國華（江蘇）風(fēng)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(yīng)模式對生態(tài)環(huán)境造成嚴(yán)重污染。確保能源供應(yīng)的充足性、減少環(huán)境污染是人類社會(huì)發(fā)展中面對的共同問題，基于以風(fēng)能為主要能源的發(fā)電形式下產(chǎn)生的新能源技術(shù)是處理以上問題的有效方法之一，但該項(xiàng)技術(shù)是一種新興科技手段，在實(shí)踐應(yīng)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(biāo)志之一，其有仿真模擬個(gè)體意識(shí)、思維信息過程的能力，合理應(yīng)用該項(xiàng)技術(shù)能使風(fēng)電技術(shù)應(yīng)用時(shí)的很多問題迎刃而解。

人工智能（AI）也被叫做智械、機(jī)器智能，是指用人生產(chǎn)制造出的機(jī)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(jì)算機(jī)程序呈現(xiàn)出人類智能、智慧的技術(shù)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(shè)計(jì)”，智能主體為一個(gè)能夠觀察周邊環(huán)境狀態(tài)、且能作出相應(yīng)行動(dòng)以實(shí)現(xiàn)預(yù)期目標(biāo)的系統(tǒng)。AI會(huì)牽扯到很多核心問題，包括建設(shè)出和人類相似度很高甚至超出的推理、知識(shí)、規(guī)劃學(xué)習(xí)、溝通、感知、操控機(jī)械設(shè)備的技能等[1]。思維始源于電腦，思維對個(gè)體行為能起到一定調(diào)控作用，意志是達(dá)成行為需要的基礎(chǔ)，思維能收集、梳理所有數(shù)據(jù)信息，相當(dāng)于數(shù)據(jù)庫，故而AI有很大概率演變成機(jī)器將人類取而代之。

1 人工智能在風(fēng)力發(fā)電領(lǐng)域中的應(yīng)用

必要性。風(fēng)力是一種可再生資源，鑒于風(fēng)電隨機(jī)性、間斷性與波動(dòng)性特征，造成大范圍風(fēng)電并網(wǎng)可能會(huì)影響電網(wǎng)運(yùn)行安全性，造成出力質(zhì)量欠佳。風(fēng)電場在輸出功率方面存有隨機(jī)性特征，為規(guī)避其形成的影響，應(yīng)加大對輸出功率內(nèi)間斷性、波動(dòng)性的調(diào)控，重點(diǎn)實(shí)現(xiàn)風(fēng)電裝置有功功率的均衡性。規(guī)模不斷拓展的電網(wǎng)項(xiàng)目對電網(wǎng)設(shè)備容量的需求持續(xù)增加，可能會(huì)降低電網(wǎng)發(fā)電效率，合理應(yīng)用AI技術(shù)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(shù)建設(shè)智能風(fēng)場并有效應(yīng)用數(shù)據(jù)挖掘技術(shù)，是使數(shù)據(jù)信息安全性得到保障的重要基礎(chǔ)，也是電力系統(tǒng)安全、穩(wěn)定運(yùn)行的重要基礎(chǔ)。

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

優(yōu)勢。首先，風(fēng)電自動(dòng)化系統(tǒng)控制人員在管理決策內(nèi)通過合理應(yīng)用AI技術(shù)，能夠起到?jīng)Q定性作用?？焖贁U(kuò)增、迅猛增長的風(fēng)電自動(dòng)化控制數(shù)據(jù)下，利用影像、發(fā)電機(jī)組運(yùn)營數(shù)據(jù)，在AI技術(shù)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(wù)項(xiàng)目提供給各種工況與故障維修過程，這也是風(fēng)電自動(dòng)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(shù)能提供個(gè)性化的服務(wù)項(xiàng)目，合理應(yīng)用大數(shù)據(jù)技術(shù)掌握發(fā)電機(jī)組的所有運(yùn)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(gè)發(fā)電機(jī)組提供相配套的服務(wù)方案；最后，加速新業(yè)態(tài)和服務(wù)形式的產(chǎn)出速度，在互聯(lián)網(wǎng)平臺(tái)上應(yīng)用AI技術(shù)，為管理者提供網(wǎng)絡(luò)及異地管理等諸多功能。

2 實(shí)踐應(yīng)用

2.1 檢查診斷風(fēng)電機(jī)組故障

風(fēng)電機(jī)組是電網(wǎng)機(jī)電綜合系統(tǒng)，在運(yùn)行階段，齒輪箱、電氣系統(tǒng)及發(fā)電機(jī)等均是故障問題的高發(fā)區(qū)，故障可能是獨(dú)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(guān)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(fēng)電機(jī)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(shí)、模糊診斷、基于距離判據(jù)進(jìn)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(luò)、遺傳算法等。當(dāng)下國內(nèi)風(fēng)力機(jī)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(shí)現(xiàn)故障問題診斷的全自動(dòng)化水平，故而合理應(yīng)用AI技術(shù)是達(dá)到自動(dòng)化診斷的重要支撐。

可應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法檢查診斷風(fēng)電機(jī)組投用階段發(fā)生的故障問題。人工神經(jīng)網(wǎng)絡(luò)即模擬人類大腦學(xué)習(xí)知識(shí)過程而提出的一種AI算法，其在應(yīng)用階段不需事前列出能呈現(xiàn)輸入、輸出映射關(guān)系的數(shù)學(xué)方程，僅需通過自我訓(xùn)練，計(jì)算機(jī)學(xué)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(shè)計(jì)輸出值的結(jié)果。在神經(jīng)網(wǎng)絡(luò)算法內(nèi)BP神經(jīng)網(wǎng)絡(luò)是成熟度相對較高、應(yīng)用范疇較寬廣的一種預(yù)測網(wǎng)絡(luò)模型。

既往BP神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷領(lǐng)域中應(yīng)用的案例數(shù)不勝數(shù)，在診斷風(fēng)電機(jī)組內(nèi)的齒輪箱和發(fā)電機(jī)故障方面也取得了較好的示范作用。規(guī)范應(yīng)用BP神經(jīng)網(wǎng)絡(luò)檢測診斷風(fēng)電機(jī)組運(yùn)行狀態(tài)能較好地滿足其在動(dòng)態(tài)化監(jiān)測與高容錯(cuò)能力方面提出的要求，降低故障誤報(bào)、錯(cuò)報(bào)等情況的發(fā)生率。參照BP神經(jīng)網(wǎng)絡(luò)技術(shù)和風(fēng)電機(jī)械故障診斷方面形成的研究經(jīng)驗(yàn)，可以建設(shè)出風(fēng)電機(jī)組故障診斷模型（見圖1）[2]。

圖1 BP神經(jīng)網(wǎng)絡(luò)診斷風(fēng)電機(jī)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(fēng)速、風(fēng)向等自然參數(shù)，主風(fēng)輪轉(zhuǎn)速、電機(jī)轉(zhuǎn)速等機(jī)械參數(shù)，輸出功率、發(fā)電頻率等電氣參量為主，在具體應(yīng)用階段能依照運(yùn)轉(zhuǎn)環(huán)境條件、機(jī)械設(shè)備各個(gè)參數(shù)的敏感性數(shù)據(jù)等進(jìn)行微調(diào)整；輸出層由機(jī)組正常、齒輪箱異常、發(fā)電機(jī)及偏航系統(tǒng)異常4個(gè)量組合而成。參照風(fēng)電場正常與故障問題工況下對應(yīng)的數(shù)據(jù)，能夠精準(zhǔn)的獲得電網(wǎng)常態(tài)與電機(jī)、齒輪箱、偏航系統(tǒng)故障工況下對應(yīng)的樣本值，并將其統(tǒng)一設(shè)定成預(yù)警和報(bào)警樣本值。神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)依次對應(yīng)的是機(jī)組運(yùn)行狀態(tài)正常及以上三種類型不同設(shè)備裝置的異常，如果輸出值和樣本值相近度越高，則預(yù)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(luò)模型系統(tǒng)運(yùn)行過程分成學(xué)習(xí)訓(xùn)練、模型運(yùn)用兩個(gè)過程[3]：

學(xué)習(xí)訓(xùn)練：在離線狀態(tài)下，利用目標(biāo)樣本去規(guī)范化的訓(xùn)練神經(jīng)網(wǎng)絡(luò)、調(diào)整網(wǎng)絡(luò)權(quán)值，能夠獲得現(xiàn)實(shí)的網(wǎng)絡(luò)模型。如果訓(xùn)練和設(shè)計(jì)輸出值兩者差值非常小時(shí)，則預(yù)示著該模型已被訓(xùn)練好。而后利用各個(gè)節(jié)點(diǎn)輸出第一與第二閉值，將和各個(gè)異常狀態(tài)相對應(yīng)的對節(jié)點(diǎn)的最小、平均輸出值分別設(shè)定成第一、第二閾值。

模型運(yùn)用：在診斷風(fēng)機(jī)故障時(shí)，輸進(jìn)自然及機(jī)組有關(guān)數(shù)據(jù)，利用前期訓(xùn)練好的模型進(jìn)行測算，準(zhǔn)確的輸出各個(gè)節(jié)點(diǎn)對應(yīng)的具體值。如發(fā)現(xiàn)某個(gè)節(jié)點(diǎn)輸出值低于第二閾值但高于第一閾值時(shí)，則提示可能發(fā)生了該類故障，將報(bào)警信號(hào)傳遞給電場運(yùn)行管理人員；若節(jié)點(diǎn)輸出值高于第二閾值，則預(yù)示著已經(jīng)發(fā)生了這種故障，應(yīng)快速采用斷離故障風(fēng)機(jī)等方法以防故障范圍蔓延，并將相關(guān)信息反饋給檢修人員。

2.2 預(yù)測風(fēng)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(guān)聯(lián)性，進(jìn)而達(dá)到統(tǒng)計(jì)、預(yù)測目的?；跈C(jī)器學(xué)習(xí)算法構(gòu)建出的風(fēng)電發(fā)電量短期內(nèi)風(fēng)電功率和影響因子之間的關(guān)聯(lián)性，把這種非關(guān)聯(lián)性訓(xùn)練成模型，能較精準(zhǔn)、便捷的預(yù)測出短期風(fēng)電功率。鑒于人工網(wǎng)絡(luò)法在處置非線性問題方面獨(dú)占優(yōu)勢，自學(xué)習(xí)、自適應(yīng)能力均處于較高水平，故而在風(fēng)電功率預(yù)測領(lǐng)域中有較廣泛的應(yīng)用。

既往有研究發(fā)現(xiàn)，和BP神經(jīng)網(wǎng)絡(luò)相比較徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)在精準(zhǔn)性方面更占優(yōu)勢，其規(guī)避了局部最小問題，事前無需設(shè)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(diǎn)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(xùn)練過程有簡潔性特征，其在分析能力、學(xué)習(xí)速率等方面均好于BP神經(jīng)網(wǎng)絡(luò)，因此可嘗試用其預(yù)測風(fēng)電場的短期發(fā)電功率。

RBF神經(jīng)網(wǎng)絡(luò)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(fēng)電場實(shí)際風(fēng)速是決定風(fēng)機(jī)輸出功率大小的主要因素，空氣密度也影響功率指標(biāo)[4]。因?yàn)轱L(fēng)機(jī)自帶偏航系統(tǒng)，能達(dá)到智能對風(fēng)，故而針對風(fēng)向形成的影響可以忽略不計(jì)。選定前期某階段風(fēng)機(jī)的電工率輸出值、氣候溫度及后期某時(shí)段的風(fēng)速作為訓(xùn)練樣本的輸出項(xiàng)，而后依照設(shè)定的程序開展訓(xùn)練，針對訓(xùn)練所得的模型帶進(jìn)風(fēng)速、氣候溫度，這樣便可預(yù)測出風(fēng)電輸出功率。

2.3 用于微電網(wǎng)系統(tǒng)

在預(yù)測風(fēng)電機(jī)組短期負(fù)荷之前應(yīng)合理劃分負(fù)荷所屬類別，可參照微電網(wǎng)中用戶的實(shí)際用電特征，把負(fù)荷分成照明、取暖、生產(chǎn)制造等，而后整理負(fù)荷數(shù)據(jù)。訓(xùn)練時(shí)刻選用微電網(wǎng)用電量每1h實(shí)測值和對負(fù)荷預(yù)測效果形成不良影響的氣候數(shù)據(jù)進(jìn)行綜合訓(xùn)練。獲得訓(xùn)練好的模型后，輸進(jìn)后續(xù)所得的氣候數(shù)據(jù)得到電力負(fù)荷預(yù)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(yùn)作過程的安穩(wěn)性。

3 展望

3.1 建設(shè)智能化風(fēng)場

在風(fēng)電資源生產(chǎn)階段實(shí)現(xiàn)智能化建設(shè)，需結(jié)合既往電網(wǎng)運(yùn)行階段出現(xiàn)的故障問題，綜合多方面因素提出幾點(diǎn)可執(zhí)行高的控制和預(yù)警方法，可配合使用信號(hào)處理、故障預(yù)測技術(shù)，并基于風(fēng)機(jī)數(shù)字化建模建設(shè)出信息化風(fēng)場，結(jié)合集群建模與風(fēng)功率預(yù)測等過程，更加精準(zhǔn)、有效地隔離和排除故障。站在促進(jìn)風(fēng)場可持續(xù)發(fā)展的視角出發(fā)，AI技術(shù)應(yīng)用人員應(yīng)樹立大局意識(shí)，有針對性的改善風(fēng)場生產(chǎn)格局；從設(shè)備上著手，減少風(fēng)電生產(chǎn)管理、運(yùn)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(shè)的有效性。由建模的視角出發(fā)，可將其細(xì)化成多個(gè)部分，如激勵(lì)、數(shù)字、混合模型等，能夠較清晰的呈現(xiàn)出電場內(nèi)風(fēng)機(jī)運(yùn)行數(shù)據(jù)的輸出、輸入兩者的關(guān)系，且數(shù)據(jù)模式還有擬合風(fēng)機(jī)運(yùn)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(zhǔn)度，且能更有效的優(yōu)化模型的運(yùn)行效果，Power Up便是混合模型的經(jīng)典范例。

3.2 電動(dòng)機(jī)的智能巡檢

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

外部巡檢：即檢查機(jī)組的外觀狀態(tài)，如檢查塔、機(jī)艙和槳葉等是否存在裂痕、破損等，風(fēng)輪轉(zhuǎn)動(dòng)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(fēng)孔是否受損等。在具體實(shí)踐中，可應(yīng)用無人機(jī)與AR眼睛完成外部巡檢任務(wù)，其中無人機(jī)有起降過程便利、空中懸停等優(yōu)勢，能實(shí)現(xiàn)對風(fēng)電機(jī)組外觀面貌的無死角拍攝；AR眼睛能實(shí)現(xiàn)對風(fēng)電機(jī)組外部構(gòu)件狀態(tài)的智能化辨識(shí)，判斷其是否存在裂痕、油漆脫落等不良心現(xiàn)象，進(jìn)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(fēng)電發(fā)電領(lǐng)域中的各種問題。不僅能合理預(yù)測分析發(fā)電負(fù)荷，還能實(shí)現(xiàn)對風(fēng)電設(shè)備故障問題的全自動(dòng)化診斷。在后續(xù)幾年中，AI技術(shù)會(huì)有更快速的發(fā)展，配合使用物聯(lián)網(wǎng)技術(shù)，進(jìn)一步提升風(fēng)電系統(tǒng)的智能化水平，引領(lǐng)風(fēng)電產(chǎn)業(yè)獲得更大發(fā)展。