摘要：风力发电属于一项重要的清洁能源，将人工智能与风力发电深度融合，提升能源调度和利用的智能化符合当前能源数字化转型的发展趋势。通过对人工智能在风力发电领域的专利申请进行检索分析，梳理了该领域的主要申请趋势和热点。同时，从专利视角分析能源数字化转型的发展现状和趋势，为优化专利布局提供相关信息。

关键词：风力发电，人工智能，神经网络，专利

0　引言

风力发电产业作为我国能源结构调整的重要部分，正逐渐向数字化、智能化转型。作好能源的科学调度和高效利用已成为推动经济社会发展绿色化、低碳化的重要手段，将人工智能与风力发电深度融合，有望大幅度提高风力发电设备的运行效率，优化风电场的运维管理，从而实现更安全、更高效的风力发电能源开发和利用^[1]。专利作为技术创新的重要保护手段，近年来被众多企业和高校针对人工智能在风力发电领域的应用进行专利布局。本文对该领域的专利技术进行整理分析，梳理该领域的发展趋势、主要申请人、主要技术构成和重点专利，为企业更好地实现风力发电的智能化管理提供借鉴和数据参考^[2]。

本文利用国家知识产权局智能检索系统和IncoPat专利数据库系统进行数据分析，在摘要和权利要求中基于关键词和分类号进行检索统计，采用“风电、风力发电、人工智能、机器学习、神经网络、深度学习、循环神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Networks，CNN）、生成对抗网络（Generative Adversarial Networks，GAN）”等关键词进行检索筛选，并进行同族合并和人工标记，共获取4 824篇相关专利文献，其中在华申请专利文献共4 447篇（在IncoPat专利数据库中对具有同族的案件进行了简单同族合并）。

1　专利申请分析

1.1　专利申请区域和时间分布

在风力发电领域，92%的专利申请均为在华申请，这与我国对风力发电产业的政策支持有密切关系。风力发电本身是一种清洁发电方式，可以优化发电结构，这也是我国大力推广风力发电的主要原因。然而，风力发电设备造价较高，对选址有较高要求，这些年在西方国家并未受到重视。我国和西方国家在能源结构、地理环境、人口比例等方面的差异决定了政策导向的不同，因此该领域的相关申请主要集中在国内。

从图1中的申请趋势上看，2017年以前相关技术的申请量较少，2017—2023年随着人工智能的快速发展，相关领域的专利申请量进入快速增长期，尤其2021年以后“人工智能+特定技术领域”的发展受到了更多关注。随着优先审查、快速审查等创新审查模式的推广，有更多的创新主体开展了相关领域的专利申请。笔者预测，后续相关领域的申请量还会保持在高位。

1.2　重要申请人分布

通过对申请量进行统计，可以得到人工智能在风力发电领域的前10位申请人（见图2）。

从图2可以看到，电力领域的龙头企业对人工智能在风力发电领域的应用进行专利布局最多，分别以国家电网有限公司和国家电网公司作为申请主体进行专利布局，且其直属科研单位中国电力科学研究院有限公司对该领域的申请量也较多；此外，中国华能集团清洁能源技术研究所和北京华能新锐控制技术有限公司作为申请主体进行专利布局，其也是该领域的重要申请人。由于人工智能、机器学习、深度学习等涉及较多算法技术的研究和改进，在前10位申请人中可以看到众多高校的身影，尤其是电力相关院校，如华北电力大学、东北电力大学等。在后续发展时可以聚焦高校院所和企业的供需两端，整合专利转化资源、供需对接，促进相关专利技术更好地实现产业化。

1.3　主要分类号统计分析

本文对人工智能在风力发电领域的应用进行技术领域的分析，统计各个分类号下的专利申请数量，图3（a）示出了分类号小类主要集中在商业方法G06Q、基于特定计算模型的计算机系统G06N、供电配电H02J和计算机技术G 06F 。将相关申请基于分类号大组维度进行统计分析，G06Q申请主要分布在G06Ql0+（行政、管理）和G06Q50+（信息技术适用于特定商业行业），G 06F 申请主要分布在G 06F 30+（计算机辅助设计）和G 06F 18+（模式识别），具体参见图3（b）。从分类号的分布可以看到该领域属于交叉领域，涉及到风力发电领域的相关技术，需要申请人了解风力发电领域的技术痛点、核心指标和关键技术，也需要申请人了解模式识别、神经网络等信息技术。未来，该领域会更多地向深度学习算法优化等更智能化监测和预测领域发展。

1.4　已审专利状态分析

在4 447篇在华专利申请中，目前已完成结案2 139件（见图4）。其中，授权专利1 466件，占比68.53%；驳回434件，占比20.29%；撤回239件，占比11.17%。2023年，发明专利授权率约为52.8%，该领域授权率略高于平均水平，但撤回率略高，尤其是近两三年，一些质量不高的申请在发出第一次申请意见通知书前采取了主动撤回，节约了审查资源。在l466件授权专利中，目前有1 332件授权专利维持有效。

2　重点专利技术分支分析

在风力发电的过程中存在一些不稳定因素，例如风力本身存在随机性和波动性，如何提高风力发电的效率、如何准确地预测风力发电的功率、如何准确地预测风速等，都是风力发电领域需要关注的主要问题。风力发电设备通常位于海上或边远地区，如何对风力发电设备进行安全故障检测以及如何对风力发电资源进行调度优化，不仅涉及到资源的使用效率，更关乎安全问题。本文针对人工智能在风力发电中不同的应用场景分别进行了检索，并基于文献被引用量筛选了部分代表性案例，具体如下。

2.1　在风力发电功率预测中的应用

风力发电存在不稳定和间歇性的特点，准确的风力发电功率预测可以降低电网成本、提高系统性能。人工智能具有自适应学习的能力，擅长从复杂的大数据中利用强大的计算能力有效地学习寻找规律，更好地提高预测精度。采用机器学习和人工智能网络可以更好地挖掘风力发电功率和影响因素之间的关系。考虑到申请人的不同撰写习惯，对技术领域进行关键词扩展，采用“风力发电/风电”进行限定，以获取更全面准确的相关专利文献。针对风力发电功率预测应用场景进行检索，共获取838篇专利文献，可见功率预测属于人工智能在风力发电领域较常见的应用场景^[3]。

深入分析该应用场景的代表性专利，发现该应用场景于2009年已有相关申请，早期的申请多采用BP神经网络进行风电预测，如华北电力大学的相关专利申请^[4]。中期向多预测模型组合运用的方向发展以提高预测的精度，如辽宁省电力有限公司电力科学研究院提出双层组合神经网络分别对风速和功率进行预测^[5]、国家电网公司提出建立不同类的风电功率预测模型，归一化后判断相似度最高的一类得到预测功率^[6]。后期多采用深度学习、强化学习、生成对抗网络等新兴人工智能算法提高运算的精度和收敛速度，达到更好的模型训练效果，如华北水利水电大学^[7]从深度学习网络出发，建立基于长短期记忆网络算法（Long Short-Term Memory，LSTM）风电功率预测模型，以高斯混合模型（Gaussian Mixture Module，GMM）分析短期风电功率预测的误差分布特点；华南理工大学^[8]首先采用CNN形成特征图片，然后采用深度门控循环单元（Gated Recurrent Unit，GRU）神经网络对特征图谱进行训练建模。图5示出了对各主要人工智能算法在风力发电功率预测场景的逐年申请量。

从图5可以看出，从2017年以来CNN、RNN、深度学习方面的人工智能算法在风力发电功率预测场景的申请量增速显著，上述算法是对传统神经网络的改进优化模型，可达到更好的预测效果。GAN作为新兴技术自2020年起也有相关申请，但由于该领域较新，模型训练存在一定难度，申请量还不是很高^[9]，深度学习和生成对抗算法在该场景的应用可作为企业和高校后期重点发展的研究方向。

2.2　发电设备的故障检测

由于风力发电设备通常处于较边远的地区，因此人工对发电设备的日常监测和维护成本较高，且不够及时。通过智能化设备对每台发电机组进行实时监控，并对获取的数据通过人工智能的方式建模分析是否存在异常，可以第一时间发现故障，提高风力发电机组的维护效率，这对风力行业的安全运行有重要的作用。本文采用“故障、健康、叶片、检测、监测、诊断”等关键词进一步检索，确定人工智能在发电设备故障检测应用场景的专利文献共882篇，可见该场景也属于人工智能在风力发电领域的常见应用场景^[10]。

深入分析该应用场景的代表性专利，发现该场景于2012年开始有相关申请，如上海乾祺电子科技有限公司设置风速/发电量监测装置、温度/振动监测装置、音频监测装置和视频监测装置，并采用人工智能模式进行神经网络推理和模糊诊断^[11]。早期的申请只笼统地提及可以采用人工智能检测故障，后期的申请对检测步骤、参数提取、函数构建、评价指标有了更具体、更细节的划分，方案中通常涉及较多计算公式，对于审查员来说检索难度增高，对于创新主体来说更多涉及到对已有算法的优化改进和多算法的综合运用，而不是单一算法的简单使用。

对上述882篇专利文献的分类号进行统计，得到图6示出的分类号分布。

图6示出的细分场景分类号的分布与图3示出的主要技术构成有所差别。具体到该细分场景，图6中分类号更多涉及故障检测的具体应用对象，如F03D17+（风力发动机的监测或测试）、G 01M 13+（轴承）、H02J3+（交流干线或交流配电网络）、F03D7+（风力发动机控制）、G01R31+（电机测试）。利用机器学习、深度学习、图像处理、自然语言等技术将各类感知信息汇总构建模型以避免设备的安全风险，可提高风力发电系统的整体安全性。

2.3　风力发电系统的合理调度

根据电网的负载情况对电网资源进行智能化的合理调度和优化，可以提升风力发电系统整体的稳定性和效能。利用人工智能算法，对不同类型、不同时段的负荷数据进行分类和统计，并对其进行建模分析、学习训练，可以满足不同时段、不同类型的风力发电系统的负荷需求。本文采用“协调、协同、调度、负荷、载荷”等关键词对该应用场景进行检索，共得到539篇相关专利文献。

代表性的专利包括南方电网科学研究院有限责任公司和中国南方电网有限责任公司^[12]提出的建立分布式能源参与配电网调峰调度模型，确定系统目标函数和相关约束条件，形成原始优化问题；将分布式能源参与配电网调峰调度模型转化为马尔可夫决策过程；获取某地区典型日的系统负荷、可控分布式电源和分布式储能的历史数据；根据深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）算法原理，构建神经网络；利用DDPG算法对历史数据进行学习，并对分布式能源参与配电网调峰调度模型进行求解，得到分布式储能单元的最优行为策略，实现分布式能源参与配电网调峰调度优化。该方案有效地进行“削峰填谷”，提高了电力系统运行的经济性。又如上海电力学院^[13]提出了采用LSTM作为预测模型，利用DQN调节预测模型中的超参数（具体包括环境参数调节、状态调整、动作选择、调整学习率的强化学习奖励等）；将训练集代入调节参数后的预测模型，利用经验回收方法，将训练结果反馈至DQN中进行参数优化，获取最优LSTM预测模型；利用最优LSTM预测模型进行风电负荷预测。该方案避免了风电负荷受不同地域环境的影响，提高了参数调节便捷性。

3　结束语

近年来，人工智能在风力发电行业得到了广泛的应用。对于风力发电领域来说，风力发电自身的稳定性和安全性有待提高，人工智能可以有效地提升风力发电场的运营效率和管理水平，使风力发电行业更加智能、高效、可持续发展。在优化风力发电机组的布局和控制、风力发电功率预测、提高风能利用率、故障检测、调度优化等方面，人工智能都表现出显著的优势和潜力。随着“人工智能+”概念的提出，相信该领域的应用场景会更加广阔。建议相关企业一方面可以通过与高校合作，盘活已有专利，使相关理论研究可以加速转型落地，得到实际的转化运用；另一方面可以开展全面的专利布局，依托重点项目和工程，通过产业链和技术链的协同研发，打造竞争优势，促进信息化和工业化的深度融合，为我国的绿色能源可持续发展提供更强动力。

参考文献：

[1]国务院新闻办公室.中国的能源转型[R]，2024.

[2]于晓萌，闫坤.风电传动系统轴承的专利态势分析[J].信息通信技术与政策，2023，49（3）：68-73.

[3]谢瑶滨.人工智能在风力发电领域的应用探讨[J].科技资讯，2021（10）：41-43.

[4]华北电力大学.风电场短期功率预测方法：201110033430.X[P]. 2012-08-29 .

[5]辽宁省电力有限公司电力科学研究院，东北电力科学研究院有限公司，沈阳工业大学.一种适用于分散式风电场的组合风电功率预测方法：201310071897.2[P]. 2017-09-29 .

[6]国网辽宁省电力有限公司锦州供电公司，国家电网公司.基于风速、风向信息的风电功率预测方法：201610007840.X[P]. 2016-06-08 .

[7]华北水利水电大学.基于长短期记忆网络的风电功率短期预测方法：201811005283.3[P]. 2021-02-26 .

[8]华南理工大学.一种基于深度学习的短期风功率预测方法：201810199615.X[P]. 2020-05-22 .

[9]章雅楠，莫日格吉勒图.风力发电系统功率预测技术研究综述[J].电工技术，2023（11）：14-17.DOI:10.19768/j.cnki.dgjs.2023.11.005.

[10]侯光威.人工智能技术在风力发电领域的应用[C]//中国电力设备管理协会.中国电力设备管理协会第二届第一次会员代表大会论文集（2）.烟台：华润电力风能（海阳）有限公司，2022：5.DOI:10.26914/c.cnkihy.2022.050054.

[11]上海乾祺电子科技有限公司.风力发电机组远程在线多模式健康状态监测与故障诊断系统：201310228657.9[P]. 2013-10-09 .

[12]南方电网科学研究院有限责任公司，中国南方电网有限责任公司.基于强化学习的分布式能源参与配电网调峰调度优化方法：201910750247.8[P]. 2022-12-06 .

[13]上海电力学院.一种采用深度Q神经网络调参的LSTM风电负荷预测方法：201810575699.2[P]. 2018-12-04 .

作者简介：刘洁，国家知识产权局专利局专利审查协作北京中心助理研究员，主要研究方向为计算机领域的发明专利审查等。