张洪星
2202841983****4616
摘要：随着世界经济的不断增长，全球对能源的需求不断增长，过去以火电为基础的传统能源方式在环境污染方面日益突出。因此，如何应对驱动人类经济发展的能源安全和环境保护成为一个重大问题，而以风力发电的形式利用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。
关键词：人工智能技术；风力发电；应用
1智能技术基本概述
信息化已经成为社会发展趋势，计算机技术、大数据、自动化技术、智能化技术等被广泛应用在人们的生产生活之中，并取得了不错的成效。智能技术是对人工智能进行更为深入的开发、研究、模拟、拓展延伸的过程。将智能技术应用在风力发电之中，能够构建风力发电自动化控制系统，提高行业发电效率，实现企业经济效益与社会效益同步提升。智能技术主要分为三种：（1）神经网络控制技术。该技术主要适用于数字计算与处理，多应用在数据处理方面。数字处理系统不会受到整体系统的影响，及时其他系统丧失功能，也不会影响神经网络控制技术的应用；（2）专家系统控制技术。该技术主要应用在智能组织、调节、控制等方面，能够处理出现的非结构性问题，以及不确定的消息。但应用在表面知识处理之中，缺乏灵活的模仿能力；（3）综合智能控制技术。该技术主要是朝着整体化、集成化的方向发展，能够对一些模糊的数据进行高效处理，实现智能技术的优化整合，降低系统发生故障的概率，整合个别智能技术，提升技术使用效率。
2人工智能技术应用在风力发电中的必要性、可行性与优势
2.1智能化技术应用的必要性
风力属于可再生资源，我国风力发电行业已经进入了快速发展的成熟阶段。使用利用风力发电存在一定问题，例如：间歇性、随机性以及波动性。不仅会影响风力发电效率，更会影响电网安全，带来安全隐患，出现电力质量较差的问题。为了能够有效实现对风力发电波动性、间歇性的控制，保持电网安全发电，需要重视风电设备有功功率的平衡。随着人们对电力需求不断增大，电网设备随着不断扩大，将人工智能技术应用在风力发电之中，能够极大提升电网发现效率与质量，提升电网运行安全性。
2.2智能化技术应用的可行性
风电场节能与其他项目相比存在较大不同，一般都是采用功率控制法对风电机最大功率实现集中管控，能够提升风电场工作效率与安全性能。数字化是电力设备与人工智能技术应用的前提，当下在风力发电系统之中已经全面应用了数字化技术，为人工智能化技术在风力发电中的应用奠定了坚实的基础。
2.3智能化技术应用的优势
人工智能化技术应用在风力发电之中，能够构建风力发电智能控制系统，为管理人员作出决策、判断提供支持。通过风力发电自动化系统的控制，能够对收集的相关数据进行分析、处理与整合，可以应用在风力发电系统自动检测之中，及时发现系统之中存在额故障，并及时提出有效解决方案，自动化、智能化工作方式将成为风力发电行业未来发展主要模式；智能化技术可以提供个性化的服务。在大数据技术的支持之下，能够全面掌控风力发电机的所有数据，通过对信息的筛选、处理，能够更具有针对性的为单个风力发电机提供服务。
3人工智能技术在风力发电领域的具体应用
3.1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。
3.2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。
3.3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。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。
结束语
综上所述，该人工智能算法能够模拟人类的思维方式，快速处理风力发电领域的许多问题。它不仅可以对发电负荷进行预测和分析，还可以实现设备故障的预警诊断。随着人工智能技术的不断发展和未来物联网技术的发展，风电系统将走向智能化，智能风电将成为未来行业的发展趋势。
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.