【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的風力發電機控制方法、裝置及系統。
技術介紹
1、得益于技術進步、成本下降以及政策支持的推動，風力發電在全世界范圍迅速發展。風力發電相關的技術創新也不斷出現，包括高效葉片設計、輕質高強度復合材料的應用、智能化控制系統升級等。
2、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。力發電機控制系統可以控制的量包括：1、偏航控制：調整風力發電機偏航角；2、變槳控制：調整葉片槳距角；3、扭矩控制：調整輪轂扭矩。
3、風力發電機的控制目標是：1、避免出現安全事故，如葉片撞擊塔架，葉片轉速過快導致葉片損壞等；2、減小葉片運行中的受力和震動，延長葉片的使用壽命；3、增加發電量。
4、典型的反饋控制算法是pi控制(比例積分控制)。pi控制算法在風力發電控制中得到了廣泛應用，但它存在一些技術缺點，包括：
5、1、對風速變化的響應速度較慢：由于pi控制算法依賴于誤差的累積進行調整，對于快速變化的風速，其響應速度較慢，可能導致系統無法及時調整，影響發電效率；
6、2、參數調節復雜：pi控制器的性能高度依賴于比例增益kp和積分增益ki的設置。不同工況和負載條件下，需要對kp和ki進行反復調試，以獲得最佳控制效果，這增加了系統調試的復雜性；
7、3、容易引起超調和振蕩：如果比例增益kp和積分增益ki設置不當，系統可能會出現超調和振蕩現象，導致風力發
8、4、積分飽和問題：在長時間存在較大誤差的情況下，積分項可能會累積過多，導致積分飽和，控制器輸出失控，無法有效調整系統；
9、5、適應性差：傳統的pi控制算法在面對復雜的非線性系統或多變量控制場景時，難以提供理想的控制效果，適應性較差。這在應對不同風速和風向變化時，表現尤為明顯。
技術實現思路
1、本申請的目的在于克服現有技術中pi控制算法對風速變化的響應速度慢、參數調節復雜、控制效果較差以及適應性差的問題，提供一種使用人工神經網絡的風力發電機控制方法、裝置及系統。
2、第一方面，提供了一種使用人工神經網絡的風力發電機控制方法，包括：
3、在仿真環境中構建風力發電機仿真模型并運行風力發電機；
4、采集風力發電機的歷史運行參數，其中，所述歷史運行參數包括環境數據、控制量和輸出量；
5、將所述歷史運行參數作為訓練數據集對基于transformer模型的神經網絡進行訓練以得到神經網絡模型，其中，所述神經網絡模型用于預測下一時間點的風力發電機狀態以及生成當前時間點的控制量；
6、在仿真環境中采用隨機梯度下降算法對所述神經網絡模型進行調優；
7、利用調優后的所述神經網絡模型對風力發電機進行控制。
8、在一些可能的實現方式中，在仿真環境中運行風力發電機仿真模型包括：在仿真環境中，在不同的風力、風向條件下，測試風力發電機的運行狀態。
9、在一些可能的實現方式中，采集風力發電機的歷史運行參數，包括：采集風力發電機在仿真環境中的連續n個時間點的歷史運行參數，其中，n為大于1的正整數，所述歷史運行參數包括環境數據、控制量和輸出量，所述環境數據包括風力、風向和氣溫；所述控制量包括偏航角、槳距角和扭矩；所述輸出量包括槳葉轉速、發電功率和槳葉彎矩。
10、在一些可能的實現方式中，所述神經網絡模型包括神經網絡預測模型和神經網絡控制模型，其中，所述神經網絡預測模型用于預測下一時間點的風力發電機狀態，所述神經網絡控制模型用于生成當前時間點的控制量，所述控制量包括槳距角、偏航角和扭矩。
11、在一些可能的實現方式中，在仿真環境中采用隨機梯度下降算法對所述神經網絡模型進行調優，包括：
12、s401、設定不同風力條件下的理想風力發電機狀態；
13、s402、在第一時刻，利用神經網絡預測模型預測出下一時刻的風力發電機狀態，并利用神經網絡控制模型生成第一時刻的控制量；
14、s403、在仿真環境中，把所生成的第一時刻的控制量輸入到風力發電機仿真模型并模擬風力發電機運行；
15、s404、采集下一時刻風力發電機仿真模型的實際風力發電機狀態，根據下一時刻的實際風力發電機狀態與理想風力發電機狀態的差距來修改的神經網絡控制模型的參數；
16、s405、重復步驟s302-步驟s304，直至下一時刻的實際風力發電機狀態與理想風力發電機狀態的差距滿足用戶需求。
17、在一些可能的實現方式中，還包括：
18、利用調優后的所述神經網絡模型對第一風力發電機進行控制，并選擇第二風力發電機采用原生控制系統進行控制，其中，第一風力發電機與第二風力發電機位于同一區域；
19、將第一風力發電機和第二風力發電機運行一段時間并采集實際運行數據；
20、利用所述實際運行數據對所述神經網絡模型進行持續調優。
21、第二方面，提供了一種使用人工神經網絡的風力發電機控制裝置，包括：
22、仿真模塊，用于在仿真環境中構建風力發電機仿真模型并運行風力發電機；
23、采集模塊，用于采集風力發電機的歷史運行參數，其中，所述歷史運行參數包括環境數據、控制量和輸出量；
24、訓練模塊，用于將所述歷史運行參數作為訓練數據集對基于transformer模型的神經網絡進行訓練以得到神經網絡模型，其中，所述神經網絡模型用于預測下一時間點的風力發電機狀態以及生成當前時間點的控制量；
25、調優模塊，用于在仿真環境中采用隨機梯度下降算法對所述神經網絡模型進行調優；
26、應用模塊，用于利用調優后的所述神經網絡模型對風力發電機進行控制。
27、第三方面，提供了一種使用人工神經網絡的風力發電機控制系統，采用如上述第一方面中的任意一種實現方式中所述的方法，其特征在于，所述風力發電機控制系統包括：
28、神經網絡控制模塊，用于使用隨機梯度下降算法得到最佳的控制量，以使得神經網絡控制模塊預測的下一時間點的風力發電機狀態最接近理想風力發電機狀態；
29、神經網絡預測模塊，用于根據當前時間點的風力發電機狀態和控制量預測下一時間點的風力發電機狀態；
30、反饋優化模塊，用于根據神經網絡控制模塊預測出的下一時間點的風力發電機狀態與下一時間點實際風力發電機狀態的差距優化神經網絡控制模塊的參數。
31、第四方面，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。
32、第五方面，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，所本文檔來自技高網...
【技術保護點】
1.一種使用人工神經網絡的風力發電機控制方法，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的風力發電機控制方法，其特征在于，在仿真環境中運行風力發電機仿真模型包括：在仿真環境中，在不同的風力、風向條件下，測試風力發電機的運行狀態。
3.根據權利要求1或2所述的使用人工神經網絡的風力發電機控制方法，其特征在于，采集風力發電機的歷史運行參數，包括：采集風力發電機在仿真環境中的連續n個時間點的歷史運行參數，其中，n為大于1的正整數，所述歷史運行參數包括環境數據、控制量和輸出量，所述環境數據包括風力、風向和氣溫；所述控制量包括偏航角、槳距角和扭矩；所述輸出量包括槳葉轉速、發電功率和槳葉彎矩。
4.根據權利要求3所述的使用人工神經網絡的風力發電機控制方法，其特征在于，所述神經網絡模型包括神經網絡預測模型和神經網絡控制模型，其中，所述神經網絡預測模型用于預測下一時間點的風力發電機狀態，所述神經網絡控制模型用于生成當前時間點的控制量，所述控制量包括槳距角、偏航角和扭矩。
5.根據權利要求4所述的使用人工神經網絡的風力發電機控制方法
6.根據權利要求1、2、4和5中任一項所述的使用人工神經網絡的風力發電機控制方法，其特征在于，還包括：
7.一種使用人工神經網絡的風力發電機控制裝置，其特征在于，包括：
8.一種使用人工神經網絡的風力發電機控制系統，采用如權利要求4-6中任一項所述的方法，其特征在于，所述風力發電機控制系統包括：
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1-6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1-6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的風力發電機控制方法，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的風力發電機控制方法，其特征在于，在仿真環境中運行風力發電機仿真模型包括：在仿真環境中，在不同的風力、風向條件下，測試風力發電機的運行狀態。
3.根據權利要求1或2所述的使用人工神經網絡的風力發電機控制方法，其特征在于，采集風力發電機的歷史運行參數，包括：采集風力發電機在仿真環境中的連續n個時間點的歷史運行參數，其中，n為大于1的正整數，所述歷史運行參數包括環境數據、控制量和輸出量，所述環境數據包括風力、風向和氣溫；所述控制量包括偏航角、槳距角和扭矩；所述輸出量包括槳葉轉速、發電功率和槳葉彎矩。
4.根據權利要求3所述的使用人工神經網絡的風力發電機控制方法，其特征在于，所述神經網絡模型包括神經網絡預測模型和神經網絡控制模型，其中，所述神經網絡預測模型用于預測下一時間點的風力發電機狀態，所述神經網絡控制模型用于生成當前時間點的控制量，所述...
【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。