人工智能技术在风力发电领域的应用

人工智能技术在风力发电领域的应用

姚兴旺

中电投新疆能源化工集团吐鲁番公司 新疆维吾尔自治区 838000

摘要：随着世界经济的不断增长，全球对于能源的需求不断增长，过去以火电为主的传统能源方式对环境的污染日益凸显。因此如何处理好驱动人类经济发展的能源保障与环境保护成为一大难题，而利用以风能为能源发电形式的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。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。

关键词：人工智能；新能源技术；风电

引言

为进一步响应国家可持续发展的号召，提倡低碳生活，大力发展风电资源是我国可持续发展道路上的重点之一，众所周知，煤炭资源属于不可再生资源，生成周期非常长，甚至需要上千年的生成周期。因此，风电新能源的开发与利用成为我国资源可持续发展的重要选择之一。风能是一种洁净能源，可以说是取之不竭、用之不尽，我国沿海地区、草原地区、山区以及高原地区等严重缺乏煤炭资源和水资源，但是这些地区的风能资源丰富，依据不同地区的优势资源来带动当地的发展,已经成为是我国可持续发展战略的重要组成部分之一。

1风力发电技术应用优势

风力发电技术的应用有着诸多层面的优势，风力发电技术的应用愈来愈广泛，技术应用中要注重科学化，通信这一新兴技术应用来促进地方经济发展。从风力发电技术的应用优势来看，主要体现在以下几个层面：其一，风力发电技术应用经济性优势。风力发电技术的实际应用过程中，风电电价的下降速度比较快，有的已经接近燃煤的发电成本，在经济效益上已经开始逐渐的凸显。风力发电能力每增加一倍，成本就会下降15%，风电增长保持在30%以上，所以在成本上也在不断的下降[2]。加上风能资源的丰富，在未来的风力发电技术的应用方面，经济性的优势将会更为显著。其二，风电工程建设期短，见效快。风力发电技术的应用发展中，在进行建设风电工程的过程中比较迅速，可通过周、月计算，在短期内就能完成工程，解决用电的急迫需求。风力发电技术的应用，能够对边远农村独立供电发挥积极作用，节约西部地区分散性电力的需求，这样就能有助于满足这些区域人们对能源发展的需要。其三，风电发电技术应用综合优势。从风力发电技术的应用综合优势来看，由于风能是清洁能源，所以不会对生态环境产生不利影响，风能的工程设施建设水平在不断提升，生产成本将会得到进一步的降低，有的区域风力发电成本已经低于发电机的成本。还有就是风能设施是不立体的设施，这对保护陆地生态能起到积极作用，风能的大规模使用能减少二氧化碳排放。这些综合性的技术应用优势，也是对风力发电技术应用质量提升的重要体现。

2人工智能技术在风力发电领域的应用

2.1低电压风机穿越技术

在风里发电技术中比较关键的技术是低电压穿越技术。当降低风机出口的电压时，如果不对低电压的穿越情况进行考虑，造成风区内风机出现大面积的拖网现象，导致正片风区全部发生瘫痪，电力系统也因此出现不稳定的情况。因此当前在设计的时候都对风机的低电压穿越能力有较高的要求，使这种低压运行的影响对风场的安全性的威胁发挥有效控制的效果。此外，在处于低电压状态时，若要保证风机继续保持强大的穿越能力，应以电压本身为切入点，对其进行更加科学合理的设计，如果发生凹陷的电压区域是风机出口，可通过对SVG、AVC等技术的有效应用使其快速接近正常水平，最大限度的为低电压风机穿越性作业的开展提供有利环境。

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。

2.3生物质能发电

生物质能发电可以从三方面进行思考。第一是农林生物质，针对该生物质能可以根据不同地区环境进行建设与发展。例如，秸秆残留物质较多的粮食生产区，可以采用秸秆燃烧发电；在林区要根据生态特点，将多余作物合理加工，再进行生物质发电建设；在东北地区，考虑到防尘固沙的需要，可以在发展灌木林的前提下，建设发电项目。第二，垃圾的有效利用，随着城市建设的不断发展，人们生活质量的提升，城市垃圾不断增加。因此，根据实际适当发展垃圾焚烧发电不仅能够有效减少资源浪费，同时对于维护城市环境有着重要意义。并且可以在偏远地区运用垃圾填埋的办法进行垃圾的集中处理，发展沼气发电，进一步推动垃圾发电项目的发展以及清洁燃烧技术的提升。第三，燃气发电，生物质资源多的地区可以进行燃气发电。借助畜牧养殖场，建设养殖废弃物生物质发电项目。并将相关领域的废弃排泄物进行充分利用，在减少污染的同时促进沼气发电工程的建设。

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]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.

[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.

[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，2011，39（17）：144-148．

[5]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.