人工智能技术在风力发电领域的应用--中国期刊网

字体：大中小

首页> 原创作品> 正文

人工智能技术在风力发电领域的应用

发表时间：2020/11/2 来源：《基层建设》2020年第21期作者：赵友

[导读] 摘要：进入21世纪以来，全球人口、经济持续增长，世界能源需求增长强劲。

        身份证号：23071319681228xxxx
        摘要：进入21世纪以来，全球人口、经济持续增长，世界能源需求增长强劲。如今，中国能源领域已经发生了翻天覆地的变化，发电量已连续多年占据世界首位，是名副其实的世界能源大国。然而，我国的能源产业结构布局却不平衡，我国能源特点可以总结为“多煤少油缺气”，煤炭始终是我国消费量最大的能源。就最近来看，2018年我国发电量再次全球第一，达到近6.8万亿kWh，其中火力发电量达到49794.7亿kWh，占据了全部发电量的73.3%，占据了主导地位。
        关键词：人工智能技术；风力发电；应用
        引言
        目前，我国发电方式虽然依旧是以火力发电和水力发电为主，但在趋于生态环保方向发展的资源利用方式约束下，传统火力发电方式的规模逐渐减少了。日益扩大的城市群规模，相应地暴露出更大的电力缺口。尽管我国在风力发电行业投入了大量资金，然而因风力发电趋于地广人稀的缘故，有一系列问题存在于控制系统中。若是能将人工智能技术用于控制系统中，必然能获取更显著的控制成效。
        1风力发电优势
        在风力发电过程中，其技术在实际应用中存在很多的优点，并且现如今随着我国风力发电事业快速发展，其技术的应用越来越普通，通过充分的结合风力发电技术存在的优点，主要是存在着以下几个方面:一是经济性十分好。在实际进行风力发电的过程中，由于风力发电的价格并不是很高，其下降速度较快，有的风力发电已经是接近于了煤炭的发电成本，在提高经济效益方面存在着十分重要的作用，如果风力发电的能力提高一倍的情况下，那么成本会下降到35%左右，如果风电增长30%，那么成本也会随之下降。除此之外我国的风力能源是较为丰富的，在日后持续发展的同时，经济性也会更加的突出。二是工程建设工期较多，建设完成后见效较快。在进行风力发电的时候，由于风电工程的建设速度十分快，可以通过周和月来进行相应的计算，在短期之内就是可以完成工程项目的建设情况，这样可以有效地去缓解一些急用的情况。同时在对风力发电技术应用的过程中，在一些较为偏远地区中具有重要作用，通过合理进行这项技术，能够对我国西部一些地区分散性的实际需要进行有效解决，这样可以更好地满足这些区域人们在用电方面的需要。
        2人工智能技术在风力发电领域的应用
        2.1智能感应技术应用
        在风力发电场中，要想更加充分以及合理地对智能化的电子设备进行应用，那么需要对风电场的智能电网进行合理的构建和应用，并且也是需要有效的控制一些复杂和庞大的电网设备，较为关键的便是对整个风电场的设备进行合理监测，同时合理地进行整合和提取设备的信息和运行情况。此外智能的感应器以及无线感应器等合理地进行应用，可以更好地为智能风电场的稳定运行提供出相应的支撑，在智能风力发电厂和其他多种设备的合理应用背景下，对变电器的实际需求信息做出合理地调整。
        2.2人工智能算法应用
        2.2.1风电功率预测的方法
        目前，风电功率预测主要分为物理预测法和统计预测法两大类。其中物理预测法是通过天气预报预测出的风速、风向和温度等气象数据，与风场周围的海拔等高线、障碍物和地表粗糙度等地理实地信息，通过数学模型进行计算，之后通过微观气象学理论得到风机的轮穀高度风速和风向，利用其进行风电功率预测。物理预测法优点在于不需要历史数据；缺点是需要输入准确的天气预报数据和风场地理信息，需要的参数较多。同时由于天气预报不是实时发布，存在一定间隔期，物理预测方法更适用于6h上的短期和中长期预测。物理预测法在风险评估和随机优化上应用较为有限。

期刊文章分类查询,尽在期刊图书馆

统计预测法通过利用数学统计方法，建立实际发电量与历史数据之间的关系，并将这种关系抽象为一个模型，预测未来的风电发电量。其中比较成熟的是基于时间序列预测法与人工智能的预测方法两种。
        2.2.2采用人工神经网络算法预测短期风电功率
        人工智能法所具有自动化、智能化、数据量大的优点，能够在超大规模的数据量中快速寻找出其映射关系，从而实现统计预测。通过机器学习算法建立风电发电量短期风电功率与影响因素之间的内在联系，将该联系训练成模型。通过调用训练好的模型，减少便可以预测短期风电功率。目前常用的人工智能风电功率预测法主要是支持向量机法（SVM）和神经网络法。人工神经网络法在处理非线性问题上优势明显，自适应、自学习能力强，因此被广泛应用于风电功率预测上。研究表明，人工神经网络法中的径向基函数（RBF）神经网络的精度高于BP神经网络，且不存在局部最小问题，不需要事先确定隐含层的单元个数。其算法原理是用径向基函数作为隐含层节点的“基”构成隐含层空间。然后对输入变量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分。由于其训练简洁同时在逼近非线性函数能力、分析能力和学习速度等方面均明显优于BP神经网络学习。因此，可利用RBF神经网络对风电场的短期发电功率进行预测。RBF神经网络的模型同样包括输入层、隐含层以及输出层。在输入层中风电场风速是对风机输出功率影响的首要因素。此外，风机的输出功率还受空气密度的影响，空气密度本身不好测量，其本身受温度等因素影响。由于风机具有偏航系统，可以实现自动对风，可以不用考虑风向的影响。通过选取前一时间段风机的电功率输出、环境温度和后一时间段的风速作为网络训练样本的输出进行训练。之后将训练好的模型中带入风速、环境温度从而预测风电输出功率。经验证RBF神经网络预测出的短期风电功率准确性高。
        2.2.3采用人工神经网络算法应用于具有风电系统的微电网系统
        人工神经网络算法可以应用于预测电网用电负荷，将其应用于用电需求侧。特别是微电网这种连接分布式风电、光伏接入的小型电网，一方面由于分布式风电、光伏等的发电侧功率不稳定，另一方面由于电网内的负荷小导致其惯性小、波动性强使得其的短期负荷预测更为复杂。应用人工智能神经算法可更高效地解决其负载预测问题。在短期负荷预测前，需要划分负荷类型，可根据微电网内用户的用电特点，将负荷划分为照明、取暖、生产等类型，之后将划分的几类负荷数据再进行整理。在训练过程中可采用微电网用电量每1h实测的历史数据与影响负荷预测相关的气象数据（温度、风速）进行训练。对于训练好的模型，输入未来的气象数据，得到负荷预测值。文献[6]中对于这种预测方法的可行性与准确性进行了论证。通过用户负荷与风力发电功率的预测，可以根据这些数据进行微电网中的电力潮流的调节，从而提高电力系统的稳定性。
        结语
        综上所述，通过人工智能算法可以模拟人类思维方式，快速处理风电发电领域的诸多问题。不仅对于发电负荷的预测分析，还可实现设备的故障预警诊断。随着未来人工智能技术的不断发展，以及物联网技术的发展，风电系统将实现智能化，智能风电将成为未来产业的发展趋势。
        参考文献
        [1]彭华东，陈晓清，任明，等.风电机组故障智能诊断技术及系统研究[J].电网与清洁能源，2011，27（2）：61-66.
        [2]安永灿.基于人工智能算法的风电机组故障诊断研究[D].长春：长春工业大学，2019.
        [3]武小梅，白银明，文福拴.基于RBF神经元网络的风电功率短期预测[J]．电力系统保护与控制，2011，39（15）：80-83.
        [4]苏尤丽，汤建国.人工智能神经网络在新能源微电网中的应用[J].新疆大学学报：自然科学版，2016，33（4）：444-448．