论文部分内容阅读
[摘 要 ]风能是一种清洁且可再生的能源之一，凭借其自身优势，已经得到社会各界的广泛关注，风力发电的主要原理则是将风的动能转化为机械动能，最后成为各行各业所需的电力动能。随着信息化时代的到来，人工智能作为科技发展的重要产物，将其风力发电相结合，是电力行业发展的必然趋势，大大提升了风力发电效率和质量，某种意义上讲，也是引领电力行业朝向智能化、现代化发展的必要条件。对此，相关人员应该加大人工智能技术在风力发电领域的应用研究，深入研究风力发电领域发展进程中可能存在的问题，如何利用人工智能技术予以解决，实现人工智能技术的广泛运用和的推广，助力于风力发电取得更大的突破。基于此，本文主要围绕人工智能技术在风力发电领域的应用展开讨论，希望给更多专业人士提供帮助。
[关键词]人工智能技术;风力发电领域;应用
[中图分类号]TM76 [文献标志码]A [文章编号]2095–6487（2020）07–00–03
[Abstract]Wind energy is one of the clean and renewable energy sources. With its own advantages， it has been widely concerned by all walks of life. The main principle of wind power generation is to convert the kinetic energy of wind into mechanical kinetic energy， and finally become the power kinetic energy required by all walks of life. With the advent of the information age， artificial intelligence as an important product of scientific and technological development， combining its wind power generation is the inevitable trend of the development of the power industry， greatly improving the efficiency and quality of wind power generation， in a sense， it is also the necessary condition to lead the power industry towards intelligent and modern development. In this regard， relevant personnel should increase the application research of artificial intelligence technology in the field of wind power generation， deeply study the possible problems in the development process of wind power generation field， and how to use artificial intelligence technology to solve them， so as to realize the extensive application and promotion of artificial intelligence technology， and help wind power generation to make greater breakthroughs. Based on this， this paper mainly discusses the application of artificial intelligence technology in the field of wind power generation， hoping to provide more professionals with help.
[Keywords]artificial intelligence technology; wind power generation field; application
近些年，在全球經济迅猛增长的推动下，对能源的需求量显著增加，传统的发电形式表现出了更大的缺陷，环境污染问题日益严重，因此，若想实现可持续发展理念，如何平衡好环境与经济的关系成为关注焦点。此时，风力发电的产生为解决环境污染问题做出了巨大贡献，尤其是信息化时代的大背景下，人工智能技术的应用，对于风力发电而言，迎来了新的发展契机，同时也是亟需解决的新难题。只有将人工智能技术科学合理的运用在风力发电领域，充分发挥信息化技术优势，高效解决风力发电发展过程中的诸多问题和难题，才能最大限度的提升发电效率和质量，为电力行业及其它行业良好发展创造有利条件。
1 人工智能算法在风电机组故障诊断中的应用
风电机组是风力发电的核心组成部分，发电过程中处于连续旋转状态，相对来讲工作强度较大，同时风电机组常常会设置在高地、海上或荒野，工作环境极其复杂，比传统的发电机组所处环境更加恶劣。随着发电需求量的增加，发电机组数量不断增加，为了保证其安全稳定的运行，首先要降低机组故障概率，这也是风力发电的一大挑战。
1.1 风电机组故障诊断现状分析
风电机组是一个综合性较强的系统，容易发生以下故障，即齿轮箱、发电机或电气系统故障，这些故障发生时可能是独立的，也可能在各故障之间出现映射关系，因此，单纯依靠人工对系统运行故障进行检测，其难度非常大。结合风电机组故障诊断的实际情况分析，其诊断方法主要包括以下方面：（1）传统诊断法，以系统状态监测数据为基础进行分析，一般情况下，都是以其它故障诊断方法联合使用。（2）数字诊断法，这种方法的涵盖范围广，包括模式识别、基于判断距离的故障诊断以及模糊诊断法等。（3）智能诊断法，此方法的使用主要体现在神经网络、遗传算法、模糊逻辑等，具有诊断精准、效率高的特点。但是目前来看，机组故障诊断及检测主要依靠人工为主，没有实现全自动化的水平，那么将人工智能技术引入其中，对风力发电领域而言，是一项全新的突破和挑战。 1.2 人工神经网络的具体应用
人工神经网络之所有被称之为智能化，主要是因为人工神经网络运用过程中，可以形象的模拟人类大脑学习知识的状态，不需要提前进行程序设定或输入映射关系的数学方程，而是经过系统自我训练，摸索机器系统的运行规律，以固定输入值作为计算依据，保证输入结果与预期结果更为接近。其中BP神经网络是一种较为成熟的神经网络算法，其应用范围非常广，并且经常用于预测网络模型中，将其与风力发电机组故障诊断相结合，对风电机组的齿轮箱故障、发电机故障具有很显著的应用效果，要特别注意的是，BP神经网络进行故障诊断时，需要满足两个条件，一是进行实时监控，二是具有较高的容错能力，从而减少故障误差概率，最大限度的保证诊断结果的准确性。
据相关研究总结，BP神经网络进行机组故障诊断和检测时，模型系统主要分为输入层、隐含层、输出层。对于输入层而言，在选取机组的风速、风向等自然参数以外，还要参考电机转速、风轮转速等机械参数以及电气参量，针对不同环境和不同设备的敏感度标准，对设备数据进行科学合理的调整。对于输出层，将以往的故障情况的参考数据作为机组运行的预警和报警依据，从而掌握机组运行情况，如果输出值与参考数据接近则意味着系统异常运行的可能性比较大，以此为依据实现机组故障智能化诊断。根据BP神经网络模型的实际运用来看，主要分为两个过程：（1）学习训练过程。人工智能技术通过目标样本训练神经网络、调节网络权值，形成完整的、切合实际的网络模型，如果训练与预期输出值相匹配或相差很小，则说明模型训练已完成，然后对各节点的输出值进行设定，重点设定第一阈值和第二阈值，第一阈值的设定则以每个节点异常状态的最小值作为基础，然后取平均值作为第二阈值。（2）模型应用。进行风机故障诊断过程中，将自然参数及机组相关的实时数据准确输入，利用已训练好的模型系统进行数据计算，得出各节点数据。如果节点输入值保持在两阈值之间，能够判断系统存在一定的故障隐患，相关工作人员要给予正确的干预或处理。如果节点输出值大于第二阈值，可以判断为故障已经发生，必须尽快采取有效对策，避免系统故障延展，同时要求维修人员进行系统检修。
2 人工智能算法在风电发电量预测中的应用
目前，风力发电的运用逐渐趋于成熟化，与传统的发电方式相比，表现出较强的随机性、间歇性、波动性，这样容易造成电网运行稳定性差，因此，要做好风电发电量预测工作，从而科学地调整发电与并网负荷值，进一步提升电网运行稳定性。
2.1 风力发电功率预测方法的概述
风力发电功率预测方法主要包括以下两大类：（1）物理预测法，主要是以天气预报作为依据，获取风向、风速、气候温度等数据，并且根据风力发电场周围的地表条件、海拔高度等实际的地理信息，利用数学模型进行相关数据的计算，再通过气象学理论，获取风机轮毂的风向、风速和高度，从而实现风机电功率预测，通过这样的方式能够保证预测结果的准确性，此方法运用优势在于不需要以历史数据作为参考或依据，但是需要掌握准确的天气预报数据及地理信息，而天气预报的发布不能保证实时性，存在一定的误差，因此，物理预测法在6h以上的短期和中长期预测中更具优势，此外，这种方法在风险评估以及随机优化方面存在很大的局限性。（2）统计预测法，主要以数学统计法作为依托，通过实时数据与历史数据相结合，构建一个抽象的数据模型，从而预测风力发电量。根据统计预测法的实际应用来看，序列预测法、人工智能预测方法的应用更加成熟，应用更为广泛。
2.2 人工神经网络预算法在短期风电功率预测中的应用
人工智能的应用优势充分体现在自动化、智能化方面，可以在大量数据中快速、准确地找到数据映射关系，高效完成统计预测，在此过程中，利用机器学习法，与影响短期风电功率的因素的建立联系，形成训练模型，通过调整训练模型，实现精准预测短期风电功率。目前，常用的预测方法有神经网络发和SVM（即支持向量机法），而前者在处理非线性问题上优势更加突出，依据自身学习能力强、适应力强的优点，在短期电功率预测中得到广泛运用。
RBF神经网络是人工神经网络中的一种，预测精度远远高于BP神经网络，其算法原理则是将径向基函数当作隐含层节点的重要构成，形成隐含层空间，将变换输出变量，由低维模式转化成高维模式，并对线性进行合理划分，与BP神经网络运用相比，没有局部最小问题的局限性，也不需要对隐含层空间的单元个数进行确定，应用更为简单。RBF神经网络在非线性函数方面、分析能力及学习速度方面的优势更加显著，由此可见，利用RBF神经网络于短期风电功率预测中更加适宜。
RBF神经网络的实际运用过程中，同样分为三个方面：输入层、隐含层、输出层。输入层中风机的输出功率主要受到风力发电场的风速、空气密度的影响，其中风速是主要影响因素，但是空气密度由于测量难度大，并且容易受到温度的影响，对电机输出功率具有很大影响。而风机内部结构有偏航系统，能够自动对风，此因无需考虑风向的影响。进行模型训练过程中，首先要选取前一阶段的风机运行的相关数据，比如电功率输出值、温度值等，并且与后一阶段的风速样板作为依据有针对性的进行训练，然后在已完成训练的模型中输入风速、环境温度，从而获取准确的风电输出功率，更好的保证风电功率预测的准确性。
3 人工智能算法在风电系统微电网系统中的应用
除上述人工智能算法的应用以外，还可以将其运用在风电系统微电网系统中，用来预测电网的用电负荷情况，满足电网运行需求。微电网系统是一种小型电网，主要用于连接分布式风电、光伏接入，能够有效改善发电功率不稳定的问题，另一方面来看，由于电网运行负荷小，产生的惯性小、波动性强，导致负荷预测更加复杂、繁琐，将人工智能算法与其相结合，可以更高效的解决负载预测问题。
在正式开始短期负荷预测前，首先要明确划分负荷的类型，一般情况下，结合微电网的用電特点，主要将负荷分为照明、生产、取暖等几类，然后依据负荷数据值进行分析、整理，实际模型训练过程中，可以将微电网单位用电量的历史数据与影响数据建立模型，影响数据重点考虑温度、风速等气象数据，完成模型训练后，将未来天气预报相关数据进行输入，从而得到负荷预测值，这种预测方法具有较强的可行性、精准性，从而依据这些预测数据，对微电网进行科学调节，因此大大提升了电网运行稳定性。
4 结束语
综上所述，人工智能技术作为科技时代发展的重要产物，通过模拟人类思维方式进行工作，很大程度上提升了工作效率和准确性。将其运用在风力发电领域，是行业发展的必然趋势，不仅可以对风力发电设备故障进行预警、诊断和分析，还可以实现负荷预测等，有效提升风力发电效率，同时随着物联网技术不断取得新突破，风电系统智能化是未来产业发展趋势，带领风电产业不断迈向新领域，为实现经济与环境和谐发展提供重要支撑。
参考文献
[1] 于锦春.风力发电自动化控制系统中智能化技术的运用[J].通信电源技术，2020，37（3）：145-146.
[2] 刘潇.刍议风力发电控制系统中现代信息化控制技术的应用方法[J].科技创新导报，2019，16（35）：14，16.
[3] 韩岩.对信息化控制技术在风力发电控制系统中运用的思考[J].科技创新导报，2019，16（34）：1，3.
[4] 张玉林.探究风力发电并网技术及电能质量控制措施[J].工程建设与设计，2019（22）：55-56，62.
[5] 刘东洋.浅谈风力发电现状与发展趋势[J].商讯，2019（28）：126-127.
[6] 彭艳来，杨晓峰.风力发电场的智能化建设纲要探究[J].企业管理，2018（S2）：142-143.
[7] 赵军帅.智能化技术在风力发电自动化控制系统中的运用[J].自动化应用，2018（6）：157-158.
[8] 童飞.人工智能技术在风力发电领域的应用[J].低碳世界，2020，10（9）：46-47.
[9] 李泽田，尤德宽.风力发电——复合材料的一个重要应用领域[J].航天技术与民品，1997（2）：36-37
[10] 白悦杭.计算机在风力发电领域中的应用[J].计算机产品与流通，2019（1）：77.
[关键词]人工智能技术;风力发电领域;应用
[中图分类号]TM76 [文献标志码]A [文章编号]2095–6487（2020）07–00–03
[Abstract]Wind energy is one of the clean and renewable energy sources. With its own advantages， it has been widely concerned by all walks of life. The main principle of wind power generation is to convert the kinetic energy of wind into mechanical kinetic energy， and finally become the power kinetic energy required by all walks of life. With the advent of the information age， artificial intelligence as an important product of scientific and technological development， combining its wind power generation is the inevitable trend of the development of the power industry， greatly improving the efficiency and quality of wind power generation， in a sense， it is also the necessary condition to lead the power industry towards intelligent and modern development. In this regard， relevant personnel should increase the application research of artificial intelligence technology in the field of wind power generation， deeply study the possible problems in the development process of wind power generation field， and how to use artificial intelligence technology to solve them， so as to realize the extensive application and promotion of artificial intelligence technology， and help wind power generation to make greater breakthroughs. Based on this， this paper mainly discusses the application of artificial intelligence technology in the field of wind power generation， hoping to provide more professionals with help.
[Keywords]artificial intelligence technology; wind power generation field; application
近些年，在全球經济迅猛增长的推动下，对能源的需求量显著增加，传统的发电形式表现出了更大的缺陷，环境污染问题日益严重，因此，若想实现可持续发展理念，如何平衡好环境与经济的关系成为关注焦点。此时，风力发电的产生为解决环境污染问题做出了巨大贡献，尤其是信息化时代的大背景下，人工智能技术的应用，对于风力发电而言，迎来了新的发展契机，同时也是亟需解决的新难题。只有将人工智能技术科学合理的运用在风力发电领域，充分发挥信息化技术优势，高效解决风力发电发展过程中的诸多问题和难题，才能最大限度的提升发电效率和质量，为电力行业及其它行业良好发展创造有利条件。
1 人工智能算法在风电机组故障诊断中的应用
风电机组是风力发电的核心组成部分，发电过程中处于连续旋转状态，相对来讲工作强度较大，同时风电机组常常会设置在高地、海上或荒野，工作环境极其复杂，比传统的发电机组所处环境更加恶劣。随着发电需求量的增加，发电机组数量不断增加，为了保证其安全稳定的运行，首先要降低机组故障概率，这也是风力发电的一大挑战。
1.1 风电机组故障诊断现状分析
风电机组是一个综合性较强的系统，容易发生以下故障，即齿轮箱、发电机或电气系统故障，这些故障发生时可能是独立的，也可能在各故障之间出现映射关系，因此，单纯依靠人工对系统运行故障进行检测，其难度非常大。结合风电机组故障诊断的实际情况分析，其诊断方法主要包括以下方面：（1）传统诊断法，以系统状态监测数据为基础进行分析，一般情况下，都是以其它故障诊断方法联合使用。（2）数字诊断法，这种方法的涵盖范围广，包括模式识别、基于判断距离的故障诊断以及模糊诊断法等。（3）智能诊断法，此方法的使用主要体现在神经网络、遗传算法、模糊逻辑等，具有诊断精准、效率高的特点。但是目前来看，机组故障诊断及检测主要依靠人工为主，没有实现全自动化的水平，那么将人工智能技术引入其中，对风力发电领域而言，是一项全新的突破和挑战。 1.2 人工神经网络的具体应用
人工神经网络之所有被称之为智能化，主要是因为人工神经网络运用过程中，可以形象的模拟人类大脑学习知识的状态，不需要提前进行程序设定或输入映射关系的数学方程，而是经过系统自我训练，摸索机器系统的运行规律，以固定输入值作为计算依据，保证输入结果与预期结果更为接近。其中BP神经网络是一种较为成熟的神经网络算法，其应用范围非常广，并且经常用于预测网络模型中，将其与风力发电机组故障诊断相结合，对风电机组的齿轮箱故障、发电机故障具有很显著的应用效果，要特别注意的是，BP神经网络进行故障诊断时，需要满足两个条件，一是进行实时监控，二是具有较高的容错能力，从而减少故障误差概率，最大限度的保证诊断结果的准确性。
据相关研究总结，BP神经网络进行机组故障诊断和检测时，模型系统主要分为输入层、隐含层、输出层。对于输入层而言，在选取机组的风速、风向等自然参数以外，还要参考电机转速、风轮转速等机械参数以及电气参量，针对不同环境和不同设备的敏感度标准，对设备数据进行科学合理的调整。对于输出层，将以往的故障情况的参考数据作为机组运行的预警和报警依据，从而掌握机组运行情况，如果输出值与参考数据接近则意味着系统异常运行的可能性比较大，以此为依据实现机组故障智能化诊断。根据BP神经网络模型的实际运用来看，主要分为两个过程：（1）学习训练过程。人工智能技术通过目标样本训练神经网络、调节网络权值，形成完整的、切合实际的网络模型，如果训练与预期输出值相匹配或相差很小，则说明模型训练已完成，然后对各节点的输出值进行设定，重点设定第一阈值和第二阈值，第一阈值的设定则以每个节点异常状态的最小值作为基础，然后取平均值作为第二阈值。（2）模型应用。进行风机故障诊断过程中，将自然参数及机组相关的实时数据准确输入，利用已训练好的模型系统进行数据计算，得出各节点数据。如果节点输入值保持在两阈值之间，能够判断系统存在一定的故障隐患，相关工作人员要给予正确的干预或处理。如果节点输出值大于第二阈值，可以判断为故障已经发生，必须尽快采取有效对策，避免系统故障延展，同时要求维修人员进行系统检修。
2 人工智能算法在风电发电量预测中的应用
目前，风力发电的运用逐渐趋于成熟化，与传统的发电方式相比，表现出较强的随机性、间歇性、波动性，这样容易造成电网运行稳定性差，因此，要做好风电发电量预测工作，从而科学地调整发电与并网负荷值，进一步提升电网运行稳定性。
2.1 风力发电功率预测方法的概述
风力发电功率预测方法主要包括以下两大类：（1）物理预测法，主要是以天气预报作为依据，获取风向、风速、气候温度等数据，并且根据风力发电场周围的地表条件、海拔高度等实际的地理信息，利用数学模型进行相关数据的计算，再通过气象学理论，获取风机轮毂的风向、风速和高度，从而实现风机电功率预测，通过这样的方式能够保证预测结果的准确性，此方法运用优势在于不需要以历史数据作为参考或依据，但是需要掌握准确的天气预报数据及地理信息，而天气预报的发布不能保证实时性，存在一定的误差，因此，物理预测法在6h以上的短期和中长期预测中更具优势，此外，这种方法在风险评估以及随机优化方面存在很大的局限性。（2）统计预测法，主要以数学统计法作为依托，通过实时数据与历史数据相结合，构建一个抽象的数据模型，从而预测风力发电量。根据统计预测法的实际应用来看，序列预测法、人工智能预测方法的应用更加成熟，应用更为广泛。
2.2 人工神经网络预算法在短期风电功率预测中的应用
人工智能的应用优势充分体现在自动化、智能化方面，可以在大量数据中快速、准确地找到数据映射关系，高效完成统计预测，在此过程中，利用机器学习法，与影响短期风电功率的因素的建立联系，形成训练模型，通过调整训练模型，实现精准预测短期风电功率。目前，常用的预测方法有神经网络发和SVM（即支持向量机法），而前者在处理非线性问题上优势更加突出，依据自身学习能力强、适应力强的优点，在短期电功率预测中得到广泛运用。
RBF神经网络是人工神经网络中的一种，预测精度远远高于BP神经网络，其算法原理则是将径向基函数当作隐含层节点的重要构成，形成隐含层空间，将变换输出变量，由低维模式转化成高维模式，并对线性进行合理划分，与BP神经网络运用相比，没有局部最小问题的局限性，也不需要对隐含层空间的单元个数进行确定，应用更为简单。RBF神经网络在非线性函数方面、分析能力及学习速度方面的优势更加显著，由此可见，利用RBF神经网络于短期风电功率预测中更加适宜。
RBF神经网络的实际运用过程中，同样分为三个方面：输入层、隐含层、输出层。输入层中风机的输出功率主要受到风力发电场的风速、空气密度的影响，其中风速是主要影响因素，但是空气密度由于测量难度大，并且容易受到温度的影响，对电机输出功率具有很大影响。而风机内部结构有偏航系统，能够自动对风，此因无需考虑风向的影响。进行模型训练过程中，首先要选取前一阶段的风机运行的相关数据，比如电功率输出值、温度值等，并且与后一阶段的风速样板作为依据有针对性的进行训练，然后在已完成训练的模型中输入风速、环境温度，从而获取准确的风电输出功率，更好的保证风电功率预测的准确性。
3 人工智能算法在风电系统微电网系统中的应用
除上述人工智能算法的应用以外，还可以将其运用在风电系统微电网系统中，用来预测电网的用电负荷情况，满足电网运行需求。微电网系统是一种小型电网，主要用于连接分布式风电、光伏接入，能够有效改善发电功率不稳定的问题，另一方面来看，由于电网运行负荷小，产生的惯性小、波动性强，导致负荷预测更加复杂、繁琐，将人工智能算法与其相结合，可以更高效的解决负载预测问题。
在正式开始短期负荷预测前，首先要明确划分负荷的类型，一般情况下，结合微电网的用電特点，主要将负荷分为照明、生产、取暖等几类，然后依据负荷数据值进行分析、整理，实际模型训练过程中，可以将微电网单位用电量的历史数据与影响数据建立模型，影响数据重点考虑温度、风速等气象数据，完成模型训练后，将未来天气预报相关数据进行输入，从而得到负荷预测值，这种预测方法具有较强的可行性、精准性，从而依据这些预测数据，对微电网进行科学调节，因此大大提升了电网运行稳定性。
4 结束语
综上所述，人工智能技术作为科技时代发展的重要产物，通过模拟人类思维方式进行工作，很大程度上提升了工作效率和准确性。将其运用在风力发电领域，是行业发展的必然趋势，不仅可以对风力发电设备故障进行预警、诊断和分析，还可以实现负荷预测等，有效提升风力发电效率，同时随着物联网技术不断取得新突破，风电系统智能化是未来产业发展趋势，带领风电产业不断迈向新领域，为实现经济与环境和谐发展提供重要支撑。
参考文献
[1] 于锦春.风力发电自动化控制系统中智能化技术的运用[J].通信电源技术，2020，37（3）：145-146.
[2] 刘潇.刍议风力发电控制系统中现代信息化控制技术的应用方法[J].科技创新导报，2019，16（35）：14，16.
[3] 韩岩.对信息化控制技术在风力发电控制系统中运用的思考[J].科技创新导报，2019，16（34）：1，3.
[4] 张玉林.探究风力发电并网技术及电能质量控制措施[J].工程建设与设计，2019（22）：55-56，62.
[5] 刘东洋.浅谈风力发电现状与发展趋势[J].商讯，2019（28）：126-127.
[6] 彭艳来，杨晓峰.风力发电场的智能化建设纲要探究[J].企业管理，2018（S2）：142-143.
[7] 赵军帅.智能化技术在风力发电自动化控制系统中的运用[J].自动化应用，2018（6）：157-158.
[8] 童飞.人工智能技术在风力发电领域的应用[J].低碳世界，2020，10（9）：46-47.
[9] 李泽田，尤德宽.风力发电——复合材料的一个重要应用领域[J].航天技术与民品，1997（2）：36-37
[10] 白悦杭.计算机在风力发电领域中的应用[J].计算机产品与流通，2019（1）：77.