风力发电领域人工智能技术运用分析

北京中拓新源科技有限公司 尹 哲

随着全球对可再生能源需求增加，风力发电作为一种清洁、可再生能源被广泛应用。然而，风力发电系统运维和管理面临着一系列挑战，如风速预测、故障检测和设备优化等，各类问题需要通过高效监测和智能化决策支持系统予以解决，因此引入人工智能技术，成为一种有效的解决方案。

1 本文案例智能系统结构

本文中案例设计多结构智能模型，将其应用到风力发电领域之中。系统具备数据采集、数据监测、数据分析基本功能，其核心是利用智能算法支持系统的运行。考虑到案例数据来源的复杂性，设计应用多源传感器融合技术实现数据的综合采集和处理，具体功能模块如图1所示。

图1 风力发电一体化智能系统结构模型

人工智能技术应用基于智能系统实现，其核心功能为功率预测、能源调度、故障诊断和智能运维。前端配置传感器装置，利用智能算法支持各功能实现。在智能功率预测模块中，前端环境传感器获取风速、风向、温度等气象数据，进行数据清洗和处理。系统依据算法从采集的数据中提取重要特征，如风速变化趋势、风向变化等，并利用机器学习和深度学习算法构建功率预测模型，并通过训练和优化提高预测准确性。根据预测结果和实际情况，调整风力发电机组的运行参数，最大限度地利用风能。

在智能调度功能模块中，系统会依据智能算法分析不同时间段（高峰期和低谷期）的能源需求情况，并根据能源需求和风力发电机组的实际输出，优化算法进行能源供给的调度，以实现最佳的能源分配和利用效率。结合储能设备，进行储能的计划和管理，以应对风力发电的波动性。在故障诊断和智能运维功能模块中，通过传感器实时采集风力发电机组的运行数据，如温度、振动、转速等。利用机器学习和数据分析技术，对传感器数据进行实时监测和分析，检测异常情况并进行故障诊断。根据故障诊断结果和运行数据，提供运维决策支持，如维护计划、备件调配等[1]。

以上模块可以相互交互和整合，形成一个完整的人工智能应用系统，实现风力发电的智能化管理和优化。本文中案例通过智能功率预测、能源智能调度和设备实时监测与智能诊断运维技术的应用，有效提高了风力发电系统的效率、可靠性和经济性，推动可再生能源的可持续发展。

2 人工智能技术在风力发电领域的应用实践

2.1 智能功率预测技术应用

2.1.1 实际功率数据分析

SCADA 系统，建立数据判别模型，识别风机实际功率数据。本文中案例数据来源于某风电场内2MW 风机输出的系统数据，运行参数指标为切入速度3m/s、切出速度20m/s，额定速度10m/s，转速为16.8r/min。系统记录设备运行的传感器测量数据信息，包括电流、功率、风速、转速、温度、叶浆距角等，共计特征量为35个，部分监测数据结果见表1。

表1 数据监测结果

SCADA 系统每间隔10min 采集一次数据，数据分析过程中，得到数据变量后，建立数据元组，具体组合如下：D=（X1i,X2i,…,X35i）,i=n，式中：n 表示数据元组的数量，X 表示特征变量，D 表示元组集合。在获取特征变量的同时，确定不同时间点内风电机组运行过程中的特征参数。利用聚类算法实现数据的处理。聚类算法会识别样本数据分布的紧密程度，对每个数据点给定数目，按照密度划分数据类别。在应用聚类算法时，将某个数据点作为中心，使用EPS 参数表达样本的紧密程度，并将数据点作为中心，确定半径内的球空间大小，构成领域。随后确定邻域内的数据点数，确定直接密度可达，即核心对象内和邻域内两点[2]。

2.1.2 神经网络模型构建

在风电机组功率预测过程中，需要利用神经网络模型算法，建立ABC-BP 神经网络，寻求计算过程中的最优解。在计算过程中，导入样本数据集，建立神经网络，随后进行数据的初始化处理。初始化处理将数据源确定为Ns 个，迭代次数为N 次，在空间生成初始解数值为M 个，具体数据初始化公式如下：gi=gmin+rang（0,1）（gmiax-gmin），式中：g 表示处世界，i 表示迭代次数，max 和min 分别表示最大阈值和最小阈值，i 在初始解数量的范围之内。

利用上述公式求解之后，计算函数的适应性，判断数据的来源及质量。随后进行选解的阶段。在神经网络模型中，数据是随机生长的，利用轮盘的基本原理进行收益率的计算，并在达到极限值后，确定新的数据，达到最大迭代次数之后结束该过程。在结束之后，会得到经过神经网络模型优化之后的权值以及阈值，形成基本的算法功率预测模型 。

2.1.3 实际状态功率预测

在预测风电机组运行过程中的实际输出功率过程中，需要就某一时间阶段基于历史数据和实际采集数据预测功率。本案例基于SCADA 系统共计采集数据数量为36752个，其中有关风电机组的参数数量为52个，包含风电机组运行的各类参数信息，其中包括温度、桨叶角度、轴承温度、转速、风向、风速等。利用采集的数据和神经网络模型，进行功率预测。

具体步骤如下：结合风电机组的实际运行原理，将各参数作为输入层，功率作为输出层，导入到算法之中，利用功率输入关系实现智能预测；获取正常数据参数，建立样本数据集，对数据集进行标准化处理，避免出现量纲不同的情况出现，以消除参数差异对模型所产生的不良影响；将样本数据按照标准划分训练集，设置训练集大小。数据组为30217×8个，测试集数量为6535×8个；根据神经网络功率预测模型，利用算法进行参数优化，得到最佳的参数设置，将模型保存在空间之中。

本案例基于对风机数据的提取，利用上述智能模型进行功率预测。最终预测效果比较好，计算最终平均绝对误差数值为13.2，均方根误差为22.3，智能功率预测系统能够根据机组的实际运行状态将最终的输出功率呈现在交互界面之中，为相关人员的运营决策提供借鉴。

2.2 能源智能调度技术应用

2.2.1 目标函数及约束条件

2.2.2 自适应调度模型构建

具体求解步骤如下：模型初始化，设置时段及约束条件；随机初始化启停管理，调整调度时段，并初始化；确定所有粒子处于得到启停状态，进行可行解后，完成经济分配过程；启停状态寻优处理；完成全部调度时段覆盖；以总成本最小为目标完成调度经济分配。

2.3 风电设备智能故障诊断及运维技术应用

2.3.1 信号特征提取

本案例为进一步确保风电设备系统运行的稳定性，利用智能技术完成智能故障诊断的过程，实现风电机组相关设备运行的智能运维。系统应用HVD算法，进行故障诊断，并在信号特征提取上应用粒子群优化算法。考虑到算法分解受到个数与频率参数的限制影响，本案例为更加科学、准确地获取故障信息，进行HVD 参数的优化。粒子群建立公式为：Ni=[Xi;Vi]，式中：N 表示集合，i 表示数量，X 表示横坐标，V 表示纵坐标。完成粒子群建立后开始粒子群评估，评估完成后进行粒子群优化，并进行迭代运算，确定时间内的粒子群最优位置。本案例对风场风电机组实测数据进行可行性分析，确定转速和采样频率分部为1600rpm 和12.8kHz，结合实测数据和对应的故障振动信号，利用算法避免环境噪声干扰的影响，观察和提取故障特征值。

2.3.2 OHVD 故障信号诊断

由于大部分的设备处于动态运转过程中，HVD信号处理方法适用于非稳定信号的处理具有一定的优势。在智能故障诊断及运维过程中，将分解信号作为低维数据特征输入，提取DBN 网络模型，诊断故障类型，并利用隐含特征值将故障诊断结果显示在人机交互界面之中。在过程中使用具有自适应的OHVD 算法，进行隐含特征的分析和提取，完成故障信号诊断的最终过程。

在故障信号诊断过程中，模型运行后自定义包络峰度最大函数数值，随后进行初始化粒子群的优化参数，将种群的个数初始化，建立自我学习和群体学习群组。调动最大函数后，进行粒子群的自适应优化，得到最优的参数组合。随后对参数进行HVD 分解，经过FFT 变换之后，得到故障信号。随后进行分解信号的特征降维处理，开始网络训练的过程，最终经过网络训练学习之后，实现故障特征的可视化，最终利用分类集加以处理，完成故障信号诊断过程。

综上所述，本案例建立多结构模型，采用分布式结构设计智能系统，将智能系统运用到风力发电领域之中，实现对风力发电功率预测、能源调度、故障诊断及智能运维，有效提高了风电设备的性能，避免了可能出现的问题。