Flink 在新能源场站运维的应用

2023-07-17
浙江
本文字数：3439 字
阅读完需：约 11 分钟

摘要：本文整理自中南电力设计院工程师、注册测绘师姚远，在 Flink Forward Asia 2022 行业案例专场的分享。本篇内容主要分为四个部分：
建设背景
技术架构
应用落地
后续及其他

一、建设背景

建设背景主要分为宏观背景和场站侧的需求。

上图引用的是 2022 年我国电力发展和改革形势分析报告的统计数据，展示了 2013-2021 年，九年间装机容量的增长百分比。可以看出传统火电和水电的增长已经乏力；核电由于基数较少基本处于平稳发展；而新能源电站，特别是风电站和光伏电站经过多年的建设，在维持较高增长率的同时，很多电站已经进入存量运维的阶段。随着时间推移，设备老化等运维问题逐渐增加。

从发电设备的日平均利用小时数来看，风电和光伏的日平均可利用小时数都维持在一天五个小时左右，这还是综合了全年的数据进行的平均计算。如果单看某一段时期，利用小时数会更低，对整个电网的稳定运行是特别不利的，主要是因为风电和光伏严重依赖自然条件进行发电。所以，针对场站，在自然条件允许的情况下，确保风电和光伏的满负荷运转，是运维考虑的首要问题。

从场站侧来看，我们在系统建设上的主要出发点有以下三点：

刚才所描述的设备，在风光可利用窗口期内，尽可能多发电是首要的目的。
希望合理减少人工的运维投入，更多进行自动化的运转。
能预测风光的强度，也就能大概预测发电量，对并网运行和电力市场的现货交易情况都有很大用处。

二、技术架构

2.1 整体架构

从上图抽象的简单处理架构可以看出，我们把核心系统分为了三个部分，分别是采集、处理、服务。

采集：利用物联网的子系统，适配各种采集协议，进行数据采集。更多的是电力行业相关的专有协议，经过简单的处理后推送到处理系统。
处理：包含了整个 Flink 流处理在内的整套处理分析、存储中心。
服务：利用处理之后的数据，结合业务系统的数据进行对外服务。

2.2 “分布式”系统

通常意义上的分布式系统，可能就是系统分布在各个节点里进行协同的交互。但由于我们现场场站的限制，我们的分布节点之间不能进行直接通讯。按照标准要求会进行设备隔离的分区，它利用硬件将系统中设备进行了物理分区，网络是独立的，但它又没有完全阻挡数据的交互，它可以通过特殊装置进行数据交换，物理隔离装置就起到了这个作用。我们的系统采用的是单向隔离，数据只从分区到主系统分区进行单向的数据传输。

三、应用落地

3.1 隔离分区处理

时间问题可能是分布式系统大家都会碰到的常见问题，在我们的系统里这个问题也比较突出。传感器的数量较多，而且传感器的数值对系统的运作还很重要。因为系统处于受限的网络环境中，高精度在线授时无法进行请求，软件授时精度及可靠性也无法得到保证。同时，我们采用流处理模式处理时间的问题，很难进行数据的清洗，剔除又会降低数据的可用率。

最开始我们的思路是采用清洗的办法来处理，但处理难度太大，我们就换了个思路。我们在隔离分区内部加上了北斗授时装置，这样分区内的高精度授时传感器都从授时装置中获取高精度的时间。当传感器的数据到达处理系统时，绝大部分时间都可以确保是正常的，极少量的异常数据也是在可容忍的范围内。

通常空间和时间是相伴的问题，特别是风机，它的运作和摆头式的电风扇很类似，叶片绕电机的轴转动，电机又绕基座转动，但风机的转动频率可能会比电风扇低很多。这个问题如果在游戏里，它就是相对坐标和矩阵运算的问题。

在我们的系统里，我们希望所有组件都可以，以统一的坐标进行展示。简单来说就是，给定一个时刻场站所有运行风机的瞬时状态位置，可以在一张图里反馈出来，不需要再进行一些复杂的矩阵或者空间运算。

处理方式是，传感器的数据在进入系统后，匹配塔基的基础数据，然后基于统一的坐标框架，把瞬时姿态信息求解，之后就会落库到时序数据库里进行存储。

传感器的数据预处理和清洗是数据利用的基础。

在预处理上，不少传感器数据在设计时，为了数据的高效和快速传输，会进行一定的计算或者合并处理。在预处理过程中就需要根据传感器的元数据定义，还原数据的真实含义值，最后进行测试和分析。

在数据清理上，我们主要用来处理时间标注、值的跳变、数据量缺失，进行补充差值。

在数据架构部分，我们介绍了网络的隔离状况，它无法利用 tcp 进行数据交互，只能通过文件的方式进行数据传输。基于这个方式，我们利用了增量同步的思路，将数据加上指标后序列化到小文件里，在主服务端循环监测数据文件的变化情况。

有新的文件到达系统之后立即进行反序列化，解析到消息队列中进行后续处理。在整个过程中，数据其实会存在一定延迟，但数据交换的频率足够高，影响不是特别大。

3.2 主系统区处理

在主系统分区里，不仅包含了很多传感器数据，还包含了业务系统数据、与传感器有关联的设备的详细信息、传感器所组成的主设备的详细信息。在这里，可以利用系统之间的数据进行合并分析，掌握设备全体的状态信息。根据我们的划分，我们将按照聚合差值、推导进行数据的拼装合并，然后也会按照比值、差值、时间进行统计。

下面以一个设备的数据整合为例说明一下。

通常一个设备它有上千个传感器，它每个传感器获取的都是单一的测点信息，且每个传感器获取的采样频率不一致。那么设备的瞬时状态和整体的情况是如何的分析的呢？

这个问题就和盲人摸象的故事一样，即使我们上了很多监测手段，但每个监测手段都是独立的。我们真正需要的是，可以整合所有问题，然后告诉我们这个设备的状态是否正常。

针对设备的瞬时状态，我们处理的思路是，根据设备传感器的分组，确定它是属于计量、控制还是监测。当新的测点数据到达系统后，我们利用属性信息将传感器的分组进行整合运算。在运算状态里，我们会来维持设备本身的传感器信息的分组、运算函数、运算函数所需要的前置信息。

当新的数据进入系统后，我们会进行状态值的更新。而瞬时状态值的计算是定时根据传感器值和拟合函数计算得到。这些拟合函数用的比较多的，包含一次函数、二次函数、分段函数、反比例函数、对数函数等。最终这些设备的瞬时状态会通过异步的形式落库。

接下来我们来看一下长时间维度的整体情况。

按照五分钟或者一个小时的情况统计，处理过程其实是类似的。不同的是计算过程及函数方法的差异，对应的结果会进入其他的系统进行综合的分析和利用。

单一的设备处理介绍，基本上就是上述思路。更上一层，可能涉及到设备之间和场站之间的信息。主要包括遥测数据、峰谷差数据、电镀统计数据、停运数据。他们的整体统计情况，我们主要通过一些聚合运算来完成。

还记得我们在最开始的时候，我们提到了风光严重靠天吃饭的问题。气象就是天的核心，准确的预测气象是非常重要的研究内容。

当前主流的方法是进行物理模型的创建，然后进行气象模拟，但它的专业度高，复杂度也高。所以我们想尝试通过将场站几年的历史数据进行拟合，不断迭代分析完善，进行大概的预测。利用文献资料，我们选取了自适应滤波法和平稳时间序列模型，在 Flink 里进行实现。然后根据历史数据和传感器当前的实时数据进行迭代分析。

效果其实不是特别理想，也没有想到更好的解决办法。后续我们可能还会借助建模的方式进行场站范围内微气象的建模，进行分析和预测。

四、后续及其他

4.1 后续

在气象预测方面，如果一条路不太通顺，我们可能会换种思路进一步尝试。

在辅助传感器的应用方面，无论是我们还是业界，基于传感器数据的综合使用分析，还属于浅层利用，离智能化的路还比较长。

在管理融合方面，结合现场的实际需求，真正的让传感器发挥效应，是很值得挖掘的。另外运维现状，新的系统在不断建设，系统之间也没有打通。后续将构想以处理中心的办法来驱动技术和管理应用的结合。

4.2 总结

首先，在专业度上，我们属于跨越不同行业进行融合，在广度而非深度上进行 Flink 利用，很少会动底层实现的能力；其次，对能稳定运行且不干扰其他业务系统的运转，我们将会降低应用程序设计的复杂度，从而达到减少出错率的目的；最后，我们考虑更多的是，通过软硬件结合来协同处理问题。比如时间问题，Flink 处理起来可能会比较困难，我们就会引入硬件来解决这个问题。问题可能在系统之内，但是解决的办法可能在软件系统之外。软硬件结合，其实我们的批处理和流处理也是分开的系统。后续我们可能也会考虑在批流合一方面进行一些尝试。