人工智能技術在風力發電領域的應用

馬小軍

摘 要：隨著我國經濟建設的快速發展，我國各行業發展迅速，對于基礎能源的需求與日俱增。我國科學技術不斷發展，人工智能技術是科學技術進步的優秀產物，被廣泛應用于各個行業之中，為人們生產生活帶來了極大便利。人工智能技術應用在風力發電領域之中，能夠實現對風力發電集中控制，提升風力發電效率與質量，推動風力發電實現自動化系統控制模式，推動我國風力發電事業朝著技術化、體系化、規范化、現代化的方向深入發展。

關鍵詞：人工智能技術;風力發電領域;應用

引言

近年來，很多先進技術運用到我國各行業的發展進程中，使得我國提前進入現代化科學技術發展階段。人工智能技術作為“第四次科技革命”的重要標志，其具有可以對人的意識、思維信息過程的模擬功能，通過人工智能技術的應用，可以更高效地解決風電技術發展過程中的諸多問題。

1 人工智能的理論分析

人工智能在目前的發展中成為各方面企業家的討論熱點，也成為了考量一個企業發展狀況的有效依據。在大型企業中人工智能的應用較為廣泛，由于企業的規模較大，使用人工智能技術輔助于企業的運轉，極大程度上簡化了企業的業務辦理流程，使得企業快速運轉。人工智能的主要理論依據是基于計算機的發展理論，通過特定的生產策略將計算機的語言識別、處理功能、系統化程序以及圖像識別等相關的功能，實現技術發展。1956年人工智能被Dartmouth提出，廣泛涉及到信息論、控制論、自動化、生物學、心理學、語言學、醫學等多方面領域。而對于智能化的電氣控制中，則是要結合信息的收集以及控制功能實現計算機的智能特點，大力減少勞動力，進而提高員工的工作效率。如：鋁電解生產過程中的自適應控制技術，就是使用了人工智能技術降低企業的時效，根據類似于人類的判斷系統、處理功能系統以及控制系統，加強生產力。

2 人工智能技術應用在風力發電中的必要性、可行性

1.智能化技術應用的必要性，風力屬于可再生資源，我國風力發電行業已經進入了快速發展的成熟階段。使用利用風力發電存在一定問題，例如：間歇性、隨機性以及波動性。不僅會影響風力發電效率，更會影響電網安全，帶來安全隱患，出現電力質量較差的問題。為了能夠有效實現對風力發電波動性、間歇性的控制，保持電網安全發電，需要重視風電設備有功功率的平衡。隨著人們對電力需求不斷增大，電網設備隨著不斷擴大，將人工智能技術應用在風力發電之中，能夠極大提升電網發現效率與質量，提升電網運行安全性。2.智能化技術應用的可行性，風電場節能與其他項目相比存在較大不同，一般都是采用功率控制法對風電機最大功率實現集中管控，能夠提升風電場工作效率與安全性能。數字化是電力設備與人工智能技術應用的前提，當下在風力發電系統之中已經全面應用了數字化技術，為人工智能化技術在風力發電中的應用奠定了堅實的基礎。

3 人工智能技術在風力發電領域的應用

3.1風電功率預測的方法

目前，風電功率預測主要分為物理預測法和統計預測法兩大類。其中物理預測法是通過天氣預報預測出的風速、風向和溫度等氣象數據，與風場周圍的海拔等高線、障礙物和地表粗糙度等地理實地信息，通過數學模型進行計算，之后通過微觀氣象學理論得到風機的輪穀高度風速和風向，利用其進行風電功率預測。物理預測法優點在于不需要歷史數據;缺點是需要輸入準確的天氣預報數據和風場地理信息，需要的參數較多。

3.2神經網絡

神經網絡能夠靈活、有效的進行學習，是具有完全分布式特點的結構，比較適用于一些大規模、并行的信息處理，對于一些非線性的系統，有著非常強的模式識別能力以及建模能力，可對一些復雜的狀態或是過程進行識別以及分類。按照具體情況的不同，當前已有很多種神經網絡結構和具體的訓練算法被應用在實際的風力發電系統中。如應用BP對風力發電系統的短期負荷情況進行預測，在保證擁有充足訓練樣本的情況下對預測的模型進行有效分類，創建出能適應不同季節的日預測和周預測模型，并能對輸入的變量進行準確選擇，尤其是在選擇溫度變量時。此外，應用人工神經網絡以及對元件關聯進行分析能診斷電力系統的故障，制定出多種復雜的診斷方法。這種方式主要將風力發電系統中的元件分成母線、變壓器和線路三種，對每個種類的元件都有特定的ANN處理報警信息，對故障的具體位置進行確定。與ES診斷有著一定不同，ANN主要是通過對現場樣本進行學習和訓練，通過對ANN中的閾值和連接權進行調整，保證獲取的知識能通過隱式的方式分布在整個神經網絡上，實現ANN的模式記憶。由此可見ANN具備非常強大的獲取知識能力，可有效對包含噪聲數據進行處理，有效彌補了ES中的不足之處。由于神經網絡具備良好的快速處理并行信息能力和分類能力，因此被廣泛應用在電力系統中的監測與診斷、實時控制、符合預測以及狀態評估等多個不同的領域。當前，基于神經網絡的短期或是長期復合預測已成為人工智能在風力發電系統中作用最大的一種應用形式。

3.3大數據分析技術的應用

智能感知技術雖然很好，但由于需要額外增加傳感器，成本偏高且擴展性不足。風力發電機的數據量是相當可觀，一個大型風力發電公司管理的風機高達上千臺甚至近萬臺，年產生的數據量都在TB級別以上。因此如果不增加額外的傳感設備，可利用新的大數據技術，采集和存儲機組數據，通過機器學習、深度學習和自然語言處理等人工智能分析方法，對風機生產運行數據進行挖掘分析，實現設備運行低效分析、亞健康問題預警分析，預防風電機組的關鍵部件問題，減少電量損失，必將成為了新的熱門應用方向。

3.4人工神經網絡技術的應用

人工神經網絡技術屬于一種具有先進性的信息技術，發展速度較快，在智能領域已經獲取良好的成就。該技術是一種非線性、自適應數據處理技術，在風力發電控制系統中具有良好的應用價值。人工神經網絡有較強的抗逆能力，在容錯能力方面相比其他技術有著良好的表現。對風力發電而言，風速、風向并不是固定不變的，要想精準預測風速，就需要關注預測方式的應用，進一步明確預測周期和地點。在具體實踐中，可以利用時間序列神經網絡精準預測風速，還可以將人工神經網絡技術和小波分析技術結合起來，預測風力發電的功率。可以在應用人工神經網絡技術之前，借助神經網絡估計風速，這樣能夠提升系統動態化性能，就算后期風速發生巨大變化，系統依舊能夠實現穩定性運行。同時，在對風力發電機組進行研究的過程中，變槳距系統也是一個關鍵的系統，可以借助神經網絡控制變槳距，進而解決變槳距參數的時變性和滯后性的問題。另外，為了獲取更多的風能，還可以重新構建發電機組預測模型，將其應用于人工神經網絡控制器，利用BP算法、遺傳算法等，提出新的神經網絡算法。該算法可以應用于風力發電機組故障診斷，能夠解決故障問題，提升系統運行的穩定性。

4 結語

風力發電領域關系著社會是否能夠實現可持續發展，為社會發展提供能源支持。人工智能技術應用到風力發電領域之中，能夠實現對風力發電機組的實時監控，提升風力發電的效率與質量，構建完備的風力發電智能化管控系統，推動我國風力發電行業實現穩健的長久發展。

參考文獻：

[1]彭華東，陳曉清，任明等.風電機組故障智能診斷技術及系統研究[J].電網與清潔能源，2011，27（2）：61-66.

[2]程世洪.電網風電智能化運行控制探討[J].中國高新技術企業，2015，（23）：157-158.

[3]武小梅，白銀明，文福拴.基于RBF神經元網絡的風電功率短期預測[J].電力系統保護與控制，2011，39（15）：80-83.

（甘肅中電瓜州風力發電有限公司，甘肅 瓜州 736100）