2024-12-22-湖南大学-2024年人工智能赋能风电场提质增效报告_42页_11mb

报告总结

背景与挑战

风电行业经过多年发展，装机规模持续增长，但技术挑战显著增加：

1. 组织大型化、场群规模化：风机数量增多，控制复杂度上升
2. 环境恶劣、故障多样：健康管理水平不足
3. 在线故障诊断、预测、演化能力不足：尤其在通信中断、模型精确性、运行工况变化等条件下

人工智能赋能风电优化控制

针对以上挑战，提出了三项基于人工智能的优化控制技术：

1. 改进深度Q网络（DQN）的日前拓扑优化：基于强化学习，建立历史数据驱动的状态空间和动作空间，动态优化风电场拓扑结构，降低网损，提升电压稳定性。
2. 数据-模型混合驱动的噪声抑制策略：构建动态权重调整机制，结合卷积神经网络（CNN）与模型预测控制（MPC），增强抗外部干扰能力，提升电压控制精度。
3. CNN-Transformer混合架构的分散式电压控制：采用深度学习建模，实现完全分布式结构下的全局最优电压控制，提升响应速度并降低通信依赖。

人工智能赋能风电健康管理

在健康管理和故障诊断方面，主要研究成果包括：

1. 多源信息转化的故障诊断与预测：利用深度学习挖掘瞬时特征，构建CNN感知域状态诊断模型，提升复杂工况下的故障识别与分类能力。
2. 基于SDP图像的方法：将原始信号转换为特征图谱，经过分解重构和频域特征增强，提高多类故障诊断的准确率和适应性。

人工智能赋能风电机群数字孪生

数字孪生系统的关键技术创新包括：

1. 数据-模型联合驱动：实现轻量化协同演化数字孪生模型，降低模型复杂性，同时通过机理反馈增强模型准确性。
2. 性能量化指标体系：构建了基于交叉相关、动态规划、鲁棒性量化的评估方法，通过对比孪生值和实际系统输出，优化模型并提升系统适配性。

结论

通过人工智能技术在风电场优化控制、健康管理和数字孪生等层面的创新应用，显著提升了风电系统的发电效率、运行稳定性和服役质量，为风电行业的高质量、可持续发展提供了技术支撑。