风电场寿命如何有效管理？这是风电场运营商非常关心的一个问题。用什么样的方法，可以解决风机不同零部件LoadsPredict的可靠性问题？机器学习预测+实测数据相结合，也许可以给我们提供一个新的思路。
在介绍机器学习之前，我们了解一下神经网络的意义。神经网络能够确定被测量之间复杂的、非线性的关系和模式，并需要“学习”这些基于初始测试数据库的关系。经过训练后，神经网络可以预测或估计测量信息，并发现潜在的相关性。它不仅可以为风机发电性能和管理部件寿命提供精确的信息，还能更好地实现部件以往性能的确定和未来性能的预测。
机器学习技术和实测数据相结合
有许多解决方案基于风机SCADA数据的虚拟模型来识别部件寿命的预测。实际上，测试会更加可靠和精准。这里说的测试不是识别部件寿命的LoadsPredict，而是对这些部件载荷的真实测量。
固然，真实测试更加可靠和准确，但覆盖风电场每台风机的全生命周期的载荷测试却非常昂贵。如果我们选择某台风机进行短时间测试，然后用机器学习技术建模，从而精准地预测整个风电场所有风机的寿命，将是最可靠和最经济的方法。
LoadsPredict则是这样的一种方式，它以测试为基础，与 WindGEMINI互补，从而提供一条更可靠、经济的解决方案。
图1 载荷测试的应变片
图2 LoadsPredict的web界面（目前该平台只提供英文版本，图片仅供显示使用）
LoadsPredict提供精准的测试
多年来，LoadsPredict已经通过DNV GL的一系列测试数据验证。这些测试表明，只要收集某一台风机30天的测试数据，预测的数据和真实的测试数据有接近3%的偏差（见图3）。另外一些测试表明，这种预测对于相同风电场的其他风机有接近7%的偏差。
图3 LoadsPredict和实测载荷的比较
LoadsPredict操作原理
·短时间的载荷测试（取决于场地情况）
·利用SCADA数据作为输入，训练和验证神经网络模型得到真实的疲劳载荷
·将真实的风机SCADA数据导入到神经网络模型，从而确定真实的疲劳载荷
LoadsPredict的优势
·这种预测是通过真实的风机性能得出。相比仅通过结合理论风机特性和理论场址条件的仿真方法预测，它提供了一个改进的方法选择
·通过部分利用保守载荷安全的裕度和消减，可以产生额外的发电量和发电时间
·在可信任的条件下，这种神经网络模型可以复制到相同风电场的其他风机
LoadsPredict如何运用到你的风电场
·LoadsPredict可以通过一个基于真实测试数据的经济且有效的解决方案，显著地促进功率特性和载荷之间的优化
·风电场业主和运营者为了安全且最有效地运行风电场，需要掌握更好的风机零部件的真实载荷水平的知识
·对载荷缺乏了解会增加资产寿命的不确定风险或者增加维护成本
·“寿命优化比”是衡量风机功率与寿命状态的一个简单而有力的指标
图4 预测误差 vs 测试周期
