù)測準(zhǔn)率不高的問題”，但這種算法在預(yù)測風(fēng)機(jī)健康度上仍有瑕疵——這就成為他和團(tuán)隊“繼續(xù)尋找最優(yōu)算法”的理由。

　　需要注意的是，并沒有現(xiàn)成的最優(yōu)算法可以拿來直接使用。在深度分析、研究前兩種算法并將之深度融合之后，Wind PHM模型的核心算法最終誕生。

　　接下來，胡博士選擇了歷史上的風(fēng)機(jī)失效樣本對這個模型進(jìn)行了測試，結(jié)果它對大部件健康度的識別與判斷，在時間節(jié)點上與歷史樣本中的問題或故障高度吻合，并提前3個月預(yù)測到了部件的失效時間。

　　“這樣的測試和算法優(yōu)化是在線下完成的，Wind PHM模型精度滿足風(fēng)機(jī)健康度識別和預(yù)測以后，就可以把它擴(kuò)展到風(fēng)場上線運行了?！焙┦空f，“這一輪運行要驗證的仍然是Wind PHM對大部件健康度趨勢預(yù)判的準(zhǔn)確性，以及它在自學(xué)習(xí)、自尋優(yōu)方面的能力?！?br />
　　提及自學(xué)習(xí)和自尋優(yōu)，需要補充的是，建立Wind PHM模型是驅(qū)動大數(shù)據(jù)的一個過程，也就是用精確度較高的數(shù)據(jù)來為每類大部件的健康度進(jìn)行定義。這其中也包括變量系數(shù)的采集和確定，而要完成這樣的一個過程，人的知識、經(jīng)驗和能力相當(dāng)重要，但Wind PHM上線后，所有的變量系數(shù)都可在目標(biāo)或?qū)?yōu)策略的指引下自行優(yōu)化，這使得模型對大部件健康度的預(yù)判更加準(zhǔn)確。

　　實際上，變量系數(shù)的尋優(yōu)比較復(fù)雜，比如主軸承的健康度與風(fēng)速這個變量有關(guān)，而風(fēng)速又與功率有關(guān)，功率在某個時刻又可能與變槳有關(guān)，而這一切又可能與環(huán)境溫度有關(guān)——在如此復(fù)雜的關(guān)系下進(jìn)行變量系數(shù)優(yōu)化，起到關(guān)鍵作用的是Wind PHM自身的健康度算法。這意味著，通過變量系數(shù)優(yōu)化，Wind PHM模型也有了更高的精準(zhǔn)度。

　　“ Wind PHM這個機(jī)器學(xué)習(xí)系統(tǒng)是對大部件健康趨勢的一種預(yù)測，”胡博士解釋，“但在做預(yù)測時它并不關(guān)心什么風(fēng)速、功率等因素，它只看對應(yīng)的溫度值是多少，也就是實際溫度值與預(yù)測溫度值之間的差，以此報出大部件的健康度?！?br />
　　也就是說，從Wind PHM的角度看，在風(fēng)機(jī)的健康度上，溫度最有話語權(quán)。需注意的是，由于Wind PHM的健康度算法涉及大部件的實際溫度值，那大部件自身的傳感系統(tǒng)所獲取數(shù)據(jù)的精確性就十分重要了。正因為這樣，Wind PHM還要對大部件的傳感系統(tǒng)進(jìn)行智能監(jiān)控，并做到隨時報警，以確保每個部件系統(tǒng)傳感數(shù)據(jù)的準(zhǔn)確性。為了提升準(zhǔn)確率，Wind PHM在對某臺風(fēng)機(jī)的健康度做預(yù)警時，還要橫向?qū)Ρ揉徑L(fēng)機(jī)的相關(guān)溫度等參數(shù)——這也是提升預(yù)警準(zhǔn)確率的一種算法邏輯，畢竟，預(yù)測準(zhǔn)確率是Wind PHM智能預(yù)警系統(tǒng)的生命。

　　Wind PHM走進(jìn)風(fēng)場，這意味著，在風(fēng)場存量資產(chǎn)運營端，機(jī)器學(xué)習(xí)的應(yīng)用會成為一種趨勢。也正因此，胡博士希望風(fēng)場運營者能意識到機(jī)器學(xué)習(xí)對提升風(fēng)場收益的巨大價值。