從低風速風場的風能分布來看，風速在8 米/ 秒到12 米/ 秒段的風能，盡管其僅占全年時間的30% ，但所蘊含的風能則超過全年的70% 以上。不幸的是，恰恰這個風速區(qū)間的風能是最難以捕獲的，這也是實際風能轉(zhuǎn)換效率和理論風能轉(zhuǎn)換效率偏差發(fā)生最大的風速區(qū)間。原因很簡單，風電機組在這個風速區(qū)間正是風機額定風速上下的范圍，這個時候的機組控制面臨著一個尷尬的境地，理想情況是，當超過額定風速時，機組的控制目標是將風能卸掉，但不能多也不能少，正好夠滿發(fā)；而當風速低于額定風速時，機組的控制目標是盡量捕獲最多的能量，但現(xiàn)實情況是，風速在瞬態(tài)會時而高于額定風速，時而低于額定風速，如果不采用激光雷達技術，我們很難預見下一時刻的風速，機組可能在風速高于額定風速時過度變槳而卸掉了更多的風能，導致不能滿發(fā)。相反，當風速低于額定風速時，機組也可能還處于上一時刻卸掉風能的變槳狀態(tài)，導致風能轉(zhuǎn)換效率進一步降低，而大風輪慣量的增加，也加劇了這種低能量轉(zhuǎn)化在傳統(tǒng)風機的常態(tài)化。這就是為什么有些使用了大風輪傳統(tǒng)風機的業(yè)主抱怨機組過度偏離理論發(fā)電性能的原因。
　　說到智能風機針對低風速的技術特點，遠景智能控制技術中有一個基于神經(jīng)網(wǎng)絡的樣本訓練預測模型，這個有數(shù)十萬行代碼的在線運行軟件模型能夠不斷通過歷史樣本訓練，實現(xiàn)對風電場風速模式的識別，這在很大程度上避免遠景智能風機在低能量轉(zhuǎn)化工況下運行的幾率。其實，這項技術在汽車行業(yè)已得到廣泛應用，比如發(fā)動機控制系統(tǒng)可以通過歷史的過程，識別出駕駛者的駕駛習慣，從而提升發(fā)動機的控制性能。風電場也是一樣，盡管下一時刻的風速難以預測，但只要風電場的風速特點有所不同，遠景智能風機就能識別，這也是遠景智能風機在低風速風能蘊含量最大的風速區(qū)間風能轉(zhuǎn)換效率行業(yè)領先的重要原因。