人工智能在風電場網絡技術中的應用研究

梁 亮，麥 韜

（華能江西清潔能源有限責任公司，江西 南昌 330000）

0 引 言

在我國經濟建設高速發展的大背景下，城市生活以及工農業生產對電能的需求量不斷增加，傳統以不可再生資源為主的火力發電技術面臨著資源枯竭和環境污染等問題。因此，迫切需要尋求一種環保、穩定且可靠的可再生能源予以補充。風力發電等其他形式的可再生能源大規模接入電網，有效地幫助了我國電網系統的快速發展，作為一種清潔、低成本以及分布廣泛的資源，風電技術發展較為成熟，建設規模也在不斷擴大。國家經濟建設、社會發展以及人門的日常生活對電能的依賴性越來越高，大規模風電接入電網對電力系統的運行提出了新的挑戰。風電雖然具有清潔和可再生的特點，但是受風速和季節等因素的影響波動性較大。隨著風電場在電網系統中的比重越來越大，風電場間歇性和波動性對電能質量的影響越來越明顯。因此，需要借助人工智能系統及時調整電能功率，保證電能質量。

1 風力發電的技術特點

隨著我國電力事業的不斷發展，風力發電成為重要的發電模式，是對傳統發電的有力補充，是一種清潔能源，但容易受到諸多因素影響。如何在影響因素的分析中構建人工智能風電控制系統是提高風力發電效能的重要保障。因此，從風力發電的特點出發，立足風力發電的影響因素，就風力發電進行系統分析與認識，為人工智能應用探究提供理論依據[1]。

1.1 風力發展的技術特點

風是環繞地球大氣層中的空氣流動，流動空氣所具有的能量稱之為風能。風電技術作為環保清潔能源，是目前最具潛力的發電技術之一。我國有非常豐富的風能資源，并且已經將發展風電技術作為調整能源結構和發展低碳環保經濟的重要舉措。我國風電技術研究雖然起步較晚，但是經過不斷的努力，目前已經取得了長足進展。風電裝機容量不斷擴大，風電設備制造競爭力也有顯著提高。由此可見，我國風電技術發展潛力巨大，并且在能源供應中的作用也越來越重要。

1.2 影響風電機組輸出功率的因素

風電場通常會有數量眾多的風電機組，風電機組利用風輪吸收風能。影響風電場風能質量的因素主要包括風速、風向以及溫度。通過風電機組獲得風功率的計算公式可以得出，風電機組的輸出功率和風速成正比。而風速又是一個隨機性較大的物理量，會伴隨時間和季節的變化而發生變化，利用測風設備可以有效獲得一個特定時間內的風速數值，然后通過多次測量，可計算出平均值。風速出現的任何變化都會直接影響風電機組的輸出功率，因此需要深入研究風速分布和變化因素[2]。由于上風向的風電機組尾流對下風向風電機組的影響，使得下風向風電機組捕獲的風能減少，風電機組的出風力也相應降低。相同的風速下對應的風機組功率也具有一定的差異，其差異主要取決于風電機組和風向的位置關系。當風電機組迎接正面風向時輸出功率最大，如果風向偏離風電機組，風能無法被風輪全部吸收則會影響風電機組的輸出功率。此外，溫度、濕度以及空氣壓強等因素也是影響風電機組輸出功率的重要因素。隨著溫度、濕度以及空氣壓強的變化，也會相應的改變風電機組的輸出功率[3-5]。風功率密度等級對應不同高度時的風功率密度、年平均風速參考值以及應用于并網風力發電的效果如表1所示。

表1 風功率密度等級的相關內容

2 人工智能在風電場網絡技術中的應用

人工智能是以實現人造智能活動為目的的技術與應用。借助計算機技術模擬人腦，幫助處理大量的數據信息，并且具有自學習和自適應功能。人工智能在風電場網絡技術應用中的結構要素如圖1所示。由此可知，人工智能可以對人腦或者神經網絡進行抽象建模，通過多個信息處理單元彼此相互連接的形式形成計算機系統，具有分布式存儲、容錯、自學習、自組織以及自適應的能力，可以實現聯想記憶、非線性映射、分類識別、優化計算以及知識處理等功能[6,7]。現階段，人工智能在風電場中的應用主要集中在網絡構架、神經網絡以及啟發式搜索3個部分。下面深入分析人工智能在風電網絡技術中的應用。

圖1 人工智能在風電網絡技術中的結構要素

2.1 人工智能網絡構架，實現遠程智能調度

人工智能在風電場網絡技術中的應用主要是完成風電機組的啟動并建立智能化網絡構架。全方位統一化地設計風電場人工智能網絡構架，對于安全、有序且快速的電網自愈具有十分重要的理論意義和實用價值。合理有效的機組恢復方案能夠充分考慮恢復過程中的多種影響因素，在大停電發生后有效指導調度人員，完成機組恢復的同時構建骨干網架。充分利用人工智能技術優化電力通信系統，在線智能進行風電機組的恢復決策，有效應對風電機組輸出功率不穩定的情況。對于停電風險更大的高比例風電系統，可以通過網絡通信的方式在線指導大規模風電場與傳統機組的恢復，利用風速條件較好的風電場促進恢復進程。

人工智能在風電場網絡技術中應用，需要進一步優化設計骨干網架重構機組，恢復在線智能決策。利用偏好多目標優化、進化計算、深度學習、強化學習以及蒙特卡洛樹搜索等人工智能技術，構建了從恢復方案制定到在線恢復決策再到考慮風功率參與機組恢復的全方面機組恢復智能決策優化體系。整合機組恢復相關的多方面影響因素，提出一種基于偏好多目標優化的機組恢復方法，用于優化制定機組恢復方案，從機組、網架以及負荷3個電力系統基本要素出發，提出將系統總發電能力、線路平均重要度以及骨干網架內重要負荷百分比作為機組恢復評價指標。綜合考慮多個優化目標和約束并依據對于不同目標的偏好性，建立偏好多目標優化模型。

2.2 神經網絡，實現智能調控預警

神經網絡模擬人體神經系統，有大量的神經元按照特定的方式連接。架構如圖2所示，其中每一個神經元都可以實現數據的傳輸，并通過彼此的連接組合形成了復雜的非線性關系。神經網絡可以將大量的信息隱含在連接權值上，通過調節權值使神經網絡形成復雜的非線性映射。神經網絡快速的應激性和高效的處理能力，被廣泛應用于電力系統的實時控制、維護以及診斷中。為應對停電后系統初始狀態和機組恢復過程的不確定性，在神經網絡基礎上建立包含離線準備工作和在線決策的機組在線恢復框架。通過逐步決策將要恢復的輸電線路完成風電機組恢復，并形成骨干網架。提出機組恢復效率評價指標用于指引決策過程，引入神經網絡進行機組恢復在線決策，并提出改進的上限置信區間算法、剪枝技術以及基于估值網絡的模擬技術，有效提高對下一步將要恢復線路的搜索效率。此外，進一步采用并行計算，保證風電機組恢復決策的在線實現。

圖2 神經網絡架構圖

神經網絡是一種理想的機組恢復數據學習訓練算法。基于改進的上限置信區間算法、剪枝技術以及估值網絡的蒙特卡羅樹搜索（MCTS）算法的搜索效率明顯提高，可靠地保證了機組恢復決策的在線實現。所提方法能夠自動應對恢復過程中可能存在的線路恢復時間與預設值不符以及線路恢復失敗等不確定情況，并且所得方案比離線方法所得方案具有更高的魯棒性[8]。提出一種基于實時系統狀況和風功率預測信息考慮風電場參與的機組恢復在線決策方法，逐步決策將要恢復的輸電線路，在線輔助調度員完成風電場與常規機組的恢復。

2.3 啟發式搜索，實現風功效控制

啟發式搜索（Heuristically Search）又稱為有信息搜索（Informed Search）。它是利用問題擁有的啟發信息來引導搜索，達到減少搜索范圍和降低問題復雜度的目的。運用啟發式搜索技術能夠提升算法的搜索效率。為保證恢復期間系統的有功平衡，采用模型預測控制方法控制風功率，提出滾動優化模型，基于實時狀態和預測信息優化已恢復風電場的有功出力[9]。

3 結 論

我國豐富的風能資源，給風電技術的發展奠定了重要的基礎。近年來，隨著科學技術的日新月異，人工智能在風電場的應用越來越普遍，通過人工智能和神經網絡技術可以解決風電場實際運行中的問題，提升電網系統運行的安全性和可靠性。此外，隨著智能化電網建設的不斷深入，數據輸出量不斷增加，管理的復雜性和多變性促使未來人工智能成為電網管理系統的核心，為人工智能解決未來電網系統中的各種問題提供了廣闊前景。