2024年人工智能赋能风电场提质增效报告-湖南大学（黄晟）

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一、背景与意义二、人工智能赋能风电场优化控制四、人工智能赋能风电数字孪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6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%全球风机企业前十金风科技新增装机全球风机企业前十金风科技新增装机连续两年全球第一风力发电风力发电截至2023年我国风电累计装机已连续14年位居全球第一2023年我国风电新增装机全球新增117GW风力发电背景与挑战发展趋势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明阳智能20明阳智能20MW海上风机并网东方电气26MW海上风机下线海南漂浮式海上风电试验项目浙江舟山六横清洁能源岛总容量300万干瓦，701台风机大规模风电机群提质增效的技术挑战>风电在线故障诊断>风电动态运维调度能力较弱>数字孪生系统预测>系统多维验证能力较弱最大陆上风场装机容量达3000兆瓦【技术挑战1:优化控制难度大】2017年海上风盟风电701台3000兆瓦80台400MW(二)269台1700MW701台3000兆瓦●被动、粗放型●主动、粗放型●主动、精益型风电机群控制呈现高维、非线性、强耦合特性，优化风电机群控制呈现高维、非线性、强耦合特性，优化控制机理复杂背景与挑战【技术挑战2:健康管理能力不足】运行环境恶劣运维困难故障种类多样智慧运维成本高通信不利管理经验不足背景与挑战【技术挑战3:辅助决策能力不足】风速变化快尾流效应交互困难研究意义研究意义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多时间尺度风电机群健康管理风电场群优化控制风电场数字孪生模型多时间尺度风电机群健康管理风电场群优化控制odddd十分十分v个TT材二、人工智能赋能风电场优化控制关键技术一风电场日前调度Q风电场“动作智能”赋能日前规划解决预测信息获取困难的痛点【风电场优化控制】风电场日内调控让风机完全独立“思考”,实现高效精准协同控制aba有理有据的“黑箱”取优去弊优化噪声关键技术一【风电场优化控制】@@赋能基于强化学习的决策能力基于强化学习的决策能力，削弱了预测误差对于优化调度精确性的影响PrP₃Ps…PePp…Pa?关键技术一【风电场优化控制】研究内容一：基于改进深度研究内容一：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，进行日前拓扑优化开关状态有功出力无功出力构建模型1.构建经验池{S,,A,r,S+1}2.数据处理3.按照优化评价体系优化目标4.得到拓扑优化结果组成解耦动作空间422关键技术一【风电场优化控制】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拓扑重构后全局电压更加稳定…拓扑重构后全局电压更加稳定……拓扑重构电压、网损表现→补重构饰的一节点电压→基于改进DQN而扑重构所的一节点电压时段【风电场优化控制】【风电场优化控制】赋能构建数据-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GCN-EaodDaukn:嘴10ArthNNetwik二关键技术一【风电场优化控制】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，保证电力系统可靠供电。GCN数据驱动数据模型混合驱动——取优去弊数据模型混合驱动——取优去弊提高适应性eeo-磷o【风电场优化控制】【风电场优化控制】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。不同控制方法电压分布差异噪声干扰下不同控制方法电压差异不同控制方法电压分布差异噪声干扰下不同控制方法电压差异)86423本方法结果更接近理想电压分布，电压分布面更光滑本方法结果更接近理想电压分布，电压分布面更光滑1.04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】风电场快速动态响应能力不足风电场快速动态响应能力不足赋能赋能分布式控制方法复杂且对于通信的要求较高关键技术一【风电场优化控制】山o积+++中十十传统风电场的控制1.依赖精确模型与通信2.参数敏感与缺乏协调NoNotw;.81.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hLPQrC1.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关键技术一【风电场优化控制】通讯失效风电场性能通讯失效风电场性能1通讯失效机组端电压正常，保证风电场安全优越的电压偏差表现优越的电压偏差表现不同控制方法下的电压偏差表现所提模型在深度学习领域对比所提模型在深度学习领域对比864232风机综合平均绝对百分比误差结果对比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关键技术二【风电场健康管理】风力发电机健康管理难点解决措施诊断预测诊断预测决策风力发电机故障诊断模型风力发电机故障智能预测模型服役质量状态预警管控云服务平台关键技术二【风电场健康管理】人工智能赋能风力发电机故障诊断人工智能赋能风力发电机故障诊断诊断方法在工作条件发生变化关键技术二【风电场健康管理】>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*米来米米来*水水载载载空半满感知匹配方法流程图类型数据量卷积层数据量卷积层数据量卷积层正常电机611649988单相断路48998988转子偏心496569频率提取和重采样阶次谱修正后SDP图像重采样稳态信号参数和分辨率白适应算法峰值搜索法瞬时领率检态信号感知匹配预处理信号重采样前后原始变转速信号频域特征提取小波变换关键技术二【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重采样前后故障诊断对比突变转速下各方法诊断结果比较多故障类型各方法诊断结果对比1正常电机转子断条轴承故障单相断路转子偏心断正确率较高1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】故障预测难点人工智能赋能风力发电机故障预测以信号分布作为预测目标，使得预测对于退化模型和参数免疫以信号分布作为预测目标，使得预测对于退化模型和参数免疫赋能关键技术二【风电场健康管理】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。门控循环单元门控循环单元GRU内部结构GRU内部结构hh口X扩展粒子群算法关键技术二【风电场健康管理】●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●121-125组左右轴承发生故障开始退化，191-195组轴承故障，预测结果和实际数据有较好的拟合效果1-5组海本方法预测的故障信本方法预测的故障信号分布特征与实际值趋势保持一致，有效消除随机误差组关键技术二【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●设计了面向大型风电机组服役质量评估与维护质量控制的基于云平台的三级总体构架方案日常运行日常运行口健康损耗累积与耦合模型口典型用例库动态调控动态调控口服役质量监测系统口全周期服役质量动态调控维护保养维护保养口全局服役效能综合评估口评估系统性能认证数据0程故障漏源系统【风电场数字孪生】解决措施风力发电机数基于有限元模型的数字孪生体对算力需求过高风力发电机轻量化数字孪生模型据轻量化、模型轻量化的数字孪生模型风力发电机协同演化数字孪生模型字李生数字孪生体自更新能力不足之间的关系，结合实时输出实现数字孪生体自更新检测验证评价方法的缺失导致数字孪生体难以实现自我修正风力发电机数字孪生体检测验证技术>提出数字孪生体量化指标，结合人工智能提出指标的量化方法，对数字孪生体检测验证，辅助数字孪生体自我修正【风电场数字孪生】【风电场数字孪生】人工智能赋能风电场数字孪生数字孪生建模难点人工智能赋能风电场数字孪生数字孪生建模难点赋能赋能轻量化模型提出提出机理反馈矫正模型，提升际物理参数在发生改变，导致协同演化关键技术三【风电场数字孪生】研究内容一：风电机组轻量化协同演化数字孪生模型研究研究内容一：风电机组轻量化协同演化数字孪生模型研究轻量化数字孪生模型研究轻量化数字孪生模型研究动的修正，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、振动信号等数字孪生值。基于数据驱动的数字孪生基于数据驱动的数字孪生位置啦力58CSM=发猫经网络模型。基于数据-模型联合驱动的数字孪生模型度33例忍度BP神经闻格所呼与实际数据拟合。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【风电场数字孪生】研究内容一：风电机组轻量化协同演化数字孪生模型研究研究内容一：风电机组轻量化协同演化数字孪生模型研究●通过建立灵敏度矩阵等方式，反馈修正机理模型参数，实现数字孪生体自更新风力发电机协同演化建模修正机理模型矩阵风力发电机轻量化建模风力发电机协同演化建模修正机理模型矩阵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X1X1X2-k个输入自安量x监理机理模型机理模型输出曲线风力发电机数字孪生体建模风力发电机数字孪生体建模建立基于模型驱动的风力发电机数字孪生模型：建立基于模型驱动的风力发电机数字孪生模型：建立热导矩阵，求解节点温度曲线【风电场数字孪生】【风电场数字孪生】●对比数字孪生体和实际系统输出结果，数字孪生体与实际结果误差较小数字孪生模型温度结果分析数字孪生模型振动结果分析数字孪生模型功率结果分析数字孪生模型温度结果分析数字孪生模型振动结果分析数字孪生模型功率结果分析间间一程向一宰生动程向【风电场数字孪生】关键技术三【风电场数字孪生】研究内容二：风电机群服役质量数字孪生系统检测验证技术现有体系现有体系无统一标准1.模型完成度评价量化困难，老化程度难以评价以虚控实以虚预实1.模型完成度评价量化困难，老化程度难以评价以虚控实以虚预实以虚优实虚实共生2.单一量化指标多数论文使用RMSE、MAE不够全面提出风电数字孪生评价指标孪生横向误差准确性孪生纵向误差鲁棒性孪生爬坡相似度协同演化性孪生各分量相似度关键技术三【风电场数字孪生】准确性、实时性量化方法准确性、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孪生值和真实值在时间尺度的畸变程度并得到量化指标准确性量化方法●依据准确性时延调整时序，计算纵向相对误差准确性量化