本(ben)發明(ming)涉及(ji)海上(shang)風塔監測，具體為一種海上(shang)風塔傾斜變形預測方法及(ji)系統。

背景技術：

1、風(feng)(feng)電(dian)是一(yi)種開發成本(ben)低，可(ke)大(da)規模(mo)開發的(de)可(ke)再(zai)生能源，隨著我國經濟和(he)(he)科(ke)技(ji)的(de)快(kuai)速發展，我國的(de)風(feng)(feng)電(dian)機組數(shu)量(liang)和(he)(he)規模(mo)正在快(kuai)速增長(chang)。風(feng)(feng)電(dian)場一(yi)般(ban)都設立在遠(yuan)離人煙(yan)的(de)山谷或(huo)海上(shang)，海上(shang)風(feng)(feng)電(dian)和(he)(he)陸上(shang)風(feng)(feng)電(dian)相比，其基礎和(he)(he)塔筒不僅需要承受(shou)自身重力(li)(li)(li)、風(feng)(feng)推力(li)(li)(li)、葉輪扭(niu)力(li)(li)(li)及復雜多變負荷的(de)影響(xiang)，還(huan)需面對惡劣的(de)海洋環境（如鹽(yan)霧腐蝕、海浪(lang)載荷、海冰沖撞(zhuang)、臺風(feng)(feng)等因素）的(de)影響(xiang)，這些(xie)因素往往會導致風(feng)(feng)電(dian)塔筒的(de)傾(qing)斜，進而影響(xiang)風(feng)(feng)力(li)(li)(li)發電(dian)機的(de)性能和(he)(he)壽(shou)命。

2、風(feng)電(dian)塔(ta)筒(tong)基本都處于無(wu)人值(zhi)守的(de)狀態，無(wu)法做到實時監測(ce)，當出現安全問題時也不能(neng)第一時間通知(zhi)到管(guan)理人員進行(xing)維修工作，且(qie)風(feng)電(dian)塔(ta)筒(tong)的(de)設備運行(xing)狀況通過(guo)安排定期人工巡檢(jian)來進行(xing)設備維護，這樣(yang)做會(hui)消耗大量的(de)人力(li)和財力(li)。但風(feng)電(dian)塔(ta)筒(tong)嚴重傾斜或變形會(hui)增(zeng)加(jia)塔(ta)筒(tong)倒塌的(de)風(feng)險。

3、在現有(you)技術中也存在利用深度(du)學習的(de)(de)(de)方法對風(feng)塔(ta)傾(qing)斜進(jin)行預(yu)測(ce)，但是由于海(hai)上情況(kuang)復雜，會(hui)存在一些特殊情況(kuang)下影響(xiang)風(feng)塔(ta)傾(qing)斜，而這(zhe)些特殊情況(kuang)的(de)(de)(de)發生的(de)(de)(de)頻(pin)率較低，導(dao)致(zhi)(zhi)獲取的(de)(de)(de)樣(yang)本(ben)數量(liang)較少，這(zhe)就是使得(de)無法利用深度(du)學習進(jin)行預(yu)測(ce)，或者導(dao)致(zhi)(zhi)訓練的(de)(de)(de)模型不夠(gou)精準，使得(de)風(feng)塔(ta)傾(qing)斜的(de)(de)(de)預(yu)測(ce)度(du)較低。

4、因此，需要對風電(dian)塔筒的傾斜、變形狀態進(jin)行更高(gao)精度的監(jian)測和預測。

技術實現思路

1、本發明的(de)(de)目的(de)(de)在于提供一(yi)種(zhong)海上(shang)風塔傾斜(xie)變形(xing)預測方法(fa)及系統(tong)，利(li)用機(ji)理(li)模型生成較(jiao)?粗的(de)(de)訓練數據進行預訓練,?當模型達到較(jiao)為穩定的(de)(de)狀態后再基于少量的(de)(de)高精(jing)(jing)度真實樣本進行精(jing)(jing)訓練，得到更(geng)為精(jing)(jing)準的(de)(de)傾斜(xie)預測模型。

2、為了(le)解決(jue)上述技術(shu)(shu)問題(ti)，本發明提供如下技術(shu)(shu)方案：

3、一種海上(shang)風(feng)塔傾(qing)斜變(bian)形預測方法，其步驟包括：

4、確定(ding)海上(shang)風(feng)塔傾斜(xie)變形(xing)影響因(yin)子并獲取海上(shang)風(feng)塔傾斜(xie)變形(xing)影響因(yin)子預測(ce)數據(ju)；

5、實時采(cai)集傾角傳(chuan)感(gan)器數據并進行分析(xi)，確(que)定待機狀(zhuang)態下(xia)塔(ta)基(ji)傾角大小(xiao)和(he)變化(hua)趨勢是(shi)否超出(chu)設定閾(yu)值(zhi)來實現風塔(ta)傾斜的監測，獲取海上風塔(ta)傾斜變形影響(xiang)因子數據；對傾角傳(chuan)感(gan)器數據進行分析(xi)的技(ji)術屬于現有技(ji)術，在此不做詳細介(jie)紹；

6、建立物理預(yu)測模型，基于(yu)海(hai)上風(feng)塔(ta)傾斜變(bian)形影響因(yin)子預(yu)測數據通過(guo)物理預(yu)測模型實(shi)現風(feng)塔(ta)傾斜初步預(yu)測，并基于(yu)風(feng)塔(ta)傾斜初步預(yu)測結果確定預(yu)訓練集和預(yu)驗證(zheng)集；

7、基于預(yu)(yu)訓練(lian)集(ji)和預(yu)(yu)驗證集(ji)利用貝葉斯(si)卷積(ji)神經網(wang)絡(luo)進行訓練(lian)得到傾斜預(yu)(yu)測模型，通過傾斜預(yu)(yu)測模型實現對海上(shang)風(feng)塔傾斜預(yu)(yu)測。

8、根據上(shang)述技術方案(an)，所(suo)述海(hai)上(shang)風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)變形(xing)影響(xiang)因(yin)(yin)子(zi)(zi)包括風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)方向(xiang)與平(ping)均(jun)風(feng)(feng)(feng)向(xiang)的(de)(de)(de)夾(jia)角、風(feng)(feng)(feng)速(su)大小、海(hai)浪(lang)數據。風(feng)(feng)(feng)向(xiang)也是影響(xiang)海(hai)上(shang)風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)的(de)(de)(de)重要的(de)(de)(de)影響(xiang)因(yin)(yin)子(zi)(zi)之(zhi)一，風(feng)(feng)(feng)向(xiang)不同(tong)對風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)的(de)(de)(de)影響(xiang)程度也是不同(tong)的(de)(de)(de)，因(yin)(yin)此(ci)將風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)方向(xiang)與平(ping)均(jun)風(feng)(feng)(feng)向(xiang)的(de)(de)(de)夾(jia)角作為海(hai)上(shang)風(feng)(feng)(feng)塔傾(qing)(qing)斜(xie)變形(xing)影響(xiang)因(yin)(yin)子(zi)(zi)。

9、根據上(shang)述技術方案(an)，所(suo)述物理預(yu)測模型：

10、；

11、式中，y表示(shi)傾(qing)斜(xie)度，表示(shi)風塔傾(qing)斜(xie)方向(xiang)與平均(jun)風向(xiang)的(de)(de)夾(jia)角，p為(wei)風載(zai)荷與海浪載(zai)荷的(de)(de)耦合值，a、b、c為(wei)待(dai)定系數(shu)、t表示(shi)風塔傾(qing)斜(xie)變形(xing)影響因子作用的(de)(de)時間(jian)。

12、根據上述技(ji)術方(fang)案，風載荷與(yu)海浪載荷的耦合計算步(bu)驟包括：

13、確定風(feng)(feng)速和海浪有效(xiao)波(bo)高的關(guan)系(xi)：，表示脈動風(feng)(feng)；表示海浪有效(xiao)波(bo)高，將風(feng)(feng)荷載視為靜力風(feng)(feng)(平均風(feng)(feng))與動力風(feng)(feng)(脈動風(feng)(feng))，在機(ji)理模型中(zhong)考慮到了風(feng)(feng)載荷和波(bo)浪載荷的關(guan)系(xi)，能夠使機(ji)理模型更貼合實際。

14、基于風速(su)和(he)海浪(lang)有(you)效波(bo)高的關系利用morison方程計算風塔(ta)受到的總(zong)的波(bo)浪(lang)水(shui)動力(li)載荷(he)，所(suo)述總(zong)的波(bo)浪(lang)水(shui)動力(li)載荷(he)也(ye)可(ke)以稱為所(suo)述海浪(lang)載荷(he)；根(gen)據morison方程，單(dan)位高度上的波(bo)浪(lang)水(shui)動力(li)載荷(he)表述為：

15、；

16、其中(zhong)，表(biao)示(shi)海(hai)水(shui)的密度，表(biao)示(shi)阻力系(xi)數，表(biao)示(shi)慣(guan)性力系(xi)數，表(biao)示(shi)海(hai)水(shui)的水(shui)平流(liu)速，表(biao)示(shi)海(hai)水(shui)的水(shui)平加(jia)速度，表(biao)示(shi)支撐結構管徑；

17、根(gen)據海(hai)浪(lang)(lang)有(you)效(xiao)波高和(he)單位高度上的(de)波浪(lang)(lang)水動力載(zai)荷(he)確定波浪(lang)(lang)水動力總載(zai)荷(he)；海(hai)浪(lang)(lang)載(zai)荷(he)是由海(hai)浪(lang)(lang)與海(hai)上風(feng)塔支撐結構(gou)的(de)相互作用引起(qi)的(de)載(zai)荷(he)；

18、所述風載(zai)荷為塔筒所受(shou)的(de)風載(zai)荷、機艙所受(shou)風載(zai)荷和(he)葉片整體所受(shou)風載(zai)荷之和(he)；

19、基于所(suo)述風(feng)載(zai)荷和所(suo)述海浪載(zai)荷利用(yong)權重進行耦合，得(de)到p。

20、由于(yu)海(hai)(hai)上(shang)情(qing)況復(fu)雜，不同(tong)的(de)(de)海(hai)(hai)風(feng)情(qing)況和海(hai)(hai)浪(lang)情(qing)況下(xia)，風(feng)載(zai)(zai)(zai)荷(he)(he)(he)和海(hai)(hai)浪(lang)載(zai)(zai)(zai)荷(he)(he)(he)對(dui)風(feng)塔傾斜的(de)(de)影(ying)響程(cheng)度的(de)(de)占(zhan)比(bi)是不同(tong)的(de)(de)，因此可以根(gen)據(ju)歷史(shi)獲(huo)取的(de)(de)是數(shu)據(ju)對(dui)相似(si)場(chang)景下(xia)的(de)(de)風(feng)載(zai)(zai)(zai)荷(he)(he)(he)和海(hai)(hai)浪(lang)載(zai)(zai)(zai)荷(he)(he)(he)對(dui)風(feng)塔傾斜的(de)(de)影(ying)響程(cheng)度的(de)(de)占(zhan)比(bi)進行計算(suan)，從而確(que)定風(feng)載(zai)(zai)(zai)荷(he)(he)(he)和海(hai)(hai)浪(lang)載(zai)(zai)(zai)荷(he)(he)(he)的(de)(de)權重(zhong)；

21、；

22、其(qi)中，表示(shi)(shi)風載荷的權(quan)重占(zhan)比，表示(shi)(shi)海浪載荷的權(quan)重占(zhan)比。

23、根據(ju)(ju)上(shang)(shang)述技術方案(an)，基于海(hai)上(shang)(shang)風(feng)塔(ta)傾(qing)斜(xie)變(bian)形(xing)(xing)影響(xiang)因子(zi)預(yu)測(ce)數據(ju)(ju)及(ji)其海(hai)上(shang)(shang)風(feng)塔(ta)傾(qing)斜(xie)變(bian)形(xing)(xing)影響(xiang)因子(zi)作(zuo)用(yong)(yong)于風(feng)塔(ta)的時間，利用(yong)(yong)物理預(yu)測(ce)模型進行(xing)風(feng)塔(ta)傾(qing)斜(xie)初步預(yu)測(ce)，并根據(ju)(ju)海(hai)上(shang)(shang)風(feng)塔(ta)傾(qing)斜(xie)變(bian)形(xing)(xing)影響(xiang)因子(zi)預(yu)測(ce)數據(ju)(ju)及(ji)其對(dui)應的初步預(yu)測(ce)的數值構建預(yu)訓(xun)練集合；將預(yu)訓(xun)練集合劃分預(yu)訓(xun)練集和預(yu)驗證集。

24、根據上述技術方案(an)，所述傾斜(xie)預測模型(xing)構建步驟：

25、獲取歷史海上風塔(ta)傾斜變形(xing)影(ying)響因子信息及(ji)其(qi)對應的傾斜數據構(gou)建精驗證集(ji)；

26、基于預訓練(lian)(lian)集利用貝葉(xie)斯卷積神經網絡訓練(lian)(lian)粗(cu)傾斜預測模型(xing)(xing)；基于預驗證集對粗(cu)傾斜預測模型(xing)(xing)進行(xing)修正調(diao)節(jie)；

27、基于精(jing)驗證(zheng)集對訓練(lian)的粗傾(qing)(qing)斜(xie)預(yu)(yu)測模型進(jin)行修正(zheng)調整，得到傾(qing)(qing)斜(xie)預(yu)(yu)測模型，其(qi)中，將(jiang)決定系(xi)數、均方根誤(wu)差和克林-古普塔效(xiao)率(lv)系(xi)數作(zuo)為判別標準，判斷傾(qing)(qing)斜(xie)預(yu)(yu)測模型或(huo)者(zhe)粗傾(qing)(qing)斜(xie)預(yu)(yu)測模型是(shi)否滿(man)(man)足預(yu)(yu)報精(jing)度，若不(bu)滿(man)(man)足預(yu)(yu)報精(jing)度則繼續訓練(lian)優化(hua)調整傾(qing)(qing)斜(xie)預(yu)(yu)測模型或(huo)者(zhe)粗傾(qing)(qing)斜(xie)預(yu)(yu)測模型直至滿(man)(man)足預(yu)(yu)報精(jing)度。

28、根據(ju)上(shang)述(shu)技(ji)術方案(an)，在(zai)生成(cheng)每個所(suo)述(shu)海上(shang)風塔(ta)(ta)傾(qing)斜預(yu)測(ce)值(zhi)時，按概率(lv)隨機丟棄已(yi)訓(xun)練好的所(suo)述(shu)傾(qing)斜預(yu)測(ce)模型的部分神(shen)經(jing)元，再基于(yu)余下神(shen)經(jing)元獲得(de)一(yi)個海上(shang)風塔(ta)(ta)傾(qing)斜預(yu)測(ce)值(zhi)。

29、根據上述(shu)技術方案，所(suo)述(shu)海上風(feng)塔(ta)傾斜變形(xing)影響因子預(yu)(yu)測數據中的風(feng)塔(ta)傾斜方向與平均風(feng)向的夾角、風(feng)速大小、海浪數據是通過對海上風(feng)浪的預(yu)(yu)測得到(dao)的。

30、一(yi)種海上風塔傾斜變形(xing)預測系統，包(bao)括(kuo)：

31、影響因子獲取模(mo)塊，用于確定海(hai)上(shang)風(feng)塔傾(qing)斜變形(xing)影響因子并(bing)獲取海(hai)上(shang)風(feng)塔傾(qing)斜變形(xing)影響因子預(yu)測數據；

32、傳(chuan)感器(qi)數據(ju)獲取模塊，實(shi)時(shi)采集(ji)傾角傳(chuan)感器(qi)數據(ju)并進行(xing)分析，確定待(dai)機(ji)狀態下塔(ta)基傾角大小和變化趨勢是否(fou)超(chao)出設定閾值來(lai)實(shi)現(xian)風塔(ta)傾斜(xie)的監測(ce)，獲取海(hai)上風塔(ta)傾斜(xie)變形影響因子信(xin)息；

33、機理模(mo)型(xing)(xing)建立模(mo)塊，建立物(wu)理預(yu)測(ce)模(mo)型(xing)(xing)，基于海(hai)上風塔傾斜(xie)(xie)變(bian)形影響(xiang)因(yin)子預(yu)測(ce)數(shu)據通過物(wu)理預(yu)測(ce)模(mo)型(xing)(xing)實現風塔傾斜(xie)(xie)初步(bu)(bu)預(yu)測(ce)，海(hai)上風塔傾斜(xie)(xie)變(bian)形影響(xiang)因(yin)子預(yu)測(ce)數(shu)據，并基于風塔傾斜(xie)(xie)初步(bu)(bu)預(yu)測(ce)結果確定預(yu)訓練集和(he)預(yu)驗(yan)證集；

34、傾斜預(yu)(yu)測(ce)(ce)模(mo)塊(kuai)，基(ji)于預(yu)(yu)訓練集和預(yu)(yu)驗證集利用貝葉(xie)斯卷(juan)積神經(jing)網絡進行訓練得到傾斜預(yu)(yu)測(ce)(ce)模(mo)型，通過傾斜預(yu)(yu)測(ce)(ce)模(mo)型實現對海上(shang)風塔傾斜預(yu)(yu)測(ce)(ce)。

35、與現有技術相比，本發明所達(da)(da)到的(de)(de)(de)有益效果是：本發明利用機理模(mo)型生成較?粗(cu)的(de)(de)(de)訓練(lian)數(shu)據進(jin)行預訓練(lian),?當模(mo)型達(da)(da)到較為穩定(ding)的(de)(de)(de)狀態后再基于少量(liang)的(de)(de)(de)高(gao)精度真實樣(yang)本進(jin)行精訓練(lian)，得到更為精準的(de)(de)(de)傾斜預測模(mo)型，針對(dui)一些(xie)觀測數(shu)據較少的(de)(de)(de)特殊情況，也(ye)能夠利用深度學習的(de)(de)(de)方法對(dui)進(jin)行風塔(ta)傾斜進(jin)行預測，一定(ding)程(cheng)度上(shang)也(ye)提高(gao)了風塔(ta)傾斜預測的(de)(de)(de)準確度。