基于卷积神经网络的漂浮式风机基础减摇系统及控制方法与流程

本发明涉及海上风电，具体为基于卷积神经网络的漂浮式风机基础减摇系统及控制方法。

背景技术：

1、海上风能资源丰富稳定，全球海上风电的开发大部分都集中在近海海域，随着近海风电资源开发利用已趋近饱和，而目全球70％的潜在海风资源位于水深大于60米的深水海域，由浅海迈向深远海，正在成为全球海上风电布局的方向；在深远海风能开发中，浮式基础成为首选的结构形式。

2、漂浮式风力机与固定式风力机不同，漂浮式风力机浮式基础在海洋环境载荷作用下发生六自由度的运动；另外，风力机位于距海面近百米的高空，漂浮式基础的微幅运动即可造成风力机的剧烈振动，从而对风力机叶片、传动系统、控制系统等部件的设计都提出了很高的要求；因此漂浮式基础首要需要解决的问题就是减少摇晃以适应更加复杂的海上环境，现有的稳定技术主要从平台结构入手，通过改进平台结构，通过设置垂荡板或垂荡舱等以实现减摇稳定的效果；比如专利(专利号：cn219412802u)公开了一种海上漂浮式风机基础，通过在立柱和垂荡舱之间设置桁架结构，从而降低漂浮式风机的重心，提高漂浮式风机的运动性能和稳性，还有一些技术利用动能转化原理达到稳定的作用，比如专利(申请号：cn202310755503.9)公开了一种漂浮式风电平台姿态调控系统，其中通过安装风机叶轮，将风浪流产生的动能转化为电能，实现能量转化得以多重利用。然而，这些技术成本较高，减摇效果有限；为此申请人根据漂浮式风力机浮式基础减摇的需求提出基于卷积神经网络的漂浮式风机基础减摇系统及控制方法，引入陀螺转子的新技术理念，将两个陀螺转子并排摆放，设置为一组减摇系统；并安装于浮筒底部中心，利用陀螺转子内高速旋转的转盘维持旋转轴稳定不变的特性来保持平台的稳定性，并引入深度学习算法为其控制方法，最终达到减摇的目的。

技术实现思路

1、为解决上述技术问题，本发明提出了基于卷积神经网络的漂浮式风机基础减摇系统及控制方法，通过设置金属外壳，在金属外壳内安装有传感器、数字电机和陀螺转子，在陀螺转子上设置陀螺仪帧、外环万向坐标系、内环万向坐标系、转盘、连接轴和旋转轴；系统根据陀螺转子的进动性，保持其绕着进动轴方向不改变的特性，成对排布，并通过智能控制数字电机和陀螺转子，控制陀螺转子的转盘转速、进动大小和方向，从而改变转盘的转动形态，转盘产生反向力矩，抵消部分风浪流对风机基础作用力矩，达到抑制漂浮式风机基础运动的目的；其控制方法为，通过系统构建、数据采集及处理、训练卷积神经网络，优化卷积神经网络；从而达到智能控制数字电机和陀螺转子的目的。

2、为实现上述目的，本发明采取的技术方案是：

3、一种基于卷积神经网络的漂浮式风机基础减摇系统，包括有金属外壳、传感器、陀螺转子、连接轴和数字电机一和数字电机二，其特征在于：所述基于卷积神经网络的漂浮式风机基础减摇系统设置有金属外壳，所述金属外壳内部安装两组陀螺转子，所述陀螺转子设置有连接轴、陀螺仪帧、外环万向坐标系、内环万向坐标系、旋转轴、连接转轴和转盘，所述陀螺仪帧外部两端通过连接轴与金属外壳安装连接，所述金属外壳内部底板上安装有数字电机一和数字电机二，所述数字电机一与左侧连接轴相连接，数字电机二与右侧连接轴相连接，所述陀螺仪帧内侧通过连接转轴安装外环万向坐标系，所述外环万向坐标系内侧通过连接转轴安装内环万向坐标系，所述内环万向坐标系内侧安装旋转轴，所述旋转轴中间位置安装转盘，所述金属外壳外部设置有传感器。

4、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统设置有陀螺转子，所述陀螺转子两组并列设置，所述陀螺转子两组之间的安装距离为自身最大直径的1.5倍到2倍；所述陀螺转子内设置转盘，两组陀螺转子内的转盘的转速相同，进动大小相同，方向相反；

5、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统及控制方法设置有陀螺仪帧、外环万向坐标系、内环万向坐标系和转盘；所述转盘的外径尺寸与内环万向坐标系的内径相差100～200mm，所述内环万向坐标系的外径尺寸与外环万向坐标系的内径尺寸相差100～200mm，所述外环万向坐标系的外径尺寸与陀螺仪帧的内径尺寸相差100～200mm。

6、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统的控制方法充分利用了深度学习算法对风机减摇装置的基础结构进行了优化设计；并通过分析历史数据中的振动响应信息，识别出影响风机稳定性的关键因素，从而结合陀螺转子优化转子的结构设计和控制系统，具体步骤为：

7、步骤一、系统模块构建；包括风机基础摇摆传感器、程序控制器、神经网络、数字电机和陀螺转子五个部分的系统构建；

8、步骤二、数据采集以及处理；对于漂浮式风机基础的风速、风向、波浪高度、周期、风机姿态和水深等数据进行采集，并采用中滤波算法进行处理；

9、步骤三、训练卷积神经网络；对卷积神经网络进行训练，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，充分考虑到“风机-浮式基础”耦合作用，提出一种无模型自适应控制方法，以提高浮式基础主导自由度的稳定性，并在训练中采用控制器的优化函数；

10、步骤四、优化卷积神经网络；对卷积神经网络进行优化，充分利用深度学习算法的卷积神经网络模型，对浮式基础的运动相应的历史数据分析，系统能够识别出影响浮式风机摇晃的关键因素，去优化转子的结构设计和控制系统，并采用转子响应函数得到最优算法。

11、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统的控制方法的步骤二中采用的中滤波算法公式表示为：

12、y(n)＝δ*[αx(n)+(1-α)y(n-1)]

13、其中，y(n)表示经过滤波处理后的数据值；x(n)表示原始采集到的数据值，即风速和风向、波浪高度和周期等数据；α表示滤波系数，且α∈(0,1)；y(n-1)表示前一时刻的滤波处理过后结果；δ表示修正算子，平衡滤波过程中潜在的误差。

14、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统的控制方法中步骤三中采用的控制器u(t)的优化函数表示为：

15、

16、其中，ω是风机转速的时间导数；z是漂浮式基础运动响应的时间导数；e(t)是误差；j是性能指标，定义为系统的振动能量；无模型自适应控制的基本思想是，通过实时测量系统的输出y(t)和参考输入r(t)之间的误差e(t)，实时调整控制器u(t)以减小误差

17、进一步的，所述基于卷积神经网络的漂浮式风机基础减摇系统的控制方法中步骤四中转子响应函数表示为：

18、f(ω，z)＝k1ω2+k2z2+k3ωz+k4

19、其中，f(ω，z)表示转子响应函数；ω则表示风机转速；z表示漂浮式基础运动响应；k是与硬件相关的参数；该函数考虑了风机转速和漂浮式基础运动响应对转子响应的影响；通过调整参数k1、k2、k3和k4，根据实际硬件的特性进行优化设计，达到抑制漂浮式风机基础运动的目的。

20、本发明提供基于卷积神经网络的漂浮式风机基础减摇系统及控制方法，通过设置金属外壳，在金属外壳外部安装传感器，内部安装有数字电机和陀螺转子，在陀螺转子上设置陀螺仪帧、外环万向坐标系、内环万向坐标系、转盘、连接轴和旋转轴；系统根据陀螺转子的进动性，保持其绕着进动轴方向不改变的特性，成对排布，并通过智能控制数字电机和陀螺转子，控制陀螺转子的转盘转速、进动大小和方向，从而改变转盘的转动形态，转盘产生反向力矩，抵消部分风浪流对风机基础作用力矩，达到抑制漂浮式风机基础运动的目的；其控制方法为，通过系统构建、数据采集及处理、训练卷积神经网络，优化卷积神经网络；从而达到智能控制数字电机和陀螺转子的目的；带来的好处是：

21、1、基于卷积神经网络的漂浮式风机基础减摇系统及控制方法采用一组同尺寸的转盘而组成的减摇系统，两个转盘进行协同工作，扭矩相互抵消，从而起到更好的减摇效果；

22、2、基于卷积神经网络的漂浮式风机基础减摇系统及控制方法设置的两个陀螺转子的转盘由两个数字电机进行单独调控，通过智能算法控制其不同转速和进动方向及大小，可根据底板横摇、纵摇角的变化，对数字电机输出不同的信号去调整转盘的转动形态，减摇效果更好；

23、3、基于卷积神经网络的漂浮式风机基础减摇系统及控制方法利用卷积神经网络对风机减摇装置的基础结构进行优化设计，能够识别出影响浮式风机基础稳性的关键因素，进一步提高风机结构和基础的稳性、减少振动，从而提高发电效率，延长其使用寿命；

24、4、基于卷积神经网络的漂浮式风机基础减摇系统及控制方法利用陀螺转子的进动性保持其绕着进动轴方向不改变的特性，成对排布，通过数字电机智能控制转盘的转速、进动大小方向，从而改变转盘的转动形态，转盘产生反向力矩，可以抵消部分风浪流对风机基础作用力矩，达到抑制漂浮式风机基础运动的目的；

25、5、基于卷积神经网络的漂浮式风机基础减摇系统及控制方法通过每个减摇装置单元分别安装在漂浮式风机基础的每个浮筒底部中心，便于安装施工及使用，提供更稳定的输出环境，程序控制装置可以根据适时海况进行调节三个减摇系统装置的开启和关闭；并且具有安装简单、使用维护成本低、经济效益优良的特点。