EBA：讓電量損失真相大白
　　對于遠景廣靈風電場負責人李海寧來說，EBA 是一個讓他歡喜讓他憂的指標，因為遠景能源對質保期內的風電場每月都要進行 EBA排名與考核，他的績效與此正相關。
　　8 月 19 日這天，遠景能源變槳系統工程師來現場上機測試變槳軟件升級方案，在停哪臺機組的問題上，李海寧“想了又想”才指定了一個風速偏低的機位——李海寧最不情愿停機影響到 EBA 指標，但停機測試正是為了提升這座風電場的 EBA 指標。
　　簡單地說，EBA 是風電機組實際發電量和理論發電量的比值，這是遠景廣靈風電場的關鍵性指標，揭示著整座風電場的發電潛力和電量損失。需要說明的是，基于格林云平臺，就能精準地計算這座風電場的理論發電量——能算且算得準，這是風電場 EBA 的基礎。
　　以 1 月 12 日至 5 月 31 日時段為例，遠景廣靈風電場平均 EBA 為 88%，還有 12% 的電量去哪兒啦？細分析下來發現，損失電量分布在故障檢修損失、故障復位損失、機組技改損失、機組檢查測試損失、機組亞健康損失、機組待命損失、變電線路故障損失、電網限電損失等維度，這般精細的分析讓提升 EBA 有了具體的落點。
　　從本質上看，實施 EBA 就是找回失去的電量。李海寧告訴記者，在格林云平臺上，遠景廣靈風場的日報不是匯報每天做了什么工作，而是回答為什么今天會有這些電量損失？透明的損失電量，讓他明確地知道到哪兒去閉環風電場的損失電量。此前，就是因為李海寧匯報了變槳故障的損失電量，變槳系統工程師在上海總部的辦公室坐不住了，趕緊到廣靈風電場試驗技改方案，防止再次發生變槳故障。
　　在現場，檢修工程師告訴記者，技改方案對風電場 EBA 提升貢獻較大，同樣功不可沒的是大部件健康度管理(PHM) 。
　　在遠景廣靈風電場，風電機組上的關鍵部件不再只有正常與故障兩種狀態，而是細分為五級健康狀態。遠景能源預測性健康度管理算法負責人解釋， “PHM 收集到風機部件的載荷、振動、溫度等數據后，再通過機器自學習的方法將其實際狀況歸位到相應級別的健康度中，當部件出現亞健康時發出告警與維護通知，要求維護人員到現場檢修。 ”
　　由于健康度管理的實施，遠景廣靈風電場大量葉片矯零、發電機對中、螺栓緊固等定期維護工作得以免除，維護工作量從每臺 104 人時減少為 66 人時，而且可以分散在一年中任意時間完成。
　　“狀態維護的變化，不僅僅是實時數據處理后的維護通知，更有歷史數據的積累分析及測試驗證后的結論。 ”上述負責人舉例， “為使塔筒螺栓緊固轉化為狀態維護，技術團隊不僅動用了幾年來 2.X 平臺風機螺栓維護松動的所有數據，還在廣靈風電場的智能風機上貼了大量載荷應變片，建立了螺栓松動與風機受力訓練模型，從而將大半以上螺栓的檢查與緊固時間從 6個月延長到了 18 個月。 ”
　　尤其值得關注的是，遠景廣靈風電場使用了一項有可能取代振動監測系統的新技術——通過自動分析風速、溫度、轉速等普通的機組部件監測數據，就可以識別機組主軸、發電機、齒輪箱等大部件的運行情況，并將其歸類到相應等級的健康度中，提前 3 個月預警失效問題。上述負責人向記者表示， “這項技術可以預知部件全生命周期各個階段的狀態，也就是說預知它失效的時間。”
　　據透露，這項新技術來自機器學習領域的一種算法。上述負責人和他的技術團隊花費近2年時間的研發和驗證，終于將它成功應用在了風電行業，其準確率已達 90%。算出來的先知先覺帶來了運維模式上的進步。
　　事實上，由于“智能風機”和“數據算法” ，遠景廣靈風電場已成為一個能夠感知設備健康度的狀態維護風電場，沒有定期維護小組人員，所有維護工作由 3 名居住在廣靈縣城的移動檢修班人員，在平時小風或故障停機時間內完成。