Исследование областей применения современных технологий искусственного интеллекта при проектировании и эксплуатации автономных ветроэлектростанций

Александр ДОРОШИН
Доцент кафедры ГВИЭ НИУ «МЭИ», к. т. н.
E-mail: doroshinan@mpei.ru

Валерий КАБАНОВ
Аспирант кафедры ГВИЭ «НИУ «МЭИ»
E-mail: kabanov.valerij2011@yandex.ru

Никита ИВАНОВ
Аспирант кафедры ГВИЭ «НИУ МЭИ»
E-mail: nikitaivanov838@gmail.com

Данила ПЕРЕВЕРЗЕВ
Аспирант кафедры ГВИЭ «НИУ МЭИ»
E-mail: danupwf@gmail.com

Метаданные научной публикации

Исследование областей применения современных технологий искусственного интеллекта при проектировании и эксплуатации автономных ветроэлектростанций

Study of areas of application of modern artificial intelligence technologies in design and operation of autonomous wind power plants

Александр ДОРОШИН
Доцент кафедры ГВИЭ НИУ «МЭИ», к. т. н.
E-mail: doroshinan@mpei.ru

Валерий КАБАНОВ
Аспирант кафедры ГВИЭ «НИУ «МЭИ»
E-mail: kabanov.valerij2011@yandex.ru

Никита ИВАНОВ
Аспирант кафедры ГВИЭ «НИУ МЭИ»
E-mail: nikitaivanov838@gmail.com

Данила ПЕРЕВЕРЗЕВ
Аспирант кафедры ГВИЭ «НИУ МЭИ»
E-mail: danupwf@gmail.com

Аннотация. Статья посвящена комплексному анализу применения технологий искусственного интеллекта для повышения эффективности, надежности автономных ветроэлектростанций, функционирующих в изолированных энергосистемах. Рассмотрены ИИ-решения ключевых проблем таких объектов: нестабильность ветрового ресурса, сложность управления резервом/накоплением, удаленность и высокие эксплуатационные затраты. Детально проанализированы методы ИИ на всех этапах жизненного цикла: эволюционные алгоритмы и глубокое обучение для оптимизации аэродинамики лопастей; модели временных рядов для высокоточного прогнозирования выработки и ветра, критичного для балансировки микросети; адаптивные нейронечеткие системы для динамической оптимизации параметров ВЭУ; компьютерное зрение и глубокие классификаторы для автоматического мониторинга состояния лопастей; ансамблевые методы для предиктивного технического обслуживания на основе SCADA.
Ключевые слова: искусственный интеллект, машинное обучение, автономные ветроэлектростанции, микросеть, прогнозирование выработки, предиктивное техническое обслуживание, адаптивное управление, глубокое обучение, долгая краткосрочная память, сверточные нейронные сети.

Abstract. The article provides a comprehensive analysis of the use of artificial intelligence technologies to improve the efficiency and reliability of autonomous wind power plants operating in isolated power systems. AI solutions to the key problems of such objects are considered: instability of the wind resource, complexity of reserve/accumulation management, remoteness and high operating costs. AI methods at all stages of the life cycle are analyzed in detail: evolutionary algorithms and deep learning for optimizing blade aerodynamics; time series models for highly accurate forecasting of generation and wind, which is critical for microgrid balancing; adaptive neuro-fuzzy systems for dynamic optimization of wind turbine parameters; computer vision and deep classifiers for automatic monitoring of blade condition; ensemble methods for predictive maintenance based on SCADA.
Keywords: artificial intelligence, machine learning, autonomous wind power plants, microgrid, power output forecasting, predictive maintenance, adaptive control, deep learning, long short-term memory, convolutional neural networks.

УДК 004.89:621.311.245

DOI 10.46920/2409‑5516_2025_09212_78

Введение

Использование технологий искусственного интеллекта для прогнозирования выработки возобновляемых источников энергии (ВИЭ) – ветровых и солнечных электростанций – становится все более актуальным. К 2024 г. 70% энергетических организаций в странах, где уровень электрификации еще не достиг 100%, будут инвестировать в распределенную возобновляемую энергетику [1].
Искусственный интеллект (ИИ) способен наблюдать за тенденциями и учиться на больших объемах данных. В результате он может вносить коррективы для повышения эффективности, преобразования и равномерного распределения энергии. ИИ используется для оптимизации энергосистемы путем управления потоками энергии между домами, предприятиями, накопителями, возобновляемыми источниками энергии, микросетями и самой энергосистемой. Это позволит сократить потери электроэнергии и в то же время повысить степень участия потребителей в энергопотреблении [2].
ИИ имеет потенциал применения в нестандартных решениях возобновляемой энергетики. Так, в статье [3] проводится обзор методов и технологий, применяемых для оптимизации работы плавучих солнечных электростанций. Существуют уже реализованные проекты и стартапы, связанные с прогнозированием выработки солнечной энергии, прогнозированием загрязнения солнечных модулей, а также с перемещением солнечных панелей и отслеживанием положения солнца во время плавания солнечных панелей.
Рассмотрим на примере ветроэнергетической отрасли, какие существуют проблемы использования ИИ в возобновляемой энергетике и как их можно решать с помощью ИИ.

Общие положения

Малая плотность населения и слабая хозяйственная деятельность на значительных территориях России определяют автономный характер энергообеспечения потребителей. Практически единственным способом построения децентрализованных систем электроснабжения является использование дизельных электростанций.
Анализ состояния автономных систем энергоснабжения показал, что наиболее актуальными проблемами, стоящими перед малой энергетикой, являются:
ухудшение надежности функционирования автономных систем энергоснабжения, вызванное высоким износом энергетического оборудования и перебоями в доставке ТЭР;
ограниченное использование местных топливно-энергетических ресурсов, в том числе нетрадиционных:
низкая эффективность производства, транспорта и потребления топливно-энергетических ресурсов:
высокая себестоимость вырабатываемой электрической энергии;
кадровое обеспечение;
защита окружающей среды при использовании энергетического оборудования [4].
Решением вышеупомянутых проблем является применение автономных ветроэлектростанций в составе гибридного энергокомплекса вместе с дизельными генераторами (в том числе в качестве резервного источника) и системами накопления энергии.
Автономные ветроэлектростанции работают в изолированном режиме, когда единственным источником энергии является ветер. Ветер нерегулярен, имеются периоды, когда его недостаточно для работы ветроэлектростанции. В такие периоды электроснабжение должно осуществляться от резервного источника или аккумулятора. Для некоторых районов резервные топливные электростанции неприемлемы из-за трудностей доставки топлива, в этом случае роль резерва выполняют электрохимические аккумуляторы.
Для устойчивой работы автономной ВЭС с аккумуляторным резервом необходимо в период достаточности ветра не только обеспечить электроснабжение потребителей, но и запасти электроэнергию для последующего ее использования в период недостаточного ветра. Для проектирования автономной ВЭС в этом случае необходима информация (в виде прогноза) о чередующихся периодах достаточности и недостаточности ветра. К сожалению, метеостанции и государственные метеорологические обсерватории не предоставляют такой информации, ограничиваясь только данными о вероятности ветра с определенной скоростью [5].
В настоящее время алгоритмы искусственного интеллекта активно применяются в вопросах эксплуатации автономных ВЭС, в частности, в целях предсказания выработки ВЭУ в зависимости от метеорологических, эксплуатационных и прочих условий.

Применение ИИ в оптимизации работы автономных ВЭС

Автоматизированная работа автономных ветроэлектростанций становится важнейшим направлением повышения эффективности и снижения эксплуатационных расходов. Искусственный интеллект играет ключевую роль в достижении этих целей, предоставляя возможность интеллектуального анализа данных, оперативного реагирования на изменения окружающей среды и автоматизируя процессы принятия решений. Благодаря применению ИИ значительно повышается надежность и производительность автономных ВЭС, способствуя ускоренному развитию возобновляемой энергетики. В настоящее время ИИ имеет перспективы применения на всём цикле работы ветроэлектростанции.
Оптимизация автономных ветроэнергетических установок (ВЭУ) требует учета продолжительности периодов с недостаточной для генерации электроэнергии скоростью ветра (требующих разряда аккумуляторов) и периодов с достаточной скоростью (позволяющих генерацию и заряд), данные о которых отсутствуют в стандартной метеорологии. Ключевая проблема заключается в противоречивой зависимости стоимости системы от рабочей скорости ветра: ее повышение снижает затраты на ВЭУ, но увеличивает длительность периодов недостаточной генерации и стоимость аккумуляторов, тогда как ее снижение дает обратный эффект. Оптимальная рабочая скорость (∼1.2–1.3 от среднегодовой) критически зависит от локальных условий и нагрузки. Применение искусственного интеллекта, включая машинное обучение для прогнозирования указанных периодов, алгоритмы оптимизации для поиска глобального минимума стоимости системы и адаптивное управление для регулирования режимов работы, позволяет автоматизировать расчеты и обеспечить экономически оптимальное проектирование и эксплуатацию автономных ВЭУ [6].
Искусственный интеллект (ИИ) стал критически важным инструментом для повышения эффективности, надежности и устойчивости ветроэнергетических систем на всех этапах их жизненного цикла. В проектировании ветроустановок эволюционные алгоритмы (такие, как генетические алгоритмы – GA, оптимизация роем частиц – PSO и др.) в сочетании с нейронными сетями (например, сверточными – CNN или полносвязными – FFNN) и методами вычислительной гидродинамики (CFD) используются для оптимизации аэродинамики лопастей, обеспечивая прирост эффективности на 6–18% и ускорение расчетов. Глубокое обучение (LSTM, GRU, CNN-GRU) и методы многокритериального анализа (AHP + ГИС) применяются для прогнозирования ветрового потенциала и оптимального размещения ВЭУ, сокращая занимаемую площадь до 18%. В эксплуатации методы анализа временных рядов (LSTM, GRU, CNN-LSTM) и ансамблевые модели (XGBoost, Random Forest – RF) обеспечивают высокоточное (R² ~0.98) краткосрочное прогнозирование выработки, необходимое для балансировки сети. Адаптивные нейронечеткие системы (ANFIS) и нечеткая логика (Fuzzy-PI) позволяют динамически оптимизировать параметры ВЭУ (угол атаки, рыскание), увеличивая выработку до 20% и стабилизируя работу генераторов (DFIG). Компьютерное зрение (CNN) лежит в основе систем предотвращения столкновений птиц с лопастями и мониторинга обледенения.
В техническом обслуживании предиктивная аналитика на основе ИИ доминирует как ключевое направление для снижения затрат (до 33% жизненного цикла) и простоев. Ансамблевые методы (RF, XGBoost, Extra Trees) анализируют данные SCADA для классификации неисправностей (точность ~80%) в критических компонентах (редуктор, система изменения угла атаки), а CNN обрабатывают изображения с дронов для автоматического выявления повреждений лопастей. Несмотря на значительные преимущества (продление срока службы ВЭУ до 10%), внедрение ИИ сопряжено с рисками: ошибки алгоритмов («галлюцинации», смещения в данных), зависимость от качества и сбалансированности данных SCADA, уязвимость к кибератакам и высокое энергопотребление при обучении сложных моделей. Управление этими рисками, наряду с развитием гибридных (физика + ИИ) и объяснимых (XAI) моделей, необходимо для полной реализации потенциала ИИ в конкурентоспособной и устойчивой ветроэнергетике [7].
В ветроэнергетике алгоритмы искусственного интеллекта (ИИ), в частности, сверточные (CNN) и рекуррентные нейронные сети (RNN), стали ключевым инструментом для автоматизированной диагностики дефектов лопастей турбин, которые составляют до 13,4% всех отказов ВЭС (по данным анализа шведских станций 1997–2005 гг.). Традиционные контактные методы (например, вибрационный анализ) и ручные инспекции активно заменяются интегрированными системами, использующими данные с беспилотных летательных аппаратов (БПЛА) и датчиков. БПЛА обеспечивают съемку лопастей в высоком разрешении (видимый и ИК-диапазоны) в труднодоступных зонах, а алгоритмы компьютерного зрения на основе CNN анализируют изображения для детекции трещин, сколов, эрозии и структурных повреждений. Параллельно применяются акустические методы: звуковые сигналы преобразуются в спектрограммы с помощью оконного преобразования Фурье (STFT) и обрабатываются специализированными нейросетевыми архитектурами, такими как Model-Agnostic Meta-Learning (MAML), обученными на признаках спектральной плотности мощности, что обеспечивает надежное обнаружение дефектов (например, трещин на задней кромке) даже на малых выборках. Дополнительно используется анализ данных SCADA: алгоритмы машинного обучения, включая кластеризацию k-средних с определением оптимального числа кластеров методом локтя (elbow method), выявляют аномалии на кривых мощности генератора. Прогнозные модели на основе ИИ анализируют параметры в реальном времени (например, температуру масла в редукторе), чьи колебания служат ранним индикатором неисправностей (загрязнение масла, механические проблемы). Комбинация этих подходов (визуальный + акустический + SCADA-анализ) позволяет достичь высокой точности детекции, сократить время инспекции с дней до минут, минимизировать человеческий фактор и предотвратить до 80% критических отказов за счет предиктивного обслуживания [8].
Кроме того, лопасти ветроэлектрических установок могут подвергаться воздействию суровых климатических условий, которые зависят от региона их установки. Обледенение лопастей ветряных турбин в экстремально холодных регионах может не только снизить выработку энергии примерно на 20%, но и вызвать дополнительные нагрузки и напряжение на внутренние компоненты, что приведет к лишним затратам на обслуживание. Для обнаружения обледенения лопастей можно использовать WaveletFCNN – модель глубокой классификации временных рядов. В данной модели реализован алгоритм мониторинга аномалий на основании данных, получаемых от ветроэлектроустановки в режиме реального времени. При раннем обнаружении обледенения можно инициировать противообледенительную обработку с более быстрым временем отклика, повышая эффективность турбин и снижая затраты на техническое обслуживание [9].

Обзор применения искусственного интеллекта в энергетике

Примеров использования алгоритмов искусственного интеллекта в задачах прогнозирования достаточно уже сегодня. Зависимость выработки возобновляемых источников энергии от погодных условий существенно повысила необходимость точного прогнозирования.
Расширение ветроэнергетики в Германии, критически важное для энергетического перехода, сталкивается с существенными барьерами: общественное сопротивление ограничивает доступ к площадкам (в настоящее время выделено лишь 0,8% территории при цели в 2% к 2032 г.), нестабильность генерации требует компенсации вывода угольных мощностей, а ветроустановки (ВЭУ) представляют угрозу для птиц (оценочно >100 000 смертей в год). Искусственный интеллект (ИИ) рассматривается как ключевой инструмент для преодоления этих вызовов, находя применение в прогнозировании ветра и выработки энергии для повышения стабильности сети, детектировании птиц с помощью анализа изображений нейронными сетями для снижения смертности, оптимизации конструкции турбин и ветропарков, а также в мониторинге состояния оборудования для предиктивного обслуживания, увеличения надежности и сокращения затрат.
Наиболее актуальной задачей является поиск новых подходящих площадок для ВЭУ. Для ее решения инициирован проект WindGISKI, финансируемый Минприроды Германии. Его цель – создание геоинформационной системы на базе ИИ для идентификации перспективных зон. Система использует искусственную нейронную сеть, обученную на данных о ранее разрешенных/заблокированных проектах ВЭУ (включая судебные иски), актуальных минимальных расстояниях (визуальное воздействие, шум, тень) и требованиях охраны природы. Карта Германии разбивается на ячейки 50×50 м, каждая независимо оценивается нейросетью. Кластеры положительно оцененных ячеек указывают на потенциальные площадки. Ключевое отличие подхода – отказ от устаревших, избыточных нормативов отступа от жилья, ранее делавших многие малые участки непригодными.
ИИ демонстрирует значительный потенциал для ускорения развития ветроэнергетики в Германии, предлагая решения для основных технологических и экологических проблем. Проект WindGISKI, находящийся в стадии активной разработки, представляет собой инновационный подход к главному препятствию – нехватке площадок. В случае успеха методология WindGISKI может быть адаптирована для оптимизации землепользования и городского планирования, поиска площадок для солнечной энергетики, а также применена в других странах со схожими вызовами, внеся существенный вклад в глобальный энергетический переход [10].
Проект «Air Fusion» компании Matellio, адаптированный для ветроэнергетического сектора, демонстрирует интегрированную платформу для оптимизации эксплуатации ВЭС. Решение сочетает облачные вычисления (AWS/Azure/GCP), распределенные IoT-сенсоры (вибрации, температура, деформация лопастей) и индустриальную аналитику с целью централизации данных телеметрии, мониторинга состояния турбин и прогнозирования отказов. Хотя явное описание алгоритмов ИИ отсутствует, архитектура предполагает потенциальное применение машинного обучения для:
предиктивного ТО роторов и генераторов (анализ данных вибродиагностики и термографии);
оптимизации выработки энергии (ML-модели корректировки угла атаки лопастей на основе прогноза ветра);
автоматического обнаружения аномалий в работе компонентов (например, подшипников или систем преобразования). Заявленные результаты включают снижение простоев и повышение надежности [11].
Решение SkySpecs демонстрирует трансформационный потенциал искусственного интеллекта в эксплуатации ветроэнергетических станций. Его ядро – платформа Horizon, использующая алгоритмы компьютерного зрения и глубокого обучения для автоматизированного анализа данных, собранных специализированными дронами. ИИ не только выявляет и классифицирует дефекты лопастей (трещины, эрозия, повреждения от молний) с высокой точностью, но и оценивает их размер, тяжесть, а главное – прогнозирует развитие дефектов во времени на основе анализа исторических данных. Это обеспечивает переход от реактивного к предиктивному обслуживанию.
Ключевое технологическое воздействие ИИ включает:
снижение эксплуатационных затрат (O&M) (оптимизация инспекций и ремонтов за счет точной оценки критичности дефектов и предотвращения катастрофических отказов);
увеличение годовой выработки энергии (AEP) (минимизация незапланированных простоев благодаря прогнозной аналитике ИИ);
управление жизненным циклом активов (прогнозирование остаточного ресурса лопастей для продления срока службы и планирования инвестиций) [12].

Заключение

Проведенный анализ подтверждает значительный потенциал технологий искусственного интеллекта для повышения эффективности, надежности и автономности ветроэлектростанций, функционирующих в изолированных энергосистемах. ИИ предоставляет комплексные решения ключевых проблем таких объектов, включая нестабильность ветрового ресурса, удаленность, высокие эксплуатационные затраты и сложность управления резервными источниками и системами накопления энергии.
На этапе проектирования применение эволюционных алгоритмов и методов глубокого обучения позволяет существенно оптимизировать аэродинамику лопастей и точно оценивать ветропотенциал. Например, использование генетических алгоритмов и методов оптимизации роем частиц в сочетании с нейронными сетями и методами вычислительной гидродинамики позволяет достичь прироста эффективности до 18% и ускорить процессы проектирования. Глубокое обучение и методы многокритериального анализа обеспечивают точную оценку ветропотенциала и оптимальное размещение ветроустановок, что важно для поиска подходящих площадок.
В процессе эксплуатации ИИ становится основой для устойчивой работы автономных ветроэлектростанций. Высокоточное краткосрочное прогнозирование выработки энергии, достигаемое с помощью моделей анализа временных рядов и ансамблевых методов, является фундаментом для интеллектуального управления резервными генераторами и системами накопления энергии, обеспечивая баланс в микросети. Одновременно адаптивные нейронечеткие системы и нечеткая логика позволяют динамически оптимизировать рабочие параметры ветроэлектростанций в реальном времени, увеличивая выработку и стабилизируя работу ВЭУ.
Несмотря на очевидные преимущества, такие как повышение выработки, снижение затрат и продление срока службы ветроэлектростанций до 10%, внедрение ИИ сопряжено с рисками. Основные из них включают зависимость от качества, полноты и сбалансированности данных, возможность алгоритмических ошибок, уязвимость к кибератакам и высокое энергопотребление при обучении сложных моделей. Управление этими рисками, наряду с развитием гибридных моделей и методов объяснимого ИИ, является важным направлением для дальнейших исследований.
Таким образом, искусственный интеллект трансформируется из вспомогательной технологии в ключевой фактор обеспечения экономической целесообразности и эксплуатационной жизнеспособности автономных ветроэлектростанций. Широкое внедрение рассмотренных ИИ-методов в проектирование, эксплуатацию и обслуживание таких объектов является необходимым условием для повышения их конкурентоспособности, надежности, минимизации зависимости от человеческого ресурса и успешной реализации проектов возобновляемой энергетики в удаленных и изолированных регионах. Будущее автономной ветроэнергетики неразрывно связано с дальнейшим развитием и адаптацией технологий искусственного интеллекта.

Использованные источники

Тренды развития искусственного интеллекта в сфере ЖКХ. Аналитический обзор. — Москва: Агентство инноваций г. Москвы, 2020. — 40 с.
Абдуназарова Р.А. Внедрение искусственного интеллекта в возобновляемую энергетику // Молодой учёный. 2023. № 24 (471). С. 8—10.
Шуркалов П.С. Исследование областей применения технологий искусственного интеллекта при проектировании и эксплуатации плавучих солнечных электростанций / П.С. Шуркалов, А.Н. Дорошин, Н.А. Иванов и др. // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2025. № 2-2. С. 161—165. DOI: 10.37882/2223-2966.2025.02-2.40. EDN: VZLBVV.
Лукутин Б.В. Возобновляемые источники электроэнергии : учебное пособие. — Томск: Издательство Томского политехнического университета, 2008. — 187 с.
Воронин С.М. Особые условия работы автономных ветроэлектростанций // Альтернативная энергетика и экология. 2010. № 1. С. 145—148.
Эвиев В.А. Проблемы автономных ветроэлектростанций и пути их преодоления // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2024. № 6 (78). С. 356—367.
Bošnjaković M. Application of Artificial Intelligence in Wind Power Systems / M. Bošnjaković, M. Martinović, K. Đokić // Applied Sciences. 2025. Vol. 15, No. 5. Pp. 2443.
Величко А.И. Алгоритмы компьютерного зрения и искусственного интеллекта для детекции дефектов на энергетическом оборудовании и объектах трубопроводного транспорта / А.И. Величко, В.А. Зубакин, М.Д. Трегубенко, К.Н. Юсупов // Оборудование и технологии для нефтегазового комплекса. 2024. № 1 (139). С. 71—79. EDN: IDELSU.
Yuan B. WaveletFCNN: a Deep Time Series Classification Model for Wind Turbine Blade Icing Detection / B. Yuan et al. // arXiv preprint arXiv: 1902.05625. 2019.
Bresgott J. How Can Artificial Intelligence Be Used To Find Areas For Wind Turbines And Solve Other Challenges Associated With Wind Energy? // Educational Journal of Renewable Energy Short Reviews. 2024. Pp. 9—13.
Air Fusion. AI-based Turbine Management System // Matellio Solutions Portfolio. URL: https://www.matellio.com/solutions/portfolio/air-fusion.
SkySpecs. Blade Management Service // SkySpecs Website. URL: https://skyspecs.com/blade-asset-management.