风氨引擎
Wind-To-Ammonia AI Engine
让每一阵风，都变成绿氨
合成塔月启停次数从 384 次 降至 1 次，设备寿命延长 3-5 倍
availability 提升
催化剂寿命延长
阿拉善 2GW 场景
30 天真实数据验证
基于 英国 Kelmarsh 风场 6 台 Senvion MM92 · 12.3MW · 2020年3月真实 SCADA 数据
传统调度模式
阈值控制 · 频繁启停
月启停次数
运行率
%
月产氨
吨
H₂ 吹扫损耗
kg
AI 优化模式
预测调度 · 平滑运行
月启停次数
运行率
%
月产氨
吨
H₂ 吹扫损耗
kg
72 小时调度时序图
风功率 · 传统调度 vs AI 调度 — 实时功率对比
72 小时调度时序图数据说明
本图表展示 72 小时内风功率、传统调度功率与 AI 调度功率的对比时序。 传统调度模式频繁启停合成塔，月启停 384 次，运行率 89%， 月产氨 400 吨，H₂ 吹扫损耗 19200 kg。 AI 优化调度模式月启停 1 次，运行率 99.9%， 月产氨 371 吨，H₂ 吹扫损耗 50 kg。 基于 Kelmarsh 风场 6 台 Senvion MM92 风机、12.3MW、 2020 年 3 月真实 SCADA 数据验证。
频繁启停对 Haber-Bosch 合成塔是灾难性的
每次冷启动需 30 分钟预热 + 50kg H₂ 吹扫损耗 + 催化剂热应力退化
不只算产量，更算全生命周期成本
传统模式下每月 384 次启停 = 每年 4,608 次热应力冲击。AI 优化后，合成塔几乎忘记了上次停机是什么时候。
月产氨
AI 略降产量换取设备保护
年启停次数
热应力冲击几乎归零
年启停损耗
H₂ 吹扫损耗接近消除
催化剂寿命
更换频率大幅降低
年维护成本
维护人力和备件骤降
阿拉善 2GW 场景推演
拖动滑块，实时计算不同装机规模的年产氨与年收入
成本结构对比
AI 优化使产氨收益占比从 55% 提升至 82%
传统模式
AI 优化
成本结构对比数据
传统调度模式下成本结构：产氨收益 55%，启停损耗 20%， 维护成本 15%，催化剂更换 10%。 AI 优化模式下成本结构：产氨收益 82%，启停损耗 2%， 维护成本 8%，催化剂更换 8%。 AI 优化使产氨收益占比从 55% 提升至 82%， 年维护成本从 1500 万元降至 300 万元，降低 80%。
年维护成本降低 80%
¥1,500万 → ¥300万
XGBoost + 物理约束 + 贪心调度
不是黑盒— 模型性能 R²=0.9991，预测误差 <0.5%
技术架构
从数据采集到合成塔控制的全链路
风电 SCADA
实时运行数据采集
XGBoost 风功率预测
机器学习预测模型
AI 调度引擎
贪心算法 + 物理约束
HB 合成塔控制
Haber-Bosch 反应控制
模型性能
XGBoost 回归模型 — 真实风场数据验证
0.9991
决定系数 — 接近完美拟合
R²
0.9991
决定系数
MAE
52 kW
平均绝对误差
NMAE
0.43%
归一化平均误差
数据频率
10 min
SCADA 采样间隔
训练数据
30天×6台
Kelmarsh 风场数据
推理延迟
<100ms
单次预测耗时
模型基于 30 天 × 6 台风机的真实 SCADA 数据训练， 采用物理约束确保预测结果符合风机运行特性。
想了解更多？
无论你是风电开发商、地方政府还是投资人 — 我们都很乐意聊聊
风氨引擎
Wind-To-Ammonia AI Engine — 让每一阵风，都变成绿氨。
智能体邮箱 · 邮件即时回复
jingtou@agent.qq.com
基地
内蒙古阿拉善 · 风光一体化
384→1
月启停
99.9%
运行率
3-5×
设备寿命