人工智能技术在风力发电中的运用

国华（江苏）风电有限公司 顾素平

世界各国对能源的需求量不断增加，以火电为主的能源供应模式对生态环境造成严重污染。确保能源供应的充足性、减少环境污染是人类社会发展中面对的共同问题，基于以风能为主要能源的发电形式下产生的新能源技术是处理以上问题的有效方法之一，但该项技术是一种新兴科技手段，在实践应用中一些问题急待处理。人工智能是“科技革命”中形成的重要标志之一，其有仿真模拟个体意识、思维信息过程的能力，合理应用该项技术能使风电技术应用时的很多问题迎刃而解。

人工智能（AI）也被叫做智械、机器智能，是指用人生产制造出的机器产品所呈现出的智能。大部分情况下人工智能即利用常规计算机程序呈现出人类智能、智慧的技术方法。在一般教材内人工智能也被定义成“智能主体的研究与设计”，智能主体为一个能够观察周边环境状态、且能作出相应行动以实现预期目标的系统。AI会牵扯到很多核心问题，包括建设出和人类相似度很高甚至超出的推理、知识、规划学习、沟通、感知、操控机械设备的技能等[1]。思维始源于电脑，思维对个体行为能起到一定调控作用，意志是达成行为需要的基础，思维能收集、梳理所有数据信息，相当于数据库，故而AI有很大概率演变成机器将人类取而代之。

1 人工智能在风力发电领域中的应用

必要性。风力是一种可再生资源，鉴于风电随机性、间断性与波动性特征，造成大范围风电并网可能会影响电网运行安全性，造成出力质量欠佳。风电场在输出功率方面存有随机性特征，为规避其形成的影响，应加大对输出功率内间断性、波动性的调控，重点实现风电装置有功功率的均衡性。规模不断拓展的电网项目对电网设备容量的需求持续增加，可能会降低电网发电效率，合理应用AI技术是提升电网发电效率的有效方法之一。利用基于AI技术建设智能风场并有效应用数据挖掘技术，是使数据信息安全性得到保障的重要基础，也是电力系统安全、稳定运行的重要基础。

可行性。和其他机组相比较风电场有功节能效率偏低，多应用功率控制法去调控风电机组的最大功率，进而提高风电场的运作效率。数字化的电力装置是应用人工智能技术的基础，当下国内既有的风电系统基本整体实现了数字化，故而将AI技术用于风电领域中是十分可行的。

优势。首先，风电自动化系统控制人员在管理决策内通过合理应用AI技术，能够起到决定性作用。快速扩增、迅猛增长的风电自动化控制数据下，利用影像、发电机组运营数据，在AI技术的支撑下能够筛选与分析出各种数据，并将帮助和服务项目提供给各种工况与故障维修过程，这也是风电自动化控制系统后续发展的主要方向之一[1]；其次，AI技术能提供个性化的服务项目，合理应用大数据技术掌握发电机组的所有运行数据，聚集信息形成档案资料，能更有针对性的为某个发电机组提供相配套的服务方案；最后，加速新业态和服务形式的产出速度，在互联网平台上应用AI技术，为管理者提供网络及异地管理等诸多功能。

2 实践应用

2.1 检查诊断风电机组故障

风电机组是电网机电综合系统，在运行阶段，齿轮箱、电气系统及发电机等均是故障问题的高发区，故障可能是独立出现的，但在大部分工况下不同故障之间形成了一定映射关系，无形中增加电网状态监测及故障问题诊断难度系数。常规诊断、数字化及智能化故障诊断等均是诊断风电机组故障的常用方法。其中，传统诊断法一般是解读电网状态监测到的数据信息，配合其他方法对故障做出诊断；数字化诊断法主要有模式辨识、模糊诊断、基于距离判据进行的故障诊断等；智能化诊断法的常见形式有模糊逻辑、神经网络、遗传算法等。当下国内风力机组的故障诊断系统在多数情境下依然依赖传统人工形式完成分析、检测工作，尚没有实现故障问题诊断的全自动化水平，故而合理应用AI技术是达到自动化诊断的重要支撑。

可应用人工神经网络算法检查诊断风电机组投用阶段发生的故障问题。人工神经网络即模拟人类大脑学习知识过程而提出的一种AI算法，其在应用阶段不需事前列出能呈现输入、输出映射关系的数学方程，仅需通过自我训练，计算机学得一些规律，在给出输入具体值的情境下能较顺利的获得最邻近设计输出值的结果。在神经网络算法内BP神经网络是成熟度相对较高、应用范畴较宽广的一种预测网络模型。

既往BP神经网络在机械故障诊断领域中应用的案例数不胜数，在诊断风电机组内的齿轮箱和发电机故障方面也取得了较好的示范作用。规范应用BP神经网络检测诊断风电机组运行状态能较好地满足其在动态化监测与高容错能力方面提出的要求，降低故障误报、错报等情况的发生率。参照BP神经网络技术和风电机械故障诊断方面形成的研究经验，可以建设出风电机组故障诊断模型（见图1）[2]。

图1 BP神经网络诊断风电机组故障模型图

本模型系统主要由三大部分构成，即输入层、隐含层与输出层。输入层的功能以选定风速、风向等自然参数，主风轮转速、电机转速等机械参数，输出功率、发电频率等电气参量为主，在具体应用阶段能依照运转环境条件、机械设备各个参数的敏感性数据等进行微调整；输出层由机组正常、齿轮箱异常、发电机及偏航系统异常4个量组合而成。参照风电场正常与故障问题工况下对应的数据，能够精准的获得电网常态与电机、齿轮箱、偏航系统故障工况下对应的样本值，并将其统一设定成预警和报警样本值。神经网络输出节点依次对应的是机组运行状态正常及以上三种类型不同设备装置的异常，如果输出值和样本值相近度越高，则预示着发生故障问题的概率更大。从宏观上可将BP神经网络模型系统运行过程分成学习训练、模型运用两个过程[3]：

学习训练：在离线状态下，利用目标样本去规范化的训练神经网络、调整网络权值，能够获得现实的网络模型。如果训练和设计输出值两者差值非常小时，则预示着该模型已被训练好。而后利用各个节点输出第一与第二闭值，将和各个异常状态相对应的对节点的最小、平均输出值分别设定成第一、第二阈值。

模型运用：在诊断风机故障时，输进自然及机组有关数据，利用前期训练好的模型进行测算，准确的输出各个节点对应的具体值。如发现某个节点输出值低于第二阈值但高于第一阈值时，则提示可能发生了该类故障，将报警信号传递给电场运行管理人员；若节点输出值高于第二阈值，则预示着已经发生了这种故障，应快速采用断离故障风机等方法以防故障范围蔓延，并将相关信息反馈给检修人员。

2.2 预测风电发电量

智能化、数据量庞大等均是AI的优势，能在规模超级大的数据量内快速探寻到其映射关联性，进而达到统计、预测目的。基于机器学习算法构建出的风电发电量短期内风电功率和影响因子之间的关联性，把这种非关联性训练成模型，能较精准、便捷的预测出短期风电功率。鉴于人工网络法在处置非线性问题方面独占优势，自学习、自适应能力均处于较高水平，故而在风电功率预测领域中有较广泛的应用。

既往有研究发现，和BP神经网络相比较径向基函数（RBF）神经网络在精准性方面更占优势，其规避了局部最小问题，事前无需设定隐含层的单元数目。算法原理可做出如下表述：用RBF作为隐含层节点的“基”，利用其组建成隐含层空间。而后转换输入变量，即将低维的模式输入数据转换至高维空间内，解决在低维空间中线性无法分解的问题。因其训练过程有简洁性特征，其在分析能力、学习速率等方面均好于BP神经网络，因此可尝试用其预测风电场的短期发电功率。

RBF神经网络模型同样由输入、隐含及输出层3大部分构成。在输入层内，风电场实际风速是决定风机输出功率大小的主要因素，空气密度也影响功率指标[4]。因为风机自带偏航系统，能达到智能对风，故而针对风向形成的影响可以忽略不计。选定前期某阶段风机的电工率输出值、气候温度及后期某时段的风速作为训练样本的输出项，而后依照设定的程序开展训练，针对训练所得的模型带进风速、气候温度，这样便可预测出风电输出功率。

2.3 用于微电网系统

在预测风电机组短期负荷之前应合理划分负荷所属类别，可参照微电网中用户的实际用电特征，把负荷分成照明、取暖、生产制造等，而后整理负荷数据。训练时刻选用微电网用电量每1h实测值和对负荷预测效果形成不良影响的气候数据进行综合训练。获得训练好的模型后，输进后续所得的气候数据得到电力负荷预测值，参照所得数据调控微电网内的电力潮流，有助于提升电力系统运作过程的安稳性。

3 展望

3.1 建设智能化风场

在风电资源生产阶段实现智能化建设，需结合既往电网运行阶段出现的故障问题，综合多方面因素提出几点可执行高的控制和预警方法，可配合使用信号处理、故障预测技术，并基于风机数字化建模建设出信息化风场，结合集群建模与风功率预测等过程，更加精准、有效地隔离和排除故障。站在促进风场可持续发展的视角出发，AI技术应用人员应树立大局意识，有针对性的改善风场生产格局；从设备上着手，减少风电生产管理、运维各阶段的成本支出额度，借此方式能更显著的提升模型建设的有效性。由建模的视角出发，可将其细化成多个部分，如激励、数字、混合模型等，能够较清晰的呈现出电场内风机运行数据的输出、输入两者的关系，且数据模式还有拟合风机运行参数的功能[5]。相比之下混合模型能更显著的提升模型的精准度，且能更有效的优化模型的运行效果，Power Up便是混合模型的经典范例。

3.2 电动机的智能巡检

内部巡检：主要是采集监测运行阶段电气设备后台数据，并会依照既有规范要求检查电器设备的运行电压、温度及频率等参数，还能同步检出机械轴承局部油温与油位各自的对应值。具体巡检过程中可应用如下方法：基于网络将一台交换机增设在风电机组机舱顶部，利用光纤发射器将机组现场运行数据实时、精准的传送到后台监测中心，监测人员依照接收到的数据与机组参数设定情况有效控制机组的运行状态。为确保以上巡检过程能顺利执行，实现对风电场的整体覆盖，确保各种监测数据上传过程的时效性，这是实现对风电机组智能化巡检的重要基础[6]。

外部巡检：即检查机组的外观状态，如检查塔、机舱和桨叶等是否存在裂痕、破损等，风轮转动过程中是否发生异常声响、塔筒门锁的状态是否异常、通风孔是否受损等。在具体实践中，可应用无人机与AR眼睛完成外部巡检任务，其中无人机有起降过程便利、空中悬停等优势，能实现对风电机组外观面貌的无死角拍摄；AR眼睛能实现对风电机组外部构件状态的智能化辨识，判断其是否存在裂痕、油漆脱落等不良心现象，进而提升外部巡检工作质量和效率。

总之，利用AI算法能够模拟人类的思维方式，迅速处置风电发电领域中的各种问题。不仅能合理预测分析发电负荷，还能实现对风电设备故障问题的全自动化诊断。在后续几年中，AI技术会有更快速的发展，配合使用物联网技术，进一步提升风电系统的智能化水平，引领风电产业获得更大发展。