本技術(shù)涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法及裝置。

背景技術(shù)：

1、現(xiàn)有的海上風(fēng)電機(jī)組運(yùn)行模式切換控制方法主要依賴于預(yù)設(shè)的固定閾值和簡(jiǎn)單的邏輯判斷。這些方法通?；陲L(fēng)速、功率輸出等單一參數(shù)進(jìn)行模式切換決策，并采用固定的控制參數(shù)進(jìn)行執(zhí)行器調(diào)節(jié)。部分先進(jìn)的控制系統(tǒng)引入了模糊控制和神經(jīng)網(wǎng)絡(luò)等智能算法，以提高控制的靈活性和適應(yīng)性。

2、然而，這些現(xiàn)有技術(shù)在面對(duì)復(fù)雜多變的海上環(huán)境時(shí)，往往難以做出及時(shí)、準(zhǔn)確的模式切換決策。固定閾值難以適應(yīng)不同海況下的最佳運(yùn)行狀態(tài)，簡(jiǎn)單的邏輯判斷無法充分考慮多參數(shù)之間的耦合關(guān)系。同時(shí)，缺乏對(duì)歷史數(shù)據(jù)的深度挖掘和學(xué)習(xí)，導(dǎo)致控制策略難以持續(xù)優(yōu)化和適應(yīng)設(shè)備老化等長(zhǎng)期變化。此外，現(xiàn)有方法在執(zhí)行模式切換時(shí)，對(duì)各執(zhí)行器的協(xié)同控制不夠精確，容易引起機(jī)組振動(dòng)和載荷波動(dòng)，影響設(shè)備壽命和發(fā)電效率。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法及裝置，用于提高海上風(fēng)電機(jī)組的運(yùn)行模式切換控制的效率及準(zhǔn)確率。

2、第一方面，本技術(shù)提供了一種海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法，所述海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法包括：對(duì)目標(biāo)海上風(fēng)電機(jī)組的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集及預(yù)處理，得到機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及短期預(yù)測(cè)數(shù)據(jù)；對(duì)預(yù)先獲取的機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行模型分類，得到運(yùn)行模式分類數(shù)據(jù)及特征參數(shù)庫；通過預(yù)置的深度神經(jīng)網(wǎng)絡(luò)對(duì)所述機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及所述短期預(yù)測(cè)數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí)分析，得到目標(biāo)運(yùn)行模式；通過預(yù)置的模糊控制算法對(duì)所述目標(biāo)運(yùn)行模式進(jìn)行模糊控制處理，得到模式切換策略及參數(shù)調(diào)整序列；對(duì)所述模式切換策略以及所述參數(shù)調(diào)整序列進(jìn)行多目標(biāo)優(yōu)化及協(xié)同控制分析，得到所述目標(biāo)海上風(fēng)電機(jī)組中的各執(zhí)行器的精確控制信號(hào)；根據(jù)各執(zhí)行器的精確控制信號(hào)生成運(yùn)行模式切換控制策略，并通過所述模式切換控制策略對(duì)所述目標(biāo)海上風(fēng)電機(jī)組進(jìn)行模式切換控制。

3、結(jié)合第一方面，在本技術(shù)第一方面的第一種實(shí)現(xiàn)方式中，所述對(duì)目標(biāo)海上風(fēng)電機(jī)組的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集及預(yù)處理，得到機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及短期預(yù)測(cè)數(shù)據(jù)，包括：對(duì)所述目標(biāo)海上風(fēng)電機(jī)組的風(fēng)速、風(fēng)向、湍流強(qiáng)度、波浪高度及潮汐情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，得到環(huán)境參數(shù)數(shù)據(jù)；對(duì)所述目標(biāo)海上風(fēng)電機(jī)組的功率輸出、葉片俯仰角、輪轂轉(zhuǎn)速、主軸承溫度、齒輪箱振動(dòng)及發(fā)電機(jī)電流進(jìn)行實(shí)時(shí)采集，得到機(jī)組運(yùn)行參數(shù)數(shù)據(jù)；對(duì)所述環(huán)境參數(shù)數(shù)據(jù)及所述機(jī)組運(yùn)行參數(shù)數(shù)據(jù)進(jìn)行去噪處理，得到預(yù)處理后的環(huán)境參數(shù)數(shù)據(jù)及機(jī)組運(yùn)行參數(shù)數(shù)據(jù)；對(duì)所述預(yù)處理后的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行時(shí)間序列分析，得到短期環(huán)境預(yù)測(cè)數(shù)據(jù)；對(duì)所述預(yù)處理后的機(jī)組運(yùn)行參數(shù)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到機(jī)組當(dāng)前運(yùn)行狀態(tài)數(shù)據(jù)；通過支持向量回歸算法對(duì)所述短期環(huán)境預(yù)測(cè)數(shù)據(jù)進(jìn)行回歸分析，得到環(huán)境參數(shù)預(yù)測(cè)值；通過模糊推理算法對(duì)所述機(jī)組當(dāng)前運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行評(píng)估，得到機(jī)組當(dāng)前狀態(tài)評(píng)估結(jié)果；對(duì)所述環(huán)境參數(shù)預(yù)測(cè)值及所述機(jī)組當(dāng)前狀態(tài)評(píng)估結(jié)果進(jìn)行數(shù)據(jù)融合，得到綜合狀態(tài)預(yù)測(cè)數(shù)據(jù)；通過卡爾曼濾波算法對(duì)所述綜合狀態(tài)預(yù)測(cè)數(shù)據(jù)進(jìn)行濾波處理，得到優(yōu)化后的狀態(tài)預(yù)測(cè)數(shù)據(jù)；對(duì)所述優(yōu)化后的狀態(tài)預(yù)測(cè)數(shù)據(jù)進(jìn)行閾值判斷，得到所述機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及所述短期預(yù)測(cè)數(shù)據(jù)。

4、結(jié)合第一方面，在本技術(shù)第一方面的第二種實(shí)現(xiàn)方式中，所述對(duì)預(yù)先獲取的機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行模型分類，得到運(yùn)行模式分類數(shù)據(jù)及特征參數(shù)庫，包括：對(duì)所述機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到有效歷史數(shù)據(jù)集；對(duì)所述有效歷史數(shù)據(jù)集進(jìn)行時(shí)間序列分割，得到多個(gè)時(shí)間窗口數(shù)據(jù)；通過主成分分析算法對(duì)所述多個(gè)時(shí)間窗口數(shù)據(jù)進(jìn)行特征提取，得到降維特征數(shù)據(jù)；對(duì)所述降維特征數(shù)據(jù)進(jìn)行聚類分析，得到初步運(yùn)行模式類別；通過支持向量機(jī)算法對(duì)所述初步運(yùn)行模式類別進(jìn)行邊界優(yōu)化，得到優(yōu)化后的運(yùn)行模式類別；對(duì)所述優(yōu)化后的運(yùn)行模式類別進(jìn)行標(biāo)簽化處理，得到標(biāo)記后的運(yùn)行模式數(shù)據(jù)；通過決策樹算法對(duì)所述標(biāo)記后的運(yùn)行模式數(shù)據(jù)進(jìn)行規(guī)則提取，得到運(yùn)行模式分類規(guī)則；對(duì)所述運(yùn)行模式分類規(guī)則進(jìn)行交叉驗(yàn)證，得到驗(yàn)證后的分類規(guī)則；通過模糊c均值算法對(duì)所述驗(yàn)證后的分類規(guī)則進(jìn)行模糊邊界處理，得到模糊分類規(guī)則；對(duì)所述模糊分類規(guī)則及所述降維特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到所述運(yùn)行模式分類數(shù)據(jù)及所述特征參數(shù)庫。

5、結(jié)合第一方面，在本技術(shù)第一方面的第三種實(shí)現(xiàn)方式中，所述通過預(yù)置的深度神經(jīng)網(wǎng)絡(luò)對(duì)所述機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及所述短期預(yù)測(cè)數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí)分析，得到目標(biāo)運(yùn)行模式，包括：對(duì)所述機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及所述短期預(yù)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到綜合狀態(tài)數(shù)據(jù)；通過自編碼器算法對(duì)所述綜合狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到壓縮特征向量；對(duì)所述壓縮特征向量進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)化特征數(shù)據(jù)；通過深度q網(wǎng)絡(luò)算法對(duì)所述標(biāo)準(zhǔn)化特征數(shù)據(jù)進(jìn)行狀態(tài)空間映射，得到狀態(tài)表示；對(duì)所述狀態(tài)表示進(jìn)行動(dòng)作空間離散化，得到候選動(dòng)作集；通過蒙特卡洛樹搜索算法對(duì)所述候選動(dòng)作集進(jìn)行探索，得到最優(yōu)動(dòng)作序列；對(duì)所述最優(yōu)動(dòng)作序列進(jìn)行獎(jiǎng)勵(lì)函數(shù)評(píng)估，得到動(dòng)作價(jià)值估計(jì)；通過策略梯度算法對(duì)所述動(dòng)作價(jià)值估計(jì)進(jìn)行梯度更新，得到優(yōu)化后的策略參數(shù)；對(duì)所述優(yōu)化后的策略參數(shù)進(jìn)行貝葉斯推斷，得到運(yùn)行模式概率分布；通過最大后驗(yàn)概率準(zhǔn)則對(duì)所述運(yùn)行模式概率分布進(jìn)行決策，得到所述目標(biāo)運(yùn)行模式。

6、結(jié)合第一方面，在本技術(shù)第一方面的第四種實(shí)現(xiàn)方式中，所述通過預(yù)置的模糊控制算法對(duì)所述目標(biāo)運(yùn)行模式進(jìn)行模糊控制處理，得到模式切換策略及參數(shù)調(diào)整序列，包括：對(duì)所述目標(biāo)運(yùn)行模式進(jìn)行特征提取，得到模式特征向量；對(duì)所述模式特征向量進(jìn)行模糊化處理，得到模糊輸入集；通過模糊推理機(jī)對(duì)所述模糊輸入集進(jìn)行規(guī)則匹配，得到激活規(guī)則集；對(duì)所述激活規(guī)則集進(jìn)行模糊推理運(yùn)算，得到模糊輸出集；通過重心法對(duì)所述模糊輸出集進(jìn)行解模糊化處理，得到初步切換策略；對(duì)所述初步切換策略進(jìn)行安全性評(píng)估，得到安全切換區(qū)間；通過自適應(yīng)模糊pid算法對(duì)所述安全切換區(qū)間進(jìn)行參數(shù)優(yōu)化，得到優(yōu)化后的切換參數(shù)；對(duì)所述優(yōu)化后的切換參數(shù)進(jìn)行時(shí)序排列，得到參數(shù)調(diào)整序列；通過模糊認(rèn)知圖算法對(duì)所述參數(shù)調(diào)整序列進(jìn)行因果關(guān)系分析，得到切換影響因子；對(duì)所述切換影響因子及所述參數(shù)調(diào)整序列進(jìn)行綜合處理，得到所述模式切換策略及所述參數(shù)調(diào)整序列。

7、結(jié)合第一方面，在本技術(shù)第一方面的第五種實(shí)現(xiàn)方式中，所述對(duì)所述模式切換策略以及所述參數(shù)調(diào)整序列進(jìn)行多目標(biāo)優(yōu)化及協(xié)同控制分析，得到所述目標(biāo)海上風(fēng)電機(jī)組中的各執(zhí)行器的精確控制信號(hào)，包括：對(duì)所述模式切換策略及所述參數(shù)調(diào)整序列進(jìn)行解耦分析，得到各執(zhí)行器初始控制目標(biāo)；對(duì)所述各執(zhí)行器初始控制目標(biāo)進(jìn)行約束條件設(shè)定，得到優(yōu)化問題的邊界條件；通過多目標(biāo)遺傳算法對(duì)所述優(yōu)化問題進(jìn)行求解，得到帕累托最優(yōu)解集；對(duì)所述帕累托最優(yōu)解集進(jìn)行層次分析，得到各目標(biāo)的權(quán)重系數(shù)；通過模糊綜合評(píng)價(jià)方法對(duì)所述帕累托最優(yōu)解集進(jìn)行評(píng)價(jià)，得到最優(yōu)解；對(duì)所述最優(yōu)解進(jìn)行執(zhí)行器分配，得到各執(zhí)行器的初步控制信號(hào)；通過模型預(yù)測(cè)控制算法對(duì)所述各執(zhí)行器的初步控制信號(hào)進(jìn)行前饋優(yōu)化，得到優(yōu)化后的控制序列；對(duì)所述優(yōu)化后的控制序列進(jìn)行穩(wěn)定性分析，得到穩(wěn)定性評(píng)估結(jié)果；通過h無窮控制算法對(duì)所述優(yōu)化后的控制序列進(jìn)行魯棒性增強(qiáng)，得到魯棒控制信號(hào)；對(duì)所述魯棒控制信號(hào)進(jìn)行動(dòng)態(tài)補(bǔ)償，得到所述各執(zhí)行器的精確控制信號(hào)。

8、結(jié)合第一方面，在本技術(shù)第一方面的第六種實(shí)現(xiàn)方式中，所述根據(jù)各執(zhí)行器的精確控制信號(hào)生成運(yùn)行模式切換控制策略，并通過所述模式切換控制策略對(duì)所述目標(biāo)海上風(fēng)電機(jī)組進(jìn)行模式切換控制，包括：對(duì)所述各執(zhí)行器的精確控制信號(hào)進(jìn)行時(shí)序排列，得到控制序列；通過動(dòng)態(tài)規(guī)劃算法對(duì)所述控制序列進(jìn)行優(yōu)化，得到最優(yōu)控制路徑；對(duì)所述最優(yōu)控制路徑進(jìn)行分段處理，得到階段控制目標(biāo)；通過模糊邏輯控制器對(duì)所述階段控制目標(biāo)進(jìn)行模糊推理，得到模糊控制規(guī)則；對(duì)所述模糊控制規(guī)則進(jìn)行去模糊化處理，得到精確控制指令；通過滑模控制算法對(duì)所述精確控制指令進(jìn)行魯棒性增強(qiáng)，得到抗擾動(dòng)控制策略；對(duì)所述抗擾動(dòng)控制策略進(jìn)行安全性評(píng)估，得到安全控制邊界；通過自適應(yīng)控制算法對(duì)所述安全控制邊界內(nèi)的控制參數(shù)進(jìn)行在線調(diào)整，得到自適應(yīng)控制策略；對(duì)所述自適應(yīng)控制策略進(jìn)行仿真驗(yàn)證，得到控制效果評(píng)估結(jié)果；根據(jù)所述控制效果評(píng)估結(jié)果對(duì)所述自適應(yīng)控制策略進(jìn)行微調(diào)，得到所述運(yùn)行模式切換控制策略。

9、第二方面，本技術(shù)提供了一種海上風(fēng)電機(jī)組的運(yùn)行模式切換控制裝置，所述海上風(fēng)電機(jī)組的運(yùn)行模式切換控制裝置包括：

10、獲取模塊，用于對(duì)目標(biāo)海上風(fēng)電機(jī)組的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集及預(yù)處理，得到機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及短期預(yù)測(cè)數(shù)據(jù)；

11、分類模塊，用于對(duì)預(yù)先獲取的機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行模型分類，得到運(yùn)行模式分類數(shù)據(jù)及特征參數(shù)庫；

12、分析模塊，用于通過預(yù)置的深度神經(jīng)網(wǎng)絡(luò)對(duì)所述機(jī)組當(dāng)前狀態(tài)評(píng)估數(shù)據(jù)及所述短期預(yù)測(cè)數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí)分析，得到目標(biāo)運(yùn)行模式；

13、處理模塊，用于通過預(yù)置的模糊控制算法對(duì)所述目標(biāo)運(yùn)行模式進(jìn)行模糊控制處理，得到模式切換策略及參數(shù)調(diào)整序列；

14、控制模塊，用于對(duì)所述模式切換策略以及所述參數(shù)調(diào)整序列進(jìn)行多目標(biāo)優(yōu)化及協(xié)同控制分析，得到所述目標(biāo)海上風(fēng)電機(jī)組中的各執(zhí)行器的精確控制信號(hào)；

15、切換模塊，用于根據(jù)各執(zhí)行器的精確控制信號(hào)生成運(yùn)行模式切換控制策略，并通過所述模式切換控制策略對(duì)所述目標(biāo)海上風(fēng)電機(jī)組進(jìn)行模式切換控制。

16、本技術(shù)第三方面提供了一種海上風(fēng)電機(jī)組的運(yùn)行模式切換控制設(shè)備，包括：存儲(chǔ)器及至少一個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有指令；所述至少一個(gè)處理器調(diào)用所述存儲(chǔ)器中的所述指令，以使得所述海上風(fēng)電機(jī)組的運(yùn)行模式切換控制設(shè)備執(zhí)行上述的海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法。

17、本技術(shù)的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行上述的海上風(fēng)電機(jī)組的運(yùn)行模式切換控制方法。

18、本技術(shù)提供的技術(shù)方案中，通過對(duì)目標(biāo)海上風(fēng)電機(jī)組的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集和預(yù)處理，結(jié)合小波變換去噪、時(shí)間序列分析、支持向量回歸和卡爾曼濾波等算法，實(shí)現(xiàn)了對(duì)機(jī)組當(dāng)前狀態(tài)和短期趨勢(shì)的精確評(píng)估，為后續(xù)決策提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。其次，對(duì)歷史運(yùn)行數(shù)據(jù)進(jìn)行深度挖掘和模型分類，利用主成分分析、支持向量機(jī)、決策樹和模糊c均值等算法，構(gòu)建了全面的運(yùn)行模式分類數(shù)據(jù)和特征參數(shù)庫，大幅提升了模式識(shí)別的準(zhǔn)確性和魯棒性。再次，采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行強(qiáng)化學(xué)習(xí)分析，通過自編碼器、深度q網(wǎng)絡(luò)、蒙特卡洛樹搜索和策略梯度等先進(jìn)算法，實(shí)現(xiàn)了對(duì)復(fù)雜環(huán)境下最優(yōu)運(yùn)行模式的智能選擇，顯著提高了決策的適應(yīng)性和前瞻性。此外，引入模糊控制算法進(jìn)行模式切換策略的制定，結(jié)合自適應(yīng)模糊pid和模糊認(rèn)知圖等技術(shù)，實(shí)現(xiàn)了切換過程的平滑性和安全性。在執(zhí)行器控制方面，采用多目標(biāo)優(yōu)化和協(xié)同控制分析，綜合運(yùn)用多目標(biāo)遺傳算法、模糊綜合評(píng)價(jià)、模型預(yù)測(cè)控制和h無窮控制等方法，得到了各執(zhí)行器的精確控制信號(hào)，有效解決了執(zhí)行器之間的耦合問題，提高了控制的精度和穩(wěn)定性。最后，在生成最終的運(yùn)行模式切換控制策略時(shí)，通過動(dòng)態(tài)規(guī)劃、模糊邏輯控制、滑?？刂坪妥赃m應(yīng)控制等算法的綜合應(yīng)用，實(shí)現(xiàn)了控制策略的實(shí)時(shí)優(yōu)化和動(dòng)態(tài)調(diào)整，進(jìn)一步增強(qiáng)了系統(tǒng)的魯棒性和適應(yīng)性。這種多層次、多算法的融合應(yīng)用，不僅顯著提升了海上風(fēng)電機(jī)組在復(fù)雜海況下的運(yùn)行效率和可靠性，還為大規(guī)模海上風(fēng)電場(chǎng)的智能化運(yùn)維提供了新的技術(shù)路徑。同時(shí)，本方法的模塊化設(shè)計(jì)和自適應(yīng)優(yōu)化機(jī)制，使其具有良好的可擴(kuò)展性和持續(xù)改進(jìn)能力，能夠不斷適應(yīng)新的環(huán)境變化和設(shè)備狀態(tài)，延長(zhǎng)海上風(fēng)電機(jī)組的使用壽命，降低運(yùn)維成本，提高發(fā)電效益。