CN117905638A - 基于强化学习的风力发电机优化控制方法及系统 - Google Patents

Abstract

本发明公开了基于强化学习的风力发电机优化控制方法及系统，涉及风力发电技术领域，该系统包括数据采集模块、分析处理模块、数据预测模块、实时运行模块、状态对比模块以及策略执行模块；其技术要点为：该系统利用强化学习算法与搭建的预测模型结合，根据预测的风向和风速所处的时间节点，来获取实时运行模块所需的调节时间T，使得风力发电机在调节完成即可提前或同步应对风向和风速的变化，在一定程度上不仅能够提高发电效率，还能够减少风力发电机的损耗，增强了风力发电机的可靠性，通过搭建数据分析模型，综合考虑了环境因素、设备自身因素以及产能因素，使生成的风能利用率评估值能够准确、有效的完成后续对优化控制系统的验证。

Description

基于强化学习的风力发电机优化控制方法及系统

技术领域

本发明涉及风力发电技术领域，具体为基于强化学习的风力发电机优化控制方法及系统。

背景技术

风力发电技术是利用风能将机械能转化为电能的一种可再生能源技术，它通过使用风力发电机将风能转化为机械能，再经过发电机将机械能转化为电能；风力发电系统主要由以下几个部分组成：风力发电机、发电机组、控制系统以及输电系统；其中的控制系统用于监测和控制风力发电机的运行状态，可以根据风速和风向变化实时调节转向、转速和刹车等参数，以最大程度地利用风能并确保风力发电机的安全运行。

现有申请公布号为CN105574610A，名称为一种风力发电机组优化启动控制方法的专利中指数的技术方案为：该方法利用时间序列分析法建立风速序列的AR(p)模型，利用卡尔曼滤波算法得到未来10min风速的预测值，再将前10min的平均风速与后10min预测风速相结合来作为执行风机启动动作的依据，充分保证了风机启动后的发电能力，减少了小风速季节风机的不合理启动，延长了设备寿命，该控制方法中进行风速预测的目的是减少不合理的启动，仅仅是根据预测的结果在对应的时刻进行启动，并没有做出提前调整的操作；

另有申请公布号为CN114738186A，名称为一种优化风力发电机组偏航角度的控制系统的专利中指数的技术方案为：包括连接组件以及多组旋转变压器、偏航电机、控制芯片、传感器连接线以及偏航驱动装置，多组所述旋转变压器、偏航电机、控制芯片、传感器连接线以及偏航驱动装置均与连接组件相配合，所述连接组件由大齿圈、六个滑垫保持装置、六个侧面轴承、多个螺栓孔以及多个螺纹孔组成，六个所述侧面轴承均固定安装在大齿圈的内壁上，六个所述滑垫保持装置分别固定安装在对应的侧面轴承上，该控制系统则只是针对偏航系统中偏航角度进行调控，并没有综合完成对桨叶角度的调控；传统在进行风力发电机的优化控制时，只是在风向和风速变化之后再进行调节转向，导致风力发电机出现额外的损耗，在对风力发电机进行优化调控后，仅仅是通过检测风力发电机的发电量来完成对优化调控后效果的验证，无法得到准确、有效的验证结果。

发明内容

针对现有技术的不足，本发明提供了基于强化学习的风力发电机优化控制方法及系统，该系统利用强化学习算法与搭建的预测模型结合，根据预测的风向和风速所处的时间节点，来获取实时运行模块所需的调节时间T，使得风力发电机在调节完成即可提前或同步应对风向和风速的变化，在一定程度上不仅能够提高发电效率，还能够减少风力发电机的损耗，增强了风力发电机的可靠性，通过搭建数据分析模型，综合考虑了环境因素、设备自身因素以及产能因素，使生成的风能利用率评估值能够准确、有效的完成后续对优化控制系统的验证，解决了背景技术中提出的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

基于强化学习的风力发电机优化控制系统，包括：

数据采集模块，获取评估参数，包括环境数据集、设备数据集以及产能数据集；

分析处理模块，对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据评估参数，生成对应的导向系数组；

数据预测模块，搭建预测模型，利用强化学习算法与预测模型结合，预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；

实时运行模块，在调节时间T内完成对风力发电机的调节操作；

状态对比模块，二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的导向系数组，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的导向系数组，生成调试前的风能利用率评估值；

在将风能利用率评估值和风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则不做出响应，反之，则发出预警信号。

进一步地，环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率。

进一步地，导向系数组包括环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs，依据环境数据集中的温度Wd和湿度Hd，生成环境导向系数Hxs，公式如下：

；

上式中，分别为温度Wd和湿度Hd的预设比例系数，且/>，G₁为常数修正系数。

进一步地，依据空气密度、风力发电机的桨叶扇扫面积A、当前环境下的风速v以及风力发电机的故障率Gz，生成设备导向系数Sxs，公式如下：

；

上式中，分别为风力发电机捕获风能/>和风力发电机的故障率Gz的预设比例系数，且/>，G₂为常数修正系数。

进一步地，依据风力发电机的发电量Fs和额定功率，生成产能导向系数Cxs，公式如下：

；

式中，表示风力发电机运行的小时数。

进一步地，搭建预测模型的具体过程为：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的桨叶的运行时间，使其在风向变化和风速变化之前完成调节；

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的桨叶在预测的风向变化和风速变化之前完成调节。

进一步地，在实时运行模块中进行调节操作的过程为：基于风向驱动偏航系统中的偏航电机运转，使风力发电机的风轮叶片始终保持与风向垂直，基于风速v驱动变桨距控制系统，使其采用PI调节法控制风力发电机的桨叶角度。

进一步地，调试后的风能利用率评估值和调试前的风能利用率评估值/>所依据的公式相同，具体公式如下：

；

上式中，分别为环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs的预设比例系数，且/>，G₃为常数修正系数，int为取整函数。

基于强化学习的风力发电机优化控制方法，包括如下步骤：

步骤一、获取评估参数，包括环境数据集、设备数据集以及产能数据集，且环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率；

步骤二、对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据评估参数，生成对应的导向系数组，包括环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs；

步骤三、搭建预测模型，利用强化学习算法与预测模型结合，预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；

步骤四、在调节时间T内完成对风力发电机的调节操作，包括：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的桨叶的运行时间，使其在风向变化和风速变化之前完成调节；

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的桨叶在预测的风向变化和风速变化之前完成调节；

步骤五、二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的导向系数组，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的导向系数组，生成调试前的风能利用率评估值/>；

在将风能利用率评估值和风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则不做出响应，反之，则发出预警信号。

本发明提供了基于强化学习的风力发电机优化控制方法及系统，具备以下有益效果：

本发明在实时运行模块中将偏航系统和变桨距控制系统设计为一体，可完成对风力发电机的风轮叶片整体和各个桨叶的同步调节，根据风速和风向信息进行调节后，在工作时能够保证风力发电机获取最大风能，实现对风能的最大化利用，也提高了输出电能的稳定性；

本发明通过采用相互配合的数据预测模块和状态对比模块，利用强化学习算法与搭建的预测模型结合，根据预测的风向和风速所处的时间节点，来获取实时运行模块所需的调节时间T，使得风力发电机在调节完成即可提前或同步应对风向和风速的变化，在一定程度上不仅能够提高发电效率，还能够减少风力发电机的损耗，增强了风力发电机的可靠性；

本发明通过搭建数据分析模型，以初步计算得到的环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs为依据，综合考虑了环境因素、设备自身因素以及产能因素，确保生成的风能利用率评估值的准确性和有效性，通过直接将调试后的风能利用率评估值和调试前的风能利用率评估值/>进行对比，能够快速的获取该优化控制方法是否有效及有效的程度，实现对优化控制方法的验证处理，体现了该风力发电机优化控制系统的实用性。

附图说明

图1为本发明基于强化学习的风力发电机优化控制系统的模块化结构示意图；

图2为本发明基于强化学习的风力发电机优化控制方法的步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1，本实施例提供基于强化学习的风力发电机优化控制系统，该系统包括依次运行的数据采集模块、分析处理模块、数据预测模块、实时运行模块、状态对比模块以及策略执行模块，且本发明的控制系统需要运用于风力发电机的调试阶段，经过该控制系统的运行优化，使得对应的风力发电机在后续能够进行正常操作和使用。

其中，数据采集模块，获取评估参数，包括环境数据集、设备数据集以及产能数据集，且环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率；上述数据中除了风力发电机的桨叶扇扫面积，其他数据均随着时间的推移而发生实时的变换，对于温度、湿度以及空气密度而言，短时间内变化幅度可以忽略不计；

需要说明的是：温度、湿度可通过温湿度传感器获取，风向通过风向传感器获取，风速则通过空气流速传感器获取，空气密度通过对应的空气密度传感器获取，对于风力发电机的桨叶扇扫面积则可通过测量桨叶的长度，通过圆形面积公式即可计算得出，风力发电机的发电量的获取方式为：风电场将发电的电能通过电网输送到用户，电网接入点通常会有计量设备，可以记录风电场的总发电量和每个风力发电机的发电量，通过电网接入数据，可以获取所需的风力发电机的发电量，风力发电机的故障率的获取方式为：通过访问维护和运维记录，可以计算并评估风力发电机的故障率，一般通过计算一年365天内，发生故障的次数，二者相除即可得到所需的故障率，风力发电机的额定功率则从其铭牌上直接获取。

分析处理模块，对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据环境数据集中的温度Wd和湿度Hd，生成环境导向系数Hxs，公式如下：

；

上式中，分别为温度Wd和湿度Hd的预设比例系数，且，G₁为常数修正系数，其具体值可由用户调整设置，或者由分析函数拟合生成；上述为获取环境导向系数Hxs，结合对温度Wd和湿度Hd进行加权平均计算，并通过常数修正系数G₁完成对计算后的数据进行修正，保证环境导向系数Hxs符合实际，并保持准确。

依据空气密度、风力发电机的桨叶扇扫面积A、当前环境下的风速v以及风力发电机的故障率Gz，生成设备导向系数Sxs，公式如下：

；

上式中，分别为风力发电机捕获风能/>和风力发电机的故障率Gz的预设比例系数，且/>，G₂为常数修正系数，其具体值可由用户调整设置，或者由分析函数拟合生成；上述获取设备导向系数Sxs的原理与保证环境导向系数Hxs的方式相同。

依据风力发电机的发电量Fs和额定功率，生成产能导向系数Cxs，公式如下：

；

式中，表示风力发电机运行的小时数；通过以上计算可以得到产能导向系数Cxs的一个估算值，它表示风力发电机在一定时间段内实际利用风能的能力相对于其额定产能的能力，对于风力发电机运行的小时数也是在指定的时间段内进行的。

数据预测模块，搭建预测模型，并利用强化学习算法与预测模型结合，来预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；上述搭建预测模型的具体过程为：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的风轮或桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的风轮或桨叶的时间，使其在风向变化和风速变化之前完成调节；

其中，每个时间步长指的是每个时间步骤或时间点的状态观测和调节操作，在风力发电系统中，为了适应环境中风向和风速的变化，系统会定期进行状态观测和调节操作；具体来说，系统会在每个离散的时间间隔（即时间步长）内观测当前的风向和风速，并根据这些观测结果来预测未来一段时间内的风向和风速变化；然后，系统会根据预测结果，决定是否需要调节风轮或桨叶的位置或角度，以使其在风向和风速变化之前完成调节；时间步长的长度取决于系统设计和控制策略的要求，较短的时间步长可以提供更精确的观测和调节，但会增加系统的计算和响应负荷，较长的时间步长可以降低计算负荷，但可能会导致较大的调节延迟。

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的风轮或桨叶在预测的风向变化和风速变化之前完成调节。

另外，搭建预测模型的具体过程还可以包括奖励函数设计：为了最大化风能利用和保护风力发电机的安全运行，设计奖励函数来衡量预测和调节的性能，奖励函数可以考虑最大化风能输出、同时避免频繁的调节和过载操作；例如，当风力发电机捕获风能较多且调节操作次数较少时，给予奖励。

；

其中，实际发电量是预定时间段内风力发电机实际产生的电量，即风力发电机的发电量Fs；额定产能是风力发电机的额定输出功率，即额定功率；调节次数是预定时间段内进行的调节操作的次数；时间步数是预定时间段内的总时间步数；/>和/>是权重参数，用于平衡最大化发电量和避免频繁调节的目标；

在上述奖励函数中，第一项表示实际发电量与额定产能之比，当实际发电量接近或达到额定产能时，奖励值会增加；第二项表示调节次数与时间步数之比，当调节次数较少时，奖励值会增加。

交互调整与实时反馈：通过与环境的交互和奖励的反馈，系统可以学习到最优的调节策略，经过训练后，将学到的最优调节策略部署到实际的风力发电机控制系统中，在实时运行中，根据实时的风向和风速预测，及时调整风轮或桨叶的时间，从而使其在预测的风向和风速变化之前完成调节；同时，根据系统的实时反馈信息和奖励情况，调整强化学习算法的策略，进一步提高风能利用和风机的安全运行，上述内容为常规技术手段，故在此不多做详细的赘述。

实时运行模块，在调节时间T内完成对风力发电机的调节操作，操作过程为：基于风向驱动偏航系统中的偏航电机运转，使风力发电机的风轮叶片始终保持与风向垂直，以获取最大风能，基于风速v驱动变桨距控制系统，使其采用PI调节法控制风力发电机的桨叶角度；

当风力发电机刚启动时，将桨叶角度由90°转动至0°；

当风速小于额定风速时，保持桨叶角度为0°，以获取最大风能；

当风速大于额定风速时，控制桨叶角度旋转，以保持风力发电机的输出功率恒定；

当风速大于标准风速时，控制桨叶角度转动至90°，使风叶失去迎风面，以保护风机。

具体的，在实时运行模块中将偏航系统和变桨距控制系统设计为一体，可完成对风力发电机的风轮叶片整体和各个桨叶的同步调节，根据风速和风向信息进行调节后，在工作时能够保证风力发电机获取最大风能，实现对风能的最大化利用，也提高了输出电能的稳定性。

状态对比模块，二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs，生成调试前的风能利用率评估值，调试后的风能利用率评估值/>和调试前的风能利用率评估值/>所依据的公式相同，所依据的公式如下：

；

上式中，分别为环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs的预设比例系数，且/>，G₃为常数修正系数，其具体值可由用户调整设置，或者由分析函数拟合生成，int为取整函数；需要说明的是，环境导向系数Hxs与风能利用率评估值呈反比，设备导向系数Sxs和产能导向系数Cxs均与风能利用率评估值成正比，故将环境导向系数Hxs作为分母，设备导向系数Sxs和产能导向系数Cxs的和作为分子计算，所得的值与/>相加，被/>修正后的值最终经过取整函数处理后得到所需的风能利用率评估值，用于评估对应风力发电机的具体运行状态，其中的e表示自然常数，取值为2.71828...；

需要说明的是：本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数；将设定的预设比例系数，可以是预设比例系数和采集的样本数据代入公式，任意三个公式构成三元一次方程组，将计算得到的系数进行筛选并取均值，得到的取值；系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数，也可说是根据实际进行预设规定的，只要不影响参数与量化后数值的比例关系即可，对于其他公式中说明的预设比例系数、常数修正系数中，也同样采取上述的说明；

在将风能利用率评估值和调试前的风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则表示对风力发电机的优化控制操作完成，系统不做出响应，若是风能利用率评估值/>未超过调试前的风能利用率评估值/>，则发出预警信号，给出的调整策略为重新运行数据预测模块，直至风能利用率评估值/>超过调试前的风能利用率评估值/>，若是重复三次做出调整策略后，依旧是风能利用率评估值/>未超过调试前的风能利用率评估值/>，则发出报警信号，工作人员完成对风力发电机的检修工作。

具体的，通过搭建数据分析模型，以初步计算得到的环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs为依据，综合考虑了环境因素、设备自身因素以及产能因素，确保生成的风能利用率评估值的准确性和有效性，通过直接将调试后的风能利用率评估值和调试前的风能利用率评估值/>进行对比，能够快速的获取该优化控制方法是否有效及有效的程度，实现对优化控制方法的验证处理，体现了该风力发电机优化控制系统的实用性。

通过采用相互配合的数据预测模块和状态对比模块，利用强化学习算法与搭建的预测模型结合，根据预测的风向和风速所处的时间节点，来获取实时运行模块所需的调节时间T，使得风力发电机在调节完成即可提前或同步应对风向和风速的变化，在一定程度上不仅能够提高发电效率，还能够减少风力发电机的损耗，增强了风力发电机的可靠性；

提高风力发电机的效率：通过提前根据预测数据调节转向，风力发电机可以更好地利用风能，使其在理想的风向和风速条件下运转，这可以增加风力发电机的发电量，并提高发电效率；减少风力发电机的损耗：风力发电机在转向过程中会产生一定的阻力，如果在风向和风速变化之后再进行调节转向，会造成额外的损耗，而提前根据预测数据调节转向可以减少这种损耗，延长设备的使用寿命；提升风力发电系统的可靠性：通过预测风向和风速的变化，可以根据需要提前调节转向，使得风力发电系统能够更加可靠地适应风能资源的变化，这有助于提高整个风力发电系统的稳定性和可持续发展性。

实施例2：请参阅图1，以实施例1为基础，本实施例提供基于强化学习的风力发电机优化控制方法，包括如下步骤：

步骤一、获取评估参数，包括环境数据集、设备数据集以及产能数据集，且环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率；

步骤二、对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据评估参数，生成对应的导向系数组，包括环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs；

步骤三、搭建预测模型，利用强化学习算法与预测模型结合，预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；

步骤四、在调节时间T内完成对风力发电机的调节操作，包括：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的桨叶的运行时间，使其在风向变化和风速变化之前完成调节；

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的桨叶在预测的风向变化和风速变化之前完成调节；

步骤五、二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的导向系数组，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的导向系数组，生成调试前的风能利用率评估值/>；

在将风能利用率评估值和风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则不做出响应，反之，则发出预警信号；给出的调整策略为重新运行数据预测模块，直至风能利用率评估值/>超过调试前的风能利用率评估值/>，若是重复三次做出调整策略后，依旧是风能利用率评估值未超过调试前的风能利用率评估值/>，则发出报警信号，工作人员完成对风力发电机的检修工作。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (9)

1.基于强化学习的风力发电机优化控制系统，其特征在于，包括：

数据采集模块，获取评估参数，包括环境数据集、设备数据集以及产能数据集；

分析处理模块，对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据评估参数，生成对应的导向系数组；

数据预测模块，搭建预测模型，利用强化学习算法与预测模型结合，预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；

实时运行模块，在调节时间T内完成对风力发电机的调节操作；

状态对比模块，二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的导向系数组，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的导向系数组，生成调试前的风能利用率评估值/>；

在将风能利用率评估值和风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则不做出响应，反之，则发出预警信号。

2.根据权利要求1所述的基于强化学习的风力发电机优化控制系统，其特征在于：环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率。

3.根据权利要求2所述的基于强化学习的风力发电机优化控制系统，其特征在于：导向系数组包括环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs，依据环境数据集中的温度Wd和湿度Hd，生成环境导向系数Hxs，公式如下：

；

上式中，分别为温度Wd和湿度Hd的预设比例系数，且/>，G₁为常数修正系数。

4.根据权利要求3所述的基于强化学习的风力发电机优化控制系统，其特征在于：依据空气密度、风力发电机的桨叶扇扫面积A、当前环境下的风速v以及风力发电机的故障率Gz，生成设备导向系数Sxs，公式如下：

；

上式中，分别为风力发电机捕获风能/>和风力发电机的故障率Gz的预设比例系数，且/>，G₂为常数修正系数。

5.根据权利要求4所述的基于强化学习的风力发电机优化控制系统，其特征在于：依据风力发电机的发电量Fs和额定功率，生成产能导向系数Cxs，公式如下：

；

式中，表示风力发电机运行的小时数。

6.根据权利要求5所述的基于强化学习的风力发电机优化控制系统，其特征在于：搭建预测模型的具体过程为：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的桨叶的运行时间，使其在风向变化和风速变化之前完成调节；

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的桨叶在预测的风向变化和风速变化之前完成调节。

7.根据权利要求6所述的基于强化学习的风力发电机优化控制系统，其特征在于：在实时运行模块中进行调节操作的过程为：基于风向驱动偏航系统中的偏航电机运转，使风力发电机的风轮叶片始终保持与风向垂直，基于风速v驱动变桨距控制系统，使其采用PI调节法控制风力发电机的桨叶角度。

8.根据权利要求7所述的基于强化学习的风力发电机优化控制系统，其特征在于：调试后的风能利用率评估值和调试前的风能利用率评估值/>所依据的公式相同，具体公式如下：

；

上式中，分别为环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs的预设比例系数，且/>，G₃为常数修正系数，int为取整函数。

9.基于强化学习的风力发电机优化控制方法，使用所述权利要求1至8中的任一种所述系统，其特征在于，包括如下步骤：

步骤一、获取评估参数，包括环境数据集、设备数据集以及产能数据集，且环境数据集包括风力发电机所处环境的温度、湿度以及风向，设备数据集包括当前环境的空气密度、风力发电机的桨叶扇扫面积、当前环境下的风速以及风力发电机的故障率，产能数据集包括风力发电机的发电量和额定功率；

步骤二、对评估参数进行预处理，包括对评估参数进行数据清洗和对数据的无量纲化处理，判断出风向后，搭建数据分析模型，依据评估参数，生成对应的导向系数组，包括环境导向系数Hxs、设备导向系数Sxs以及产能导向系数Cxs；

步骤三、搭建预测模型，利用强化学习算法与预测模型结合，预测实时风向的变化和风速v的变化，通过强化学习算法进行训练，根据当前状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机在预测到风向变化和风速v变化之前完成调节；

步骤四、在调节时间T内完成对风力发电机的调节操作，包括：

风向和风速的预测模型：建立一个预测模型来预测实时风向的变化和风速v的变化，该模型利用评估参数中的历史数据来训练，结合强化学习算法后，以提前预测风向的改变和风速v的变化；

状态定义和转移：在强化学习算法中，定义状态为当前的风向、风速v和风力发电机的桨叶状态，根据预测模型的输出，将预测的风向和风速v视为环境给出的状态转移信息，将其纳入状态中，在每个时间步长观测当前的状态，根据预测的风向和风速v，进行调节风力发电机的桨叶的运行时间，使其在风向变化和风速变化之前完成调节；

强化学习算法训练：使用评估参数中的历史数据，通过强化学习算法进行训练，根据当前的状态和预测的风向和风速v，选择当前时刻的调节时间T，使风力发电机的桨叶在预测的风向变化和风速变化之前完成调节；

步骤五、二次搭建数据分析模型，依据在调节时间T内，完成对风力发电机的调节操作后所处时刻下的导向系数组，生成调试后的风能利用率评估值，依据正常对风力发电机调节操作后所处时刻下的导向系数组，生成调试前的风能利用率评估值/>；

在将风能利用率评估值和风能利用率评估值/>进行对比后，若是风能利用率评估值/>超过调试前的风能利用率评估值/>，则不做出响应，反之，则发出预警信号。