一种用于风机雷达的智能控制方法与流程

本发明涉及人工智能，特别是指一种用于风机雷达的智能控制方法。

背景技术：

1、在风力发电领域，风机的运行效率和稳定性对于整个风电场的发电能力至关重要。风机在运行过程中，会受到周围风速变化的影响，因此，如何根据风速信息实时调整风机的运行状态，以提高风机的发电效率和稳定性，是当前风电技术面临的重要问题之一。

2、传统的风机控制方法通常基于简单的风速阈值进行判断，当风速超过某个预设值时，风机进行相应的调整。然而，这种方法无法充分考虑到风速的复杂性和动态性，往往导致风机在风速波动较大时无法保持稳定的运行状态。

技术实现思路

1、本发明要解决的技术问题是提供一种用于风机雷达的智能控制方法，提高了风机控制的稳定性和精度。

2、为解决上述技术问题，本发明的技术方案如下：

3、第一方面，用于风机雷达的智能控制方法，所述方法包括：

4、通过激光雷达设备获取风机周围的环境风速信息；

5、将风速信息作为输入数据传递至径向基函数网络，径向基函数网络的输入层用于接收风速信息，并将风速信息传递至隐藏层，隐藏层中的每个神经元均含有一个中心向量和一个宽度参数；

6、当风速信息到达隐藏层时，每个神经元均会计算输入的风速信息与该神经元的中心向量之间的距离；

7、根据计算出的距离，隐藏层的每个神经元使用径向基函数来计算对应的激活值；

8、隐藏层的激活值被传递至输出层，输出层根据隐藏层的激活值生成网络的最终输出信号；

9、将最终输出信号传递至有限脉冲响应滤波器，以使有限脉冲响应滤波器根据一组预定义的滤波器系数对最终输出信号进行卷积运算，以生成一个平滑的前馈控制信号；

10、将前馈控制信号输入至风机的主控制回路中，与主控制信号结合，以调整风机的桨距角。

11、进一步的，当风速信息到达隐藏层时，每个神经元均会计算输入的风速信息与该神经元的中心向量之间的距离，包括：

12、计算输入风速向量与第j个神经元中心向量对应元素的差值，得到一个差值向量；

13、将差值向量中每个元素的平方相加，以得到差值向量总和；

14、对差值向量总和进行开平方根，以计算输入风速向量与第j个神经元中心向量之间的欧几里得距离。

15、进一步的，根据计算出的距离，隐藏层的每个神经元使用径向基函数来计算对应的激活值，包括：

16、根据欧几里得距离以及高斯函数计算第j个神经元的激活值；

17、重复操作，计算出隐藏层中所有m个神经元的激活值，得到一个包含m个元素的激活值向量。

18、进一步的，隐藏层的激活值被传递至输出层，输出层根据隐藏层的激活值生成网络的最终输出信号，包括：

19、对于输出层的第i个神经元，获取对应的权重wi＝(wi1，wi2，...，wim)，分别对应隐藏层的m个神经元，权重表示隐藏层每个神经元对第i个输出神经元的重要性；

20、计算隐藏层激活值向量h与第i个输出神经元的权重wi的点积，得到一个标量值ai，标量值ai表示隐藏层对第i个输出神经元的加权输入，标量值ai的计算公式为:

21、ai＝h1×wi1+h2×wi2+...+hm×wim；

22、其中，hm表示隐藏层第m个神经元的激活值，wim表示连接隐藏层第m个神经元与输出层第i个神经元的权重值，i表示索引号；

23、根据标量值ai以及激活函数，计算得到第i个输出神经元的输出值yi，其中，输出值yi的计算公式为：

24、

25、重复操作，计算输出层所有的神经元的输出值，得到最终的输出向量。

26、进一步的，将最终输出信号传递至有限脉冲响应滤波器，以使有限脉冲响应滤波器根据一组预定义的滤波器系数对最终输出信号进行卷积运算，以生成一个平滑的前馈控制信号，包括：

27、创建一个空的序列u用于存储最终的输出向量，以使最终的输出向量作为最终的前馈控制信号，序列u的长度将等于径向基函数网络输出信号的长度加上有限脉冲响应滤波器阶数减一；

28、将径向基函数网络输出向量y中的每个元素yi附加到有限脉冲响应滤波器的输入序列的末尾；

29、将有限脉冲响应滤波器系数b中的每个元素与输入序列x中对应位置的元素相乘，并将所有乘积相加，得到有限脉冲响应滤波器的一个输出值ui；

30、将输出值ui附加到输出序列u的末尾；

31、移除输入序列x中的第一个元素，以生成最终的前馈控制信号。

32、进一步的，将前馈控制信号输入至风机的主控制回路中，与主控制信号结合，以调整风机的桨距角，包括：

33、根据风机的控制目标以及性能，确定修正因子；

34、在每个控制周期，主控制回路根据风机的当前状态和设定目标，计算出一个控制指令um，用于调整风机的桨距角；

35、将修正因子与前馈控制信号相乘，并与控制指令um相加，以得到最终的风机桨距角控制指令u；

36、将最终的风机桨距角控制指令u发送至风机的桨距角执行机构，以使桨距角执行机构根据最终的风机桨距角控制指令u的大小和方向，调整风机叶片的桨距角。

37、进一步的，根据风机的控制目标以及性能，确定修正因子，包括：

38、将风能捕获效率和机械载荷按照对应的权重系数进行组合，以得到性能指标函数；

39、初始化粒子群，粒子群由多个粒子组成，每个粒子代表一个候选的修正因子k；

40、确定粒子群的大小，即粒子的数量，为每个粒子随机初始化位置和速度，其中，粒子的位置对应修正因子k的取值，速度表示粒子在搜索空间中的移动方向和步长；

41、将每个粒子的初始位置作为其对应的最优位置，并计算相应的性能指标函数值，找出粒子群中性能指标函数值最小的粒子位置，作为全局最优位置；

42、在每一次迭代中，对于每个粒子，根据当前位置和速度，以及粒子最优位置和全局最优位置，更新粒子的位置和速度，以得到更新后的位置；

43、根据更新后的位置，计算每个粒子的性能指标函数值，如果粒子的当前位置优于其最优位置，则更新最优位置和相应的性能指标函数值；

44、在所有粒子中获取性能指标函数值最小的粒子位置，并更新全局最优位置和相应的性能指标函数值，如果达到最大迭代次数，则跳出迭代循环；

45、迭代优化结束后，将全局最优位置作为获取的最优修正因子k的值。

46、第二方面，一种一种用于风机雷达的智能控制系统，包括：

47、获取模块，用于通过激光雷达设备获取风机周围的环境风速信息；将风速信息作为输入数据传递至径向基函数网络，径向基函数网络的输入层用于接收风速信息，并将风速信息传递至隐藏层，隐藏层中的每个神经元均含有一个中心向量和一个宽度参数；当风速信息到达隐藏层时，每个神经元均会计算输入的风速信息与该神经元的中心向量之间的距离；

48、处理模块，用于根据计算出的距离，隐藏层的每个神经元使用径向基函数来计算对应的激活值；隐藏层的激活值被传递至输出层，输出层根据隐藏层的激活值生成网络的最终输出信号；将最终输出信号传递至有限脉冲响应滤波器，以使有限脉冲响应滤波器根据一组预定义的滤波器系数对最终输出信号进行卷积运算，以生成一个平滑的前馈控制信号；将前馈控制信号输入至风机的主控制回路中，与主控制信号结合，以调整风机的桨距角。

49、第三方面，一种计算设备，包括：

50、一个或多个处理器；

51、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。

52、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述方法。

53、本发明的上述方案至少包括以下有益效果：

54、本发明通过激光雷达设备实时获取风机周围的环境风速信息，并将这些信息作为输入数据传递至径向基函数网络进行处理，由于径向基函数网络具有较快的计算速度和良好的实时性，因此可以实现对风速信息的快速响应和处理，从而提高风机控制的实时性。

55、本发明利用径向基函数网络对风速信息进行处理，可以提取出风速与风机运行状态之间的复杂关系，同时，通过有限脉冲响应滤波器对前馈控制信号进行平滑处理，可以消除信号中的噪声和干扰，进一步提高风机控制的精度和稳定性。

56、本发明中的径向基函数网络可以根据不同的风速信息自适应地调整其内部参数和结构，从而实现对不同风速环境的自适应控制。此外，由于径向基函数网络具有较好的鲁棒性，可以在一定程度上抵抗风速信息中的异常值和噪声干扰，保证风机在复杂环境下的稳定运行。

57、本发明通过激光雷达设备和径向基函数网络的组合使用，可以在保证控制效果的前提下降低风机控制的成本。