現代控制理論與機器學習將再次定義智能風機

導讀

AlphaGo與李世石的對決為世界開啟了人工智慧的大門。肇始於圖靈年代的人工智慧已經默默地發展了70多年。從20年前IBM的深藍進入公眾視野，到AlphaGo的驚世一擊，人工智慧已經發生了質變。同樣是棋盤博弈，AlphaGo使用深度學習演算法，每一次對弈都是學習，每步後都變得更智能。AlphaGo向世界表明，機器不再是簡單重複，它可以掌握複雜的對象、剝離出其中的規律。它的運算速度和存儲能力，同樣也可以使它的學習能力遠超人類。

風機將風能轉換為電能過程中面臨的最大挑戰就是風況的不確定性。行業的慣例是使用足夠的設計冗餘來覆蓋各種不確定性，這也是風機成本居高不下的重要原因。風場建設期按最惡劣的機位風況條件來選擇適用的風機，裡面包含的就是冗餘度的浪費。複雜地形風場的每個機位都有自己的特殊「個性化」風況特徵；平坦地形風場，主風向和機位間的上下風向關係，也造成機位間風況條件的差異。一些風電行業的技術領導者已經開始做機位的自適應控制，但是它仍然是基於已知規則後知後覺的反饋。人工智慧技術有希望實現機位風況自學習的真正自適應控制，充分利用部件的設計邊界，大幅降低風機成本，提升發電性能，推動智能風機向更低度電成本的質變。

控制領域的常識是已知信息越多，控制性能越好。這些信息包括控制系統的輸入，被控對象和執行機構。經典的PID控制仍然是當前風機行業採用的主流控制方法。PID演算法的特點是不需要被控對象的精確模型和參數，在犧牲控制性能的條件下，可以方便地達到穩定的控制效果。在風機設計的早期，這是權衡的選擇。隨著技術日新月異的進步，當Google的無人駕駛汽車和擊敗李世石的機器人已經成為現實，智能感測技術對風況的捕捉和感應已經可以提前預知、風機主體部件的狀態和模型可以實時運行在更加強勁的處理器上，基於狀態空間的現代控制理論已經具備實施條件。現代控制演算法既可以實現扭矩和變槳控制的聯動；又可以更精確地追蹤風機因為外部風況變化引起的瞬態變化。所有這些將重新定義下一代的智能風機，其所帶來發電量的提升和整機結構受載的降低將會把風電度電成本帶入一個嶄新的時代。

2016月3日9日，全世界的眼光聚焦到了Google AlphaGO和李世石的世紀大戰。前有1997年Intel深藍大戰世界象棋冠軍卡斯帕羅夫，即便機器勝了，人類的自尊心仍然得以保留。深藍獲勝靠的是運算速度和記憶容量，但只是在不斷重複人類發明的頂級招式。人類最驕傲的「創造」和「思考」能力，對深藍仍然是不可逾越的屏障。這次情況不同了，圍棋相比國際象棋複雜程度高了很多數量級，這次的較量是李世石在代表人類捍衛最後的「尊嚴」，結果是AlphaGO以4：1獲勝。AlphaGo的核心能力是基於神經元網路的深度機器學習演算法。它可以向人類學習，可以向其它機器學習，每次博弈後都比以前更強了一點。同人類的大腦類似，它的知識已經不是一些顯性的共識，學習後的知識也是存儲在自己「神經元」內離散的信息。這次勝利的里程碑意義在於宣告了在棋盤類遊戲上人類優勢的終結，人工智慧以這種方式吹起了向其他領域進軍的號角，下一個目標是什麼？

創造力是人類文明的璀璨明珠，能源是人類文明的基石。學會火種的使用，人類開始對自然的征程；電的發明使人類文明在一百年內的創造超過了過去歷史積累的總和。人們欣賞太空拍攝的地球美景時，無不被人類文明創造的偉大成果陶醉——在這個40億年的星球上，一種50萬年曆史的生物，只用了一百年的時間就照亮了地球的黑夜，這是征服自然的偉大成就。可是，人類真的能夠征服自然嗎？

欣喜背後就是深深的隱憂。在2010年左右，全球能源開採就已經達到了歷史尖峰「oil peak」，幾百萬年積累下來的化石燃料最樂觀的估計也會在今後100年開採殆盡。人類文明的延續必須依賴可持續的、環境友好的能源。在這些備選方案中，風能以其巨大儲備，在過去30年內異軍突起。全球豎起的一座座風力發電機，宛如第一次工業革命的煙囪，昭示著新文明階段的希望。

風能的可持續發展必須解決成本問題。達到與化石能源同價是有決定性意義的里程碑。對風能資源的征服同樣面臨巨大困難。風資源能量密度低，需要巨大的風輪捕獲面積；隨著優質風資源區的開發，將來的發展方向是低風速區、海上和不適宜人類聚集的複雜地形區。綜合的結果是更大風輪更大載荷下，風機面臨更複雜的風資源條件。風機將風能轉換為電能過程中面臨的最大挑戰就是風況的不確定性。從現在的技術條件看，行業的慣例是使用足夠的設計冗餘來覆蓋各種不確定性，這也是風機成本居高不下的重要原因。確定性和不確定性的差異如同火炮發展的歷史，原始火炮威懾力靠聲音和爆破的煙霧效果，彈丸著陸面積偏差可能有足球場大，而現代火炮通過對炮膛和彈道的修正，射擊精度在千米距離達到了1米以下。這就是消除不確定性後帶來的質的飛躍。解決風機成本問題，也需要遵循消除不確定性的思路。

風是時空不斷變化的隨機物理過程，有其自己的規律。例如，風速有跟隨地表溫度日夜變化的周期，擴展開來又可以總結出分鐘級的周期、年度四季變化的周期。

對於複雜地形的風場，每個特定的機位都有自己「個性化」的局部小氣候，可能表現為風速、風向、風剪切的統計分布特徵。對於平坦地形風場和海上風場，基於用地面積的成本考慮，機位排布比較集中，風場內部的機位總是處於周邊風機的下風向位置。根據彼此的相互位置關係，也形成了「個性化」的局部小氣候。

從時間和空間上看，每個機位都處於「個性化」的風況條件下。風機是標準化設計，並且以目標風場的惡劣條件機位作為選型標準，這就意味著設計上的冗餘和浪費。一些風電行業的技術領導者已經開始做機位的自適應控制，但這只是邁向消除設計冗餘的第一步。傳統的自適應控制必須基於已知的規則，在變化的輸入條件下，產生自適應的結果，這先天性的後知後覺，只能取得有限的進展。實質上，風機所面臨的風資源狀況是個包含海量信息的過程，對其中的規律加以利用，可以解決風機所面臨的最大不確定性，而機器學習演算法可以從海量數據中自動分析，提取出其中的規律，並且利用規律對未知數據進行預測。

機器學習為減小風機的外部不確定性帶來希望，現代控制理論的應用則有助於消除風機內部的不確定性。控制領域的常識是已知信息越多，控制性能越好，這些信息包括控制系統的輸入、控制演算法、被控對象和執行機構。風機的發展歷史中，除了產業化帶來的規模效應，控制方式的發展也是降低度電成本的重要方式。從早期的固定轉速固定槳距角的風機到當今變速變槳的風機，變速率方式擴大了風輪最大功率捕獲的區間，提升了風輪捕獲能量的效率；變槳距角降低了大風條件下的整機載荷，進而降低了整機成本。從控制角度看，是執行機構能力的提升。可以說，智能風機的出現是現代控制技術在風機行業應用的集中體現。

從控制演算法角度看，經典的PID控制仍然是當前風機行業的主流。PID演算法的特點是不需要被控對象的精確模型和參數，在犧牲控制性能的條件下，可以達到穩定的控制效果。在風機設計的早期時代，這個是權衡的選擇，因為那時無法建立起被控對象的精確模型，而這種做法則避免了以不精確模型為基礎的控制可能導致的系統不穩定。那時，依靠簡單的時域傳遞函數或者頻率響應設計，可以在單入單出（SISO）系統上取得滿意的效果。但是風機葉片本質上是個多入多出（MIMO）的非線性系統，其風能捕獲效率（Cp）同時受制於槳距角和葉尖速比兩個基本因素，而風機在實際運行中風速是不斷變化的，意味著葉尖速比也不斷變化，而使用經典PID控制演算法的風機，強制分離了變槳和扭矩兩個強耦合的控制環，實際上忽視了葉尖速比和葉片等效攻角不斷變化的事實，也只做了靜態的假設。

隨著技術日新月異的進步——Google的無人駕駛汽車和擊敗李世石的機器人成為現實，智能感測技術對風況的捕捉和感應已經可以提前預知，更加強勁的處理雖然可以實時運行風機主機部件的狀態和模型——於是基於狀態空間的現代控制理論已經具備實施條件，也就是說，通過一系列狀態方程和矩陣，構建全局最優（次優）為目標的代價函數，再求解最優解得到最佳的控制方案。

具體到風機上，現代控制演算法可以實現扭矩和變槳控制的聯動，可以更精確地追蹤風機因為外部風況變化引起的瞬態變化，這意味著風機內部的不確定性進一步減小，更好的風能捕獲效率，更小的載荷，最終是更低的度電成本。

現代控制理論和機器學習，有能力減少風機自身和風機外部環境的不確定性，也將重新定義下一代的智能風機。

技術一路向前

公元1000年時，人類就有了風車、水車和帆船，我們的祖先費力地踩著腳踏板，把穀類作物磨碎、讓水從低處到達高處，正像許多古畫中所展示的那樣，那時的社會是靠肌力來運行的。

200多年以前，蒸汽機技術讓人類進入了化石能源時代，這類能源存在於地球內部，先被採掘、後被燃燒，在催動科技文明的路上，也成為氣候變壞、空氣污染的元兇。也許100年以後，人們圖說今天化石能源向可再生清潔能源轉型的痛楚時，會把地球的累累傷痕描繪成人類醒悟的淚滴。

今天，我們正在進行人類歷史上第一次刻骨銘心的能源轉型，不再依賴地球內部的煤炭和石油等化石能源，而是在地球的表面用技術創新引領風能、太陽能這類可再生能源的進程，再次推進人類的科技文明。

與化石能源的大宗商品屬性相比，可再生能源的本質是技術。技術能夠幫助我們看到技術創新的鏈式反應，一個技術體系是一組技術，由此而來的相互作用形成一個平台，在為其他創新提供可能的同時也在孕育一場技術革命。就像所有人看到的，我們用30年證明了技術讓人類的可再生能源夢想成真，全球化的能源轉型已然到來，而這源於技術創新鏈的存在。

比如地球物理學、氣象科學，智能電網、電動汽車，智能控制技術、超導技術、能源物聯網技術等等，這些技術使技術衍生技術、技術推進技術，一路向前的技術會讓百分之百的可再生能源情景比我們想像的要提前到來——沒有石油引起的地緣爭鬥，沒有氣候災難引發的難民遷移，沒有漫天的霧霾，我們棲息在廣袤銀河系這顆美麗的藍色星球之上，一刻即是永恆。

所以我們強調，地球的事情和每一個地球人都有關。為了地球以及人類的可持續未來，我們將秉承意志的力量，讓技術創新一路向前，生生不息。

覺得好戳小手

▓來源：2016國際能源變革論壇特刊

品牌推薦

風電資訊 · 技術動態 · 行業報告 · 統計數據 · 大數據 · 雲計算

中國風電新聞網 | 一個傳播風電正能量的平台

投稿 & 廣告

點擊右下角「 寫留言 」，分享你的觀點！

※機器學習讓機器更智能
※機器學習的潛能
※機器學習如何讓「智能手機」升級到「人工智慧手機」？
※實驗研究工作流程詳解：如何把你的機器學習想法變成現實
※將半自動圖像分析技術與機器學習演算法相結合加速大規模遺傳研究
※如何控制美國不斷發酵的仇恨犯罪？谷歌推出機器學習監控工具
※MIT 新系統用機器學習實現機器學習，合成數據較好代替真實數據
※機器學習助力凝聚態物理研究：實現量子計算的新希望
※不是計算機專業，如何轉行寫代碼、到企業做 AI？聽聽這位機器學習科學家的經驗與建議
※機器學習方法體系匯總
※請用從錯誤中學習的機會替代懲罰
※必看！現代營銷人員機器學習演算法指南
※強化學習的時代，機器被指導「自主學習」
※機器學習演算法學會將手繪素描轉變為逼真的圖像！
※初學者如何選擇合適的機器學習演算法，附速查表
※機器學習演算法定製個性化營養
※隨機機器學習演算法需要試驗多少次，才足以客觀有效的反映模型性能？
※機器學習演算法究竟需要試驗多少次，才能有效反映模型性能？
※有監督學習選擇深度學習還是隨機森林或支持向量機？