1分析智能技术的必要性以及优点
1.1分析风力发电的智能化技术应用必要性
对于风力资源，主要为可再生能源，现如今我国在风力发电方面已经进入到快速发展阶段，但是由于风电的随机性和间歇性等原因，导致其大规模的风电并网将会在一定程度上对电网安全带来影响，同时存在电力质量不理想等问题。因为风电场在输出功率方面具有一定的随机性，因此为了能够有效地避免对其输出的功率间歇性和波动性进行合理控制，需要重点的对风电设备的有效功率进行平衡。但是随着电网规模的扩大，必然会增加设备的容量，导致其电网发电效率降低，因此在风力发电的过程中，对于智能化的技术进行应用是十分关键的，可以全面地提高电网的整体发电效率。
1.2智能化技术应用的优点分析
一是在风力发电的过程中，自动化的控制人员在实际进行管理决策的时候，可以通过合理地应用智能化的技术，起到一个决定性的作用，因此在急剧扩容和爆炸性的增长风力发电自动化控制系统背景之下，合理地对影像数据和发电机组的运行数据进行合理的应用，在智能化的技术进行帮助下可以更好地筛选和分析相应的数据，同时提供各种类型的情况和故障服务，这也是作为日后自动化控制系统的一个重要工作形式。而是在智能化技术进行应用的时候，可以提供出更加全面的个性化的服务，在大数据的技术应用下，能够对风力发电机的相关数据进行掌握，更好地去集中信息，形成根据个体作为对象的档案，从而为针对性比较强的服务方案提供出单个的风力发电机，因此这点是需要引起足够的关注。
2人工智能技术在风力发电领域的应用
2.1人工智能算法在风电机组故障诊断应用
人工神经网络是一种模拟人脑学习知识的人工智能算法。它不需要预先确定输入输出映射关系的数学方程，只需要通过自我训练和计算机学习一些规则，在给定输入值的情况下，得到最接近期望输出值的结果。BP神经网络是神经网络算法中，研究较为成熟、应用广泛的预测网络模型之一。BP神经网络在机械故障诊断中的应用广泛，对于风电机组中的齿轮箱与发电机机械故障有着很好的示范作用。同时采用BP神经网络对风电机组进行检测诊断能够满足其需要实时监控与容错能力高的需求，减少故障误报与错报。模型系统采用输入层、隐含层以及输出层3层BP神经网络结构。输入层可选取风速、风向等自然参数，风轮转速、电机转速、轮箱油温、齿液压系统压力等机械参数，输出功率、功率因数、发电频率等电气参量，可根据不同环境、不同设备各参数敏感度数据进行调整。输出层为机组正常、齿轮箱异常、发电机异常、偏航系统异常4个量。根据风电场以往故障情况下数据，取得设备正常以及电机、齿轮箱、偏航系统故障情况下的样本值，作为预警和报警样本值。神经网络输出节点分别对应机组正常及以上三类设备异常，输出值越接近样本值代表异常的可能性越大。故障预测诊断BP神经网络模型系统运行流程，分为学习训练和模型应用两个过程：①学习训练。离线时通过目标样本训练神经网络、调节网络权值，得到实际的网络模型。当训练与预期输出值之差足够小，说明已训练好模型。之后通过样本确定各节点输出第一和第二阈值，以每个异常状态对应节点的最小输出值作为第一阈值，以每个异常状态对应节点的平均输出值作为第二阈值。②模型应用。在风机故障诊断应用过程中，输入自然及风电机组相关实时数据，通过已训练好的模型系统进行计算，输出各节点数据。当某节点输出值大于第一阈值，小于第二阈值时，则说明有发生该类故障的可能性，向风电场运行人员预警。当某节点输出值大于第二阈值，说明可能已发生此类故障，及时采取如切断故障风机等措施防止故障扩大，同时通知运行人员检修。
2.2人工智能算法在风电发电量预测中的应用
2.2.1采用人工神经网络算法预测短期风电功率
人工智能法具备诸多的优势，包括：自动化、智能化、数据量大等，可以快速找出大规模的数据量之间的映射关系，从而实现统计预测。利用机器学习算法建立短期风力发电与影响因素之间的内在关系，并将其训练成模型。通过调用一个训练过的模型，减少量可以预测短期风力。目前常用的人工智能风电功率预测方法主要有支持向量机(SVM)和神经网络。人工神经网络在处理非线性问题方面具有明显的优势，具有较强的自适应和自学习能力，在风电功率预测中得到了广泛的应用。结果表明，径向基函数(RBF)神经网络比BP神经网络具有更高的精度，不存在局部最小值问题，不需要预先确定隐层数。该算法的原理是利用径向基函数作为隐含层节点的“基”，形成隐含层空间。然后对输入变量进行变换，将低维模态的输入数据转换到高维空间中，使低维空间的线性不可分问题在高维空间中也是线性可分的。由于训练简单，BP神经网络在近似非线性函数的能力、分析能力和学习速度上都优于BP神经网络。因此，RBF神经网络可用于风电场短期发电功率的预测。RBF神经网络模型还包括输入层、隐含层和输出层。在输入层中，风电场风速是影响风机输出功率的主要因素。此外，风机的输出功率还受空气密度的影响，空气密度本身不容易测量，其本身受温度等因素的影响。由于风机有偏航系统，可以实现自动送风，不考虑风向的影响。选取风机前一时段输出的电能、后一时段的环境温度和风速作为网络训练样本的输出进行训练。然后将风速和环境温度纳入训练模型，对风力输出进行预测。验证，RBF神经网络可以用高精度预测短期风能。
2.2.2采用人工神经网络算法应用于具有风电系统的微电网系统
人工神经网络算法可以应用于预测电网用电负荷，将其应用于用电需求侧。特别是微电网这种连接分布式风电、光伏接入的小型电网，一方面由于分布式风电、光伏等的发电侧功率不稳定，另一方面由于电网内的负荷小导致其惯性小、波动性强使得其的短期负荷预测更为复杂。应用人工智能神经算法可更高效地解决其负载预测问题。在短期负荷预测前，需要划分负荷类型，可根据微电网内用户的用电特点，将负荷划分为照明、取暖、生产等类型，之后将划分的几类负荷数据再进行整理。在训练过程中可采用微电网用电量每1h实测的历史数据与影响负荷预测相关的气象数据（温度、风速）进行训练。对于训练好的模型，输入未来的气象数据，得到负荷预测值。通过用户负荷与风力发电功率的预测，可以根据这些数据进行微电网中的电力潮流的调节，从而提高电力系统的稳定性。
3结语
综上所述，通过人工智能算法可以模拟人类思维方式，快速处理风电发电领域的诸多问题。不仅对于发电负荷的预测分析，还可实现设备的故障预警诊断。随着未来人工智能技术的不断发展，以及物联网技术的发展，风电系统将实现智能化，智能风电将成为未来产业的发展趋势。
参考文献
[1]马斌.基于人工智能的短期风电功率组合预测研究[D].成都：西南交通大学，2016.
[2]安永灿.基于人工智能算法的风电机组故障诊断研究[D].长春：长春工业大学，2019.
[3]苏尤丽，汤建国．人工智能神经网络在新能源微电网中的应用[J].新疆大学学报：自然科学版，2016.
