人工智能赋能风电场提质增效

湖南大学电气与信息工程学院黄晟教授 海上风力发电装备与风能高效利用全国重点实验室副主任 报告提纲 背景与意义 二、人工智能赋能风电场优化控制三、人工智能赋能风电场健康管理四、人工智能赋能风电数字李生 我国风电累计装机连续14年稳居全球第一，2023年新增装机全球占比65.8% 风电呈现出机组大型化场群规模化深远海融合应用的发展趋势 背景与挑战 技术挑战 大规模风电机群提质增效的技术挑战 优化控制难度大 传统技术难以满足风电快速发展的提质增效需求 背景与挑战 风电机群控制呈现高维非线性、强耦合特性优化控制机理复杂 风电场数据多源异构敌障种类多，这运维困难且成本高 【技术挑战3：辅助决策能力不足 数字李生系统的状态预测与验证能力有待进一步提高 背景与挑战 引入人工智能技术将极大提升现有风电场优化控制、长期运维水平 优化控制方法要求低、效果好、范围广 实现风电场群全寿命周期服役质量监测 显著提高风电场辅助决策能力 （人工智能技术能快速响应风电场复杂的时空特性和快速变化的工况人工智能技术基于对个体和环境的精细化轻量化建模，鲁棒性较强 人工智能技术的应用是实现风电产业高效高质量发展的有效手段 背景与挑战 充分利用人工智能强大的决策能力，解决风电场优化调控遇到的关键问题。充分利用人工智能强大的分类能力，解决风电场健康管理遇到的关键问题，充分利用人工智能强大的回归能力，解决风电场数字李生系统遇到的关键问题 辅助决策 报告提纲 一、背景与意义 二、人工智能赋能风电场优化控制 三、人工智能赋能风电场健康管理四、人工智能赋能风电数字李生 关键技术一 （风电场优化控制） 关键技术一 （风电场优化控制） 关键技术一 （风电场优化控制） 研究内容一：基于改进深度Q网络的无预测风电场日前拓扑优化 口提出无预测日前风电场拓扑优化策略，基于强化学习架构，设计及构建历史数据驱动的状态空间，智能动作优化空间及多维度奖励评价体系。随风电场环境变化，智能体可依奖励反馈持续优化决策，动态调整拓扑。融合离线预训练与在线微调，使用自适应算法优化模型参数，进行日前拓扑优化 关键技术一 （风电场优化控制） 研究内容一：基于改进深度Q网络的无预测风电场日前拓扑优化 口优化后各节点的电压在24h内均处于安全范围内，且更接近于基准值，电压优化效果明显 口拓扑重构后风电场的网损明显下降 口拓扑重构后的风电场在每个时段的电压分布均衡度均小于拓扑重构前的风电场 在无风电日前预测出力信息的情况下提供次日的风电场拓扑重构方案，稳定电压和降低网损效果明显 关键技术一 （风电场优化控制） 研究内容二：基于数据模型混合驱动噪声抑制策略 风电场日内集中式优化控制难点 人工智能赋能风电场日内集中式优化控制 噪声会严重影响其对风电场电压的控制效果致使电压波动加剧、控制精度大幅降低，无法保障风电场稳定运行 构建数据－模型混合驱动架构，显著提升了集中式MPC控制的抗干扰能力 关键技术一 （风电场优化控制） 研究内容二：基于数据模型混合驱动噪声抑制策略 口创新构建数据-模型混合驱动架构，含动态权重调整抗噪机制。依噪声动态调配权重，当数据驱动受扰，增减MPC与数据驱区动权重稳电压、抑波动、强抗噪。结合二者优势，可精准预测功率、持续输出可靠指令，1保证电力系统可靠供电 综合数据驱动和模型驱动策略结果，提高模型性能 关键技术一 （风电场优化控制） 研究内容二：基于数据模型混合驱动噪声抑制策略 口风电场混合驱动策略优势显著。其数据驱动精准提取特征，预测误差有明显优势；口MPC模型高效调配功率，波动标准差有明显优势；ANN融合动态抗噪，电压偏差均值降，稳定可靠，全方位提升性能。 保持电压控制的准确性，通过动态权值增强了风电场电压的抗噪声能力，具有更强的适应性和鲁棒性 关键技术一 （风电场优化控制） 关键技术一 （风电场优化控制） 研究内容三：基于深度学习数据驱动建模的风电场分散最优电压控制 口创新构建CNN－Transformer混合架构模型，挖掘风电场历史数据特征动态提升电压预测精度滚动优化求解、免维护实时控制达到电压功率自标 口构建分散式框架与DMPC方法，依靠本地测量达全局最优控制并增加可靠性 分散式数据驱动控制器优点 数据驱动赋能分散式控制 传统风电场的控制 1.通信高效性与成本降低2.响应快速性与自主性提升3.系统可靠性与容错性增强 1.高效利用数据资源2.摆脱参数依赖3.挖掘隐藏特征与动态特性 关键技术一 （风电场优化控制） 研究内容三：基于深度学习数据驱动建模的风电场分散最优电压控制 口在间歇性风能波动和外部电网电压扰动的情况下，本方法将风电场内母线电压调节在可行范围内口采用DL-DOVC方法，以完全分散的方式实现了风电场的全局最优电压控制，减轻了通信故障带来的影响，同时计算时间显著减少 利用本方法在无通信情况下实现了风电场电压的全局最优控制同时减轻了通信故障的影响 报告提纲 一、背景与意义 二、人工智能赋能风电场优化控制 三、人工智能赋能风电场健康管理 四、人工智能赋能风电数字李生 关键技术二 （风电场健康管理） 人工智能技术能有效应对复杂环境及规模化风电场大量多源异构数据集，提高风电场服役质量 关键技术二 （风电场健康管理） 关键技术二 （风电场健康管理） 研究内容一：复杂环境下风力发电机状态监测与故障诊断方法 提出了一种突变转速下的风力发电机多故障诊断方法，对采集信号分解重构并对频域特征增强，提取突变工况汇时的瞬时频率特征和重采样，转化为SDP图像后放入CNN中诊断，CNN针对不同故障构建不同网络结构，实现发电机多故障诊断。 关键技术二 （风电场健康管理） 研究内容一：基于图像视觉特征的风力发电机状态监测与故障诊断方法 对风电机群输出数据分解重构，转化为SDP图像，较大程度消除数据多源异构的问题卷积神经网络（CNN）能根据不同故障类型和工况改变自身网络结构，有效解决风电场环境复杂的情况，实现多故障诊断。 数据利用率提高的同时，诊断重采样后，正确率也大幅提高，数据的鲁棒性较好 该方法能有效适应风电场复杂工况，实现准确度高、诊断类型多的发电机故障诊断方法 关键技术二 （风电场健康管理） 关键技术二 （风电场健康管理） 研究内容二：基于故障特征提取和信号分布优化的故障预测模型 口提出一种基于故障特征提取和信号分布优化故障预测方法，将系统输出的时序信号经分解重构后，捕捉信号分布特征，输入至门控循环单元中，对系统后续信号分布进行预测。将预测结果和不同故障下信号分布对比，得到故障预测结果， 关键技术二 （风电场健康管理） 研究内容二：基于故障特征提取和信号分布优化的故障预测模型 1-5组及60-65组时序分布预测数据，信号分布较稳定，轴承处于正常状态 该方法实现了较为准确的多类型故障预测，同时对风电机组运行状态有一定的演化功能 关键技术二 （风电场健康管理） 研究内容三：大型风电机组服役质量状态预警管控云服务平台 建立大型风电机组服役质量状态预警管控云服务平台，形成大型风电机组整体服役状态质量指数表征和评价体系 风电机群服役质量动态调控呈现多变量、强耦合、多时间尺度的特性 报告提纲 一、背景与意义 二、人工智能赋能风电场优化控制 三、人工智能赋能风电场健康管理 四、人工智能赋能风电数字李生 关键技术三 （风电场数字李生） 关键技术三 （风电场数字李生） 关键技术三 （风电场数字李生 研究内容一：风电机组轻量化协同演化数字李生模型研究 轻量化数字李生模型研究 ·通过模型驱动方法构建风电机组全服役周期的数字李生模型，虽然模型驱动能提供初步精度，通过数据驱动的修正，使得模型的精度得到进一步提升，最终形成一个精度充分验证且理论完整的模型，能够准确输出风电机群的功率、温度、振动信号等数字李生值。 口输入量：系统采集数据口模型结构：历史运行数据训练的神经网络模型。 口输入量：环境变量、人为操作变量模型结构：基于系统物理机理，构口建机理模型 模型结构：机理模型融入神经网络模型与实际数据拟合。 模型驱动提供基准精度 数据驱动提供精度修正 数据-模型驱动得以精确输出 关键技术三 （风电场数字李生） 研究内容一：风电机组轻量化协同演化数字李生模型研究 协同演化数字李生模型研究 通过建立灵敏度矩阵等方式，反馈修正机理模型参数，实现数字李生体自更新 风力发电机轻量化建模 电机环境变量、人为变量数据获取： 风速、变流器功率、变流器电流、轮毂转速等 计算热损耗，得到实时损耗曲线定子铁芯损耗Pe=K.PrGre定子绕组铜耗Pc=3IR20 风力发电机数字李生体建模 建立基于模型区动的风力发电机数字李生模型建立热导矩阵，求解节点温度曲线 关键技术三 （风电场数字李生 研究内容一：风电机组轻量化协同演化数字李生模型研究 对比数字李生体和实际系统输出结果，数字李生体与实际结果误差较小 关键技术三 （风电场数字李生） 关键技术三 （风电场数字李生 研究内容二：风电机群服役质量数字李生系统检测验证技术 准确性、实时性量化方法 提出交叉相关与动态规划组合的准确性评价方法，通过分析每一个节点李生值和真实值在时间尺度的畸变程度并得到量化指标 关键技术三 （风电场数字李生） 研究内容二：风电机群服役质量数字李生系统检测验证技术 TF-PRAA+CNN感受野匹配的鲁棒性量化方法 建立含有故障的风电机群数字李生系统输入到基于TF-PRAA与卷积核感知匹配框架的发电机故障诊断系统中，计算信号故障的准确率，将此数值作为风电机群服役质量数字李生系统鲁棒性的量化指标， CNN卷积核感受野匹配方法：数据经过二维图像转换后，保留数字李生信号的数据特征，需要CNN识别图像的感知量与之实现匹配，以实现最佳的检测验证效果。有效解决原始信号噪声和特征提取不匹配问题。 关键技术三 （风电场数字李生） 研究内容二：风电机群服役质量数字李生系统检测验证技术 基于TF-PRAA信号分布的协同演化程度量化方法 提出了一种时频特证信号分布优化的方法，通过对测量值和数字李生值处理后的信号分布进行对比来验证数字李生系统的协同演化程度，主要包括：基于TF-PRAA预处理信号分布方法、TF-PRAA扩展粒子群模型 TF-PRAA扩展粒子群模型：提取主要频率信号，作为辅助预测信号与原始时间序列分布信号组合输入门控循环单元进行故障预测。 TF-PRAA信号分布方法：在最大值和最小值之间将时间予列分为M人区域，计算不同区域中数据点的概率， 关键技术三 （风电场数字李生） 研究内容二：风电机群服役质量数字李生系统检测验证技术 风电机群服役质量数字李生系统性能评估模型 根据数字李生体输出建立知识图谱，构建数字李生系统评估模型，包括检测验证、演化分析、潮源诊断等功能数字李生体根据评估结果，实现自身模型修正 汇报完毕谢谢大家！ 海上风力发电装备与风能高效利用全国重点实验室