身份证号码：23020519870429XXXX
摘要：随着科技的发展，各领域的技术水平逐渐提高，人工智能技术的应用更加广泛。风力发电控制系统中的结构内容有很多，在科学技术飞速发展的影响下，许多新的控制系统和控制技术应用到了风力发电控制系统中，有效提高了风力发电控制系统的应用效率。人工智能技术就是其中一种，在目前的风力发电控制系统中较为常见，改善了以往风力发电控制系统中的问题，提升了系统的应用效果。
关键词：风力发电；人工智能；技术
引言
科技的发展，各领域的技术水平逐渐提高，信息技术应用更加广泛的今天，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。
1传输系统数据整合分析
风力发电自动化控制系统需要在传输系统（物理链路及设备）的运用下，才能进行数据传输。而将智能化技术融入风力发电自动化控制系统中，ICP/TP 传输协议得到了全面应用。标准化后的传输协议，也必然能够共享传输系统，一套综合布线系统与网络设备能将不同系统内部及彼此间的通信解决。基于公共局域网的智能化系统共享同一传输网络是没有问题的。通过分析技术即可了解，风力发电自动化控制系统用户端设备依托公共局域网、宽带路由器进行互联网云端服务器的访问方可实现智能控制。可视对讲系统用户端属于用户室内的一种共享设备，应当能够访问风力发电系统局域网，同时也可在管理系统内局域网的运用下访问 Internet，在网络合理规划之后方可达成。
2 无人机在智能巡检中的应用
现阶段无人机技术迅速发展，同时它凭借自身较长的续航时间和抗风能力被广泛的应用于智能巡检工作中，在实际巡检过程中，无人机可以搭载高清的拍摄设备，由操作人员进行控制使其在制定位置停留并拍摄，从而实现风电机组的智能巡检。当无人机完成巡检拍摄后，能够利用特有的系统模块将图像传送到地面站系统，技术人员对拍摄图像进行对比分析，实现对风电机组的运营稳定性分析。相对于人工巡检，采用无人机进行智能巡检能够大幅度提升风电机组巡检的效率和准确性，节约了风电机组的巡检成本。
3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。
4自适应控制技术在风力发电系统中的运用
自适应控制技术是在新一代控制理论和网络技术基础上提出的新型控制技术，在风力发电运行的实际过程中具有较好的适应性和针对性，风力发电控制系统中的运用自适应控制技术可以针对尚未构建模型的运行参数进行调整，进而实现风力发电系统动态阶段变化的实时性控制，从而保障风力发电设备达到稳定运行、安全运转的目标实现。当前自适应控制技术的应用主要集中在风力发电中控制系统的中控部分，通过自适应控制技术构建的功能型平台能够实现风力发电系统及时准确的捕捉风力和风强，动态性地调整发电控制系统的以适应周边环境变化的实时性和突发性，真正起到对环境要素的全面、适当、有效地调整。自适应控制技术在不同风力发电设备之间还有着数据交换和信息沟通的功能，通过对个别风力发电设备反馈的信息，风力发电场站可以形成运行环境的深入认知，有助于建立更加完整、更加准确的环境信息库。同时，风力发电场站课可以通过风力发电设备整体的历史数据进行深入加工，制定和形成适应实际的风力电力生产的策略和目标，因此，自适应控制技术在风力发电控制系统中的应用具有显著现实意义。
5 AR 技术在智能巡检中的应用
AR 技术又称为增强现实技术，巡检人员在进行巡检过程中通过智能研究和 AR 技术对需要巡检的具体设备和具体部位进行识别。通过增强现实 SDK和计算机视觉 SDK，将模型数据与现场识别出的巡检对象进行无缝贴合，通过对采集到的物力参数与模型之间的比对，分析判断出当前巡检设备的运行情况，最后将所有分析情况和采集数据储存在 AR 智能眼镜中，并按照相应流程对风电机组进行维修养护处理，具体巡检流程图如图 1 所示。
.png)
6人工神经网络技术在风力发电系统中的实践应用
人工神经网络的抗逆能力较强，在容错能力方面，也是其他系统都无法超越的。周众所周知，风速往往处于不断变化的状态，对于风速的精准预测，不仅与预测方法相关，同时也与预测周期和预测地点具有着紧密关联。实践过程中，可以借助时间序列神经网络对风速进行预测，与此同时，也可以通过人工神经网络和小波分析相互融合的方式，对风力发电功率进行预测。在对人工神经网络技术进行应用之前，可通过人工神经网络对风速进行估计，这样能够大幅度提高系统的动态化性能，即使实际的风速出现了较大波动，系统依然能够稳定运行。在对风电机组进行研究的过程中，变桨距系统是至关重要的内容，实践过程中，可以通过控制神经网络变距的方法，对变桨距参数的滞后性和时变性问题进行解决。另外，为了能够最大限度地获取风能，在人工神经网络控制器中，还可以对发电机预测模型进行构建，结合遗传算法和BP算法，提出全新的神经网络算法，目前，这种算法在风电机组故障诊断工作中应用十分广泛，能够为系统的工作可靠性和稳定性提供保障。
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]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．
[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]马斌.基于人工智能的短期风电功率组合预测研究[D].成都：西南交通大学，2016.
[4]雷 栋，摆念宗 . 我国风电发展中存在的问题及未来发展模式探讨 [J]. 水电与新能源，2019，33（5）：74-78.