车蓉飞
陕西华电新能源发电有限公司 陕西 榆林 719002
摘要：本篇文章对风力发电技术在发展过程中所存在的问题进行了分析，制定了具有针对性的解决方法，通过应用人工智能技术，探索未来风力发电领域的发展方向。在解决风电机组故障诊断的过程中可以应用人工智能技术，将人工智能技术更好的应用于新能源发展当中。
关键词：人工智能；新能源技术；风电
引言
现阶段，在社会可持续发展的过程中，风电技术起到了非常重要的作用，风电技术是一门新兴技术，在应用过程中会存在一些问题，针对这些问题需要进行系统性的研究，推动人工智能技术更好的应用于新能源发展中。人工智能技术可以模拟人的意识和思维信息，通过推广人工智能技术，可以解决风电技术在发展过程中所存在的一些问题。
1人工智能算法在风电机组故障诊断应用
风电机组在发电的过程中，机械部分一直处于高度的运转当中，整体的工作强度比较高，与此同时风电机组的建设位置比较特殊，通常情况下是在海上、荒地、高地，工作的环境比较恶劣。随着风力发电装机机组应用的范围越来越广泛，为了进一步保障这些设备可以在恶劣的环境下运行，减少工作中出现的故障，需要将人工智能技术应用在其中。
1.1风电机组故障诊断的方法
风电机组是机电综合系统，如果发生故障，主要体现在以下几个方面分别是电气系统故障、发电机故障、齿轮箱故障、变桨系统故障，这些故障有可能是独立的发生，也有可能是并发。在通常情况下，任何一部分发生故障都会反映出其他部分的运行状态，故此，整体的故障诊断难度比较大。在诊断风电机故障的过程中，主要会应用到智能诊断方法、数学诊断法、传统诊断法。传统诊断法在具体应用的过程中，主要是对系统的运行状态进行监测，通过对数据进行分析，可以结合其他的表现方式进行故障诊断[1]。数学诊断法则是通过对模式识别，在距离相关数据的基础之上对故障进行诊断，智能诊断法会包括遗传算法、模糊逻辑、神经网络等等。现阶段，工作人员对风力机组进行故障诊断的过程中，大多数都是依靠人工检测，还不能实现全自动诊断，可见通过应用人工智能技术帮助人们摆脱人工检测具有重要的意义。
1.2采用人工神经网络算法进行风电机组故障诊断
人工神经网络主要是对人类的大脑进行模拟，最终可以形成人工智能算法，该方法需要进行自我训练，了解计算机的学习规律，在输入特定的数值之后，系统会自动算出接近预期的输出值。BP神经网络是神经网络算法中研究比较成熟的网络模型之一，在机械故障诊断当中应用的比较广泛，尤其是对齿轮箱和发电机所出现的故障，整体的检测效率比较高。工作人员对风电机组进行检测的过程中，通过应用BP神经网络，可以使整体的容错能力有大幅度提升，也会降低故障的检查错误率[2]。在检测风机故障的过程中，工作人员会输入特定的实时数据，系统经过一系列训练之后，可以呈现出完整的模型，在模型当中会对各个节点的数据进行计算，通过对数据进行分析，可以进一步检测系统是否存在故障。
2人工智能算法在风电发电量预测中的应用
2.1风电功率预测的方法
现阶段，风电功率预测方法主要分为两大类，第一类是统计与做法，第二类是物理预测法。物理预测法在应用的过程中，主要是对风速、风向、温度等相关气象数据进行预测，除此之外，还会对周围的地质和气候条件信息进行分析，比如说地表粗糙度和海拔等高线。综合获取一系列的数据之后构建完整的数学模型，对数据进行计算和分析，通过应用气象学理论，可以进一步了解风机的轮穀高度风速和风向。
物理预测法在具体应用的过程中，并不需要对以往的历史数据进行收集，但是也存在一定的缺点，在获取天气数据和地理信息时，需要输入准确的数据，而且参照的一些参数比较多。天气预报并不是实时进行发布的，针对中长期的预测可以应用物理预测方法。统计预测法主要是应用数学统计方法，建立起了实际发电量和历史数据之间的关系，通过对关系进行模型分析，可以预测出未来的风电发电量。
2.2采用人工神经网络算法预测短期风电功率
人工智能法具有比较多的优点，其中比较突出的就是拥有大量的数据、智能化、自动化，可以在众多的数据当中寻找到各个数据之间所存在的映射关系，从而可以进行精准的统计和预测。在学习相关机器算法之后，可以建立风电发电量短期风电功率和相关影响因素之间的联系，通过系统性的研究可以初步构成计算模型。人工智能风电功率预测法在具体应用的过程中，会分为支持向量机法和神经网络法两大，如果需要处理非线性的问题，那么应用人工神经网络法会具有明显的优势，整体的自学能力比较强，适合应用于风电功率预测工作中。经过大量的研究可以发现，人工神经网络法在具体应用的过程中，BP神经网络会低于径向基函数神经网络精度，也不会出现局部最小的问题，也不需要在计算之前确定隐含层的单元个数。训练的方式比较简便，会包括非线性函数能力、学习速度、分析能力，训练的整体表现会明显高于BP神经网络。在预测风电场短期发电功率的过程中，可以应用RBF神经网络，在构建RBF神经网络模型的过程中，会包含隐含层、输出层、输入层[3]。风机的输出功率会受到风电场风速的影响，除此之外还会受到空气密度的干扰，由于空气密度不容易被测量，在获取相关数据时也具有一定难度。风机当中包含了偏航系统，可以进行自动对风，也不用考虑风向所带来的影响。在进行输出训练的过程中，可以选取一段工作时间内的风机电功率输出情况，了解系统运行时环境的温度，除此之外，还要考虑到风速、预测风电输出功率、环境温度等相关的因素。
2.3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对发电功率进行预测，除此之外，还可以预测电网的用电负荷，了解具体的用电需求。微电网连接分布式的风电，光伏会接入到小型的电网当中，分布式风电的发电功率不稳定，人工神经网络算法在对整个系统运行相关数据进行预测的过程中，还需要构建更加精准的数据分析模型。电网内的负荷比较小，使得电网内的惯性也会比较小，当系统的波动性比较强的时候，会使得短期内的负荷预测工作更加复杂。在解决负债预测问题的过程中，可以应用人工智能神经算法，对短期内负荷进行预测之前，需要对负荷的类型进行精准的划分，进一步了解微电网内用户的用电特点。训练工作在开展的过程中，对微电网的具体用电量进行实测分析，了解以往的历史数据，结合多种影响因素开展训练工作[4]。在构建完善的计算模型之后，通过输入气象数据就可以获取负荷的预测值。通过对用户的负荷以及整体的风力发电功率进行预测，可以了解到系统对于这些数据的微调细节，进一步提高电力系统的稳定性和安全性。
结束语
综上所述，应用人工智能算法可以对人类的思维进行模拟，更好的解决风电发电领域存在的问题。人工智能算法可以对发电负荷进行精准的预测和分析，还可以诊断设备的故障，提前做出预警。随着人工智能技术发展越来越成熟，结合物联网技术可以推动风电系统向智能化和全自动化方向发展，推动风电发电领域稳定可持续发展。
参考文献
[1]彭华东，陈晓清，任明.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，2019，27（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，2019，39（15）：80-83.
[4]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，2019，39（17）：144-148