一种基于数据驱动的风电机组的疲劳载荷抑制方法

1.本发明涉及计算机技术领域，尤其是一种基于数据驱动的风电机组的疲劳载荷抑制方法。


背景技术：

2.伴随着社会的不断发展，能源在当今人类社会进步史上的重要性已经举足轻重。近些年来，减少化石能源的使用，发展新能源行业已经成为很多国家的共识。作为优质可再生能源，风能越来越受到科研工作者的重视，风电在电网中的渗透率在不断提高，风电装机容量在持续增加，风电场的运维已逐渐成为运营者关注的主要问题。
3.对于风电场而言，由于不存在燃料消耗成本，降低运维成本可明显提升其运行经济性。其中，降低机组运行过程中的疲劳载荷可以有效地减少机组损伤，是降低运维成本的重要手段。
4.风电机组作为多结构耦合而成的复杂机电系统，其运行过程中由于不确定的环境、运行工况等影响，不可避免地会产生损伤。降低风电机组的疲劳载荷首先需要对其进行有效的评估。根据现有研究，传动系统疲劳损伤的表征参数包括主轴转矩的标准差和损伤等效载荷(damage equivalent load,del)两种。其中，主轴转矩的标准差是目前文献中针对传动系统疲劳载荷在线优化的主流参数。然而，主轴转矩的标准差虽然确实与传动系统疲劳相关，但并非完全线性相关。相比之下，del通过实现对机械结构损伤的描述，可以更加准确地表征机械结构的疲劳特性。但是由于del计算方法复杂，现有研究一般难以将其作为直接指导风电场实时优化运行的指标，只能作为后评估参数使用。


技术实现要素：

5.有鉴于此，本发明实施例提供一种基于数据驱动的风电机组的疲劳载荷抑制方法，能够实时计算del，使得del可以作为风电场有功控制的优化目标直接用于风电机组的疲劳载荷抑制。
6.本发明实施例的一方面提供了一种基于数据驱动的风电机组的疲劳载荷抑制方法，包括：
7.基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
8.计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
9.将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
10.根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
11.可选地，所述基于蒙特卡洛方法采集不同工况下的风电机组数据，包括：
12.根据风电机组的疲劳损伤原因，确定待采集数据为传动系统的损伤信息以及塔架的损伤信息；
13.构建所述传动系统的机理模型和所述塔架的机理模型；
14.根据所述传动系统的机理模型和所述塔架的机理模型，采集不同工况下的风电机组数据；其中，所述传动系统的机理模型的表达式为：
[0015][0016]
其中，ωr是转子速度(rad/s)；jm为风轮转动惯量(kg/m3)；tm是机械转矩(n
·
m)；ts是主轴转矩(n
·
m)；k
sp
是主轴弹性系数(n
·
m/rad)；ψ是扭转角度；k
vi
是主轴阻尼系数(nms/rad)；je是发电机转动惯量(kg/m3)；te是发电机转矩(n
·
m)；n
gear
是齿轮箱的变速比；代表转子转速的导数；代表扭转角度的导数；代表发电机转速的导数。
[0017]
可选地，所述计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据，包括：
[0018]
根据所述传动系统的机理模型和所述塔架的机理模型，选取描述损伤等效载荷的机组特性参数；
[0019]
收集实验过程中的损伤等效载荷数据以及所述机组特性参数，计算皮尔逊相关系数，并根据所述皮尔逊相关系数从所述机组特性参数中选取得到目标数据；
[0020]
其中，所述机组特性参数包括平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差。
[0021]
可选地，所述dnn的内部网络结构包括一层输入层、两层隐含层以及一层输出层；所述dnn的训练过程包括前向传播过程和后向传播过程；
[0022]
所述前向传播过程中，dnn在运算过程中利用了多层神经元之间不同的权重系数和偏置向量，实现从输入层到输出层的运算；
[0023]
所述后向传播过程中，通过损失函数迭代优化完成正向传播中权重系数和偏置向量的更新；
[0024]
在dnn网络的训练中，采用adam算法在训练的同时计算梯度的指数加权平均数，再利用得到的梯度值来更新参数。
[0025]
可选地，所述根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制，包括：
[0026]
获取实时采集到的风电机组数据，并计算得到损伤等效载荷；
[0027]
根据所述损伤等效载荷，对风电机组进行疲劳载荷抑制；
[0028]
在实现疲劳载荷抑制的同时，控制满足风电场的功率要求和各风力机的上下限。
[0029]
可选地，所述方法还包括：
[0030]
向所述疲劳载荷抑制过程中的目标函数中加入惩罚因子；
[0031]
在所述疲劳载荷抑制过程中，使用了由logistic映射和chebyshev映射复合得到的混沌序列；其中，所述混沌序列生成初始种群用于提高种群的多样性和遍历性。
[0032]
本发明实施例的另一方面还提供了一种基于数据驱动的风电机组的疲劳载荷抑制装置，包括：
[0033]
第一模块，用于基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
[0034]
第二模块，用于计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
[0035]
第三模块，用于将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
[0036]
第四模块，用于根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
[0037]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0038]
所述存储器用于存储程序；
[0039]
所述处理器执行所述程序实现如前面所述的方法。
[0040]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0041]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0042]
本发明的实施例基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制，本发明能够实时计算del，使得del可以作为风电场有功控制的优化目标直接用于风电机组的疲劳载荷抑制。
附图说明
[0043]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为传动系统del预测性能评价示意图；
[0045]
图2为塔架del预测性能评价示意图；
[0046]
图3为仿真系统结构图；
[0047]
图4为仿真风速示意图；
[0048]
图5为风电场有功功率控制效果对比示意图；
[0049]
图6为1#风机主轴转矩对比示意图；
[0050]
图7为1#风机塔根弯矩对比示意图；
[0051]
图8为风电场中所有风机传动系统del示意图；
[0052]
图9为风电场中所有风机塔架del示意图；
[0053]
图10为风电机组传动系统及塔架模型示意图；
[0054]
图11为dnn结构示意图；
[0055]
图12为改进后的灰狼优化算法用于风电场有功调度的流程图。
具体实施方式
[0056]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0057]
针对现有技术存在的问题，本发明实施例提供了一种基于数据驱动的风电机组的疲劳载荷抑制方法，包括：
[0058]
基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
[0059]
计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
[0060]
将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
[0061]
根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
[0062]
可选地，所述基于蒙特卡洛方法采集不同工况下的风电机组数据，包括：
[0063]
根据风电机组的疲劳损伤原因，确定待采集数据为传动系统的损伤信息以及塔架的损伤信息；
[0064]
构建所述传动系统的机理模型和所述塔架的机理模型；
[0065]
根据所述传动系统的机理模型和所述塔架的机理模型，采集不同工况下的风电机组数据；
[0066]
其中，所述传动系统的机理模型的表达式为：
[0067][0068]
其中，ωr是转子速度(rad/s)；jm为风轮转动惯量(kg/m3)；tm是机械转矩(n
·
m)；ts是主轴转矩(n
·
m)；k
sp
是主轴弹性系数(n
·
m/rad)；ψ是扭转角度；k
vi
是主轴阻尼系数(nms/rad)；je是发电机转动惯量(kg/m3)；te是发电机转矩(n
·
m)；n
gear
是齿轮箱的变速比；代表转子转速的导数；代表扭转角度的导数；代表发电机转速的导数。
[0069]
可选地，所述计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据，包括：
[0070]
根据所述传动系统的机理模型和所述塔架的机理模型，选取描述损伤等效载荷的
机组特性参数；
[0071]
收集实验过程中的损伤等效载荷数据以及所述机组特性参数，计算皮尔逊相关系数，并根据所述皮尔逊相关系数从所述机组特性参数中选取得到目标数据；
[0072]
其中，所述机组特性参数包括平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差。
[0073]
可选地，所述dnn的内部网络结构包括一层输入层、两层隐含层以及一层输出层；所述dnn的训练过程包括前向传播过程和后向传播过程；
[0074]
所述前向传播过程中，dnn在运算过程中利用了多层神经元之间不同的权重系数和偏置向量，实现从输入层到输出层的运算；
[0075]
所述后向传播过程中，通过损失函数迭代优化完成正向传播中权重系数和偏置向量的更新；
[0076]
在dnn网络的训练中，采用adam算法在训练的同时计算梯度的指数加权平均数，再利用得到的梯度值来更新参数。
[0077]
可选地，所述根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制，包括：
[0078]
获取实时采集到的风电机组数据，并计算得到损伤等效载荷；
[0079]
根据所述损伤等效载荷，对风电机组进行疲劳载荷抑制；
[0080]
在实现疲劳载荷抑制的同时，控制满足风电场的功率要求和各风力机的上下限。
[0081]
可选地，所述方法还包括：
[0082]
向所述疲劳载荷抑制过程中的目标函数中加入惩罚因子；
[0083]
在所述疲劳载荷抑制过程中，使用了由logistic映射和chebyshev映射复合得到的混沌序列；其中，所述混沌序列生成初始种群用于提高种群的多样性和遍历性。
[0084]
本发明实施例的另一方面还提供了一种基于数据驱动的风电机组的疲劳载荷抑制装置，包括：
[0085]
第一模块，用于基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
[0086]
第二模块，用于计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
[0087]
第三模块，用于将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
[0088]
第四模块，用于根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
[0089]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0090]
所述存储器用于存储程序；
[0091]
所述处理器执行所述程序实现如前面所述的方法。
[0092]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0093]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或
计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0094]
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
[0095]
基于del计算方法复杂、难以实时获取的特点，本发明提出一种通过深度神经网络(deep neural network,dnn)构建数据驱动模型，用于实时计算del的方法，使得del可以作为风电场有功控制的优化目标直接用于风电场的功率分配。本发明针对风电机组疲劳载荷无法被准确表征的特性，将del与dnn相结合，建立起了数据驱动模型，使得风电机组的疲劳载荷可以被准确地评估及抑制，进而直接提高风电场的经济性。其次，在有功调度的过程中，本发明针对传统多目标灰狼优化算法中种群均匀性较低的缺陷，采用混沌序列以提高种群的多样性和遍历性，增加了有功功率调度过程中的寻优效果。
[0096]
本发明提出一种数据驱动的风电场疲劳载荷计算与主动抑制方法，具体包括以下步骤：
[0097]
1)基于蒙特卡洛方法，合理采集不同工况下的风电机组风速和功率相关的数据；
[0098]
2)计算采集到的数据所对应的del，对数据和del进行相关性分析和数据筛选；
[0099]
3)以筛选出的数据作为dnn的输入，del作为输出，训练出效果良好的深度神经网络，用于del的实时计算；
[0100]
4)在训练好的dnn的基础上，采用改进的灰狼优化算法实现有功功率的分配。
[0101]
具体地，(1)基于蒙特卡洛方法，合理采集不同工况下的风电机组风速和功率相关的数据：
[0102]
在进行数据采集之前，首先要对风电机组疲劳损伤的产生原因进行分析，再选取合适的数据用于训练神经网络。
[0103]
风电机组作为多结构耦合而成的复杂机电系统，其运行过程中由于不确定的环境、运行工况等影响，不可避免地会产生损伤。根据统计数据分析，在机组的机械结构中，传动系统是损坏比例最高、导致停机时间最长的结构之一，塔架的损伤会带来最严重的经济损失，并对风电机组的寿命产生影响。因此，本发明选取了传动系统和塔架的疲劳载荷进行分析和建模。原理如图9所示。
[0104]
1)在风电机组传动系统中，主轴将风轮转子的轮毂连接到齿轮箱或直接驱动发电机，研究中通常考虑主轴的柔性与阻尼特性，将传动系统简化为如图10所示的双质块模型。其动态特性可以表征为如下的形式：
[0105][0106]
式(1)中，ωr是转子速度(rad/s)；jm为风轮转动惯量(kg/m3)；je是发电机转动惯量(kg/m3)；tm是机械转矩(n
·
m)；te是发电机转矩(n
·
m)；ts是主轴转矩(n
·
m)；n
gaer
是齿轮箱的变速比；k
sp
是主轴弹性系数(n
·
m/rad)；k
vi
是主轴阻尼系数(nms/rad)；ψ是扭转角度。
[0107]
根据式(1)所示模型，风速的随机波动可导致风轮转子侧转矩产生波动，另一侧的
电磁转矩则由于发电任务需要保证与所需的功率进行适配，这样的结构导致了不平衡转矩的存在。动态不平衡会使得轴系出现振动现象并引起损伤。
[0108]
2)塔架损伤的主要来源是驱动风力机旋转的气动推力f
mt
，它与风速v、桨距角β、尖速比α有关。由于塔架的机理类似于如图10所示的悬梁臂，科研工作者通常将塔根的疲劳载荷作为整个塔的疲劳载荷，用塔根弯矩来评价塔的疲劳载荷。塔根受力和弯矩表达式如式(2)和式(3)所示。
[0109][0110]mt
＝f
t
·hꢀꢀꢀ
(3)
[0111]ft
是叶片收到的空气推力(n),h是塔的高度(m),v是风速(m/s),λ是叶尖速比,β是桨距角(
°
)，c
t
是推力系数,ρ是空气密度(kg/m3),r是风轮半径(m)，m
t
是塔根弯矩。
[0112]
(2)计算采集到的数据所对应的del，对数据和del进行相关性分析和数据筛选：
[0113]
在工程应用中，损伤等效载荷del被广泛认可为典型的风机疲劳度量参数。通过使用雨流计数法，将复杂的载荷历史转换为影响疲劳的载荷反转集合，然后采用palmgren-miner法计算得到del。使用s-n曲线(式4)和palmgren-miner规则(式5)：
[0114]
n＝c
·
σ-m
ꢀꢀꢀ
(4)
[0115][0116]
式中，σ为应力幅度；n为材料可以承受的幅度σ的循环数；c为材料可以承受的最大静态应力；m为系数的参数；nj为结构在应力水平σj下经历的循环次数；nj为应力幅度σj导致部件失效的循环次数。
[0117]
del定义为恒定频率f下产生与时间t中的原始信号相同的损伤的正弦应力的振幅，具体计算公式如下式(6)：
[0118][0119]
出于控制效果的比较的目的，del的相对值很重要，因此通常使用tf＝1。同时，用于计算传动系统的del的系数m取值为4。
[0120]
根据式(4)-(6)可以看出，del的计算严重依赖于转矩等机组运行工况数据的长期准确测量，并且所用雨流计数的计算过程复杂，这些条件导致del指标难以适用于风电机组的在线优化控制过程中，目前的研究仅将其作为后评估策略。
[0121]
考虑到del指标的理论计算复杂度，本实施例考虑设计一种基于数据驱动的del计算方法。为保证算法可实现性，首先对用来描述del的机组特性参数进行选取。结合del理论计算方法和式(1)-(4)所示传动系统和塔架的机理模型，可以看出主轴转矩的波动与机械侧和电气侧的波动情况均相关，而两侧的波动主要来源于风资源的波动和有功出力的波动。塔根弯矩的波动除了与风速有关之外，还与桨距角和风轮转速有关。基于这一分析，本实施例选取了机组运行工况参数中的平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差九组参数作为描述传动系统del的备选参数。以上九个参数在实际应用中均可以通过scada系统中的数据经过简单计算得到，数据获取难度远小于转矩等参数。计算公式如表3所示，
表3为参数选取及计算公式。
[0122]
表3
[0123][0124][0125]
为了描述以上参数与传动系统del之间的耦合特性，本发明基于simwindfarm平台设计蒙特卡洛实验，选取nrel 5mw机型进行仿真的数据实验。为了保证统计结果的准确性，风电机组参数及实验工况设置如表4和表5所示。
[0126]
表4代表nrel 5mw风电机组参数。
[0127]
表4
[0128]
参数理论值切入风速，额定风速，切出风速3m/s,11.4m/s,25m/s风轮直径126m额定功率5mw启动转速，额定转速6.9rpm,12.1rpm
[0129]
表5代表风电机组实验工况设置：
[0130]
表5
[0131]
参数工况区间工况间隔平均风速6-20m/s2m/s湍流强度0.1-0.20.02平均功率0.5
–
5mw0.5mw功率随机数0.01
–
1mw0.01mw
[0132]
表5中，机组运行过程中的平均风速、湍流强度、平均功率可以经由simwindfarm平台直接预设，共480组工况，参数等间隔均匀设置。功率标准差及功率波动的标准差无法直接预设，本实施例选择在仿真中在机组功率设定值上添加范围可变的随机数，共100组随机数。因此，本实施例通过simwindfarm平台构造出48000中不同工况进行实验。
[0133]
通过simwindfarm工具箱仿真，在每次实验完成之后，使用mcrunch代码得到此次实验过程中风机传动系统和塔架的del。再通过实验过程中的风速、功率、桨距角、风轮转速计算出风机的平均风速、湍流强度、平均功率、功率标准差、功率波动的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差。在收集到上述九组数据和两组del之后，通过计算皮尔逊相关系数(pcc)来选取与del相关性较高的数据用于dnn训练。pcc计算结果如表6所示。
[0134]
表6为pcc计算结果。
[0135]
表6
[0136][0137]
表6中的数字表示数据之间的相关性，数字越大，相关性越高。负(正)数表示负(正)相关。选取与主轴del(del
ts
)和塔架del(del
mt
)相关度最高的6组数据作为dnn的输入，del
ts
和相应的del
mt
作为输出，进行dnn训练。与主轴del相关性较高的6组数据分别为湍流强度、功率、功率的标准差、功率变化量的标准差、桨距角的标准差和风轮转速的标准差。与塔架del相关性较高的6组数据分别为湍流强度、风速、平均功率、功率标准差、功率变化量的标准差和风轮转速的平均值。
[0138]
(3)以筛选出的数据作为dnn的输入，del作为输出，训练出效果良好的深度神经网络，用于del的实时计算：
[0139]
结合步骤(1)-(2)中的实验结果，可以选取多组与风电机组del相关的数据，基于dnn进行数据驱动模型的构建。
[0140]
dnn的内部网络结构一般包含输入层，隐含层以及输出层这三类。第一层是输入层，最后一层是输出层，中间的都是隐含层，本实施例所建dnn网络具有两层隐含层，层与层之间通过神经元互相连接，具体结构如图11所示。
[0141]
dnn的训练过程分为前向传播和后向传播两部分，原理如下：
[0142]
(a)前向传播
[0143]
dnn在运算过程中利用了多层神经元之间不同的权重系数ε和偏置向量b，实现从输入层到输出层的运算，计算公式如下：
[0144][0145][0146]
式中：为l层的i神经元的输入量；为l层的i神经元的输出量；n
l-1
为l-1层的元个数；φ为激活函数。
[0147]
(b)反向传播
[0148]
反向传播的目的是通过合理的损失函数迭代优化完成正向传播中权重系数ε和偏置向量b的更新。本实施例将损失函数定义如下：
[0149][0150]
式中，y为输出变量的真实值向量。
[0151]
为了完成权重系数ε和偏置向量b的更新，进行如下计算：
[0152][0153][0154][0155]
式中：为l层的损失函数关于输入的偏导，也可称为灵敏误差；φ
′
为激活函数的导函数。
[0156]
通过式(11)-(12)可实现权重系数ε和偏置向量b的更新。然而，在dnn网络的训练中,随着网络深度的增加，参数可能会在更新过程中偏离其设定范围。为应对这一问题，采用adam算法在训练的同时计算梯度的指数加权平均数，再利用得到的梯度值来更新参数。
[0157]
(4)在训练好的dnn的基础上，采用改进的灰狼优化算法实现有功功率的分配：
[0158]
基于步骤3中构建的数据驱动模型，利用实时采集到的数据可以快速计算del，进行风电机组的疲劳载荷抑制。考虑到电网友好性，有功功率是风电场控制的一个重要目标，所以选择在有功功率调度过程中对del进行优化。因此，在实现抑制疲劳负荷的目标的同时，还需要满足风电场的功率要求和各风力机的上下限。针对上述情况，目标函数和约束条件可以用以下公式描述:
[0159][0160][0161][0162]
del
ts,i
|p
e,i
和del
mt,i
|p
e,i
是当第i台风机的功率为p
e,i
时的主轴转矩和塔根弯矩；p
wf
是整个风电场的有功功率；和分别是第i台风机在实际风速下的最小出力和最大出力；ηi为权重系数。
[0163]
为了使得式(14)在优化过程中便于处理，需要在目标函数中加入惩罚因子，将式(13)和(14)合并如下式(16)所示：
[0164][0165]
式中，γ是惩罚因子。
[0166]
传统的mogwo算法采用随机函数生成初始种群，种群均匀性有待提高。使用混沌序列生成初始种群可以提高种群的多样性和遍历性。为了获得更好的均匀性，本发明使用了由logistic映射和chebyshev映射复合得到的混沌序列，两个映射的占比设置为0.5，原理如下式(17)所示。
[0167][0168]
其中ini是初始种群，lo
k+1
是logistic映射第k+1次迭代时的混沌变量值。δ是系数，取值范围为[0,4]。ch
k+1
是chebyshev映射第k+1次迭代时的混沌变量值，改进后的灰狼优化算法用于风电场有功调度的流程图如图12所示。
[0169]
在以上各步骤中的推进过程中，本发明实施例采用matlab和simlink进行数据采集和仿真模拟。
[0170]
综上所述，本发明着力于构建风电机组del的数据驱动计算模型并将其应用于功率-疲劳的联合优化控制中。通过设计仿真风电机组的48000种不同工况，采集平均风速、湍流强度、平均功率、功率的标准差、功率波动的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差九组参数作为输入，设计dnn并进行训练，得到了预测准确度高于80％的风电机组del计算模型。基于该模型进行del的实时在线计算，可在对风电场有功功率实时控制的过程中实现风电场内所有机组的传动系统疲劳载荷抑制。本发明得出的神经网络对风电机组del的预测具有良好的适用性，在此基础之上的优化调度方法也显示出明显的优势，本发明所提到的内容可为提高风电场灵活经济运行奠定良好基础。
[0171]
为了验证训练好的数据驱动模型的准确性，本发明选取了采集到的48000组数据中的45000组作为dnn的训练集，剩下的3000组作为验证集，分别对传动系统del和塔架del建立数据驱动模型，采用均方根误差(rmse)来评价模型的性能，并且将两组预测值和真实值进行了对比，均方根误差均已接近0，预测结果与实际结果的平均百分比误差均小于20％，预测数据可以较好地拟合原始数据，如图1和图2所示。
[0172]
在获得可以准确计算del的数据驱动模型之后，基于simwindfarm仿真平台搭建风电场仿真系统。仿真风电场包含12台nrel 5mw的风电机组模型，以4
×
3的形式排列，风机之间间隔距离为500m，如图3所示。风机参数如表4所示。仿真中各风电机组均受到尾流效应影响，具体风速波动情况如图4所示。同时，为了验证本发明所提风电场功率的优化控制算法的有效性，采用了工程中常用的等比例分配算法、遗传算法(ga)和灰狼优化算法(mogwo)作为对照，而本发明中的算法则采用了改进的灰狼优化算法。
[0173]
为了验证本发明中涉及的风电场有功控制算法可以满足恒功率跟踪和爬坡跟踪的要求，对风电场的有功调度指令设置如下：前400s为12mw，400～700s内从12mw爬坡至24mw，700s后保持24mw不变。功率设定值、比例分配算法和改进的灰狼优化算法的功率曲线如图5所示。从图中可知，两种方案均能保证风电场出力对功率指令值有较好的跟踪效果。
[0174]
为了验证改进的灰狼优化算法对风电机组疲劳损伤的抑制效果，图6和图7选取了1#风机的主轴转矩和塔根弯矩作为示例。在两组实验中，前400s的功率控制方法均为传统的比例分配算法，后600s中，实验组采用改进的灰狼优化算法进行有功功率分配，对照组继续采用比例分配算法。从图6和图7可以看出，实验组的算法在降低主轴转矩和塔根弯矩的同时，对波动情况也产生了较好的平抑作用。
[0175]
为了对优化算法进行准确的评价，通过mcrunch计算出四种算法控制下所有风电机组准确的del并进行比较，结果如图8、图9、表1、表2所示。从计算结果可以看出，与传统比例算法相比，其他三种算法均降低了风电场风力机的总疲劳。三种方法在优化过程中都采用了本实施例提出的基于dnn的疲劳载荷计算模型，验证了本发明提出的疲劳载荷计算模型在实时优化中是有效的。
[0176]
表1
[0177]
[0178]
表2
[0179][0180][0181]
以上表1为风电场中的风机传动系统del对比结果；表2为风电场中的风机塔架del对比结果
[0182]
综合以上图8、图9、表1、表2，同时也可以看出不同优化算法的优化效果是不同的。遗传算法和传统的mogwo算法都出现了某台风电机组的负优化效应。本实施例提出的改进算法不仅在整体风电场优化效果上优于其他两种算法，而且在风电机组层面上也没有出现显著的负优化效果。验证了本发明提出的疲劳载荷抑制系统综合效果的优越性。
[0183]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本实施例所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0184]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本实施例中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求
书及其等同方案的全部范围来决定。
[0185]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0186]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0187]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0188]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0189]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0190]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0191]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，包括：基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。2.根据权利要求1所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述基于蒙特卡洛方法采集不同工况下的风电机组数据，包括：根据风电机组的疲劳损伤原因，确定待采集数据为传动系统的损伤信息以及塔架的损伤信息；构建所述传动系统的机理模型和所述塔架的机理模型；根据所述传动系统的机理模型和所述塔架的机理模型，采集不同工况下的风电机组数据；其中，所述传动系统的机理模型的表达式为：其中，ω
r
是转子速度(rad/s)；j
m
为风轮转动惯量(kg/m3)；t
m
是机械转矩(n
·
m)；t
s
是主轴转矩(n
·
m)；k
sp
是主轴弹性系数(n
·
m/rad)；ψ是扭转角度；k
vi
是主轴阻尼系数(nms/rad)；j
e
是发电机转动惯量(kg/m3)；t
e
是发电机转矩(n
·
m)；n
gear
是齿轮箱的变速比；代表转子转速的导数；代表扭转角度的导数；代表发电机转速的导数。3.根据权利要求2所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据，包括：根据所述传动系统的机理模型和所述塔架的机理模型，选取描述损伤等效载荷的机组特性参数；收集实验过程中的损伤等效载荷数据以及所述机组特性参数，计算皮尔逊相关系数，并根据所述皮尔逊相关系数从所述机组特性参数中选取得到目标数据；其中，所述机组特性参数包括平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差。4.根据权利要求1所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述dnn的内部网络结构包括一层输入层、两层隐含层以及一层输出层；所述dnn的训练过程包括前向传播过程和后向传播过程；所述前向传播过程中，dnn在运算过程中利用了多层神经元之间不同的权重系数和偏
置向量，实现从输入层到输出层的运算；所述后向传播过程中，通过损失函数迭代优化完成正向传播中权重系数和偏置向量的更新；在dnn网络的训练中，采用adam算法在训练的同时计算梯度的指数加权平均数，再利用得到的梯度值来更新参数。5.根据权利要求1所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制，包括：获取实时采集到的风电机组数据，并计算得到损伤等效载荷；根据所述损伤等效载荷，对风电机组进行疲劳载荷抑制；在实现疲劳载荷抑制的同时，控制满足风电场的功率要求和各风力机的上下限。6.根据权利要求5所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述方法还包括：向所述疲劳载荷抑制过程中的目标函数中加入惩罚因子；在所述疲劳载荷抑制过程中，使用了由logistic映射和chebyshev映射复合得到的混沌序列；其中，所述混沌序列生成初始种群用于提高种群的多样性和遍历性。7.一种基于数据驱动的风电机组的疲劳载荷抑制装置，其特征在于，包括：第一模块，用于基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；第二模块，用于计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；第三模块，用于将所述目标数据输入dnn进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；第四模块，用于根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。8.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

技术总结
本发明公开了一种基于数据驱动的风电机组的疲劳载荷抑制方法，包括：基于蒙特卡洛方法采集不同工况下的风电机组数据；计算风电机组数据对应的损伤等效载荷，并对风电机组数据和损伤等效载荷进行相关性分析，筛选得到目标数据；将目标数据输入DNN进行训练，得到目标深度神经网络；其中，目标深度神经网络用于对损伤等效载荷进行实时计算；根据目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对风电机组进行疲劳载荷抑制。本发明能够实时计算DEL，使得DEL可以作为风电场有功控制的优化目标直接用于风电机组的疲劳载荷抑制，可广泛应用于计算机技术领域。机技术领域。机技术领域。


技术研发人员：姚琦 马博 胡阳 房方
受保护的技术使用者：暨南大学
技术研发日：2022.07.01
技术公布日：2022/11/1