風力發電領域人工智能技術運用分析

北京中拓新源科技有限公司 尹 哲

隨著全球對可再生能源需求增加，風力發電作為一種清潔、可再生能源被廣泛應用。然而，風力發電系統運維和管理面臨著一系列挑戰，如風速預測、故障檢測和設備優化等，各類問題需要通過高效監測和智能化決策支持系統予以解決，因此引入人工智能技術，成為一種有效的解決方案。

1 本文案例智能系統結構

本文中案例設計多結構智能模型，將其應用到風力發電領域之中。系統具備數據采集、數據監測、數據分析基本功能，其核心是利用智能算法支持系統的運行?？紤]到案例數據來源的復雜性，設計應用多源傳感器融合技術實現數據的綜合采集和處理，具體功能模塊如圖1所示。

圖1 風力發電一體化智能系統結構模型

人工智能技術應用基于智能系統實現，其核心功能為功率預測、能源調度、故障診斷和智能運維。前端配置傳感器裝置，利用智能算法支持各功能實現。在智能功率預測模塊中，前端環境傳感器獲取風速、風向、溫度等氣象數據，進行數據清洗和處理。系統依據算法從采集的數據中提取重要特征，如風速變化趨勢、風向變化等，并利用機器學習和深度學習算法構建功率預測模型，并通過訓練和優化提高預測準確性。根據預測結果和實際情況，調整風力發電機組的運行參數，最大限度地利用風能。

在智能調度功能模塊中，系統會依據智能算法分析不同時間段（高峰期和低谷期）的能源需求情況，并根據能源需求和風力發電機組的實際輸出，優化算法進行能源供給的調度，以實現最佳的能源分配和利用效率。結合儲能設備，進行儲能的計劃和管理，以應對風力發電的波動性。在故障診斷和智能運維功能模塊中，通過傳感器實時采集風力發電機組的運行數據，如溫度、振動、轉速等。利用機器學習和數據分析技術，對傳感器數據進行實時監測和分析，檢測異常情況并進行故障診斷。根據故障診斷結果和運行數據，提供運維決策支持，如維護計劃、備件調配等[1]。

以上模塊可以相互交互和整合，形成一個完整的人工智能應用系統，實現風力發電的智能化管理和優化。本文中案例通過智能功率預測、能源智能調度和設備實時監測與智能診斷運維技術的應用，有效提高了風力發電系統的效率、可靠性和經濟性，推動可再生能源的可持續發展。

2 人工智能技術在風力發電領域的應用實踐

2.1 智能功率預測技術應用

2.1.1 實際功率數據分析

SCADA 系統，建立數據判別模型，識別風機實際功率數據。本文中案例數據來源于某風電場內2MW 風機輸出的系統數據，運行參數指標為切入速度3m/s、切出速度20m/s，額定速度10m/s，轉速為16.8r/min。系統記錄設備運行的傳感器測量數據信息，包括電流、功率、風速、轉速、溫度、葉漿距角等，共計特征量為35個，部分監測數據結果見表1。

表1 數據監測結果

SCADA 系統每間隔10min 采集一次數據，數據分析過程中，得到數據變量后，建立數據元組，具體組合如下：D=（X1i,X2i,…,X35i）,i=n，式中：n 表示數據元組的數量，X 表示特征變量，D 表示元組集合。在獲取特征變量的同時，確定不同時間點內風電機組運行過程中的特征參數。利用聚類算法實現數據的處理。聚類算法會識別樣本數據分布的緊密程度，對每個數據點給定數目，按照密度劃分數據類別。在應用聚類算法時，將某個數據點作為中心，使用EPS 參數表達樣本的緊密程度，并將數據點作為中心，確定半徑內的球空間大小，構成領域。隨后確定鄰域內的數據點數，確定直接密度可達，即核心對象內和鄰域內兩點[2]。

2.1.2 神經網絡模型構建

在風電機組功率預測過程中，需要利用神經網絡模型算法，建立ABC-BP 神經網絡，尋求計算過程中的最優解。在計算過程中，導入樣本數據集，建立神經網絡，隨后進行數據的初始化處理。初始化處理將數據源確定為Ns 個，迭代次數為N 次，在空間生成初始解數值為M 個，具體數據初始化公式如下：gi=gmin+rang（0,1）（gmiax-gmin），式中：g 表示處世界，i 表示迭代次數，max 和min 分別表示最大閾值和最小閾值，i 在初始解數量的范圍之內。

利用上述公式求解之后，計算函數的適應性，判斷數據的來源及質量。隨后進行選解的階段。在神經網絡模型中，數據是隨機生長的，利用輪盤的基本原理進行收益率的計算，并在達到極限值后，確定新的數據，達到最大迭代次數之后結束該過程。在結束之后，會得到經過神經網絡模型優化之后的權值以及閾值，形成基本的算法功率預測模型 。

2.1.3 實際狀態功率預測

在預測風電機組運行過程中的實際輸出功率過程中，需要就某一時間階段基于歷史數據和實際采集數據預測功率。本案例基于SCADA 系統共計采集數據數量為36752個，其中有關風電機組的參數數量為52個，包含風電機組運行的各類參數信息，其中包括溫度、槳葉角度、軸承溫度、轉速、風向、風速等。利用采集的數據和神經網絡模型，進行功率預測。

具體步驟如下：結合風電機組的實際運行原理，將各參數作為輸入層，功率作為輸出層，導入到算法之中，利用功率輸入關系實現智能預測；獲取正常數據參數，建立樣本數據集，對數據集進行標準化處理，避免出現量綱不同的情況出現，以消除參數差異對模型所產生的不良影響；將樣本數據按照標準劃分訓練集，設置訓練集大小。數據組為30217×8個，測試集數量為6535×8個；根據神經網絡功率預測模型，利用算法進行參數優化，得到最佳的參數設置，將模型保存在空間之中。

本案例基于對風機數據的提取，利用上述智能模型進行功率預測。最終預測效果比較好，計算最終平均絕對誤差數值為13.2，均方根誤差為22.3，智能功率預測系統能夠根據機組的實際運行狀態將最終的輸出功率呈現在交互界面之中，為相關人員的運營決策提供借鑒。

2.2 能源智能調度技術應用

2.2.1 目標函數及約束條件

2.2.2 自適應調度模型構建

具體求解步驟如下：模型初始化，設置時段及約束條件；隨機初始化啟停管理，調整調度時段，并初始化；確定所有粒子處于得到啟停狀態，進行可行解后，完成經濟分配過程；啟停狀態尋優處理；完成全部調度時段覆蓋；以總成本最小為目標完成調度經濟分配。

2.3 風電設備智能故障診斷及運維技術應用

2.3.1 信號特征提取

本案例為進一步確保風電設備系統運行的穩定性，利用智能技術完成智能故障診斷的過程，實現風電機組相關設備運行的智能運維。系統應用HVD算法，進行故障診斷，并在信號特征提取上應用粒子群優化算法?？紤]到算法分解受到個數與頻率參數的限制影響，本案例為更加科學、準確地獲取故障信息，進行HVD 參數的優化。粒子群建立公式為：Ni=[Xi;Vi]，式中：N 表示集合，i 表示數量，X 表示橫坐標，V 表示縱坐標。完成粒子群建立后開始粒子群評估，評估完成后進行粒子群優化，并進行迭代運算，確定時間內的粒子群最優位置。本案例對風場風電機組實測數據進行可行性分析，確定轉速和采樣頻率分部為1600rpm 和12.8kHz，結合實測數據和對應的故障振動信號，利用算法避免環境噪聲干擾的影響，觀察和提取故障特征值。

2.3.2 OHVD 故障信號診斷

由于大部分的設備處于動態運轉過程中，HVD信號處理方法適用于非穩定信號的處理具有一定的優勢。在智能故障診斷及運維過程中，將分解信號作為低維數據特征輸入，提取DBN 網絡模型，診斷故障類型，并利用隱含特征值將故障診斷結果顯示在人機交互界面之中。在過程中使用具有自適應的OHVD 算法，進行隱含特征的分析和提取，完成故障信號診斷的最終過程。

在故障信號診斷過程中，模型運行后自定義包絡峰度最大函數數值，隨后進行初始化粒子群的優化參數，將種群的個數初始化，建立自我學習和群體學習群組。調動最大函數后，進行粒子群的自適應優化，得到最優的參數組合。隨后對參數進行HVD 分解，經過FFT 變換之后，得到故障信號。隨后進行分解信號的特征降維處理，開始網絡訓練的過程，最終經過網絡訓練學習之后，實現故障特征的可視化，最終利用分類集加以處理，完成故障信號診斷過程。

綜上所述，本案例建立多結構模型，采用分布式結構設計智能系統，將智能系統運用到風力發電領域之中，實現對風力發電功率預測、能源調度、故障診斷及智能運維，有效提高了風電設備的性能，避免了可能出現的問題。