智能化光伏电站运维面临困局 如何改进？

    光伏电站的建设期在半年左右，而运维期长达25年之久。如今，电站运维从依靠人员值守、电站巡检（传统运维），开始向数据分析、智能检测（智能运维）转变。

    随着光伏电站规模高速增长，其后期运维市场也在不断扩大，电站运维方式不断更新，运维效率持续提高。

    相较于传统的运维人员无法及时发现问题，对电站设备不能进行精准维护这些问题，智能电站通过大数据、云计算等新技术对电站设备实时监控，数据分析，可以在第一时间内发现问题，大幅度提高了光伏电站的发电效率。

    在市场需求与技术趋势的共同作用之下，智能化运维光伏电站已经站上风口。国内不少光伏企业已经闻风而动，开始抢占智能运维市场。例如率先开展智能运维服务的北京金鸿泰科技有限公司，就结合了线上大数据、云计算等先进的智能诊断技术和线下专业的检测、运维团队，推出了光伏电站群综合监控运行管理系统。该系统形成了有技术支撑的智能化运维，实现了光伏电站的建设可控化、管理精细化、运维集控化、站端少人化、决策数字化以及发电潜力最大化。

    2017年11月23日，第二届光伏发电运营及后服务研讨会在北京召开。会议上，青岛萨纳斯新能源科技有限公司（以下简称“萨纳斯”）总经理耿文强，黄河上游水电开发有限责任公司海南新能源发电部副总经理刘启栋作为嘉宾，对智能电站运维内容展开了精彩对话。

    智能电站运维蓬勃兴起

    光伏电站运维是太阳能发电系统运行维护的简称，以系统安全为基础，通过预防性维护以及定期的设备性能测试等手段，对电站进行科学管理。确保整个光伏发电系统安全、稳定、高效运行，保证投资者的收益汇报，同时也是电站交易、再融资的基础。

    智能电站运维基于大数据、云计算等技术，通过软件开发系统，对光伏电站实施线上数据监控、线下专业管理运维。例如：萨纳斯借助大数据平台与运维管理系统，依托大数据Spark架构的分布式处理思想，实现人财物联动，对于故障恢复各环节进行后评价支撑，保障故障修复的及时率。精准分类、评价，各个环节处理时间周期，各个环节损失电量，对各个环节工作效率进行量化。

    对此，耿文强举例：“巴彦淖尔电站以组串级修复为例，基于组串实时预警精细化分析，将故障从发生到恢复的时间进行分解，将故障恢复的责任及故障监督重点放在占用时间上；耽误故障恢复时间最长的部门，通过采取有针对性合理措施，缩短故障恢复时间。通过故障数据平台，展现各部门处理时长，提高部门协同处理故障能力，缩短故障恢复时长约7%，使得故障损失发电量相应减少2%左右”。

    刘启栋表示，“光伏发电项目规模越来越大，电站巡检工作的复杂性也逐渐增强，在此种类型电站项目进行巡检工作时，常规的人工巡检方式不仅需要耗费大量人工及时间成本，同时巡检人员也存在一定的危险性，导致电站设备巡检不及时”。

    眼下仍存在缺点

    尽管智能电站运维能够提高光伏电站的发电效率，但也有其自身弊端。甚至可以说，在光伏电站快速发展的背景下，我们不应该过于依赖高新技术，应当与线下运维人员相结合，实现光伏电站运维监测效果最大化。

    耿文强表示，虽然25年的电站维护期，数字化、智能化被认为是最高效的运营手段。然而从目前的行业现状来看，在效率提升方面并不明显，且实际利用率比较低，不能很好地进行运维指导。

    他指出，当下，智能电站运维存在以下几点问题：“智能电站运维存在数据匹配度低，（其中包括：稳定性、有效性、数据量）；电站的应用率低，无形增加运维人员的工作量、信息不匹配、重复内容多；提升效果不明显，智能电站运维展示性强、实用率较低。”

    刘启栋表示，“智能电站运维从导航到缺陷报警通过软件设置比较容易做到，但现场的维护还需要人员处理；比如，保险熔断的更换，电池组件的遮挡，碎片丢失等状况，更加需要工作人员实际操作。”

    如何改进？

    进一步完善智能电站运维，光伏电站的发电效率才能更大化。

    对此，耿文强提出几点建议：

    1.数字化电站需要统一标准；从设备端、采集端、精度端形成统一，其中包括发电效率、设备对比、电站对比、人员配备、电站损耗等标准的制定。

    2.电站数据需要进一步增加透明度；通过统计数据信息、发电信息、运行信息以及故障等信息与现场勘测检测数据及时反馈到集控平台，发现故障可以迅速给予指导。

    3.设备预警体系需要进一步提高效率；人工巡检转变为系统自动判断，准确、及时发现故障，确保整个电站无隐蔽性故障，实现电站无死角运维。

    4.将历史数据与实时数据进行互联；对历史数据积累分析，对实时数据提取筛选，存储在大型数据库中，形成经验和案例库，为运营服务作支撑，让数字化指导精细化运维。

    耿文强补充道，数字化应该与实际电站运营相结合，通过软件开发确保数字化实施，并对运营的现场实施长期监盘跟踪，将有关运维中的痛点问题通过数据挖掘出来，有效引导管控。