梁 亮，麦 韬

（华能江西清洁能源有限责任公司，江西 南昌 330000）

0 引 言

在我国经济建设高速发展的大背景下，城市生活以及工农业生产对电能的需求量不断增加，传统以不可再生资源为主的火力发电技术面临着资源枯竭和环境污染等问题。因此，迫切需要寻求一种环保、稳定且可靠的可再生能源予以补充。风力发电等其他形式的可再生能源大规模接入电网，有效地帮助了我国电网系统的快速发展，作为一种清洁、低成本以及分布广泛的资源，风电技术发展较为成熟，建设规模也在不断扩大。国家经济建设、社会发展以及人门的日常生活对电能的依赖性越来越高，大规模风电接入电网对电力系统的运行提出了新的挑战。风电虽然具有清洁和可再生的特点，但是受风速和季节等因素的影响波动性较大。随着风电场在电网系统中的比重越来越大，风电场间歇性和波动性对电能质量的影响越来越明显。因此，需要借助人工智能系统及时调整电能功率，保证电能质量。

1 风力发电的技术特点

随着我国电力事业的不断发展，风力发电成为重要的发电模式，是对传统发电的有力补充，是一种清洁能源，但容易受到诸多因素影响。如何在影响因素的分析中构建人工智能风电控制系统是提高风力发电效能的重要保障。因此，从风力发电的特点出发，立足风力发电的影响因素，就风力发电进行系统分析与认识，为人工智能应用探究提供理论依据[1]。

1.1 风力发展的技术特点

风是环绕地球大气层中的空气流动，流动空气所具有的能量称之为风能。风电技术作为环保清洁能源，是目前最具潜力的发电技术之一。我国有非常丰富的风能资源，并且已经将发展风电技术作为调整能源结构和发展低碳环保经济的重要举措。我国风电技术研究虽然起步较晚，但是经过不断的努力，目前已经取得了长足进展。风电装机容量不断扩大，风电设备制造竞争力也有显著提高。由此可见，我国风电技术发展潜力巨大，并且在能源供应中的作用也越来越重要。

1.2 影响风电机组输出功率的因素

风电场通常会有数量众多的风电机组，风电机组利用风轮吸收风能。影响风电场风能质量的因素主要包括风速、风向以及温度。通过风电机组获得风功率的计算公式可以得出，风电机组的输出功率和风速成正比。而风速又是一个随机性较大的物理量，会伴随时间和季节的变化而发生变化，利用测风设备可以有效获得一个特定时间内的风速数值，然后通过多次测量，可计算出平均值。风速出现的任何变化都会直接影响风电机组的输出功率，因此需要深入研究风速分布和变化因素[2]。由于上风向的风电机组尾流对下风向风电机组的影响，使得下风向风电机组捕获的风能减少，风电机组的出风力也相应降低。相同的风速下对应的风机组功率也具有一定的差异，其差异主要取决于风电机组和风向的位置关系。当风电机组迎接正面风向时输出功率最大，如果风向偏离风电机组，风能无法被风轮全部吸收则会影响风电机组的输出功率。此外，温度、湿度以及空气压强等因素也是影响风电机组输出功率的重要因素。随着温度、湿度以及空气压强的变化，也会相应的改变风电机组的输出功率[3-5]。风功率密度等级对应不同高度时的风功率密度、年平均风速参考值以及应用于并网风力发电的效果如表1所示。

表1 风功率密度等级的相关内容

2 人工智能在风电场网络技术中的应用

人工智能是以实现人造智能活动为目的的技术与应用。借助计算机技术模拟人脑，帮助处理大量的数据信息，并且具有自学习和自适应功能。人工智能在风电场网络技术应用中的结构要素如图1所示。由此可知，人工智能可以对人脑或者神经网络进行抽象建模，通过多个信息处理单元彼此相互连接的形式形成计算机系统，具有分布式存储、容错、自学习、自组织以及自适应的能力，可以实现联想记忆、非线性映射、分类识别、优化计算以及知识处理等功能[6,7]。现阶段，人工智能在风电场中的应用主要集中在网络构架、神经网络以及启发式搜索3个部分。下面深入分析人工智能在风电网络技术中的应用。

图1 人工智能在风电网络技术中的结构要素

2.1 人工智能网络构架，实现远程智能调度

人工智能在风电场网络技术中的应用主要是完成风电机组的启动并建立智能化网络构架。全方位统一化地设计风电场人工智能网络构架，对于安全、有序且快速的电网自愈具有十分重要的理论意义和实用价值。合理有效的机组恢复方案能够充分考虑恢复过程中的多种影响因素，在大停电发生后有效指导调度人员，完成机组恢复的同时构建骨干网架。充分利用人工智能技术优化电力通信系统，在线智能进行风电机组的恢复决策，有效应对风电机组输出功率不稳定的情况。对于停电风险更大的高比例风电系统，可以通过网络通信的方式在线指导大规模风电场与传统机组的恢复，利用风速条件较好的风电场促进恢复进程。

人工智能在风电场网络技术中应用，需要进一步优化设计骨干网架重构机组，恢复在线智能决策。利用偏好多目标优化、进化计算、深度学习、强化学习以及蒙特卡洛树搜索等人工智能技术，构建了从恢复方案制定到在线恢复决策再到考虑风功率参与机组恢复的全方面机组恢复智能决策优化体系。整合机组恢复相关的多方面影响因素，提出一种基于偏好多目标优化的机组恢复方法，用于优化制定机组恢复方案，从机组、网架以及负荷3个电力系统基本要素出发，提出将系统总发电能力、线路平均重要度以及骨干网架内重要负荷百分比作为机组恢复评价指标。综合考虑多个优化目标和约束并依据对于不同目标的偏好性，建立偏好多目标优化模型。

2.2 神经网络，实现智能调控预警

神经网络模拟人体神经系统，有大量的神经元按照特定的方式连接。架构如图2所示，其中每一个神经元都可以实现数据的传输，并通过彼此的连接组合形成了复杂的非线性关系。神经网络可以将大量的信息隐含在连接权值上，通过调节权值使神经网络形成复杂的非线性映射。神经网络快速的应激性和高效的处理能力，被广泛应用于电力系统的实时控制、维护以及诊断中。为应对停电后系统初始状态和机组恢复过程的不确定性，在神经网络基础上建立包含离线准备工作和在线决策的机组在线恢复框架。通过逐步决策将要恢复的输电线路完成风电机组恢复，并形成骨干网架。提出机组恢复效率评价指标用于指引决策过程，引入神经网络进行机组恢复在线决策，并提出改进的上限置信区间算法、剪枝技术以及基于估值网络的模拟技术，有效提高对下一步将要恢复线路的搜索效率。此外，进一步采用并行计算，保证风电机组恢复决策的在线实现。

图2 神经网络架构图

神经网络是一种理想的机组恢复数据学习训练算法。基于改进的上限置信区间算法、剪枝技术以及估值网络的蒙特卡罗树搜索（MCTS）算法的搜索效率明显提高，可靠地保证了机组恢复决策的在线实现。所提方法能够自动应对恢复过程中可能存在的线路恢复时间与预设值不符以及线路恢复失败等不确定情况，并且所得方案比离线方法所得方案具有更高的鲁棒性[8]。提出一种基于实时系统状况和风功率预测信息考虑风电场参与的机组恢复在线决策方法，逐步决策将要恢复的输电线路，在线辅助调度员完成风电场与常规机组的恢复。

2.3 启发式搜索，实现风功效控制

启发式搜索（Heuristically Search）又称为有信息搜索（Informed Search）。它是利用问题拥有的启发信息来引导搜索，达到减少搜索范围和降低问题复杂度的目的。运用启发式搜索技术能够提升算法的搜索效率。为保证恢复期间系统的有功平衡，采用模型预测控制方法控制风功率，提出滚动优化模型，基于实时状态和预测信息优化已恢复风电场的有功出力[9]。

3 结 论

我国丰富的风能资源，给风电技术的发展奠定了重要的基础。近年来，随着科学技术的日新月异，人工智能在风电场的应用越来越普遍，通过人工智能和神经网络技术可以解决风电场实际运行中的问题，提升电网系统运行的安全性和可靠性。此外，随着智能化电网建设的不断深入，数据输出量不断增加，管理的复杂性和多变性促使未来人工智能成为电网管理系统的核心，为人工智能解决未来电网系统中的各种问题提供了广阔前景。