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，恰恰這個風速區間的風能是最難以捕獲的，這也是實際風能轉換效率和理論風能轉換效率偏差發生最大的風速區間。原因很簡單，風電機組在這個風速區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；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，但現實情況是，風速在瞬態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。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，導致風能轉換效率進一步降低，而大風輪慣量的增加，也加劇了這種低能量轉化在傳統風機的常態化。這就是為什么有些使用了大風輪傳統風機的業主抱怨機組過度偏離理論發電性能的原因。
　　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網絡的樣本訓練預測模型，這個有數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化工況下運行的幾率。其實，這項技術在汽車行業已得到廣泛應用，比如發動機控制系統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間風能轉換效率行業領先的重要原因。