一种基于风功率中长期预测的漂浮式风电机组压载水控制方法与流程

本发明属于漂浮式风电机组压载水控制，特别涉及一种基于风功率中长期预测的漂浮式风电机组压载水控制方法。

背景技术：

1、在漂浮式风电机组的运行过程中，压载水控制至关重要。它不仅关系到机组在复杂海洋环境中的稳定性，还对发电效率有着显著影响。传统的压载水控制方法往往缺乏对风况的精准预测与有效利用，难以在多变的海洋环境和不同风况条件下实现最优控制。例如，一些早期方法仅依据简单的气象数据或固定的控制策略，未深入考虑风电场长期风况分布的复杂性，以及风况与波流载荷、机组姿态和载荷之间的动态相互作用，导致压载水控制无法及时适应环境变化，机组稳定性和发电效率难以达到理想水平。

2、近年来，随着数据处理技术和机器学习算法的飞速发展，为漂浮式风电机组压载水控制的优化提供了新的契机。基于大数据分析的风况预测技术能够更准确地把握风电场的风速、风向变化规律，从而提前为压载水控制策略的调整提供依据。例如，利用历史气象数据进行深入分析和统计，可获取风电场长期风况的详细分布情况及概率分布，为后续的精准预测和控制奠定基础。机器学习算法如随机森林算法在风况预测中展现出强大的能力，能够综合多种气象因素，对未来风况分布进行更可靠的预测。同时，对波流载荷的精确计算与分析成为优化压载水控制的关键环节。通过傅里叶变换等数学工具将波浪模型从时域转换到频域，结合运动方程，可以更准确地计算波载荷，并综合流载荷的计算结果，全面掌握海况的载荷分布情况。在此基础上，考虑风功率与波流载荷的相互关系，能够进一步优化机组姿态和载荷的控制策略。例如，当风功率较大时，合理调整机组姿态和压载水分布，可更好地平衡受力，提高发电效率并保障机组安全稳定运行。

3、基于上述分析，现有技术仍然存在的不足在于：在对风电场风况进行分析时，往往仅依赖简单的短期数据或单一的气象指标，缺乏对长期风况分布的全面且深入的剖析，无法精准获取风况的概率分布特征，这使得后续基于风况的压载水控制策略制定缺乏坚实的依据，容易出现偏差。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于风功率中长期预测的漂浮式风电机组压载水控制方法，利用大量历史气象数据，通过数据预处理、样本点分析和聚类算法等手段，构建全面且精确的风电场长期风况分布模型，精确计算风况的概率分布，为后续的风况预测和压载水控制策略优化提供可靠的数据基础。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于风功率中长期预测的漂浮式风电机组压载水控制方法，步骤为：

4、步骤1、基于历史气象数据，对风电场的风速、风向进行分析和统计，获取风电场长期风况的分布情况，计算得到风况的概率分布；

5、步骤2、利用历史气象数据及外部气象预报服务，采用随机森林算法预测未来风况分布；结合预测风况分布及海况的概率分布，考虑机组姿态与载荷对控制系统性能影响，通过建立函数并用梯度下降法优化，以确定压载水控制策略，最后生成风功率时间序列；

6、步骤3：实时测量机组叶轮位置，结合风况与控制系统性能，利用神经网络确定机组运行策略；再结合步骤2的压载水控制策略结果，基于优化目标函数及相关约束条件，采用粒子群优化算法优化机组姿态和载荷，实现波流能最大利用；

7、步骤4：根据机组运行参数和控制系统性能确定压载水容量合理范围，结合波流海况及实时工况，建立状态空间模型并求解优化问题，制定压载水控制策略；同时根据实际波流海况与预测值偏差对控制策略进行修正；

8、步骤5：实时监控机组运行状态，用深度学习模型和反馈控制方法调整压载水系统参数；根据实测波流参数和控制系统性能，通过建立实时优化模型求解得到机组姿态和载荷调整量并应用于控制，同时利用反馈控制机制动态调节压载水系统和控制策略，实现协同控制。

9、优选地，步骤1的子步骤为：

10、步骤1.1、采集风电场风速、风向数据，构建相应测量数据序列，并明确风向取值范围规定；

11、步骤1.2、分别对风速和风向数据进行归一化，风速依自身最值范围缩至 0 到 1区间，风向按与 360°比例映射到 0 到 1 区间，形成归一化数据序列并组合成样本空间；

12、步骤1.3、依据特定公式计算样本点间欧式距离，以此衡量不同时刻风速和风向组合的相似性；

13、步骤1.4、采用 k-means 聚类算法，以距离为依据划分样本点成不同簇，经多次迭代至聚类中心变化达标，确定风况分布，统计各簇样本点占比得出风况概率分布。

14、优选地，步骤1.1的方法为：

15、设风速测量数据序列为，其中表示第个时刻测量得到的风速值；风向测量数据序列为，其中表示第个时刻测量得到的风向角度值；

16、对风速和风向的测量数据进行归一化处理，以便于后续的分析和计算；对于风速数据，采用如下归一化公式：

17、；

18、其中：：表示第个时刻测量得到的风速值，为测量时刻的序号，取值范围是从到总测量时刻数；

19、：经过归一化处理后的第个时刻的风速值，其取值范围会根据归一化的计算结果而定，一般在到之间（取决于风速数据本身的范围以及归一化的方式）；

20、：表示风速测量数据序列中的最小值，即所有测量时刻中风速的最小值；

21、：表示风速测量数据序列中的最大值，即所有测量时刻中风速的最大值；

22、得到归一化后的风速数据序列；

23、：经过归一化处理后的第个时刻的风速值，其取值范围会根据归一化的计算结果而定，一般在到之间（取决于风速数据本身的范围以及归一化的方式）；

24、：表示风速测量数据序列中的最小值，即所有测量时刻中风速的最小值；

25、：表示风速测量数据序列中的最大值，即所有测量时刻中风速的最大值；

26、得到归一化后的风速数据序列。

27、优选地，步骤1.2的方法为：

28、计算样本点之间的欧式距离，用于衡量不同样本点之间的相似性；欧式距离计算公式如下：

29、；

30、其中：

31、：表示第个样本点和第个样本点之间的欧式距离，用于衡量这两个样本点在空间中的距离远近，距离越小表示两个样本点的风速和风向组合越相似；

32、和：分别是第个和第个时刻经过归一化处理后的风速值，这里和是不同的测量时刻序号，取值范围是从到总测量时刻数；

33、和：分别是第个和第个时刻经过归一化处理后的风向角度值，同样和是不同的测量时刻序号，取值范围是从到总测量时刻数。

34、优选地，步骤1.3的方法为：

35、将样本点根据的数值，划分到不同的簇，作为分类结果的聚类中心，以得到风电场长期风况的分布情况；采用聚类算法，其目标函数为：

36、；

37、其中：：是聚类算法的目标函数值，用于衡量聚类的效果；目标是通过不断调整聚类中心，使得的值最小，即让各个样本点到其所属聚类中心的距离平方和最小，从而实现合理的聚类划分；

38、：预先设定的聚类数，表示要将样本点划分为的簇的数量，也就是期望得到的不同风况模式的类别数，由使用者根据具体情况和分析需求来确定；

39、：第个簇，即包含了属于第类风况的样本点集合，的取值范围是从到，表示不同的聚类类别；

40、：第个样本点，其由归一化后的风速和风向数据组成，即，是样本点的序号，取值范围是从到总样本点数；

41、：第个簇的中心，其初始值可随机选取，是一个二维向量，表示该聚类中心对应的归一化后的风速和风向值组合，在聚类过程中通过不断迭代更新，使得目标函数最小；

42、在每次迭代过程中，更新聚类中心的公式为：

43、；

44、其中：：表示第个簇在更新后的中心值，是一个二维向量，同样由归一化后的风速和风向值组成；

45、：第个簇，含义同上述目标函数中的，即包含了属于第类风况的样本点集合；

46、：第个样本点，含义同上述目标函数中的，即由归一化后的风速和风向数据组成的样本点；

47、：表示第个簇中的样本点数量，用于计算该簇内样本点的平均值，以更新聚类中心；

48、经过多次迭代，当聚类中心的变化小于预先设定的阈值时，认为聚类算法收敛，此时得到的个簇就代表了风电场长期风况的不同分布情况。

49、优选地，步骤1.4的方法为：

50、对于每个聚类得到的风况模式，统计该簇内样本点的数量占总样本点数量的比例，得到风况的概率分布；设风况的分类共有种，分别为，统计属于类风况的样本点数量为，则风况的概率，风况的概率分布可表示为，其中：

51、：表示风况分类的总类别数，即通过聚类算法得到的不同风况模式的种类数量；

52、：表示第种风况模式，的取值范围是从到，用于区分不同的风况类别；

53、：表示属于第种风况模式（簇）的样本点数量，通过对各个聚类内的样本点进行统计得到；

54、：表示总样本点数量，即所有测量时刻对应的样本点总数，用于计算每种风况模式的概率；

55、：表示风况属于第类的概率，通过计算属于该类风况的样本点数量与总样本点数量的比值得到，其取值范围在到之间，且所有风况类别概率之和为；

56、：表示风况的概率分布函数，它是一个由所有风况类别概率组成的集合，用于描述风电场风况的整体概率分布情况。

57、优选地，步骤2的方法为：

58、（1）基于历史气象数据和外部气象预报服务，采用机器学习模型对风速和风向进行预测，获得未来一段时间内的风况分布情况：

59、收集历史气象数据，包括风速、风向、温度、湿度、气压在内相关的气象数据；

60、设风速测量数据序列为，其中表示第个时刻测量得到的风速值；风向测量数据序列为，其中表示第个时刻测量得到的风向角度值；温度测量数据序列为，其中表示第个时刻测量得到的温度值；湿度测量数据序列为，其中表示第个时刻测量得到的湿度值；气压测量数据序列为，其中表示第个时刻测量得到的气压值；

61、将历史数据分为训练集和测试集，对训练集数据进行预处理，预处理方法包括数据清洗、标准化；

62、标准化公式如下：

63、对于风速：，其中表示原始风速值，是风速训练集数据的均值，是标准差，是标准化后的风速值；

64、对于风向：，其中表示原始风向角度值，是风向训练集数据的均值，是标准差，是标准化后的风向值；

65、对于温度：，其中表示原始温度值，是温度训练集数据的均值，是标准差，是标准化后的温度值；

66、对于湿度：，其中表示原始湿度值，是湿度训练集数据的均值，是标准差，是标准化后的湿度值；

67、对于气压：，其中在原始气压值，是气压训练集数据的均值，是标准差，是标准化后的气压值；

68、采用随机森林算法进行风况预测，假设训练集数据为：

69、，

70、其中为特征向量，为对应的风速或风向的真实值；在构建第棵决策树时，从训练集中有放回地随机抽取个样本，组成训练子集，然后对进行特征选择和节点分裂，直到满足停止条件；对于预测，将测试集样本输入到构建好的随机森林中，每个决策树给出一个预测结果，最终的预测结果为所有决策树预测结果的平均值或多数投票；评估模型的性能可采用平均绝对误差：

71、，其中为测试集样本数，为真实值，为预测值；

72、（2）结合风电场的波流载荷，综合考虑机组姿态和载荷对控制系统性能的影响，优化压载水控制策略：

73、根据预测的风况分布和历史海况数据，进行波流载荷的计算：

74、设波流载荷计算过程中，波浪高度随时间的变化序列为，其中表示第个时刻测量或计算得到的波浪高度值；波浪周期序列为，其中表示第个时刻对应的波浪周期；海流速度序列为，其中表示第个部位测量得到的海流速度值；海流方向序列为，其中表示第个时刻测量得到的海流方向值；

75、使用傅里叶变换，将波浪模型从时域向频域转换，得到：

76、，

77、其中为波浪高度随时间的变化，为第个频率成分的振幅，为角频率，为相位，是表示波浪周期引起的运动的时间；

78、将时域和频域转换关系应用于运动方程，并且使用傅里叶变换，得到：，其中为质量，为阻尼系数，为刚度系数，为位移，为外力，是波浪的振幅，是传播常数，和是时域与频域的转换结果；

79、计算出叶片和机组的波浪响应，得到波载荷表示为：，其中：

80、：表示有效波周期；

81、：为波能谱零阶矩；

82、：波能谱相关的特征能量参数；

83、通过对波载荷和流载荷的计算结果进行统计分析，得到海况的载荷分布情况；同时，基于预测的风速，结合风电场相关设备参数，计算风功率；

84、分析风功率与波流载荷的关系，风功率的大小会影响机组的运行状态和受力情况，进而对波流载荷的承受和应对产生影响；

85、（3）根据预测的风况分布情况，结合机组姿态和载荷，计算波流载荷大小和方向；根据不同时刻的预测风速、机组姿态和载荷等信息，综合计算出对应的风况特征参数，从而生成风况时间序列；

86、设风况时间序列为，其中表示第个时刻的风况特征参数组合，反映该时刻的综合风况情况；结合风功率的计算结果，分析不同时刻风况特征参数与风功率之间的关系。

87、优选地，步骤3的方法为：

88、对机组的叶轮位置进行实时测量，根据叶片角度和桨距角，确定机组的运行策略：

89、结合风况与控制系统性能，即结合风速、风向与控制系统性能，利用神经网络模型进行学习，找出机组的稳定运行范围；采用多层感知器神经网络，其结构包括输入层、隐藏层和输出层；

90、输入层包括：风速、风向，以及机组当前的叶片角度和桨距角；

91、通过大量的历史数据对神经网络进行训练，优化神经网络的权重和阈值，使其能够准确地预测机组的稳定运行范围；设神经网络的输入向量为，输出为，表示机组是否处于稳定运行范围；根据已知的大量输入和对应的输出，调整神经网络内部的连接权重和阈值，使得预测的输出与真实输出尽可能接近；

92、根据样本数据的输入输出关系，确定叶轮位置和机组运行的对应关系；通过对该模型的分析，确定在不同工况下最优的叶轮位置；

93、基于风功率与机组姿态和载荷的紧密联系，进一步优化机组的控制策略；建立考虑风功率的优化目标函数：

94、，

95、同时满足机组的稳定性约束条件；所述的约束条件包括：倾角范围，载荷限制。

96、优选地，步骤4的方法为：

97、（1）根据机组的运行参数和控制系统性能，制定压载水控制策略：

98、根据机组的最大和最小重量分布，得出压载水容量的合理范围；

99、结合波流海况、实时工况以及风功率，对压载水系统进行优化；采用模型预测控制算法，首先建立压载水系统的离散时间状态空间模型，然后，根据预测时域和控制时域，在每个采样时刻，求解以下优化问题：

100、；

101、其中为控制序列，为预测输出，为参考轨迹，和为权重矩阵，用于平衡控制性能和控制能量；通过二次规划求解器对上述优化问题进行求解，得到当前时刻的最优控制序列，取作为当前时刻的控制输入，应用于压载水系统；

102、（2）结合实际波流海况，对控制策略进行修正：

103、根据实际测量的波流海况参数与预测值的偏差，对压载水控制策略进行修正；通过对风功率、波流海况以及机组运行状态的实时监测和综合分析，不断优化修正系数、风向、机组姿态、压载水舱液位并进行预测。

104、10、根据权利要求1所述的一种基于风功率中长期预测的漂浮式风电机组压载水控制方法，其特征在于：步骤5的方法为：

105、（1）基于深度学习模型与反馈控制调整压载水系统：

106、采用长短期记忆网络，以历史运行状态数据序列为输入预测未来运行状态；状态数据序列包括风速、风向、机组姿态、压载水舱液位；

107、根据预测结果和控制策略，提前调整压载水系统参数，包括：依据风速增大预测调整压载水舱液位平衡载荷变化；

108、（2）优化机组姿态、载荷并协同控制：

109、依据实测波流参数和控制系统性能构建实时优化模型，综合考虑波流能利用效率、风功率利用效率及载荷波动，确定与各参数相关的函数关系；

110、求解优化问题得到机组姿态和载荷调整量，传输至控制系统，通过调整叶片角度、机舱方向和压载水分配实现精准调整，应用于机组控制，同时考虑对风功率利用效率影响；

111、构建反馈控制优化目标函数，综合期望与实际的机组功率、压载水系统状态差异，求解得到压载水控制量和系统调整值并应用，分析风功率变化趋势确保调整策略利于其稳定提升，实现协同控制。

112、本发明可达到以下有益效果：

113、1、利用大量历史气象数据，通过数据预处理、样本点分析和聚类算法等手段，构建全面且精确的风电场长期风况分布模型，精确计算风况的概率分布，为后续的风况预测和压载水控制策略优化提供可靠的数据基础。

114、2、综合考虑波浪和海流的多种特性参数，运用先进的数学变换（如傅里叶变换）和物理模型，精确计算波流载荷，准确分析海况的载荷分布情况，从而为机组姿态和压载水控制策略的制定提供准确的受力依据。

115、3、能够根据机组实时工况、风况变化以及波流海况动态变化自动调整的压载水控制策略。采用机器学习（如随机森林算法）和智能优化算法（如粒子群优化算法），结合实时监测数据，实现控制策略的自适应优化，确保机组在不同工况下都能稳定高效运行。

116、4、建立多因素协同优化模型，将风况、波流海况、机组姿态和载荷等因素有机结合，在制定压载水控制策略时实现整体协同优化。同时，利用深度学习模型（如长短期记忆网络）对机组未来运行状态进行精准预测，提前调整控制策略，提高机组对复杂环境变化的应对能力。

117、5、利用风况预测和精确的波流载荷计算，结合自适应的压载水控制策略，能够有效平衡机组在各种风况和海况下的受力，减少机组的晃动、倾斜等不稳定现象，大幅提升机组的稳定性，降低因不稳定运行导致的设备损坏风险。