CN115456053A - 海上风力发电机组的风轮散热系统及其方法 - Google Patents

Abstract

本申请涉及新能源领域，具体地公开了一种海上风力发电机组的风轮散热系统及其方法，其使用深度神经网络模型作为特征提取器来对太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射进行时间维度上的动态变化隐含特征提取，并将上述特征进行融合以得到热源动态变化特征，进而基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制，来优化所述风轮的散热效果。

Description

海上风力发电机组的风轮散热系统及其方法

技术领域

本申请涉及新能源领域，且更为具体地，涉及一种海上风力发电机组的风轮散热系统及其方法。

背景技术

风电机组主要由塔筒、机舱和风轮组成。针对海上风力发电机组，为防止盐雾和雨水的侵蚀，风轮一般采用密封结构与外界完全隔离。由于风轮内有变桨轴控制柜、超级电容柜、变桨电机、主轴和电缆等发热部件，当机组运行时，风轮内各发热部件表面散发的热量将排到轮毂内，尤其在夏季高温环境下，外界太阳辐射传递到风轮内部的热量也会增多，从而造成轮毂内环境温度过高，影响机组的正常运行，甚至因超温而造成机组停机，损失发电量。

而行业内针对风轮散热的方式，主要采用水冷系统方案。但现有的水冷方案的冷却效果却常无法满足应用要求，其原因为水冷系统的控制方案。具体地，现有的用于海上风力发电机组的水冷系统通常以预定流速来输送冷却液进行热交换，但是由于海上风电机组的工况不同，工作环境不同，恒定流速的散热方案无法满足工况多变和环境多变的散热需求。

因此，期望一种优化的海上风力发电机组的风轮散热方案以对于水冷系统的流速进行实时动态地控制，进而优化风轮的散热效果。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种海上风力发电机组的风轮散热系统及其方法，其使用深度神经网络模型作为特征提取器来对太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射进行时间维度上的动态变化隐含特征提取，以挖掘出所述风轮内部热量的各个产生因素，也就是热源的变化特征信息。进而再基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制，来优化所述风轮的散热效果。

相应地，根据本申请的一个方面，提供了一种海上风力发电机组的风轮散热系统，其包括：

数据监控与采集模块，用于获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；

热源数据编码模块，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；

热源特征融合模块，用于融合所述第一至第四热源特征向量以得到热增特征向量；

热特征校正模块，用于基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；

温度和流速编码模块，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；

贝叶斯推断模块，用于使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及

散热控制结果生成模块，用于将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

在上述海上风力发电机组的风轮散热系统中，所述热源数据编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射按照时间维度分别排列为输入向量以得到第一至第四输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述第一至第四输入向量进行全连接编码以分别提取出所述第一至第四输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述第一至第四输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及，一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述第一至第四输入向量进行一维卷积编码以分别提取出所述第一至第四输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述第一至第四输入向量。

在上述海上风力发电机组的风轮散热系统中，所述热源特征融合模块，包括：贡献度评估单元，用于将所述第一至第四热源特征向量中各个热源特征向量通过预分类器以得到第一至第四概率值；以及，融合单元，用于以所述第一至第四概率值作为权重来计算所述第一至第四热源特征向量的按位置加权和以得到所述热增特征向量。

在上述海上风力发电机组的风轮散热系统中，所述热特征校正模块，进一步用于：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

在上述海上风力发电机组的风轮散热系统中，所述温度和流速编码模块，包括：时间维度排列单元，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值按照时间维度分别排列为输入向量以得到温度输入向量和流速输入向量；隐含特征提取单元，用于使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述温度输入向量和所述流速输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及，关联特征提取单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量和所述流速输入向量。

在上述海上风力发电机组的风轮散热系统中，所述贝叶斯推断模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

在上述海上风力发电机组的风轮散热系统中，所述散热控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：

softmax{(W_n,B_n):…:(W₁,B₁)|X}

其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述后验概率向量。

根据本申请的另一方面，还提供了一种海上风力发电机组的风轮散热方法，其包括：

获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；

将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；

融合所述第一至第四热源特征向量以得到热增特征向量；

基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；

将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；

使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及

将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

在上述海上风力发电机组的风轮散热方法中，所述基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量，包括：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

在上述海上风力发电机组的风轮散热方法中，所述使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量，包括：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；

其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

与现有技术相比，本申请提供的海上风力发电机组的风轮散热系统及其方法，其使用深度神经网络模型作为特征提取器来对太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射进行时间维度上的动态变化隐含特征提取，以挖掘出所述风轮内部热量的各个产生因素，也就是热源的变化特征信息。进而再基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制，来优化所述风轮的散热效果。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的海上风力发电机组的风轮散热系统的场景示意图。

图2图示了根据本申请实施例的海上风力发电机组的风轮散热系统的框图。

图3图示了根据本申请实施例的海上风力发电机组的风轮散热系统的架构示意图。

图4图示了根据本申请实施例的海上风力发电机组的风轮散热系统中热源数据编码模块的框图。

图5图示了根据本申请实施例的海上风力发电机组的风轮散热系统中热源特征融合模块的框图。

图6图示了根据本申请实施例的海上风力发电机组的风轮散热系统中温度和流速编码模块的框图。

图7图示了根据本申请实施例的海上风力发电机组的风轮散热方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

由于海上风力发电机组的风轮内部热量主要来源于太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，因此，本申请期望使用深度神经网络模型作为特征提取器来对这些数据进行时间维度上的动态变化隐含特征提取，以挖掘出所述风轮内部热量的各个产生因素，也就是热源的变化特征信息。进而再基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制来优化所述风轮的散热效果。

具体地，在本申请的技术方案中，首先，通过各个传感器获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值。

应可以理解，考虑到由于热源中的所述太阳热负荷、所述轮毂热负荷、所述对流换热热负荷和所述热辐射在时间维度上存在着动态性的变化规律，因此，为了能够对于所述水冷系统的冷却水流速值进行实时动态地控制以优化所述风轮的散热效果，就需要对于这些热源数据在时间维度上的动态性隐含变化特征进行深层的挖掘。也就是，将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量以整合各个时间点的所述热源数据后，将得到的所述输入向量通过包含一维卷积层的时序编码器中进行编码以得到第一至第四热源特征向量。在本申请的一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出各个所述热源数据在时序维度上的关联和通过全连接编码分别提取各个所述热源数据的高维隐含特征。

然后，融合所述第一至第四热源特征向量，以融合所述太阳热负荷、所述轮毂热负荷、所述对流换热热负荷和所述热辐射的动态隐含关联特征，以得到对应于热源的热增特征向量。具体地，应可以理解，考虑到不同热源所产生的热量转化为风轮热量的转化率不同，而这可以通过预分类思想来表征，因此，使用预分类器来对所述第一至第四热源特征向量中各个热源特征向量进行处理以得到各个所述热源对于所述风轮热量的贡献度的第一至第四概率值，进一步地就可以以此概率值来作为权重计算所述第一至第四热源特征向量的按位置加权和以得到所述热增特征向量。

应可以理解，在以所述第一至第四概率值作为权重计算所述第一至第四热源特征向量的按位置加权和以得到热增特征向量时，由于所述第一至第四热源特征向量对应于的源数据存在类间差异，使得在通过时序编码器时，其特征分布可能存在分布差异，从而导致在进行按位置加权求和时，所述热增特征向量可能在其向量方向上的表达一致性差。

因此，对所述热增特征向量，例如记为V进行定向递归的压榨-激励优化，表示为：

μ和σ是特征集合v_i∈V的均值和方差。

也就是，基于沿向量方向的特征集合的统计特性来激活特征分布的定向递归，从而推断特征在每个特征向量的每个采样位置的定向分布，并且，采用由ReLU-Sigmoid函数构成的通道压榨-激励机制，来获取向量方向的注意力增强的置信度值，以增强在向量的长度维度上的特征表达的一致性，进而能够提高分类的准确性。这样，也就能够优化风轮的散热效果。

然后，对于所述多个预定时间点的风轮的温度值和水冷系统的冷却水的流速值，同样地，也考虑到其在时间维度上都具有着动态性的隐含特征关联，因此，也将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器中进行编码，以分别提取出所述风轮的温度值和水冷系统的冷却水的流速值在时序上的动态变化特征信息，从而得到温度特征向量和流速特征向量。

进一步地，考虑到当所述热源中的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射发生变化时，通过对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制来进行所述风轮的散热。因此，在本申请的技术方案中，使用所述流速特征向量作为先验概率，本申请的技术方案的目的是在新的证据，即在有新的所述热源中的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量，其中所述流速特征向量作为先验，所述温度特征向量作为事件，且所述校正后热增特征向量作为证据。然后，就可以将所述后验概率向量通过分类器以得到用于表示当前时间点的冷却水的流速值应增大或应减小的分类结果。这样，就能够对于所述海上风力发电机组的水冷系统的冷却水流速值进行动态精准地控制，以优化所述风轮的散热效果。

基于此，本申请提供了一种海上风力发电机组的风轮散热系统，其包括：数据监控与采集模块，用于获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；热源数据编码模块，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；热源特征融合模块，用于融合所述第一至第四热源特征向量以得到热增特征向量；热特征校正模块，用于基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；温度和流速编码模块，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；贝叶斯推断模块，用于使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及，散热控制结果生成模块，用于将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

图1图示了根据本申请实施例的海上风力发电机组的风轮散热系统的场景示意图。如图1所示，在所述海上风力发电机组的风轮散热系统的应用场景中，首先分别通过热负荷传感器(例如，如图1中所示意的F1)获取预定时间段内多个预定时间点的太阳热负荷、轮毂(例如，如图1中所示意的H)热负荷和对流换热热负荷，通过热辐射传感器(例如，如图1中所示意的F2)获取所述预定时间段内多个预定时间点的热辐射，通过温度传感器(例如，如图1中所示意的F3)获取所述多个预定时间点的风轮(例如，如图1中所示意的W)的温度值，通过流速传感器(例如，如图1中所示意的F4)获取所述多个预定时间点的水冷系统(例如，如图1中所示意的C)的冷却水的流速值。进而，将所述太阳热负荷、轮毂热负荷、对流换热热负荷、热辐射、风轮的温度值、水冷系统的冷却水的流速值输入至部署海上风力发电机组的风轮散热算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够以所述海上风力发电机组的风轮散热算法对所述所述太阳热负荷、轮毂热负荷、对流换热热负荷、热辐射、风轮的温度值、水冷系统的冷却水的流速值进行处理以得到表示当前时间点的冷却水的流速值应增大或应减小的控制结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的海上风力发电机组的风轮散热系统的框图。如图2所示，根据本申请实施例的海上风力发电机组的风轮散热系统100，包括：数据监控与采集模块110，用于获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；热源数据编码模块120，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；热源特征融合模块130，用于融合所述第一至第四热源特征向量以得到热增特征向量；热特征校正模块140，用于基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；温度和流速编码模块150，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；贝叶斯推断模块160，用于使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及，散热控制结果生成模块170，用于将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

图3图示了根据本申请实施例的海上风力发电机组的风轮散热系统的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值。接着，将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量。然后，融合所述第一至第四热源特征向量以得到热增特征向量。接着，基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量。然后，将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量。接着，使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量。然后，将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

在上述海上风力发电机组的风轮散热系统100中，所述数据监控与采集模块110，用于获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值。其中，所述预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值分别由对应的传感器获取。

在上述海上风力发电机组的风轮散热系统100中，所述热源数据编码模块120，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量。应可以理解，考虑到由于热源中的所述太阳热负荷、所述轮毂热负荷、所述对流换热热负荷和所述热辐射在时间维度上存在着动态性的变化规律，因此，为了能够对于所述水冷系统的冷却水流速值进行实时动态地控制以优化所述风轮的散热效果，就需要对于这些热源数据在时间维度上的动态性隐含变化特征进行深层的挖掘。也就是，将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量以整合各个时间点的所述热源数据后，将得到的所述输入向量通过包含一维卷积层的时序编码器中进行编码以得到第一至第四热源特征向量。

图4图示了根据本申请实施例的海上风力发电机组的风轮散热系统中热源数据编码模块的框图。如图4所示，在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述热源数据编码模块120，包括：输入向量构造单元121，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射按照时间维度分别排列为输入向量以得到第一至第四输入向量；全连接编码单元122，用于使用所述时序编码器的全连接层以如下公式分别对所述第一至第四输入向量进行全连接编码以分别提取出所述第一至第四输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述第一至第四输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及，一维卷积编码单元123，用于使用所述时序编码器的一维卷积层以如下公式分别对所述第一至第四输入向量进行一维卷积编码以分别提取出所述第一至第四输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述第一至第四输入向量。

在上述海上风力发电机组的风轮散热系统100中，所述热源特征融合模块130，用于融合所述第一至第四热源特征向量以得到热增特征向量。也就是，融合所述太阳热负荷、所述轮毂热负荷、所述对流换热热负荷和所述热辐射的动态隐含关联特征，以得到对应于热源的热增特征向量。具体地，应可以理解，考虑到不同热源所产生的热量转化为风轮热量的转化率不同，而这可以通过预分类思想来表征，因此，使用预分类器来对所述第一至第四热源特征向量中各个热源特征向量进行处理以得到各个所述热源对于所述风轮热量的贡献度的第一至第四概率值，进一步地就可以以此概率值来作为权重计算所述第一至第四热源特征向量的按位置加权和以得到所述热增特征向量。

图5图示了根据本申请实施例的海上风力发电机组的风轮散热系统中热源特征融合模块的框图。如图5所示，在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述热源特征融合模块130，包括：贡献度评估单元131，用于将所述第一至第四热源特征向量中各个热源特征向量通过预分类器以得到第一至第四概率值；以及，融合单元132，用于以所述第一至第四概率值作为权重来计算所述第一至第四热源特征向量的按位置加权和以得到所述热增特征向量。

在上述海上风力发电机组的风轮散热系统100中，所述热特征校正模块140，用于基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量。应可以理解，在以所述第一至第四概率值作为权重计算所述第一至第四热源特征向量的按位置加权和以得到热增特征向量时，由于所述第一至第四热源特征向量对应于的源数据存在类间差异，使得在通过时序编码器时，其特征分布可能存在分布差异，从而导致在进行按位置加权求和时，所述热增特征向量可能在其向量方向上的表达一致性差。因此，对所述热增特征向量，例如记为V进行定向递归的压榨-激励优化。

在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述热特征校正模块140，进一步用于：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

也就是，基于沿向量方向的特征集合的统计特性来激活特征分布的定向递归，从而推断特征在每个特征向量的每个采样位置的定向分布，并且，采用由ReLU-Sigmoid函数构成的通道压榨-激励机制，来获取向量方向的注意力增强的置信度值，以增强在向量的长度维度上的特征表达的一致性，进而能够提高分类的准确性。这样，也就能够优化风轮的散热效果。

在上述海上风力发电机组的风轮散热系统100中，所述温度和流速编码模块150，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量。对于所述多个预定时间点的风轮的温度值和水冷系统的冷却水的流速值，同样地，也考虑到其在时间维度上都具有着动态性的隐含特征关联，因此，也将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器中进行编码，以分别提取出所述风轮的温度值和水冷系统的冷却水的流速值在时序上的动态变化特征信息，从而得到温度特征向量和流速特征向量。

图6图示了根据本申请实施例的海上风力发电机组的风轮散热系统中温度和流速编码模块的框图。如图6所示，在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述温度和流速编码模块150，包括：时间维度排列单元151，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值按照时间维度分别排列为输入向量以得到温度输入向量和流速输入向量；隐含特征提取单元152，用于使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述温度输入向量和所述流速输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及，关联特征提取单元153，用于使用所述时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量和所述流速输入向量。

在上述海上风力发电机组的风轮散热系统100中，所述贝叶斯推断模块160，用于使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量。进一步地，考虑到当所述热源中的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射发生变化时，通过对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制来进行所述风轮的散热。因此，在本申请的技术方案中，使用所述流速特征向量作为先验概率，本申请的技术方案的目的是在新的证据，即在有新的所述热源中的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量，其中所述流速特征向量作为先验，所述温度特征向量作为事件，且所述校正后热增特征向量作为证据。

在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述贝叶斯推断模块160，进一步用于：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；

其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

在上述海上风力发电机组的风轮散热系统100中，所述散热控制结果生成模块170，用于将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。这样，就能够对于所述海上风力发电机组的水冷系统的冷却水流速值进行动态精准地控制，以优化所述风轮的散热效果。

在一个示例中，在上述海上风力发电机组的风轮散热系统100中，所述散热控制结果生成模块170，进一步用于：使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：

softmax{(W_n,B_n):…:(W₁,B₁)|X}

其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述后验概率向量。

综上，基于本申请实施例的海上风力发电机组的风轮散热系统100被阐明，其其使用深度神经网络模型作为特征提取器来对太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射进行时间维度上的动态变化隐含特征提取，以挖掘出所述风轮内部热量的各个产生因素，也就是热源的变化特征信息。进而再基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制，来优化所述风轮的散热效果。

如上所述，根据本申请实施例的海上风力发电机组的风轮散热系统100可以实现在各种终端设备中，例如用于海上风力发电机组的风轮散热的服务器等。在一个示例中，根据本申请实施例的海上风力发电机组的风轮散热系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该海上风力发电机组的风轮散热系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该海上风力发电机组的风轮散热系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该海上风力发电机组的风轮散热系统100与该终端设备也可以是分立的设备，并且该海上风力发电机组的风轮散热系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图5为根据本申请实施例的海上风力发电机组的风轮散热方法的流程图。如图5所示，根据本申请实施例的海上风力发电机组的风轮散热方法，包括：S110，获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；S120，将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；S130，融合所述第一至第四热源特征向量以得到热增特征向量；S140，基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；S150，将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；S160，使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及，S170，将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

在一个示例中，在上述海上风力发电机组的风轮散热方法中，所述基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量，包括：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

在一个示例中，在上述海上风力发电机组的风轮散热方法中，所述使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量，包括：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

综上，本申请实施例的海上风力发电机组的风轮散热方法被阐明，其使用深度神经网络模型作为特征提取器来对太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射进行时间维度上的动态变化隐含特征提取，以挖掘出所述风轮内部热量的各个产生因素，也就是热源的变化特征信息。进而再基于所述风轮的温度在时序上的动态变化隐含特征和所述热源的动态变化隐含特征来综合对于所述海上风力发电机组的水冷系统的冷却水流速值进行实时动态地控制，来优化所述风轮的散热效果。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种海上风力发电机组的风轮散热系统，其特征在于，包括：

数据监控与采集模块，用于获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；

热源数据编码模块，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；

热源特征融合模块，用于融合所述第一至第四热源特征向量以得到热增特征向量；

热特征校正模块，用于基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；

温度和流速编码模块，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；

贝叶斯推断模块，用于使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及

散热控制结果生成模块，用于将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

2.根据权利要求1所述的海上风力发电机组的风轮散热系统，其特征在于，所述热源数据编码模块，包括：

输入向量构造单元，用于将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射按照时间维度分别排列为输入向量以得到第一至第四输入向量；

全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述第一至第四输入向量进行全连接编码以分别提取出所述第一至第四输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述第一至第四输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及

一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述第一至第四输入向量进行一维卷积编码以分别提取出所述第一至第四输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述第一至第四输入向量。

3.根据权利要求2所述的海上风力发电机组的风轮散热系统，其特征在于，所述热源特征融合模块，包括：

贡献度评估单元，用于将所述第一至第四热源特征向量中各个热源特征向量通过预分类器以得到第一至第四概率值；以及

融合单元，用于以所述第一至第四概率值作为权重来计算所述第一至第四热源特征向量的按位置加权和以得到所述热增特征向量。

4.根据权利要求3所述的海上风力发电机组的风轮散热系统，其特征在于，所述热特征校正模块，进一步用于：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

5.根据权利要求4所述的海上风力发电机组的风轮散热系统，其特征在于，所述温度和流速编码模块，包括：

时间维度排列单元，用于将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值按照时间维度分别排列为输入向量以得到温度输入向量和流速输入向量；

隐含特征提取单元，用于使用所述时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述温度输入向量和所述流速输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；以及

关联特征提取单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量和所述流速输入向量。

6.根据权利要求5所述的海上风力发电机组的风轮散热系统，其特征在于，所述贝叶斯推断模块，进一步用于：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；

其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

7.根据权利要求6所述的海上风力发电机组的风轮散热系统，其特征在于，所述散热控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述后验概率向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述后验概率向量。

8.一种海上风力发电机组的风轮散热方法，其特征在于，包括：

获取预定时间段内多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射，所述多个预定时间点的风轮的温度值，以及，所述多个预定时间点的水冷系统的冷却水的流速值；

将所述多个预定时间点的太阳热负荷、轮毂热负荷、对流换热热负荷和热辐射分别排列为输入向量后通过包含一维卷积层的时序编码器以得到第一至第四热源特征向量；

融合所述第一至第四热源特征向量以得到热增特征向量；

基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量；

将所述多个预定时间点的风轮的温度值和所述多个预定时间点的水冷系统的冷却水的流速值分别排列为输入向量后通过所述包含一维卷积层的时序编码器以得到温度特征向量和流速特征向量；

使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量；以及

将所述后验概率向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。

9.根据权利要求8所述的海上风力发电机组的风轮散热方法，其特征在于，所述基于所述热增特征向量中所有位置的特征值的均值和方差，对所述热增特征向量中各个位置的特征值进行校正以得到校正后热增特征向量，包括：基于所述热增特征向量中所有位置的特征值的均值和方差，以如下公式对所述热增特征向量中各个位置的特征值进行校正以得到所述校正后热增特征向量；

其中，v_i表示所述热增特征向量中各个位置的特征值，μ和σ分别表示所述热增特征向量中所有位置的特征值集合的均值和方差，ReLU(·)表示ReLU激活函数，exp(-σ)表示计算以所述方差的负数为幂的自然指数函数值。

10.根据权利要求9所述的海上风力发电机组的风轮散热方法，其特征在于，所述使用贝叶斯概率模型来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到后验概率向量，包括：使用贝叶斯概率模型以如下公式来融合所述流速特征向量、所述温度特征向量和所述校正后热增特征向量以得到所述后验概率向量；

其中，所述公式为：

V＝V₁*V₂/V₃

其中，V₁是所述流速特征向量中的各个位置的特征值，V₂和V₃分别是所述温度特征向量和所述校正后热增特征向量中的各个位置的特征值，而V是所述后验概率向量中的各个位置的特征值。

Images