人工智能技術在風力發電中的運用

國華（江蘇）風電有限公司 顧素平

世界各國對能源的需求量不斷增加，以火電為主的能源供應模式對生態環境造成嚴重污染。確保能源供應的充足性、減少環境污染是人類社會發展中面對的共同問題，基于以風能為主要能源的發電形式下產生的新能源技術是處理以上問題的有效方法之一，但該項技術是一種新興科技手段，在實踐應用中一些問題急待處理。人工智能是“科技革命”中形成的重要標志之一，其有仿真模擬個體意識、思維信息過程的能力，合理應用該項技術能使風電技術應用時的很多問題迎刃而解。

人工智能（AI）也被叫做智械、機器智能，是指用人生產制造出的機器產品所呈現出的智能。大部分情況下人工智能即利用常規計算機程序呈現出人類智能、智慧的技術方法。在一般教材內人工智能也被定義成“智能主體的研究與設計”，智能主體為一個能夠觀察周邊環境狀態、且能作出相應行動以實現預期目標的系統。AI會牽扯到很多核心問題，包括建設出和人類相似度很高甚至超出的推理、知識、規劃學習、溝通、感知、操控機械設備的技能等[1]。思維始源于電腦，思維對個體行為能起到一定調控作用，意志是達成行為需要的基礎，思維能收集、梳理所有數據信息，相當于數據庫，故而AI有很大概率演變成機器將人類取而代之。

1 人工智能在風力發電領域中的應用

必要性。風力是一種可再生資源，鑒于風電隨機性、間斷性與波動性特征，造成大范圍風電并網可能會影響電網運行安全性，造成出力質量欠佳。風電場在輸出功率方面存有隨機性特征，為規避其形成的影響，應加大對輸出功率內間斷性、波動性的調控，重點實現風電裝置有功功率的均衡性。規模不斷拓展的電網項目對電網設備容量的需求持續增加，可能會降低電網發電效率，合理應用AI技術是提升電網發電效率的有效方法之一。利用基于AI技術建設智能風場并有效應用數據挖掘技術，是使數據信息安全性得到保障的重要基礎，也是電力系統安全、穩定運行的重要基礎。

可行性。和其他機組相比較風電場有功節能效率偏低，多應用功率控制法去調控風電機組的最大功率，進而提高風電場的運作效率。數字化的電力裝置是應用人工智能技術的基礎，當下國內既有的風電系統基本整體實現了數字化，故而將AI技術用于風電領域中是十分可行的。

優勢。首先，風電自動化系統控制人員在管理決策內通過合理應用AI技術，能夠起到決定性作用。快速擴增、迅猛增長的風電自動化控制數據下，利用影像、發電機組運營數據，在AI技術的支撐下能夠篩選與分析出各種數據，并將幫助和服務項目提供給各種工況與故障維修過程，這也是風電自動化控制系統后續發展的主要方向之一[1]；其次，AI技術能提供個性化的服務項目，合理應用大數據技術掌握發電機組的所有運行數據，聚集信息形成檔案資料，能更有針對性的為某個發電機組提供相配套的服務方案；最后，加速新業態和服務形式的產出速度，在互聯網平臺上應用AI技術，為管理者提供網絡及異地管理等諸多功能。

2 實踐應用

2.1 檢查診斷風電機組故障

風電機組是電網機電綜合系統，在運行階段，齒輪箱、電氣系統及發電機等均是故障問題的高發區，故障可能是獨立出現的，但在大部分工況下不同故障之間形成了一定映射關系，無形中增加電網狀態監測及故障問題診斷難度系數。常規診斷、數字化及智能化故障診斷等均是診斷風電機組故障的常用方法。其中，傳統診斷法一般是解讀電網狀態監測到的數據信息，配合其他方法對故障做出診斷；數字化診斷法主要有模式辨識、模糊診斷、基于距離判據進行的故障診斷等；智能化診斷法的常見形式有模糊邏輯、神經網絡、遺傳算法等。當下國內風力機組的故障診斷系統在多數情境下依然依賴傳統人工形式完成分析、檢測工作，尚沒有實現故障問題診斷的全自動化水平，故而合理應用AI技術是達到自動化診斷的重要支撐。

可應用人工神經網絡算法檢查診斷風電機組投用階段發生的故障問題。人工神經網絡即模擬人類大腦學習知識過程而提出的一種AI算法，其在應用階段不需事前列出能呈現輸入、輸出映射關系的數學方程，僅需通過自我訓練，計算機學得一些規律，在給出輸入具體值的情境下能較順利的獲得最鄰近設計輸出值的結果。在神經網絡算法內BP神經網絡是成熟度相對較高、應用范疇較寬廣的一種預測網絡模型。

既往BP神經網絡在機械故障診斷領域中應用的案例數不勝數，在診斷風電機組內的齒輪箱和發電機故障方面也取得了較好的示范作用。規范應用BP神經網絡檢測診斷風電機組運行狀態能較好地滿足其在動態化監測與高容錯能力方面提出的要求，降低故障誤報、錯報等情況的發生率。參照BP神經網絡技術和風電機械故障診斷方面形成的研究經驗，可以建設出風電機組故障診斷模型（見圖1）[2]。

圖1 BP神經網絡診斷風電機組故障模型圖

本模型系統主要由三大部分構成，即輸入層、隱含層與輸出層。輸入層的功能以選定風速、風向等自然參數，主風輪轉速、電機轉速等機械參數，輸出功率、發電頻率等電氣參量為主，在具體應用階段能依照運轉環境條件、機械設備各個參數的敏感性數據等進行微調整；輸出層由機組正常、齒輪箱異常、發電機及偏航系統異常4個量組合而成。參照風電場正常與故障問題工況下對應的數據，能夠精準的獲得電網常態與電機、齒輪箱、偏航系統故障工況下對應的樣本值，并將其統一設定成預警和報警樣本值。神經網絡輸出節點依次對應的是機組運行狀態正常及以上三種類型不同設備裝置的異常，如果輸出值和樣本值相近度越高，則預示著發生故障問題的概率更大。從宏觀上可將BP神經網絡模型系統運行過程分成學習訓練、模型運用兩個過程[3]：

學習訓練：在離線狀態下，利用目標樣本去規范化的訓練神經網絡、調整網絡權值，能夠獲得現實的網絡模型。如果訓練和設計輸出值兩者差值非常小時，則預示著該模型已被訓練好。而后利用各個節點輸出第一與第二閉值，將和各個異常狀態相對應的對節點的最小、平均輸出值分別設定成第一、第二閾值。

模型運用：在診斷風機故障時，輸進自然及機組有關數據，利用前期訓練好的模型進行測算，準確的輸出各個節點對應的具體值。如發現某個節點輸出值低于第二閾值但高于第一閾值時，則提示可能發生了該類故障，將報警信號傳遞給電場運行管理人員；若節點輸出值高于第二閾值，則預示著已經發生了這種故障，應快速采用斷離故障風機等方法以防故障范圍蔓延，并將相關信息反饋給檢修人員。

2.2 預測風電發電量

智能化、數據量龐大等均是AI的優勢，能在規模超級大的數據量內快速探尋到其映射關聯性，進而達到統計、預測目的。基于機器學習算法構建出的風電發電量短期內風電功率和影響因子之間的關聯性，把這種非關聯性訓練成模型，能較精準、便捷的預測出短期風電功率。鑒于人工網絡法在處置非線性問題方面獨占優勢，自學習、自適應能力均處于較高水平，故而在風電功率預測領域中有較廣泛的應用。

既往有研究發現，和BP神經網絡相比較徑向基函數（RBF）神經網絡在精準性方面更占優勢，其規避了局部最小問題，事前無需設定隱含層的單元數目。算法原理可做出如下表述：用RBF作為隱含層節點的“基”，利用其組建成隱含層空間。而后轉換輸入變量，即將低維的模式輸入數據轉換至高維空間內，解決在低維空間中線性無法分解的問題。因其訓練過程有簡潔性特征，其在分析能力、學習速率等方面均好于BP神經網絡，因此可嘗試用其預測風電場的短期發電功率。

RBF神經網絡模型同樣由輸入、隱含及輸出層3大部分構成。在輸入層內，風電場實際風速是決定風機輸出功率大小的主要因素，空氣密度也影響功率指標[4]。因為風機自帶偏航系統，能達到智能對風，故而針對風向形成的影響可以忽略不計。選定前期某階段風機的電工率輸出值、氣候溫度及后期某時段的風速作為訓練樣本的輸出項，而后依照設定的程序開展訓練，針對訓練所得的模型帶進風速、氣候溫度，這樣便可預測出風電輸出功率。

2.3 用于微電網系統

在預測風電機組短期負荷之前應合理劃分負荷所屬類別，可參照微電網中用戶的實際用電特征，把負荷分成照明、取暖、生產制造等，而后整理負荷數據。訓練時刻選用微電網用電量每1h實測值和對負荷預測效果形成不良影響的氣候數據進行綜合訓練。獲得訓練好的模型后，輸進后續所得的氣候數據得到電力負荷預測值，參照所得數據調控微電網內的電力潮流，有助于提升電力系統運作過程的安穩性。

3 展望

3.1 建設智能化風場

在風電資源生產階段實現智能化建設，需結合既往電網運行階段出現的故障問題，綜合多方面因素提出幾點可執行高的控制和預警方法，可配合使用信號處理、故障預測技術，并基于風機數字化建模建設出信息化風場，結合集群建模與風功率預測等過程，更加精準、有效地隔離和排除故障。站在促進風場可持續發展的視角出發，AI技術應用人員應樹立大局意識，有針對性的改善風場生產格局；從設備上著手，減少風電生產管理、運維各階段的成本支出額度，借此方式能更顯著的提升模型建設的有效性。由建模的視角出發，可將其細化成多個部分，如激勵、數字、混合模型等，能夠較清晰的呈現出電場內風機運行數據的輸出、輸入兩者的關系，且數據模式還有擬合風機運行參數的功能[5]。相比之下混合模型能更顯著的提升模型的精準度，且能更有效的優化模型的運行效果，Power Up便是混合模型的經典范例。

3.2 電動機的智能巡檢

內部巡檢：主要是采集監測運行階段電氣設備后臺數據，并會依照既有規范要求檢查電器設備的運行電壓、溫度及頻率等參數，還能同步檢出機械軸承局部油溫與油位各自的對應值。具體巡檢過程中可應用如下方法：基于網絡將一臺交換機增設在風電機組機艙頂部，利用光纖發射器將機組現場運行數據實時、精準的傳送到后臺監測中心，監測人員依照接收到的數據與機組參數設定情況有效控制機組的運行狀態。為確保以上巡檢過程能順利執行，實現對風電場的整體覆蓋，確保各種監測數據上傳過程的時效性，這是實現對風電機組智能化巡檢的重要基礎[6]。

外部巡檢：即檢查機組的外觀狀態，如檢查塔、機艙和槳葉等是否存在裂痕、破損等，風輪轉動過程中是否發生異常聲響、塔筒門鎖的狀態是否異常、通風孔是否受損等。在具體實踐中，可應用無人機與AR眼睛完成外部巡檢任務，其中無人機有起降過程便利、空中懸停等優勢，能實現對風電機組外觀面貌的無死角拍攝；AR眼睛能實現對風電機組外部構件狀態的智能化辨識，判斷其是否存在裂痕、油漆脫落等不良心現象，進而提升外部巡檢工作質量和效率。

總之，利用AI算法能夠模擬人類的思維方式，迅速處置風電發電領域中的各種問題。不僅能合理預測分析發電負荷，還能實現對風電設備故障問題的全自動化診斷。在后續幾年中，AI技術會有更快速的發展，配合使用物聯網技術，進一步提升風電系統的智能化水平，引領風電產業獲得更大發展。