风力发电与能源转型
能源转型。能源系统中的重大结构变化。虽然当前的能源转型可能被视为一个现代挑战，但在以前业界已经感受到了这种变化。例如，在19世纪，除了木材消耗的增加之外，煤炭的使用量也在增加。虽然这种转变可能对环境产生了负面影响，但目前的能源转型，即向可再生/可持续能源的转变，是认识到全球碳排放应该降低的结果，例如，根据《巴黎协定》将全球变暖程度保持在最高2°C。
传统能源生产部门（如石油和天然气）的老牌实体正在向碳、捕获、使用和储存等新市场过渡（CCUS）；氢气；太阳能；和风。特别是，随着陆上风电场在世界各地变得司空见惯，风力发电的部署显著增加。尽管海上风电技术可能没有陆基风电技术那么普遍，但该技术的部署也出现了类似的增长。例如，ScotWind计划批准了17个在英国水域开发的项目。所选项目的总容量为25吉瓦，预计一半以上的电力将由浮动风电场产生。
风力发电的广泛概念已经存在了一段时间。动能由旋转叶片产生。然后，旋转运动通过齿轮箱传递到旋转轴上，为发电机提供动力。虽然通过这种风力涡轮机可以在陆上和海上都产生大量的电能，但收集产生的电力并控制向企业和家庭分配电力的电网最初并不旨在接收这种电力。风力发电代表了与现代电气系统整合的许多技术挑战。然而，新兴技术的存在可以应对这些挑战。考虑如何保护这些发展中领域的创新，并注意这些领域引入的复杂性，将确保在这个领域运营的公司最大限度地提高其研发支出的回报和价值。
电气系统挑战
在行业中采用人工智能（AI）和物联网设备等尖端技术，旨在以新颖的方式应对这些挑战。
例如，风力发电的一个常见技术挑战是陆上风电场不能始终如一地产生能源。即使在最佳位置以及物理障碍物中不断变化风速也会发电不一致。这不仅使风电场效率低下，也会给电网带来必须处理不同的输入功率水平的问题。海上风电场通常代表更可靠的发电来源，因为它们可以坐落于风力较高的地区；然而，效率低下的情况依然存在。例如，风力涡轮机通过电力电子转换器和较长海底电缆连接，这可能导致不必要的谐波电压和电流。
为了解决这些问题，电网需要快速适应风力发电的变化性。预测发电量的能力不仅可以提高发电效率，还可以提升风电场的价值。最近，机器学习（ML）算法已经在天气预报和历史涡轮机数据上进行了训练，以便在实际发电之前预测风力发电情况。ML模型能够在发电之前向电网推荐最佳交付承诺，从而提供可以预定的能源。这些项目已经显示出风电场盈利能力的提高，无论是在陆上还是海上，都使风电场的投资更具吸引力。进一步的人工神经网络（ANNs）通常反映生物神经元，由与加权链接连接的输入、隐藏和输出层组成，已被用于构建预测风速的模型。ANNs还被用于风力涡轮机控制和整个风电场的优化。使用这种先进的算法提供了提高风电场整个运营效率的可能性，从而提高了盈利能力。
此外，将ML应用于需求方响应代表了另一种可能的效率改进和应用。AI方法可用于了解消费者偏好，处理动态定价以及安排和控制设备充电。虽然这不一定是风力发电独有的，但这可以进一步提高整体系统的效率。
制造和安装风力涡轮机的成本以及相关的基础设施，如布线和变电站，已经减少。然而，维护和运营风电场的成本仍然很高，尤其是海上风电场。鉴于海上风电场所处的恶劣环境，一个问题是如何始终保持涡轮机的工作生产。风电场的位置可能会使现场监控的成本过高且危险。在新的和发展中的风电场中，运营中心用于从位于风电场的物联网（IoT）传感器收集数据。这种传感器不仅可以收集风电场的运行数据，还可以收集疲劳、应力和应变条件以预测故障，从而实现先发制人的维修。事实上，连接设备和人工智能的结合已被用于解决远程监控问题，在检测风力涡轮机故障方面取得了巨大效果。例如，正在进行的Innovate UK研发项目发现，机器人和人工智能在检测风力涡轮机故障方面的准确率比传统方法高出约14%。
研究还发现连接到风电场的组件代表潜在的故障点。例如，海底电力电缆故障经常被报告为海上风电场的主要问题。据报道，此类故障占与风电保险索赔相关的成本的75-80%，而据估算，布线占海上风电场总成本的9%左右。虽然增加材料制造支出并将额外的冗余电缆计算在内代表了此类故障的可能解决方案，但采用AI和IoT设备检测的类似组合可能会提供更具成本效益的解决方案。
虽然物联网设备和人工智能的使用都为现代风力发电的技术挑战提供了可能的解决方案，但两者都存在与大数据相关的其他问题。运营与许多风电场接口的智能电网的配电系统运营商（DSO）正在寻求提高其电网的效率。物联网设备提供的实时监控使这样的智能电网能够识别所连接风电场的故障并做出适当的响应。此外，由所述AI算法输入和输出的数据代表了额外的有价值信息。一些DSO正在转向第三方公司，这些公司更有能力处理如此大量的数据并提供外包解决方案。
这引发了一些潜在的问题。随着使用智能电表的电网消费者数量的增加，数据共享不仅是一个潜在的隐私问题，而且可能是一个复杂的所有权问题。隐私问题可能需要用户教育和参与。关于所有权，数据价值链中的参与者可以声称对数据的合法所有权，因为他们自己生成数据，或者因为他们使用、编译、选择、构建、重建、丰富或以其他方式增加数据的价值。国家立法可能很复杂，无法规范此类数据的所有权。收集数据和人工智能算法应用的全球性可能会使问题进一步复杂化，因为不同的司法管辖区可能有不同的法律来规范数据所有权，这使得单一政策难以面向全球运营商实施。
由于DSO运营着与多个风电场接口的智能电网，因此在数据交换中各方之间共享信息以增加协作可能会有好处。最近的研究表明，与单个连接相比，海上电网的协调部署具有成本优势。但是，谁拥有接收来自多个第三方输入的 ML 算法的输出？如果算法的输出导致保险索赔或电力断供，谁来负责？所有权问题可能会使数据共享出现问题。
结尾辞
提高风力发电的采用率可以加速能源转型，造福全球。ML和AI通常代表了一种新技术，可以解决运营风电场并将此类风电场（尤其是海上风电场）集成到电网中的技术挑战。因为利用专利等知识产权保护应用于风力发电的技术可以确保该领域的业务，保护ML算法的技术进步可以提高其创新的市场价值，同时也保护其先行者的专有优势。然而，人工智能和物联网设备的使用也带来了潜在的挑战。在协作协议的早期考虑数据所有权可为所有谈判方提供更高的透明度，从而加强业务关系并保护所有相关方。
毫无疑问，风力发电将成为未来能源结构的重要组成部分。保护并在未来验证当今的技术进步，将确保风力发电对所有参与者来说都是高效且高价值的。利用知识产权专家，意识到这些高科技领域的潜在法律陷阱，确保企业能够最大限度地提高其研发支出的价值。
