國華（江蘇）風電有限公司 顧素平

世界各國對能源的需求量不斷增加，以火電為主的能源供應模式對生態(tài)環(huán)境造成嚴重污染。確保能源供應的充足性、減少環(huán)境污染是人類社會發(fā)展中面對的共同問題，基于以風能為主要能源的發(fā)電形式下產(chǎn)生的新能源技術是處理以上問題的有效方法之一，但該項技術是一種新興科技手段，在實踐應用中一些問題急待處理。人工智能是“科技革命”中形成的重要標志之一，其有仿真模擬個體意識、思維信息過程的能力，合理應用該項技術能使風電技術應用時的很多問題迎刃而解。

人工智能（AI）也被叫做智械、機器智能，是指用人生產(chǎn)制造出的機器產(chǎn)品所呈現(xiàn)出的智能。大部分情況下人工智能即利用常規(guī)計算機程序呈現(xiàn)出人類智能、智慧的技術方法。在一般教材內(nèi)人工智能也被定義成“智能主體的研究與設計”，智能主體為一個能夠觀察周邊環(huán)境狀態(tài)、且能作出相應行動以實現(xiàn)預期目標的系統(tǒng)。AI會牽扯到很多核心問題，包括建設出和人類相似度很高甚至超出的推理、知識、規(guī)劃學習、溝通、感知、操控機械設備的技能等[1]。思維始源于電腦，思維對個體行為能起到一定調(diào)控作用，意志是達成行為需要的基礎，思維能收集、梳理所有數(shù)據(jù)信息，相當于數(shù)據(jù)庫，故而AI有很大概率演變成機器將人類取而代之。

1 人工智能在風力發(fā)電領域中的應用

必要性。風力是一種可再生資源，鑒于風電隨機性、間斷性與波動性特征，造成大范圍風電并網(wǎng)可能會影響電網(wǎng)運行安全性，造成出力質(zhì)量欠佳。風電場在輸出功率方面存有隨機性特征，為規(guī)避其形成的影響，應加大對輸出功率內(nèi)間斷性、波動性的調(diào)控，重點實現(xiàn)風電裝置有功功率的均衡性。規(guī)模不斷拓展的電網(wǎng)項目對電網(wǎng)設備容量的需求持續(xù)增加，可能會降低電網(wǎng)發(fā)電效率，合理應用AI技術是提升電網(wǎng)發(fā)電效率的有效方法之一。利用基于AI技術建設智能風場并有效應用數(shù)據(jù)挖掘技術，是使數(shù)據(jù)信息安全性得到保障的重要基礎，也是電力系統(tǒng)安全、穩(wěn)定運行的重要基礎。

可行性。和其他機組相比較風電場有功節(jié)能效率偏低，多應用功率控制法去調(diào)控風電機組的最大功率，進而提高風電場的運作效率。數(shù)字化的電力裝置是應用人工智能技術的基礎，當下國內(nèi)既有的風電系統(tǒng)基本整體實現(xiàn)了數(shù)字化，故而將AI技術用于風電領域中是十分可行的。

優(yōu)勢。首先，風電自動化系統(tǒng)控制人員在管理決策內(nèi)通過合理應用AI技術，能夠起到?jīng)Q定性作用?？焖贁U增、迅猛增長的風電自動化控制數(shù)據(jù)下，利用影像、發(fā)電機組運營數(shù)據(jù)，在AI技術的支撐下能夠篩選與分析出各種數(shù)據(jù)，并將幫助和服務項目提供給各種工況與故障維修過程，這也是風電自動化控制系統(tǒng)后續(xù)發(fā)展的主要方向之一[1]；其次，AI技術能提供個性化的服務項目，合理應用大數(shù)據(jù)技術掌握發(fā)電機組的所有運行數(shù)據(jù)，聚集信息形成檔案資料，能更有針對性的為某個發(fā)電機組提供相配套的服務方案；最后，加速新業(yè)態(tài)和服務形式的產(chǎn)出速度，在互聯(lián)網(wǎng)平臺上應用AI技術，為管理者提供網(wǎng)絡及異地管理等諸多功能。

2 實踐應用

2.1 檢查診斷風電機組故障

風電機組是電網(wǎng)機電綜合系統(tǒng)，在運行階段，齒輪箱、電氣系統(tǒng)及發(fā)電機等均是故障問題的高發(fā)區(qū)，故障可能是獨立出現(xiàn)的，但在大部分工況下不同故障之間形成了一定映射關系，無形中增加電網(wǎng)狀態(tài)監(jiān)測及故障問題診斷難度系數(shù)。常規(guī)診斷、數(shù)字化及智能化故障診斷等均是診斷風電機組故障的常用方法。其中，傳統(tǒng)診斷法一般是解讀電網(wǎng)狀態(tài)監(jiān)測到的數(shù)據(jù)信息，配合其他方法對故障做出診斷；數(shù)字化診斷法主要有模式辨識、模糊診斷、基于距離判據(jù)進行的故障診斷等；智能化診斷法的常見形式有模糊邏輯、神經(jīng)網(wǎng)絡、遺傳算法等。當下國內(nèi)風力機組的故障診斷系統(tǒng)在多數(shù)情境下依然依賴傳統(tǒng)人工形式完成分析、檢測工作，尚沒有實現(xiàn)故障問題診斷的全自動化水平，故而合理應用AI技術是達到自動化診斷的重要支撐。

可應用人工神經(jīng)網(wǎng)絡算法檢查診斷風電機組投用階段發(fā)生的故障問題。人工神經(jīng)網(wǎng)絡即模擬人類大腦學習知識過程而提出的一種AI算法，其在應用階段不需事前列出能呈現(xiàn)輸入、輸出映射關系的數(shù)學方程，僅需通過自我訓練，計算機學得一些規(guī)律，在給出輸入具體值的情境下能較順利的獲得最鄰近設計輸出值的結(jié)果。在神經(jīng)網(wǎng)絡算法內(nèi)BP神經(jīng)網(wǎng)絡是成熟度相對較高、應用范疇較寬廣的一種預測網(wǎng)絡模型。

既往BP神經(jīng)網(wǎng)絡在機械故障診斷領域中應用的案例數(shù)不勝數(shù)，在診斷風電機組內(nèi)的齒輪箱和發(fā)電機故障方面也取得了較好的示范作用。規(guī)范應用BP神經(jīng)網(wǎng)絡檢測診斷風電機組運行狀態(tài)能較好地滿足其在動態(tài)化監(jiān)測與高容錯能力方面提出的要求，降低故障誤報、錯報等情況的發(fā)生率。參照BP神經(jīng)網(wǎng)絡技術和風電機械故障診斷方面形成的研究經(jīng)驗，可以建設出風電機組故障診斷模型（見圖1）[2]。

圖1 BP神經(jīng)網(wǎng)絡診斷風電機組故障模型圖

本模型系統(tǒng)主要由三大部分構(gòu)成，即輸入層、隱含層與輸出層。輸入層的功能以選定風速、風向等自然參數(shù)，主風輪轉(zhuǎn)速、電機轉(zhuǎn)速等機械參數(shù)，輸出功率、發(fā)電頻率等電氣參量為主，在具體應用階段能依照運轉(zhuǎn)環(huán)境條件、機械設備各個參數(shù)的敏感性數(shù)據(jù)等進行微調(diào)整；輸出層由機組正常、齒輪箱異常、發(fā)電機及偏航系統(tǒng)異常4個量組合而成。參照風電場正常與故障問題工況下對應的數(shù)據(jù)，能夠精準的獲得電網(wǎng)常態(tài)與電機、齒輪箱、偏航系統(tǒng)故障工況下對應的樣本值，并將其統(tǒng)一設定成預警和報警樣本值。神經(jīng)網(wǎng)絡輸出節(jié)點依次對應的是機組運行狀態(tài)正常及以上三種類型不同設備裝置的異常，如果輸出值和樣本值相近度越高，則預示著發(fā)生故障問題的概率更大。從宏觀上可將BP神經(jīng)網(wǎng)絡模型系統(tǒng)運行過程分成學習訓練、模型運用兩個過程[3]：

學習訓練：在離線狀態(tài)下，利用目標樣本去規(guī)范化的訓練神經(jīng)網(wǎng)絡、調(diào)整網(wǎng)絡權值，能夠獲得現(xiàn)實的網(wǎng)絡模型。如果訓練和設計輸出值兩者差值非常小時，則預示著該模型已被訓練好。而后利用各個節(jié)點輸出第一與第二閉值，將和各個異常狀態(tài)相對應的對節(jié)點的最小、平均輸出值分別設定成第一、第二閾值。

模型運用：在診斷風機故障時，輸進自然及機組有關數(shù)據(jù)，利用前期訓練好的模型進行測算，準確的輸出各個節(jié)點對應的具體值。如發(fā)現(xiàn)某個節(jié)點輸出值低于第二閾值但高于第一閾值時，則提示可能發(fā)生了該類故障，將報警信號傳遞給電場運行管理人員；若節(jié)點輸出值高于第二閾值，則預示著已經(jīng)發(fā)生了這種故障，應快速采用斷離故障風機等方法以防故障范圍蔓延，并將相關信息反饋給檢修人員。

2.2 預測風電發(fā)電量

智能化、數(shù)據(jù)量龐大等均是AI的優(yōu)勢，能在規(guī)模超級大的數(shù)據(jù)量內(nèi)快速探尋到其映射關聯(lián)性，進而達到統(tǒng)計、預測目的?；跈C器學習算法構(gòu)建出的風電發(fā)電量短期內(nèi)風電功率和影響因子之間的關聯(lián)性，把這種非關聯(lián)性訓練成模型，能較精準、便捷的預測出短期風電功率。鑒于人工網(wǎng)絡法在處置非線性問題方面獨占優(yōu)勢，自學習、自適應能力均處于較高水平，故而在風電功率預測領域中有較廣泛的應用。

既往有研究發(fā)現(xiàn)，和BP神經(jīng)網(wǎng)絡相比較徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡在精準性方面更占優(yōu)勢，其規(guī)避了局部最小問題，事前無需設定隱含層的單元數(shù)目。算法原理可做出如下表述：用RBF作為隱含層節(jié)點的“基”，利用其組建成隱含層空間。而后轉(zhuǎn)換輸入變量，即將低維的模式輸入數(shù)據(jù)轉(zhuǎn)換至高維空間內(nèi)，解決在低維空間中線性無法分解的問題。因其訓練過程有簡潔性特征，其在分析能力、學習速率等方面均好于BP神經(jīng)網(wǎng)絡，因此可嘗試用其預測風電場的短期發(fā)電功率。

RBF神經(jīng)網(wǎng)絡模型同樣由輸入、隱含及輸出層3大部分構(gòu)成。在輸入層內(nèi)，風電場實際風速是決定風機輸出功率大小的主要因素，空氣密度也影響功率指標[4]。因為風機自帶偏航系統(tǒng)，能達到智能對風，故而針對風向形成的影響可以忽略不計。選定前期某階段風機的電工率輸出值、氣候溫度及后期某時段的風速作為訓練樣本的輸出項，而后依照設定的程序開展訓練，針對訓練所得的模型帶進風速、氣候溫度，這樣便可預測出風電輸出功率。

2.3 用于微電網(wǎng)系統(tǒng)

在預測風電機組短期負荷之前應合理劃分負荷所屬類別，可參照微電網(wǎng)中用戶的實際用電特征，把負荷分成照明、取暖、生產(chǎn)制造等，而后整理負荷數(shù)據(jù)。訓練時刻選用微電網(wǎng)用電量每1h實測值和對負荷預測效果形成不良影響的氣候數(shù)據(jù)進行綜合訓練。獲得訓練好的模型后，輸進后續(xù)所得的氣候數(shù)據(jù)得到電力負荷預測值，參照所得數(shù)據(jù)調(diào)控微電網(wǎng)內(nèi)的電力潮流，有助于提升電力系統(tǒng)運作過程的安穩(wěn)性。

3 展望

3.1 建設智能化風場

在風電資源生產(chǎn)階段實現(xiàn)智能化建設，需結(jié)合既往電網(wǎng)運行階段出現(xiàn)的故障問題，綜合多方面因素提出幾點可執(zhí)行高的控制和預警方法，可配合使用信號處理、故障預測技術，并基于風機數(shù)字化建模建設出信息化風場，結(jié)合集群建模與風功率預測等過程，更加精準、有效地隔離和排除故障。站在促進風場可持續(xù)發(fā)展的視角出發(fā)，AI技術應用人員應樹立大局意識，有針對性的改善風場生產(chǎn)格局；從設備上著手，減少風電生產(chǎn)管理、運維各階段的成本支出額度，借此方式能更顯著的提升模型建設的有效性。由建模的視角出發(fā)，可將其細化成多個部分，如激勵、數(shù)字、混合模型等，能夠較清晰的呈現(xiàn)出電場內(nèi)風機運行數(shù)據(jù)的輸出、輸入兩者的關系，且數(shù)據(jù)模式還有擬合風機運行參數(shù)的功能[5]。相比之下混合模型能更顯著的提升模型的精準度，且能更有效的優(yōu)化模型的運行效果，Power Up便是混合模型的經(jīng)典范例。

3.2 電動機的智能巡檢

內(nèi)部巡檢：主要是采集監(jiān)測運行階段電氣設備后臺數(shù)據(jù)，并會依照既有規(guī)范要求檢查電器設備的運行電壓、溫度及頻率等參數(shù)，還能同步檢出機械軸承局部油溫與油位各自的對應值。具體巡檢過程中可應用如下方法：基于網(wǎng)絡將一臺交換機增設在風電機組機艙頂部，利用光纖發(fā)射器將機組現(xiàn)場運行數(shù)據(jù)實時、精準的傳送到后臺監(jiān)測中心，監(jiān)測人員依照接收到的數(shù)據(jù)與機組參數(shù)設定情況有效控制機組的運行狀態(tài)。為確保以上巡檢過程能順利執(zhí)行，實現(xiàn)對風電場的整體覆蓋，確保各種監(jiān)測數(shù)據(jù)上傳過程的時效性，這是實現(xiàn)對風電機組智能化巡檢的重要基礎[6]。

外部巡檢：即檢查機組的外觀狀態(tài)，如檢查塔、機艙和槳葉等是否存在裂痕、破損等，風輪轉(zhuǎn)動過程中是否發(fā)生異常聲響、塔筒門鎖的狀態(tài)是否異常、通風孔是否受損等。在具體實踐中，可應用無人機與AR眼睛完成外部巡檢任務，其中無人機有起降過程便利、空中懸停等優(yōu)勢，能實現(xiàn)對風電機組外觀面貌的無死角拍攝；AR眼睛能實現(xiàn)對風電機組外部構(gòu)件狀態(tài)的智能化辨識，判斷其是否存在裂痕、油漆脫落等不良心現(xiàn)象，進而提升外部巡檢工作質(zhì)量和效率。

總之，利用AI算法能夠模擬人類的思維方式，迅速處置風電發(fā)電領域中的各種問題。不僅能合理預測分析發(fā)電負荷，還能實現(xiàn)對風電設備故障問題的全自動化診斷。在后續(xù)幾年中，AI技術會有更快速的發(fā)展，配合使用物聯(lián)網(wǎng)技術，進一步提升風電系統(tǒng)的智能化水平，引領風電產(chǎn)業(yè)獲得更大發(fā)展。