碳中和逻辑下风电资管的数字化探索
曹斌：中节能风力发电股份有限公司生产运维部经理兼研究院负责人
在正式开始我的这个分享之前，我想先对我们公司做一个简要的介绍。中节能风电这家公司我们是国内比较早进入到风电领域的一家业主单位，我们大概从这个06年开始就在国内去投资建设和运营风电市场，到目前为止我们的装机规模不算太大，并网装机规模在400万左右，在风电市场发动机的总占比大概只有1%，我们这家公司的特色一直以来都是这个比较精细化的运营和管理。我们的每个项目每个电站的收益率都非常不错，所以我们也是想借这个机会，把我们对于精益化管理的一些思考和方法的实践，给大家做一个分享。我今天的这个报告主要分为三部分，第一部分是讲一讲我们对于碳中和的这个历史逻辑和实现路径的一个思考。第二部分是，我想分享一下就是碳中和的这个宏大的目标，对于风电运维端资产管理端提出的这个挑战，以及我们目前所采用的一些应对策略，这一部分也是我今天这个汇报材料的重点。第三部分主要是结合我们目前在技术上的一些新探索，来对这个风电资管后续的一些技术发展趋势进行一个简单的展望。
一、碳中和的历史逻辑和实现路径的思考
其中很多的内容其实是我们这个团队自己思考的一些结果，如果有不当之处也请大家多多包涵。首先我们要研究碳中和这件事儿，所以我们第一个议题是说碳中和的定义是什么？我们其实收集了很多资料，碳中和大概目前来讲有两种定义，一种定义是狭义的碳中和，也就是净0，二氧化碳排放是指在特定时期全球人为二氧化碳排放量与二氧化碳的消除量相等，比如用自然碳捕集封存技术，这是来自于这个政府间气候变化专门委员会的一个定义。广义的碳中和是国家地区企业团体或个人在一定时间内直接或间接产生的温室气体排放总量，通过植树造林等形式抵消自身产生的温室气体或者二氧化碳的排放量，实现二氧化碳的零排放，这里面其实有不管是狭义的碳中和还是广义的碳中和，其实都有一个0排放的概念。
那么中国在2020年的9月，习近平总书记在这个第七十五届联合国大会上，20国集团领导人峰会和气候峰会上代表中国向全世界做出了一个庄严的承诺，就是我们大家都熟知的双碳目标，要在2030年实现碳达峰，努力争取到2060年实现碳中和。
我们看到这个碳中和定义之后，其实我们也在看，这个其实不是中国提出了这个碳中和的目标，其实世界上有很多国家已经以这个政策立法或者政策宣誓的形式来提出了碳中和的目标，这里面包括美国、中国、德国、法国等国际上一些主要的经济体。这个时候我们的问题是，那么为什么这么多国家纷纷的提出了碳中和的这个目标？所以我们想法是从历史上找一找答案，这么些国家为什么同时要提出这个碳综合的目标，所以我们自己找到了一个我们认为还不错的工具。
就是英国的有一个学者叫伊恩.莫里斯，把他使用现在已经发现的这个科学工具勾画了在整个人类文明在过去几万年中进化的一个进步，发现了人类社会发展的一些规律，并把这些相关的研究成果，发表于《文明的度量》这本书。
那人类文明的本质实际上是摄取和使用能量的历史，所以这个伊恩.莫里斯教授使用了人类摄取和使用能量的能力，来定量的记录人类文明的历史轨迹，并将定量定方式定义为这个社会发展史书。下面我们给出一张图，这张图实际上描绘了东西方两个文明中心，从公元前14,000年，也就是人类农业文明开始的时间点，一直到公元两千年，整个一个发展轨迹。我们可以看到在这个18世纪以前，世界上人类社会的发展速度是非常缓慢的，我们可以再把这个图上的这点台阶的这个部位我们再做一个放大。我们可以看到在人类18世纪以前，也就是农业社会时代，实际上东西方的这个文明各有一个发展高峰，分别是这个公元前后古罗马帝国时期。还有一个是中国的南宋时期，大概在公元1200年左右，有一个很有意思的事情，就是我们发现在农业社会就是东西方文明发展中心的这个社会发展指数都在同一个地方，产生的这个下滑，后来我们就做了一些思考，这个的思考就体现在我们后边这几段文字里，第一个是我们画了一条线，我们发现在这条线之后，这个人类文明这个社会发展指数就急剧的数据的上升。后来我们查阅了一下历史我们，发现这个1776年也就是在这个18世纪末的时候发生了三件大事，一件大事是这个亚当斯密发表了《国富论》，一件事是美国的国务发表了独立宣言。还有一件事瓦特制造了世界上第一台蒸汽机，这三件事是具有划时代的历史意义的，它开启了一个自由市场加科技革命的双轮驱动的现代化社会。所以随之而来，我们团队形成了三点思考。第一点思考说人类农业文明社会在两次达到了几乎同一个巅峰的位置之后就迎来了衰退。所以我们学的底层逻辑形成农业社会社群能量的主要方式是光合作用，所以土地是这个社会发展的天花板。我们第二点思考是从农业社会的发展规律来看，我们人类文明社会的发展其实是有约束条件的。那么第三点思考其实就跟碳中和相关了，我们现代化的社会实际上也是有约束条件的，我们认为在人类能够征服其他的星球之前，其实我们地球的环境承载能力应该就是我们现在现代化社会发展模式的发展极限。
好，随之而来的问题是我们现代社会的极限在哪，我们看一组数据，在人类工业化之前，大气的温室气体浓度大概大概是280个PPm，到2018年底大气的温室气体浓度已经达到了410个PPM，全球的平均温度上升了2.8度，如果浓度超过450个PPM，那全球的平均温度将上升两度。自1990年以来，温室气体的气候增温总效益增加了43%，这其中有82%是有二氧化碳的排放引起的，17%是由甲烷引起的，这些数据都来源于世界气象组织。面对这么严峻的形势，在2015年全球170多个国家在巴黎开了一个气候大会，也就是第二十一届联合国气候变化大会，商讨了如何减少温室气体排放的问题，最终达成了一个著名的《巴黎协定》。这个协定约定在本世纪末将全球温度上升控制在两度以内，并努力实现1.5度的目标。为了达成这个目标，每个国家都必须提出自己的减排方案，给他们的达成及国家自主贡献。有关研究标明，为了达成巴黎协定的目标，全球大概需要在2065年到2070年实现，所以实现碳中和的这个目标其实上是全球各个国家的一种责任，真正的目的实际上是为了维护我们人类共同生存的这个环境。
这一部分里，我们最后一个问题是在中国如何去实现碳中和其实我们也做了一些思考，我们首先收集了这个世界资源研究所2017年发布的一个数据，我们可以看到整个的碳排放里，其实发电和供热行业的这个碳排放大概占了40%左右。如果在解决问题的角度，抓住主要矛盾的方法来思考的话，实际上我们要解决碳排放的问题，应该优先从这个发电和供热行业去接手。那么第一条路径就是要降低我们全社会的能源消耗量。第二条路径实际上是提高我们能源的清洁程度和绿色程度。再次的手段就是我们要进行一些碳捕集，增加一些负碳的手段。实际上我们通过方式，我们也形成了两点思考，第一点思考是说能源在碳中和中要承担主要责任，能源的清洁化将是一个大势所趋，其他行业怎么实现碳中和的，其他行业最简单的手段，通过电气化的改造来实现，把碳排放的责任推向能源部门发电部门，这是我们第一点思考。
第二点思考，以风电和光伏为代表的清洁能源，在未来成为国家的一个主力的能源形式，所以全社会对风电和光伏的供电成本提出了更为迫切的需求，为什么这么说？因为一个国家的全球竞争力主要来源于各个成本要素，包括了人力成本、土地成本、交通成本、通信成本、能源成本、金融成本等等，如果风电和光伏在未来碳中和的这个路途中成为我们国家的主力能源的话，那么也可以认为风电和光伏在一定程度上会决定我们国家的能源成本，所以这件事非常重要。
二、碳中和对风电资管提出的挑战和应对策略
碳中和对我们的风电运营端，资产管理端提出的挑战，以及我们目前所采用的一些应对策略。我们根据国家能源局的公开数据和《国家能源局关于征求2021年可再生能源电力消纳责任权重和2022~2030年预期目标建议的函》文件中所设的一些边界条件，我们对这个2021年到2030在全市社会用电量中的占比做了一个预测，我们从2020年这个时点往后看，10年非水可再生能源在全社会用电量中消纳的占比会翻三倍以上，我们再来看一看风电还是同样的预测方式。我们从2020年这个时点往后看10年。风电的发电量在全社会用电量中的占比也会翻三倍以上。那么所以说风电这个行业面临着一个巨大的发展空间，我们真正的挑战实际上是度电成本，我们对度电成本进行一个结构，我们可以把它分成这个分子和分母来看，分子上主要有三项，第一项就是红框标出来的这一部分，这部分主要是我们这个工程期建设成本的限制，这一部分主要受我们的这个风电机组、设备厂商以及我们施工建设单位的影响。
从风电业主的运营端，这一部分成本控制是很难的。分子里的第二项是绿色防控标志这部分，这部分主要是我们运维成本的限制，这一部分主要是设备厂商和业主单位的影响。在这这一部分，实际上业主单位是可以发挥很大作用。最后一项主要是我们这些资产的一个残值，这部分其实可以忽略不计，第一分母这一项往往是容易被大家忽略的，分母这一项实际上是我们发电量的限制，主要受设备厂商的发电性能及业主单位的运维水平的影响。
从整个业主资产管理运维端来考虑的话，实际上我们真正能掌控的主要是绿框框的两个项目，也就是我们的运维成本以及我们的发电量限制，特别是发电量这些，因为我们一旦提升发电量，实际上把整个的成本全部谈利益。
我们现在节能风电其实从19年开始就开始做数字化在资产管理中应用的一些探索和尝试。我们的主要目标实际上是降低运营期间的度电成本，我们采用的手段其实主要是数字化的方式，我们对资产管理的目标进行了一个拆解，主要分为收入和成本两部分，进一步因为把收入做的拆解，包括电量和电价等部分，它的电量同时还可以继续往下拆，拆成我们的实发电量和潜在电量。实发电量可以简单的理解为我们每一个电站的实际上电量，潜在电量实际上是因为我们各种各样的原因，我们场站有能力发，但却没有发出来的电。具体的原因包括电网的限电，包括我们的计划性维护，包括我们的故障停机，因为气候原因造成的受累停机，以及我们风机发电性能损失带来的这些影响。
第二个部分主要是电价，包括这个保障性收购的电价，中长期交易的电价和这个信托交易的电，随着电力市场改革的不断深入，中长期和现货的这一部分在电价构成中的占比会越来越高。第二个大的部分是成本，我们把成本拆解了4项，包括这个固定资产折旧，我们生产运维期的成本以及人工成本和其他一些低质耗品。从我们公司2019年的数据来看，固定资产折旧大概占了78%，剩余成本加人工成本大概占了19%，其他的大概占了3%。在生产运营成本这一端，我们所掌控的主要包括技改，大部件的备品备件损耗，以及各种各样的技术服务。
那么归结来看其实是我们要抓的，就是这张图里红框和绿框这两个主要的部分。第一个部分要解决的问题是电都去哪了，我们通过什么样的手段才能把我们丢掉的这些电找回来？那也就是冲着我们度电成本里的那个分母去。
那么绿方的这一部分主要回答的问题是钱都花哪了？怎么能省下来？这一部分主要是面对我们这个热电成本的公式里分子的第二个小区。归结起来这两个问题不管是电都去哪了，怎么找回来，还是钱都花哪了，怎么省下来，其实本质上都是一个量化的问题，所以我们选择了数字化的方法，我们通过这个风电机组运维数据的多维度的探索，我们提出了包括发电水平、可利用率、机械化管理、设备可靠性、维修能力等等5大类14类的指标，然后通过对故障情况的分析，通过对功率曲线的分析，把我们的故障停机损失和性能损失全都找回来，提升我们风电场发电量，我们可以通过数字化的手段，对我们整个公司系统的损失电量情况进行一个分解，大家可以看到这张图表实际上是我们公司在2020年1~7月份损电量的一个拆分，可以拆分到各个区域，各个风电场分解成限电造成的损失，计划经济下造成的损失，故障停机造成的损失，以及受累停机造成的损失等等，可以很明确的看到我们每一个电站它的损失电量都是由什么原因造成的，以便我们在针对每一个电站的不同情况，抓住其中的重点问题去做解决。
我们一直以来都认为数字化的事其实在基础上确实有一些难度，但更重要的其实是理念视角的变革。所以我们在故障停机这块更多的想跟大家分享的是我们处理问题的理念。因为故障停机对于我们风电场的损失，一定是我们在运维端第一个能抓住的重点。
我们采用的方式主要是从风机和故障两个视角来看我们的故障风机。给大家举个例子，这是我们在张北区域的一个电站，我们针对这台电站里面所有的风险机组，它的故障停机时间和故障停机频次会有一个分析，这张图里的每一个柱状其实都代表着一台风机，从这张图里大家可以很明确的看到，这块供电厂虽然整体的可用率没有达到我们的预期目标，但实际上它的主要问题大概只存在故障损失较多的前六七台风机上，实际上我们在这个全场67台风机中解决了六七台风机，大概10%左右的这个风机数量的问题，就能让我们整个风电场的功率有一个大幅度的提升。这是我们从风电机组的视角去看待我们的故障停机损失。另外一个视角，我们是从故障的角度去看待我们整个故障停机损失，还是这个电站，我们把这个故障分成不同的类型，我们可以很明确的看到，不管从故障停机时间上还是故障停机频次上，其实发电机故障变桨故障和变频器的故障，都占到了整个风电场故障停机时间和故障停机频次的主要部分。
实际上我们在对这个风电场进行检修和技改的时候，我们应该来抓住主要的故障问题，也就是发电机变频变桨，和主要的那几台故障量停机时间很长的风机，这样的话我们就能很有效的去解决我们故障停机时间长的问题，不用花费特别高昂的代价，针对全场的风机进行分析和解决。
除了故障停机之外，我们能找到另外一个大头就是我们发电性能异常造成的损失。在这里可以给大家举两个例，大家可以看到左边这两张图实际上是我们在内蒙地区的一个风电场，我们通过分析发现这个风电场全场风机都存在一个异常的问题，就是风电机组在这个风速12米以上的时候，没有办法实现满发，它这个功率权的散点一下子就掉下来。后来我们通过分析发现是变桨控制策略存在一些问题，实际上解决这个问题只需要在边角控制策略做一些升级，调整几个重要的参数就能解决。这个问题实际上在我们整个质保期5年的时间里，那么造成了大概3,000万度到4,000万度的电量损失，直接的经济损失大概在2,000万左右。过去人员没有手段发现不了这个问题，才造成了这么大量的数据。右边的这三张图实际上是我们在新疆的一个风电场，主控程序进行升级之后，我们发现功率曲线的爬升段明显要优于升级之前的。也就是说通过主控程序的升级，实际上我风电的风机的处理能力得到了极大的提升，这也是我们通过数据分析来发现的问题。也就是说实际上我们限电厂的很多风机还是在发电性能上还是存在很多可挖掘的空间的，这就是我们通过数据对技改进行了一个分析，这个风电场的利用实际上是我们甘肃的一个特许权的风电场。这个风电场在故障停机上最明显的问题，就是由于变频器本身的问题，造成了故障停机频率和故障停机时长特别长。当然我们针对这个风电场所有的风机的变频器的故障停机时间和故障停机频次做了系统的分析，我们发现实际上造成导致全场停机时间比较长的主要是前面十几台风机的变频器的故障造成的。所以我们在优化技改方案的时候，我们提出只需要对全场故障停机时间，排名靠前的十几台风机的变频器进行改造和替换，就能解决全场80%的故障停机时间问题。也就是说如果我们不做分析的话，我们可能会盲目的把全场所有的变频器进行改造，这个时候我们花费的费用可能是2,000万到3,000万。如果我们经过分析之后，我们抓住了重点去解决前面十几台风机的问题，那么花费的金额大概只有300万到400万，但实际上我们就能解决80%的问题。我们花300万到400万解决80%的问题，和我们花2,000万到3,000万解决100%的问题。这个经济性是不言而喻的，这个决策我觉得并不难做，这都是由通过数字化，通过深入的数据挖掘所产生的价值。最后我们也对整个的数字化驱动的资产管理路径做了一个梳理，其中包括对业务的理解，对数据的标准化清洗，通过数据的多维度探索，实现数据可视化，进而对数据进行建模，通过模型的应用和优化来让我的风电场更好的实现提质增效。
但这里面其实也有一些痛点，目前我们感受到最大的痛点就是我们从业主的来看，不同的这个设备厂商在数据格式，数据物理含义，采集的频率上都存在差异，不同统一的标准。所以我们为了开展数据分析，我们需要花费巨大的精力在数据治理上，所以我们也特别希望或一些平台，通过一些机构，通过一些协会能够不停的倡议和呼吁，希望大家在行业里推动大家一起想想办法，我们制定一些跟数据标准化相关的标准。
因为我们通过这么长时间的实践，我们认为整个数据的分析和挖掘是在资产运营端降低风电输电成本的最佳方式之一。
三、对于风电资管的技术探索及展望
我所分享的第三部分主要是对我们这个通过我们自己近年来研究院的一些研发工作形成的一些技术成果，通过这些东西为案例来给大家做一个未来技术发展趋势的简单的展望，这部分不会用太长的时间。
我们其实从这个2019年开始建立研究院，立项了大数据挖掘和机器学习算法这些项目来对风电场进行数据分析的研究，主要的目标是保障我设备的生产安全，降低运营期的度电成本，增加我们的发电量，最终的目标是提升资产的整体质量和效率。
采用的技术路线，第一步是把我们风电场所能收集到的数据全都全面真实准确的收集上来，这些数据，包括我们的设备运行数据，包括我们的监测数据，包括外部的一些包括气象数据、地理数据和电网调度数据等等。
我们采用的技术手段也是目前比较流行的，包括机器学习，甚至一些深度学习的算法，我们在通过这些技术手段来提取海量数据中的特征值，因为大家都知道这个大数据本身的特点就是价值密度比较低，虽然数据量很大，但它的价值密度是比较低的，一定要通过一些机器学习、人工智能的算法来提取其中真正对管理决策有价值的信息。
所以我们通过深度学习和和人工智能的技术手段来提取海量数据中的特征值，其中包括对结构化数据和非结构数据的一些挖掘。最后是通过对这些数据的挖掘，来形成面向于不同应用场景的一些模型，包括故障预警的，包括发电行为状态，发电行为异常状态识别的，真正来对现场的生产经营决策进行指导和帮助。
目前我们开展工作进展情况，主要是已经建立了一个数字化的标准体系，梳理了数据分析的工作流程，也进行了风电场关键数据的一些可视化在探索，进行一些AI的智能分析，已经形成了十几个比较有效的故障预警和发电行为的异常识别的关系。
一些典型案例我会在这里给大家做一个分享。第一个是我们对于风电机组异常状态识别的，我们主要应用的数据是这个风电机组的储量油温的数据，以及风电机组的发电功率，这里面的创新点，我们并没有通过数据本身去识别异常，而是通过数据化成了散点，通过图像识别的方法来识别判断我们风电机组运行的一些异常，我们现在这个模型的一个综合准确率基本上可以做到98%以上。
第二个比较有特点的模型是我们这个叶片结冰的识别模型，因为我们现在在建立一些在建和在运营的一些风电厂，有一些南方的山地风电场海拔很高，高湿的时候会产生桨叶结冰的情况。
过去我们发现检验结冰的时候，主要是发通过目测发现桨叶结冰之后，我们一般为了安全起见，我们会把整个一条线的风机都停机，但实际上我们每台风机的结冰程度是不一样，整条线的停机实际上会给我们的发电造成一些损失，所以我们通过数据的方法识别风机是否发生了桨叶结冰，以及发生桨叶结冰的严重程度。
我们根据严重程度的判断来给出一个意见建议，风机要不要停机。这样的话在南方的山地风电场，在桨叶结冰的气候条件下，我们就能精准的去判断哪台风机可以停，哪台风机要停，哪台风机不要停，改变我们过去的批量经济的生产方式，这样的话即使在这个温度不适宜风力发电的时候，温度环境不适于风力发电的时候，我们也能够抢发一部分电量出来。
第三个这个齿轮箱异常状态识别模型主要也是基于温度的，在这里我就不再做过多的赘述了，还有风电机组的温度异常识别，因为风电机组里温度传感器的数量是最多的，所以我们采用了齿轮箱发电机的轴承温度，齿轮箱油温各种各样的SCADA的温度特点，经常识别使用持续预测的方法和xgboost的回归算法，就对温度的变量进行特征测点的回归，通过计算预测值与实际值的差值和自适应的预知判断，来判断风电机组温度的异常状态。
这个要分享的模型实际上是我们风电机组的对冲偏差的识别。现在风电厂在技改的时候，有一个非常主要的技改方向，就是增功效的技改，主要方法是把与原来一些这个叶片比较短的机组，通过更换更长的叶片或叶片加长的方式来实现这个能力的提升，但在做这个改善提升之前，可能很多时候我们都忽略了风电机组因为对风不准的问题，实际上它本身的发电潜能并没有被挖掘到最大，所以我们研发了这个风电对中偏差的模型，我们通过极值寻优的算法，能够识别对方有偏差的机组，然后通过人工上去做检查和校正，来把现在没有做改造的机组，潜在的发电性能挖掘出来。
因为我们认为潜在性能没有被挖掘出来，就盲目的去做叶片加长的技改的话，实际上有一点本末倒置。这个模型是风电一组的限电识别模型，因为我们在做这个功率曲线散点的异常分析的时候，大家比较苦恼的一个问题是，在这个理论的正常的情况下，经常会有各种各样的散点。在非人员散点分布的时候，我们主要的要做的一件事就是把电网限电的这些散点去剔除掉，这样我们才能把这些剩下的因为风电机组异常所造成的功率散点留下来，真正去做分析和挖掘。所以我们就开发了这么一个模型，去剔除风电机组限电所造成的这些散点，把这些风电机组异常状态所形成这些情况下来供我们去分析和挖掘。
后面的这些是一些应用案例，包括我们把模型应用在风电机组发电系统的提升上，应用在技术改造项目的决策上，应用在风电场出质保验收上等等。最后我们认为大数据与人工智能跟风电的结合，实际上提升风电场运营期间资产管理阶段效益的一个非常有效的方法。
我们通过这个风电场的精细化管理，通过安全生产的管理，通过风电场资产质量的提升，能够让我们在整个电力市场里有更高的竞争力。我们认为大数据与人工智能技术与互联网相似，属于通用的底层技术，结合我们风电的业务可以带来赋能的倍增乘数效应。