杨爽
2308041992****1321
摘要：随着经济的快速发展，对于能源需求不断提升，传统的以火力发电方式对环境产生严重污染，虽然能够在短时间内看到经济效益，但是不利于社会实现健康、长久的发展。所以处理好经济发展与能源保护、环境保护之间关系，是当今世界发展中面临的重要难题，利用风能发电新型模式能够协调环境保护与经济发展关系，减轻二者矛盾，能够实现能源的良好可循环利用，确保经济实现稳健发展。因此风力发电技术对于人类社会的可持续发展具有十分重要的现实性意义，但在风力发电技术之中，存在一定问题。将人工智能技术与风力发电相结合，不仅能够提升风力发电整体效率，更能有效解决风电技术发展过程中的诸多问题，实现风力发电技术与人工智能技术的高效结合，促进我国风力发电行业朝着更好、更快方向发展。
关键词：人工智能技术；风力发电；应用
1 人工智能算法在风电机组故障诊断应用
在风电机组发电过程中，其机械部分需要不断旋转，工作强度高。同时风电机组往往设在风力充沛的海上、高地和荒野，与传统火电相组分布分散工作环境往往更为恶劣。随着风力发电装机机组数量的大幅增加，能够保证其在恶劣环境下稳定运行，减少因故障未及时诊断而造成巨大经济损失成为风电面对的一大挑战。
1.1 风电机组故障诊断的方法
风电机组作为机电综合系统，其主要的故障为齿轮箱故障、电气系统故障和发电机故障等。故障可能是孤立发生，但更多情况下故障之间存在相应映射关系，对其进行状态监测与故障诊断难度大。风电机的故障诊断方法主要包括传统诊断、数学诊断和智能故障诊断。传统诊断法通常基于状态监测的数据进行分析，往往与其他方法相结合来对故障进行诊断。数学诊断法主要包括模式识别、模糊诊断、基于距离判据的故障诊断等。智能诊断方法主要包括模糊逻辑、神经网络、遗传算法等。目前，风力机组的故障诊断系统大部分情况而言，仍旧依靠人工来进行检测和分析，未达到全自动故障诊断的水平，因此通过引入人工智能技术实现智能诊断意义重大。
1.2 采用人工神经网络算法进行风电机组故障诊断
人工神经网络是模拟人类大脑学习知识而提出的一种人工智能算法。其无须事先确定输入输出映射关系的数学方程，只需通过自我训练，计算机学习一些规律，在给定输入值的情况下，得到最接近预期输出值的结果。BP 神经网络是神经网络算法中，研究较为成熟、应用广泛的预测网络模型之一。BP 神经网络在机械故障诊断中的应用广泛，对于风电机组中的齿轮箱与发电机机械故障有着很好的示范作用。同时采用 BP 神经网络对风电机组进行检测诊断能够满足其需要实时监控与容错能力高的需求，减少故障误报与错报。根据 BP 神经网络技术与故障诊断方面的研究总结。模型系统采用输入层、隐含层以及输出层 3 层 BP 神经网络结构。输入层可选取风速、风向等自然参数，风轮转速、电机转速、轮箱油温、齿液压系统压力等机械参数，输出功率、功率因数、发电频率等电气参量，可根据不同环境、不同设备各参数敏感度数据进行调整。输出层为机组正常、齿轮箱异常、发电机异常、偏航系统异常 4 个量。根据风电场以往故障情况下数据，取得设备正常以及电机、齿轮箱、偏航系统故障情况下的样本值，作为预警和报警样本值。神经网络输出节点分别对应机组正常及以上三类设备异常，输出值越接近样本值代表异常的可能性越大。故障预测诊断 BP 神经网络模型系统运行流程，分为学习训练和模型应用两个过程。
学习训练。离线时通过目标样本训练神经网络、调节网络权值，得到实际的网络模型。当训练与预期输出值之差足够小，说明已训练好模型。之后通过样本确定各节点输出第一和第二阈值，以每个异常状态对应节点的最小输出值作为第一阈值，以每个异常状态对应节点的平均输出值作为第二阈值。模型应用。在风机故障诊断应用过程中，输入自然及风电机组相关实时数据，通过已训练好的模型系统进行计算，输出各节点数据。
当某节点输出值大于第一阈值，小于第二阈值时，则说明有发生该类故障的可能性，向风电场运行人员预警。当某节点输出值大于第二阈值，说明可能已发生此类故障，及时采取如切断故障风机等措施防止故障扩大，同时通知运行人员检修。
3人工智能技术在风力发电领域的具体应用
3.1无人机应用在智能巡检之中
无人机技术具有续航时间长、抗风能力强的特点，应用在风力发电机组智能巡检之中，无人机操作人员能够对其进行适当控制，对指定位置进行拍摄，对风力发电机组实现实时监测，始终确保风力发电机组有序、高效运行状态。无人机拍摄完成之后，能够利用传输系统将拍摄到的图片、视频传输到地面接收系统，技术人员通过对资料的比对，能够分析出风力发电机组是否处于正常运行状态，与传统的人工巡检相比，使用无人机进行智能巡检，能够提升巡检效率与质量，降低巡检成本，提升企业经济效益。
3.2风电功率预测的方法
当下风电功率预测主要为物理预测与统计预测法。物理预测法是常用的风电功率预测法，通过天气预报提供数据的预测出风速以及风向等数据信息，并与风场周围的实际信息进行对比，通过构建模型，依托大数据技术对其进行准确计算，实现对风电功率的精准预算。物理预测法的优势在于不需要历史数据支持，但是需要准确的天气预报数据以及风场地理信息作为依据，涉及到的参数多。但是天气预报发布具有间隔性，所以物理预测法较为适用于短期预测。统计预测法主要利用数学统计方法，通过对实际发电量与历史发电量数据的考察，构建模型，通过对数据的统计，实现对未来风力发电量的合理预测。
3.3智能感应技术的应用
风力发电场之中要想高效运用智能化电子设备，需要对智能电网进行建模，为了对智能电网实现实时、集中高效管控，最为关键的就是对风电场设备实现高效控制，对获取的风电场设备相关数据信息进行整合、分析。智能感应器、无线感应器等感应器的应用，能够为智能风电场的有序运行提供支持。
3.4大数据分析技术的应用
智能感知技术虽然很好，但由于需要额外增加传感器，成本偏高且扩展性不足。风力发电机的数据量是相当可观，一个大型风力发电公司管理的风机高达上千台甚至近万台，年产生的数据量都在 TB 级别以上。因此如果不增加额外的传感设备，可利用新的大数据技术，采集和存储机组数据，通过机器学习、深度学习和自然语言处理等人工智能分析方法，对风机生产运行数据进行挖掘分析，实现设备运行低效分析、亚健康问题预警分析，预防风电机组的关键部件问题，减少电量损失，必将成为了新的热门应用方向。
结束语
风力发电领域关系着社会是否能够实现可持续发展，为社会发展提供能源支持。需要积极改善风力发电管理模式，提升风力发电效率，满足经济发展对能源不断增长需求。人工智能技术应用到风力发电领域之中，能够实现对风力发电机组的实时监控，提升风力发电的效率与质量，构建完备的风力发电智能化管控系统，推动我国风力发电行业实现稳健的长久发展。
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] 程世洪 . 电网风电智能化运行控制探讨 [J]. 中国高新技术企业，2015，（23）：157-158.
[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.