任建伟1 刘天2
1内蒙古龙源新能源发展有限公司 内蒙古 呼和浩特 010010 2龙源达茂风力发电有限公司 内蒙古 包头 014500
摘要：随着各领域的不断进步，促进于能源的需求越来越好，过去以火电为主的传统能源方式对环境的污染日益凸显。因此如何处理好驱动人类经济发展的能源保障与环境保护成为一大难题，而利用以风能为能源发电形式的新能源技术成为解决这一问题的技术手段。因此发展风电技术对于人类社会可持续发展有着举足轻重的作用，但风电技术作为一门新兴技术，其存在诸多问题待解决。人工智能技术作为“第四次科技革命”的重要标志，其具有可以对人的意识、思维信息过程的模拟功能，通过人工智能技术的应用，可以更高效地解决风电技术发展过程中的诸多问题。
关键词：人工智能技术；风力发电；应用
引言
通过风力来进行持续的发电，主要是风能利用最为主要的一种方式，对于这种发电的方式而言，已经是受到了各个国家高度的重视，主要是利用一种自然能源来进行发电的方式，这种技术在实际进行应用的过程中具有较多的优点，并且在节能和可再生方面存在较为重要的作用，在生态环境保护方面也存在较为重要作用。因为我国现如今的能源情况较为短缺，通过不断的发展风力发电事业，已经是成为了我国经济持续发展的一种必然选择。
1风力发电设备安全运行现状分析
风力发电设备往往放置在高原地区和沿海地区，其气候特征和地理特点对风力发电设备安全运行产生了较为深远的影响，这意味着风力发电设备安全管理和运行维护要克服一系列困难，如复杂的地理环境、多变的气候环境等，无形中给风力发电设备安全管理和运行维护工作人员增加了工作难度。现阶段，我国风力发电事业发展迅速，风力发电设备规模不断扩大，但是管理工作主要以传统管理方式为主，导致管理工作片面性特征十分突出。同时，风力发电设备安全管理和运行维护工作人员，受限于知识储备和技能水平，造成各项制度不全面且缺乏可操作性，导致相关工作人员在日常的安全管理和运行维护中，往往会出现一些不严格按照规定进行操作的行为，且对风力发电设备的安全管理和运行维护缺乏足够的重视，尤其是对复杂工作环境下的风力发电设备安全管理和维护，更是缺乏工作积极性，造成风力发电设备长期不能得到有效的维护，引发风力发电设备故障，最终影响风力发电效率和质量。
2人工智能算法在风电发电量预测中的应用
风力发电虽已相对成熟并被广泛应用，但是相比传统火电厂，风电具有较强的随机性、间歇性和波动性，风电并入电网时势必对电网的稳定造成很大的影响。如果能够预测风电发电量，合理调节发电与并网负荷，将会对于并网产生很好的稳定作用。
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。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。
2.3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
除了预测风电系统自身发电功率外，人工神经网络算法还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。
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］谭建，李先锋．探讨新能源发电技术在电力系统中的有效应用［J］．建材与装饰，2020(07):256-257．
［2］张鹏，黄越辉，李驰，康乐，岳刚伟．基于公平发电的新能源电站协调调度方法研究［J/OL］．电测与仪表，2020:1-11．
［3］孟涛，薛志伟，郭伟东．一类风光互补新能源发电系统内联络线无功传输问题研究［J］．山西电力，2019(06):14-18．
［4］赵泓明．针对新时期新能源风力发电相关技术讨论分析［J］．科技创新导报，2020，15(01):67+75．
［5］张亚妮．《新能源发电技术》课程中风力发电的开发与利用［J］．内燃机与配件，2019(02):128-129．
［6］谭品武．新能源时代电力电子技术在风力发电中的应用探索［J］．信息与电脑(理论版)，2020(23):113-114．
［7］彭显刚，胡松峰，吕大勇．基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制，2020，39（17）：144-148．
［8］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，2020，33（4）：444-448．