无叶片风力发电装置的运行优化方法及装置与流程

本技术属于发电控制的，特别涉及一种无叶片风力发电装置的运行优化方法及装置。

背景技术：

1、无叶片风力发电技术是近年来新能源领域的研究方向之一。与传统叶片式风力发电装置利用叶片旋转捕获风能不同，无叶片风力发电装置基于涡激振动（vortex inducedvibration，viv）原理工作：当自然风流过捕能件（或称捕能柱）时，在其两侧交替产生涡旋脱落，形成卡门涡街效应，驱动捕能件发生横向往复摆动，将风能转化为机械振动能，再通过机电转换装置将机械振动能转化为电能。与传统叶片式风力发电装置相比，无叶片风力发电装置具有无旋转叶片、噪声低、对鸟类友好、维护成本低等优势，适用于城市建筑、分布式供电等低风速应用场景。

2、近年来，人工智能技术被逐步引入风力发电领域的运行优化中。部分研究采用神经网络模型对风力发电装置的输出功率进行预测，并在此基础上进行参数优化。然而，本技术的申请人发现现有的人工智能建模方法在应用于无叶片风力发电装置的运行优化时，仍存在以下不足：

3、第一，在数据预处理方面，现有方法多采用简单的均值填充或直接删除缺失数据的方式处理异常值和缺失值，未充分考虑多通道监测数据（如风速、风向、振动频率、转速、功率、温度等）之间采样频率不同、时间戳不一致所带来的时序对齐问题，导致构建的训练数据集存在时间错位，影响模型的学习精度。

4、第二，在特征提取方面，现有方法通常仅将原始风速值或简单的统计量（如平均值）作为模型输入，未对风速进行多维度的统计特征（如均值、标准差、偏度、峰度）和频率特征（如主频率、各频率分量的能量占比）提取，无法充分表征风速的时变特性和波动规律。同时，现有方法也未能将风向、捕能件振动频率等关键参数进行有效的特征化编码后纳入模型输入，导致模型对复杂工况的感知能力不足。

5、第三，在模型训练方面，现有方法多采用离线批量训练的方式，模型一旦训练完成即固定不变，无法适应风力发电装置在长期运行过程中风场特性的渐变。当实际工况与训练数据分布出现偏差时，模型预测精度会显著下降。虽然部分现有方法采用增量训练的方式在新数据上继续训练，但大多直接在新数据上进行微调，容易导致灾难性遗忘问题，即模型在学习新数据的同时丧失对旧数据的拟合能力。

6、第四，在参数寻优方面，现有方法多采用网格搜索或遗传算法等全局搜索方法确定最优运行参数，这些方法需要大量的模型评估次数，计算开销大，且在高维连续搜索空间中的搜索效率较低，难以满足无叶片风力发电装置对实时控制的响应速度要求。

7、背景技术部分的内容仅仅是发明人所知晓的技术，并不当然代表本领域的现有技术。

技术实现思路

1、本技术旨在提供一种无叶片风力发电装置的运行优化方法及装置，以解决上述至少一个技术问题。

2、根据本技术的一方面，提供了一种无叶片风力发电装置的运行优化方法，包括：s1：获取并预处理无叶片风力发电装置的运行监测数据，以构建统一时序的运行监测数据集；其中，运行监测数据包括风速数据、发电机转速数据和实际输出功率；s2：根据风速数据，生成风速统计特征参数与风速频率特征参数；s3：根据风速统计特征参数、风速频率特征参数、发电机转速数据和无叶片风力发电装置的捕能件高度，生成输入特征向量作为输入，构建增量自学习神经网络模型；其中，增量自学习神经网络模型输出无叶片风力发电装置的预测输出功率；s4：在预测输出功率与实际输出功率的偏差值大于预设偏差阈值的情况下，以当前的输入特征向量及对应的实际输出功率作为新增训练样本，对增量自学习神经网络模型进行增量训练；s5：根据增量训练后的增量自学习神经网络模型，以当前的风速统计特征参数和风速频率特征参数作为固定输入条件，以捕能件高度和发电机转速数据作为搜索变量执行迭代搜索，以提升预测输出功率为目标，确定目标捕能件高度与目标发电机转速；s6：根据目标捕能件高度与目标发电机转速驱动无叶片风力发电装置运行，并重新采集发电机转速数据、捕能件高度和实际输出功率；s7：根据重新采集的发电机转速数据、捕能件高度和实际输出功率，计算控制执行偏差；若控制执行偏差未收敛至预设执行偏差范围，则返回执行s5和s6，直至控制执行偏差收敛。

3、根据本技术的一些实施例，预处理无叶片风力发电装置的运行监测数据，包括：对运行监测数据执行数据清洗、数据对齐和归一化处理。

4、根据本技术的一些实施例，根据风速数据，生成风速统计特征参数与风速频率特征参数，包括：以预设滑动窗口长度对风速数据中的风速序列进行滑动分割，得到多个风速子序列；对每个风速子序列计算风速统计特征参数，风速统计特征参数包括均值、标准差、偏度和峰度；对每个风速子序列执行快速傅里叶变换，以提取风速频率特征参数，风速频率特征参数包括主频率、前三个能量占比最大的频率分量及对应的幅值。根据本技术的一些实施例，根据风速统计特征参数、风速频率特征参数、发电机转速数据和无叶片风力发电装置的捕能件高度，生成输入特征向量作为输入，构建增量自学习神经网络模型，包括：将风速统计特征参数、风速频率特征参数、发电机转速数据和捕能件高度组合为输入特征向量，构建全连接前馈神经网络，作为增量自学习神经网络模型；其中，全连接前馈神经网络以输入特征向量作为输入，经多个隐藏层进行特征提取后，由输出层输出预测输出功率。

5、根据本技术的一些实施例，增量自学习神经网络模型包含输入层、三个隐藏层和输出层；输入层的节点数与输入特征向量的维度相同，输出层的节点数为1；三个隐藏层的节点数分别为 ，隐藏层的激活函数采用leaky relu函数，表达式为：

6、；

7、增量自学习神经网络模型的前向传播过程为：

8、；

9、；

10、；

11、；

12、其中，f(x)为leaky relu函数；x为输入层对应的输入特征向量； 为leaky relu函数的负斜率系数； 和 分别为第 l层的权重矩阵和偏置向量，；l=1,2,3对应三个隐藏层；l=4对应输出层； 为第  层的线性变换结果， 为三个隐藏层中第l层的激活输出， 为预测输出功率；

13、增量自学习神经网络模型的损失函数采用均方误差损失函数与权重衰减项的组合，表达式为：

14、；

15、其中，l为损失函数； 为训练样本数量， 为第  个训练样本的实际输出功率， 为第  个训练样本的预测输出功率， 为权重衰减系数。

16、根据本技术的一些实施例，以当前的输入特征向量及对应的实际输出功率作为新增训练样本，对增量自学习神经网络模型进行增量训练，包括：将当前的输入特征向量与对应的实际输出功率组成新增训练样本，并将新增训练样本加入由历史输入特征向量和对应的历史输出功率构成的历史训练样本集，以构成扩展训练样本集；基于历史训练样本集，确定增量自学习神经网络模型的费希尔信息矩阵；对扩展训练样本集中的全部样本按照时间先后顺序排列，采用弹性权重固化方法对增量自学习神经网络模型进行增量训练，在增量训练过程中对增量自学习神经网络模型的模型参数  的更新量施加费希尔信息矩阵的约束，模型参数 的更新公式为：

17、；

18、其中，为第  +1次迭代时的模型参数； 为第  次迭代时的模型参数； 为基础学习率； 为第  次迭代时的梯度； 为费希尔信息约束系数； 为第  次迭代时的费希尔信息矩阵对角近似值，计算公式为：

19、；

20、其中， 为费希尔信息的遗忘因子，为梯度的逐元素平方。

21、根据本技术的一些实施例，s5包括：以捕能件高度和发电机转速数据构建二维搜索空间；将当前的风速统计特征参数和风速频率特征参数作为固定输入条件，以增量训练后的增量自学习神经网络模型的预测输出功率为目标函数，在二维搜索空间内执行迭代搜索；在每次迭代中，基于已采样的搜索点更新搜索方向以确定下一次迭代的采样点，将采样点对应的捕能件高度和发电机转速输入增量训练后的增量自学习神经网络模型，得到对应的预测输出功率；重复迭代直至满足预设停止条件，将迭代过程中预测输出功率最高的采样点对应的捕能件高度和发电机转速分别确定为目标捕能件高度与目标发电机转速。

22、根据本技术的一些实施例，运行监测数据还包括环境温度，s6包括：获取驱动无叶片风力发电装置运行之前的第一环境温度和驱动无叶片风力发电装置运行之后的第二环境温度；根据第一环境温度和第二环境温度，确定实际输出功率的温度补偿因子；根据温度补偿因子对实际输出功率进行温度补偿修正。

23、根据本技术的一些实施例，根据重新采集的发电机转速数据、捕能件高度和实际输出功率，计算控制执行偏差，包括：根据目标捕能件高度与重新采集的捕能件高度，计算捕能件高度控制执行偏差；根据目标发电机转速与重新采集的发电机转速数据，计算发电机转速控制执行偏差；根据目标捕能件高度和目标发电机转速输入至增量自学习神经网络模型所得的预测输出功率，与重新采集的实际输出功率，计算输出功率控制执行偏差；对捕能件高度控制执行偏差、发电机转速控制执行偏差和输出功率控制执行偏差分别进行归一化处理后进行加权求和，得到综合控制执行偏差。

24、根据本技术的另一方面，还提供了一种执行上文所述任一运行优化方法的运行优化装置，包括：数据获取模块，用于获取并预处理无叶片风力发电装置的运行监测数据，以构建统一时序的运行监测数据集；其中，运行监测数据包括风速数据、发电机转速数据和实际输出功率；特征提取模块，用于根据风速数据，生成风速统计特征参数与风速频率特征参数；模型构建模块，根据风速统计特征参数、风速频率特征参数、发电机转速数据和无叶片风力发电装置的捕能件高度，生成输入特征向量作为输入，构建增量自学习神经网络模型；其中，增量自学习神经网络模型输出无叶片风力发电装置的预测输出功率；增量训练模块，用于在预测输出功率与实际输出功率的偏差值大于预设偏差阈值的情况下，以当前的输入特征向量及对应的实际输出功率作为新增训练样本，对增量自学习神经网络模型进行增量训练；参数搜索模块，用于根据增量训练后的增量自学习神经网络模型，以当前的风速统计特征参数和风速频率特征参数作为固定输入条件，以捕能件高度和发电机转速数据作为搜索变量执行迭代搜索，以提升预测输出功率为目标，确定目标捕能件高度与目标发电机转速；控制执行模块，用于根据目标捕能件高度与目标发电机转速驱动无叶片风力发电装置运行，并重新采集发电机转速数据、捕能件高度和实际输出功率；偏差计算与迭代模块，用于根据重新采集的发电机转速数据、捕能件高度和实际输出功率，计算控制执行偏差；若控制执行偏差未收敛至预设执行偏差范围，则重新由参数搜索模块和控制执行模块执行对应步骤，直至控制执行偏差收敛。

25、根据本技术的另一方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上文所述的任一运行优化方法。

26、根据本技术的另一方面，还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上文所述的任一运行优化方法。

27、根据本技术的另一方面，还提供了一种计算机程序产品，包括存储在计算机可读介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上文所述的任一运行优化方法。

28、本技术实施例提供的技术方案带来的有益效果是：

29、本技术通过获取并预处理运行监测数据以构建统一时序的数据集，消除了多通道数据之间的时间错位问题，提升了训练数据质量；通过根据风速数据生成风速统计特征参数与风速频率特征参数，从时域和频域两个维度全面表征风速的分布特性和波动规律，增强了模型对复杂风况的感知能力；通过构建增量自学习神经网络模型，并在预测偏差大于预设阈值时以当前样本进行增量训练，使模型能够持续学习新工况数据，保持长期运行的预测精度；通过以风速特征为固定输入条件、以捕能件高度和发电机转速为搜索变量执行迭代搜索，满足实时控制需求；通过根据目标值驱动无叶片风力发电装置运行并重新采集数据，计算控制执行偏差，并在未收敛时返回重新搜索，形成闭环迭代优化，直至偏差收敛，实现了无叶片风力发电装置在复杂多变风况下的精准自适应调控。