【技術實現步驟摘要】
本申請涉及風力發電，尤其是一種使用人工神經網絡進行風力發電機系統建模的方法及裝置。
技術介紹
1、風力發電機的運轉過程是一個將風能轉化為電能的復雜系統，涉及多個環節和控制機制，大致包括：
2、風能捕獲：風吹動槳葉，產生升力和阻力，驅動槳葉旋轉。
3、轉動傳遞：槳葉的旋轉通過主軸傳遞到發電機。
4、發電：發電機將機械能轉換為電能，通常使用交流發電機（如異步發電機或同步發電機）。
5、電力輸出：發電機產生的電力通過電纜輸送到電網或儲能系統。
6、風力發電機塔架上安裝有若干傳感器，作為風力發電機控制系統的輸入參數。主要包括：風力；風向；輪轂傳動軸轉速；發電功率；葉尖加速度，葉尖位移等。其中，葉尖加速度和葉尖位移反映葉片承受的載荷，如葉尖加速度過大，表明葉片承受的載荷越大，影響葉片壽命。此外，如果葉尖位移過大，有可能導致葉片撞擊塔架，造成安全事故。因此這些數值越小越好。
7、風力發電機的運行主要依賴于風力的變化。根據風力的不同情況，可以將其劃分為四個控制區域：
8、啟動階段：此時風力最小，目標是盡量利用風能，使葉片能夠順利旋轉。
9、欠功率階段：在這一階段，風力較小，目標是控制葉片的旋轉速度，使其盡量接近額定轉速。
10、額定功率階段：此時是理想狀態，風力發電機能夠以滿功率運行。
11、保護運行階段：當風力較大時，需要采取措施減小葉片受力，以避免安全事故的發生。
12、目前風力發電機系統建模的常用方法是：研
13、目前風力發電機系統建模的缺陷在于：所使用的軟件往往是大型商用軟件，需要在較大的cpu、內存、硬盤條件下運行，通常只支持windows操作系統，無法部署在風力發電機運行現場；在人機交互條件下運行；并且無法對風力發電機未來的運行狀態進行精準的預測。
技術實現思路
1、本申請的目的在于克服現有技術中風力發電機系統的建模無法部署在風力發電機運行現場以及無法對風力發電機未來的運行狀態進行精準預測的問題，提供一種使用人工神經網絡進行風力發電機系統建模的方法及裝置。
2、第一方面，提供了一種使用人工神經網絡進行風力發電機系統建模的方法，包括：
3、在仿真環境中采集風力發電機的運行數據；
4、將連續x個時間點的運行數據為輸入數據，以連續x個時間點的下一時間點的槳葉轉速、發電功率和槳葉負荷為第一輸出數據，其中，x為大于3的正整數，構建數據集；
5、利用所述數據集對transformer模型進行訓練，以得到風力發電機系統預測模型；
6、在真實環境中對所述風力發電機系統預測模型進行驗證。
7、在一些可能的實現方式中，在仿真環境中采集風力發電機的運行數據，包括：
8、s101、在仿真環境在運行風力發電機并采用pi控制器對風力發電機的偏航、漿距和扭矩進行控制；
9、s102、在仿真環境中模擬不同風力條件并保持指定時長，并進行風力發電機運行仿真和運行數據的采集；
10、s103、在仿真環境中模擬不同風力條件之間的隨機切換，并進行風力發電機運行仿真和運行數據的采集；
11、s104、重復執行步驟s102和步驟103，并在運行數據的采集的過程中添加隨機擾動。
12、在一些可能的實現方式中，所述運行數據包括環境數據、控制數據和第二輸出數據，其中，所述環境數據包括風力、風向和溫度，所述控制數據包括風力發電機偏航角、漿距角和扭矩，所述第二輸出數據包括槳葉轉速、發電功率和槳葉負荷。
13、在一些可能的實現方式中，對transformer模型進行訓練之前，還包括：對所述數據集進行歸一化處理，并按照按照預設的比例，將歸一化處理后的數據集劃分為訓練集和測試集。
14、在一些可能的實現方式中，所述風力發電機系統預測模型使用一個全連接網絡作為輸入層，使用sigmoid函數作為輸出層，以均方誤差作為損失函數，使用所述訓練集并使用隨機梯度下降算法進行transformer模型訓練。
15、在一些可能的實現方式中，還包括：使用測試集對訓練好的風力發電機系統預測模型進行測試，若均方誤差大于預設的閾值，則調整模型參數重新進行風力發電機系統預測模型的訓練。
16、在一些可能的實現方式中，在真實環境中對所述風力發電機系統預測模型進行驗證，包括：
17、在真實環境中采集風力發電機的運行數據；
18、從在真實環境中采集風力發電機的運行數據中抽取連續n個時間點的運行數據，其中，n為大于3的正整數；
19、將抽取的連續n個時間點的運行數據作為輸入數據輸入到風力發電機系統預測模型中，以預測得到抽取的連續n個時間點的下一時間點的預測值；
20、計算所述預測值與對應的實際采集數據的均方誤差；
21、若均方誤差大于預設的閾值，則調整模型參數重新進行風力發電機系統預測模型的訓練和驗證。
22、第二方面，提供了一種使用人工神經網絡進行風力發電機系統建模的裝置，包括：
23、數據采集模塊，用于在仿真環境中采集風力發電機的運行數據；
24、數據集構建模塊，用于將連續x個時間點的運行數據為輸入數據，以連續x個時間點的下一時間點的槳葉轉速、發電功率和槳葉負荷為第一輸出數據，其中，x為大于3的正整數，構建數據集；
25、訓練模塊，用于利用所述數據集對transformer模型進行訓練，以得到風力發電機系統預測模型；
26、驗證模塊，用于在真實環境中對所述風力發電機系統預測模型進行驗證。
27、第三方面，提供了一種計算機可讀存儲介質，所述計算機可讀介質存儲用于設備執行的程序代碼，該程序代碼包括用于執行如上述第一方面中的任意一種實現方式中方法的步驟。
28、第四方面，提供了一種電子設備，所述電子設備包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執行時實現如上述第一方面中的任意一種實現方式中的方法。
29、本申請具有如下有益效果：本申請提供的風力發電機系統預測模型，綜合考慮了風力發電機運行的環境數據（風向，風力，溫度等）；控制量（偏航角，槳距角，扭矩等）輸出量（槳葉轉速、發電功率和槳葉負荷等），對風力發電機運行的未來狀態進行預測，包括槳葉轉速、發電功率和槳葉負荷，并且利用transformer模型作為基礎模型，能夠更加精準的描述風力發電機的運行數據與槳葉轉速、發電功率和槳葉負荷之間的關系，能夠提高槳葉轉速、發電功率和槳葉負荷預測的準確性，從而能夠根據預測結果實時的本文檔來自技高網...
【技術保護點】
1.一種使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，包括：
2.根據權利要求1所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，在仿真環境中采集風力發電機的運行數據，包括：
3.根據權利要求1或2所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，所述運行數據包括環境數據、控制數據和第二輸出數據，其中，所述環境數據包括風力、風向和溫度，所述控制數據包括風力發電機偏航角、漿距角和扭矩，所述第二輸出數據包括槳葉轉速、發電功率和槳葉負荷。
4.根據權利要求1所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，對Transformer模型進行訓練之前，還包括：對所述數據集進行歸一化處理，并按照按照預設的比例，將歸一化處理后的數據集劃分為訓練集和測試集。
5.根據權利要求4所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，所述風力發電機系統預測模型使用一個全連接網絡作為輸入層，使用Sigmoid函數作為輸出層，以均方誤差作為損失函數，使用所述訓練集并使用隨機梯度下降算法進行Tr
6.根據權利要求5所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，還包括：使用測試集對訓練好的風力發電機系統預測模型進行測試，若均方誤差大于預設的閾值，則調整模型參數重新進行風力發電機系統預測模型的訓練。
7.根據權利要求3所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，在真實環境中對所述風力發電機系統預測模型進行驗證，包括：
8.一種使用人工神經網絡進行風力發電機系統建模的裝置，其特征在于，包括：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲用于設備執行的程序代碼，該程序代碼包括用于執行如權利要求1-7中任一項所述方法的步驟。
10.一種電子設備，其特征在于，所述電子設備包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執行時實現如權利要求1-7中任一項所述方法。
...【技術特征摘要】
1.一種使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，包括：
2.根據權利要求1所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，在仿真環境中采集風力發電機的運行數據，包括：
3.根據權利要求1或2所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，所述運行數據包括環境數據、控制數據和第二輸出數據，其中，所述環境數據包括風力、風向和溫度，所述控制數據包括風力發電機偏航角、漿距角和扭矩，所述第二輸出數據包括槳葉轉速、發電功率和槳葉負荷。
4.根據權利要求1所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，對transformer模型進行訓練之前，還包括：對所述數據集進行歸一化處理，并按照按照預設的比例，將歸一化處理后的數據集劃分為訓練集和測試集。
5.根據權利要求4所述的使用人工神經網絡進行風力發電機系統建模的方法，其特征在于，所述風力發電機系統預測模型使用一個全連接網絡作為輸入層，使用sigmoid函數作為輸出層，以均方...
【專利技術屬性】
技術研發人員：徐曉晶，鄭方超，王峰圖，高志宇，
申請(專利權)人：北京孔皆智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。