{
  "code": "16011IN15",
  "factory_name": "ReNew电力拉特拉姆",
  "batch": 11,
  "type": "单一工厂灯塔",
  "country": "印度",
  "city": "拉特拉姆",
  "province": "拉特拉姆",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "新能源 / 风力发电",
  "core_products": "风力发电（清洁电力）、风电场运营与维护（O&M）服务",
  "application_areas": "风电资产运营、风机叶片检测、功率曲线优化、预测性维护、输电线路监测",
  "release_date": "2023年12月",
  "quote": "据 WEF 及公开报道，清洁能源企业 ReNew 在 70 个风电场、10 家 OEM、22 种风机机型上规模化复制 AI 模型——能源产出提升 1.7%、运营成本下降 17%、废物减少 40%、利润提升 20%。",
  "use_cases": [
    {
      "num": "①",
      "title": "ML自动风机叶片检测 核心用例",
      "pain": "⚠️ 痛点：风机叶片长期暴露野外，裂纹、脱胶、雷击等缺陷靠人工巡检效率低、易漏检，停机检测代价高。",
      "idea": "💡 方案：用机器学习 + 机器视觉对叶片进行自动化检测，自动识别缺陷类型、位置与严重度。",
      "steps": "Step 1 — 影像采集：无人机/相机对叶片表面进行高频影像采集 Step 2 — 缺陷标注：构建叶片缺陷样本库，标注裂纹、脱胶等类型 Step 3 — 模型训练：ML 视觉模型自动识别缺陷并做严重度分级 Step 4 — 自动派单：检测结果自动推送至维修工单，闭环消缺",
      "key_data": "📊 核心成效：缺陷识别时间 ↓90%，维护工时 ↓90%",
      "tags": [
        "01.03.02",
        "05.01.02",
        "01.01.05"
      ],
      "tech_descs": [
        "无人机/相机采集叶片影像，机器视觉模型自动识别裂纹、脱胶、雷击等缺陷。",
        "监督学习训练缺陷分类器，输出缺陷类型与位置坐标。",
        "巡检设备将影像与位置数据回传至云端分析平台。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "AI风向标修正系统 核心用例",
      "pain": "⚠️ 痛点：风机风向标长期使用产生偏置误差，导致偏航控制失准、风机不能最优对风、发电效率下降。",
      "idea": "💡 方案：AI 自动识别并校正风向标偏置，修正偏航控制，让风机始终处于最优对风状态。",
      "steps": "Step 1 — 风向数据采集：采集风向标与 SCADA 遥测运行数据 Step 2 — 偏置识别：AI 比对实际风向与功率响应，识别风向标偏置 Step 3 — 自动校正：输出校正量并下发至偏航控制系统 Step 4 — 闭环验证：持续监控功率曲线，验证校正效果",
      "key_data": "📊 核心成效：能源产出 ↑1.7%（支撑发电量提升）",
      "tags": [
        "01.01.03",
        "02.04.03",
        "05.01.01"
      ],
      "tech_descs": [
        "风向标与测风仪采集风向、风速等关键气象数据。",
        "在边缘端计算校正量并自动下发至偏航系统，降低时延。",
        "AI 分析功率-风向响应关系，识别并校正风向标偏置。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "ML风机功率曲线优化 核心用例",
      "pain": "⚠️ 痛点：不同地形、风速、机型下，风机实际功率曲线与理论值存在偏差，发电量未达最优。",
      "idea": "💡 方案：机器学习建立\"风速—功率\"映射模型，优化风机运行参数以逼近最优功率曲线。",
      "steps": "Step 1 — 数据汇聚：整合 SCADA 风速、功率、桨距角等运行数据 Step 2 — 曲线建模：ML 拟合各机型在不同工况下的功率曲线 Step 3 — 参数寻优：识别偏离最优曲线的原因并优化控制参数 Step 4 — 规模复制：模型跨 10 家 OEM、22 种机型泛化应用",
      "key_data": "📊 核心成效：能源产出 ↑1.7%",
      "tags": [
        "05.01.02",
        "05.02.01",
        "03.03.04"
      ],
      "tech_descs": [
        "用回归模型拟合风速与功率的非线性关系，识别发电偏差。",
        "汇聚风速、功率、桨距角等海量运行数据，支撑建模。",
        "在多种约束下求解最优运行参数，提升发电效率。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "ML故障预测系统 核心用例",
      "pain": "⚠️ 痛点：齿轮箱、轴承、发电机等大部件故障多为突发，非计划停机代价高、维修成本大。",
      "idea": "💡 方案：ML 分析振动、温度、油液等信号，提前预测故障，实现预测性维护。",
      "steps": "Step 1 — 状态监测：采集振动、温度、油液等传感器数据 Step 2 — 特征提取：提取时域/频域健康特征 Step 3 — 故障预测：ML 预测剩余寿命与故障概率 Step 4 — 维护调度：按预测结果提前安排维护，避免非计划停机",
      "key_data": "📊 核心成效：非计划维护 ↓78%（全资产 ↓83%）",
      "tags": [
        "05.01.04",
        "08.02.01",
        "02.03.04"
      ],
      "tech_descs": [
        "AI 预测大部件剩余使用寿命，提前预警潜在故障。",
        "从可靠性角度管理资产健康，降低非计划停机。",
        "故障预测与健康管理（PHM）贯穿风机全生命周期。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "输电线路故障早期检测 核心用例",
      "pain": "⚠️ 痛点：输电线路跨越广阔地域，故障定位难、停电影响大。",
      "idea": "💡 方案：结合传感与 ML，对输电线路故障做早期检测并快速定位。",
      "steps": "Step 1 — 线路监测：部署线路传感与数据采集 Step 2 — 异常识别：ML 识别电压/电流/温度异常 Step 3 — 故障定位：定位故障点并判断故障类型 Step 4 — 快速响应：自动派单检修，缩短停电时间",
      "key_data": "📊 核心成效：输电线路故障 ↓66%",
      "tags": [
        "01.01.05",
        "05.02.03",
        "07.03.01"
      ],
      "tech_descs": [
        "在线路关键节点部署传感设备，实时采集电气参数。",
        "流式处理电气信号，实时识别异常波动。",
        "打通发电与电网侧数据，实现端到端故障可观测。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "非计划维护",
      "improvement": "↓78%",
      "domain": "降低 78%",
      "tech": "ML 故障预测减少风机非计划停机"
    },
    {
      "metric": "缺陷识别时间",
      "improvement": "↓90%",
      "domain": "降低 90%",
      "tech": "AI 叶片检测自动识别缺陷"
    },
    {
      "metric": "维护工时",
      "improvement": "↓90%",
      "domain": "降低 90%",
      "tech": "自动化巡检减少人工维护工时"
    },
    {
      "metric": "非计划维护",
      "improvement": "↓83%",
      "domain": "降低 83%",
      "tech": "预测性维护覆盖全资产，进一步降低非计划维护"
    },
    {
      "metric": "输电线路故障",
      "improvement": "↓66%",
      "domain": "降低 66%",
      "tech": "输电线路故障早期检测减少停电"
    }
  ]
}