人工智能赋能全生命周期智慧风电*

doi:10.12267/j.issn.2096-5931.2026.01.011

信息通信技术与政策 ›› 2026, Vol. 52 ›› Issue (1): 84-89.doi: 10.12267/j.issn.2096-5931.2026.01.011

人工智能赋能全生命周期智慧风电^*

Artificial intelligence empowering lifecycle management of smart wind farms

李想¹, 孙永华², 李伟健²

1.广州发展集团股份有限公司,广州 510000
2.广州发展电力集团有限公司,广州 510000

收稿日期:2025-07-20 出版日期:2026-01-25 发布日期:2026-01-28
作者简介:
李想, 广州发展集团股份有限公司高级工程师,主要从事能源信息化与数字化研究工作
孙永华, 广州发展电力集团有限公司工程师,主要从事新能源生产运营管理工作
李伟健, 广州发展电力集团有限公司助理工程师,主要从事新能源生产运营管理工作
基金资助:
* 广州发展新能源业务集中监视项目(1000-BCN20240007)

LI Xiang¹, SUN Yonghua², LI Weijian²

1. Guangzhou Development Group Co., Ltd., Guangzhou 510000, China
2. Guangzhou Development Power Group Co., Ltd., Guangzhou 510000, China

Received:2025-07-20 Online:2026-01-25 Published:2026-01-28

摘要/Abstract

摘要：

针对风电场运营管理复杂、设备故障诊断难度大等问题,探讨了人工智能技术在智慧风电场建设中的赋能路径。研究构建了涵盖数据采集、数据治理、特征工程、智能建模及场景应用的技术框架,并系统分析了人工智能在风电场规划设计、智能运行、运营维护及退役回收等全生命周期的智能化应用功能。通过短期有功功率预测案例实验,既验证了基于模拟退火优化长短期记忆模型的有效性,也证实了人工智能赋能框架在具体场景中的工程适用性。该研究成果为推动风电行业智慧化转型提供了理论指导及实践框架。

关键词: 人工智能, 赋能智慧, 智慧风电场, 全生命周期

Abstract:

This study explores the application of artificial intelligence in the construction of smart wind farms, empowering smart wind power and addressing issues such as operational efficiency and equipment fault diagnosis. A comprehensive intelligent application process is established, covering data collection, governance, feature engineering, modeling, and application. Through the implementation of this process, wind farms have achieved smartization throughout their entire lifecycle, including planning, operation, maintenance, and decommissioning. A case experiment on short-term power prediction verifies the effectiveness of simulated annealing optimized long short-term memory and the engineering applicability of the process.The innovative full lifecycle intelligent management paradigm proposed in this research provides technical support for the smart transformation of the wind power.

Key words: AI, empowering intelligence, smart wind farm, full lifecycle

中图分类号:

TP273

李想, 孙永华, 李伟健. 人工智能赋能全生命周期智慧风电^*[J]. 信息通信技术与政策, 2026, 52(1): 84-89.

LI Xiang, SUN Yonghua, LI Weijian. Artificial intelligence empowering lifecycle management of smart wind farms[J]. Information and Communications Technology and Policy, 2026, 52(1): 84-89.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2026.01.011

http://ictp.caict.ac.cn/CN/Y2026/V52/I1/84

图/表 2

参考文献 15

[1]	凡一. 智慧电力推动绿色转型[J]. 中国电力企业管理, 2010(24):73.
[2]	梁川. 基于特征提取和随机森林的风机故障诊断[J]. 科学技术创新, 2020(26): 55-58.
[3]	阮爱国, 沈忠明, 刘发炳, 等. 一种单样本风电机组传动链故障诊断方法[J]. 机械传动, 2024, 48(8):161-168.
[4]	胡元坤, 郭盼盼. 一种风机齿轮箱故障智能诊断方法[J]. 中国新技术新产品, 2024(13): 62-64.
[5]	BILGILI A, ARDA T, KILIC B. Explainability in wind farm planning: a machine learning framework for automatic site selection of wind farms[J]. Energy Conversion and Management, 2024, 309:118441. doi: 10.1016/j.enconman.2024.118441 URL
[6]	AGGARWAL S K, SAINI L M, SOOD V. Large wind farm layout optimization using nature inspired meta-heuristic algorithms[J]. IETE Journal of Research, 2023, 69(5):2683-2700. doi: 10.1080/03772063.2021.1905082 URL
[7]	HAKLI H. The optimization of wind turbine placement using a binary artificial bee colony algorithm with multi-dimensional updates[J]. Electric Power Systems Research, 2023, 216: 109094. doi: 10.1016/j.epsr.2022.109094 URL
[8]	董健. 风电机组关键部件故障预警与寿命评估方法及其应用研究[D]. 北京: 华北电力大学, 2021.
[9]	马明骏, 赵海心, 姜孝谟, 等. 基于LSTM-WPHM模型的风机轴承故障报警与寿命预测方法[J]. 风机技术, 2022(3): 63-71.
[10]	TENG W, ZHANG X L, LIU Y B, et al. Prognosis of the remaining useful life of bearings in a wind turbine gearbox[J]. Energies, 2017, 10(1): 32. doi: 10.3390/en10010032 URL
[11]	DENG S, QIN X, HUANG S. A study on the effect of subsurface crack propagation on rolling contact fatigue in a bearing ring[J]. Journal of Mechanical Science and Technology, 2015, 29(3): 1029-1038. doi: 10.1007/s12206-014-1114-2 URL
[12]	郑文杰, 谭慧娟, 赵瑞锋, 等. 基于ARIMA-LSTM-RBF组合模型的风机出力短期预测[J]. 电力科学与技术学报, 2024, 39(4): 153-159.
[13]	栗然, 马涛, 张潇, 等. 基于卷积长短期记忆神经网络的短期风功率预测[J]. 太阳能学报, 2021, 42(6): 304-311.
[14]	张群, 唐振浩, 王恭, 等. 基于长短时记忆网络的超短期风功率预测模型[J]. 太阳能学报, 2021, 42(10): 275-281.
[15]	李振涛, 王淑玲, 张国立. 利用遗传模拟退火算法优化神经网络结构[J]. 计算机工程与应用, 2007(36): 74-76,156.

方法	隐含层层数	误差
LSTM	1	0.174
LSTM	2	0.155
SA-LSTM	自动	0.121

方法	隐含层层数	误差
LSTM	1	0.174
LSTM	2	0.155
SA-LSTM	自动	0.121

人工智能赋能全生命周期智慧风电^*

Artificial intelligence empowering lifecycle management of smart wind farms

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	陈昕, 张恒升, 付韬, 李果. 工业算网和工业人工智能融合发展现状与趋势研究[J]. 信息通信技术与政策, 2026, 52(1): 31-40.
[2]	张斌. 人工智能时代领导力数字化转型的驱动因素:基于技术接受模型的研究[J]. 信息通信技术与政策, 2026, 52(1): 59-67.
[3]	于达, 董晓飞, 曹峰, 查富生, 孙立宁. 克服人工神经网络灾难性遗忘的连续学习算法研究[J]. 信息通信技术与政策, 2026, 52(1): 75-83.
[4]	闫嘉豪. 城市智能算力底座建设现状与发展建议[J]. 信息通信技术与政策, 2025, 51(9): 2-7.
[5]	龙海泉, 王少帅, 李科. “人工智能+”赋能IPv6网络管理场景及技术方案研究[J]. 信息通信技术与政策, 2025, 51(8): 10-14.
[6]	李腾达, 朱紫钰, 韩子奇. “人工智能+”赋能具身智能机器人新形态及关键技术应用[J]. 信息通信技术与政策, 2025, 51(8): 15-25.
[7]	吴盈盈, 宋平, 任璐. 我国“人工智能+”行动的必要性及推进路径[J]. 信息通信技术与政策, 2025, 51(8): 2-9.
[8]	燕江依, 李荪, 樊威, 曹峰. 新一代数据标注产业对“人工智能+”范式创新的作用机理与实践路径研究[J]. 信息通信技术与政策, 2025, 51(8): 26-34.
[9]	胡文娟, 闫昭坤, 孟丹妮, 许珊, 蒋博丞, 许丽姣, 陈广拓, 张义. “人工智能+”推动天然气行业高质量发展路径研究[J]. 信息通信技术与政策, 2025, 51(8): 35-41.
[10]	王锐, 左铠瑞, 蒋亦伟. 人工智能与信息通信业融合发展成效、面临问题与建议[J]. 信息通信技术与政策, 2025, 51(8): 50-54.
[11]	刘志鹏, 张津铭. 从平台经济到人工智能:治理机理比较与治理体系构建[J]. 信息通信技术与政策, 2025, 51(8): 55-63.
[12]	秦思思, 闫东伟, 齐可心, 程阳. 人工智能赋能软件形态演进趋势研究[J]. 信息通信技术与政策, 2025, 51(8): 64-70.
[13]	吴重庆, 杨思哲, 宁庭勇, 胡永波. 上海政务垂类大模型应用探索[J]. 信息通信技术与政策, 2025, 51(8): 78-83.
[14]	徐贵宝, 柏润泚, 易宏杰. 人工智能赋能医康养融合服务生态体系建设研究^*[J]. 信息通信技术与政策, 2025, 51(8): 84-90.
[15]	岳锦疆, 宁庭勇. 人工智能在固态储氢材料中的综合应用[J]. 信息通信技术与政策, 2025, 51(6): 21-26.