本发明涉及风电，特别是一种风电机组多传感器信息融合方法、系统以及存储介质。
背景技术：
1、漂浮式风力发电机会由于极限环出现转速振荡，影响漂浮式风机的功率输出。漂浮式风力发电机受到风力的环境因素和洋流的环境因素的双重影响，目前传统单纯方式的通过风力环境数据来作为控制参数，难以找到合适的控制模型来避免风力发电机组的转速振荡。
2、因此目前亟需提出一种将多种因素考虑进去的控制模型，以避免风力发电机组的转速振荡。
技术实现思路
1、鉴于上述问题，本发明提出了一种风电机组多传感器信息融合方法、系统以及存储介质。
2、本发明实施例提供了一种风电机组多传感器信息融合方法，所述风电机组多传感器信息融合方法包括：
3、采集风电机组中每个传感器信息；
4、根据每个所述传感器信息生成表示图，所述表示图包括：顶点和边，所述顶点与每个所述传感器一一映射，同一个风电机组中每个传感器对应的顶点之间通过边全连接；
5、以每个所述传感器信息和所述表示图作为信息融合模型的输入，所述信息融合模型输出图矩阵，所述图矩阵中携带每个所述传感器信息对应顶点的顶点特征；
6、以所述图矩阵和所述顶点特征作为图神经网络的输入，所述图神经网络输出每个风电机组的电磁转矩控制值和桨距角控制值。
7、可选地，任一风电机组的多传感器信息包括：浮式基础传感器信息和风轮的传感器信息；
8、所述浮式基础传感器信息包括：纵荡角速度、垂荡速度、纵摇角速度；
9、所述风轮的传感器信息包括：风轮转速、风轮有效风速、桨距角。
10、可选地，任一风电机组的多传感器信息对应的表示图中，所有顶点生成一个顶点集，该顶点集中任意两个顶点之间都存在边。
11、可选地，所述信息融合模型包括：维度变换层、双信息融合层、分布映射层以及图生成层；
12、其中，所述维度变换层以每个所述传感器信息作为输入，对其进行升维得到所述顶点特征，所述维度变换层升维的目标维度为l，l是超参数，缺省值为99；不同传感器信息的数值长度相同或者不同，不同传感器信息均对接所述维度变换层；
13、所述双信息融合层以所述顶点特征和所述表示图作为输入，输出第一输出矩阵和第二输出矩阵到所述分布映射层；
14、所述分布映射层基于所述第一输出矩阵和第二输出矩阵，产生并输出分布映射矩阵到所述图生成层；
15、所述图生成层以所述分布映射矩阵作为输入，输出所述图矩阵。
16、可选地，所述双信息融合层的计算公式为：
17、o1＝srelu(sxw1)w2
18、o2＝srelu(sxw1)w3
19、
20、上两式中，x表示输入特征矩阵，输入特征矩阵的一个行向量表示一个顶点特征，o1表示所述第一输出矩阵，o2表示所述第二输出矩阵，s表示中间矩阵，表示顶点的邻接矩阵与单位矩阵的和，表示的度矩阵，w1、w2、w3分别表示所述双信息融合层的第一、第二、第三权重矩阵，relu表示relu激活函数；
21、所述顶点的邻接矩阵由所述表示图生成，所述邻接矩阵中第a行第b列的元素对应表示第a和第b个顶点之间是否存在边。
22、可选地，所述分布映射层的计算公式为：
23、
24、上式中，z表示所述分布映射矩阵，diag表示提取矩阵斜对角的元素，o22表示所述第二输出矩阵的元素分别进行平方，θ表示随机系数，表示所述第一输出矩阵o1的每个行向量分别与diag(o22)θ相加；
25、所述图生成层的计算公式为：
26、u＝σ(zzt)
27、上式中，u表示所述图矩阵，σ表示sigmoid函数或logistic sigmoid函数，t表示矩阵的转置符号；
28、其中，由所述logistic sigmoid函数来生成1/0的元素值。
29、可选地，所述图神经网络包括：gcn；
30、所述gcn将所述顶点特征进行卷积处理；
31、将卷积处理后的顶点特征进行拼接后，再输入全连接层，由所述全连接层输出所述电磁转矩控制值和所述桨距角控制值。
32、可选地，所述图神经网络h的计算公式为：
33、h＝gcn(u，x)
34、
35、上两式，gcn表示gcn卷积，cont表示向量拼接，hu表示h的第u个行向量，nt表示第t个风电机组的所有传感器信息对应顶点的顶点集合，kt表示输出第t个风电机组的电磁转矩控制值和桨距角控制值时对应所述全连接层的输入，x表示输入特征矩阵，u表示所述图矩阵。
36、本发明实施例提供了一种风电机组多传感器信息融合系统，所述风电机组多传感器信息融合系统包括：
37、采集模块，用于采集风电机组中每个传感器信息；
38、图构建模块，用于根据每个所述传感器信息生成表示图，所述表示图包括：顶点和边，所述顶点与每个所述传感器一一映射，同一个风电机组中每个传感器对应的顶点之间通过边全连接；
39、图生成模块，用于以每个所述传感器信息和所述表示图作为信息融合模型的输入，所述信息融合模型输出图矩阵，所述图矩阵中携带每个所述传感器信息对应顶点的顶点特征；
40、控制值生成模块，用于以所述图矩阵和所述顶点特征作为图神经网络的输入，所述图神经网络输出每个风电机组的电磁转矩控制值和桨距角控制值。
41、可选地，所述采集模块采集的风电机组中每个传感器信息包括：浮式基础传感器信息和风轮的传感器信息；
42、所述浮式基础传感器信息包括：纵荡角速度、垂荡速度、纵摇角速度；
43、所述风轮的传感器信息包括：风轮转速、风轮有效风速、桨距角。
44、可选地，所述图构建模块生成的任一风电机组的多传感器信息对应的表示图中，所有顶点生成一个顶点集，该顶点集中任意两个顶点之间都存在边。
45、可选地，所述图生成模块中所述信息融合模型包括：维度变换层、双信息融合层、分布映射层以及图生成层；
46、其中，所述维度变换层以每个所述传感器信息作为输入，对其进行升维得到所述顶点特征，所述维度变换层升维的目标维度为l，l是超参数，缺省值为99；不同传感器信息的数值长度相同或者不同，不同传感器信息均对接所述维度变换层；
47、所述双信息融合层以所述顶点特征和所述表示图作为输入，输出第一输出矩阵和第二输出矩阵到所述分布映射层；
48、所述分布映射层基于所述第一输出矩阵和第二输出矩阵，产生并输出分布映射矩阵到所述图生成层；
49、所述图生成层以所述分布映射矩阵作为输入，输出所述图矩阵；
50、其中，所述双信息融合层的计算公式为：
51、o1＝srelu(sxw1)w2
52、o2＝srelu(sxw1)w3
53、
54、上两式中，x表示输入特征矩阵，输入特征矩阵的一个行向量表示一个顶点特征，o1表示所述第一输出矩阵，o2表示所述第二输出矩阵，s表示中间矩阵，表示顶点的邻接矩阵与单位矩阵的和，表示的度矩阵，w1、w2、w3分别表示所述双信息融合层的第一、第二、第三权重矩阵，relu表示relu激活函数；
55、所述顶点的邻接矩阵由所述表示图生成，所述邻接矩阵中第a行第b列的元素对应表示第a和第b个顶点之间是否存在边；
56、所述分布映射层的计算公式为：
57、
58、上式中，z表示所述分布映射矩阵，diag表示提取矩阵斜对角的元素，o22表示所述第二输出矩阵的元素分别进行平方，θ表示随机系数，表示所述第一输出矩阵o1的每个行向量分别与diag(o22)θ相加；
59、所述图生成层的计算公式为：
60、u＝σ(zzt)
61、上式中，u表示所述图矩阵，σ表示sigmoid函数或logistic sigmoid函数，t表示矩阵的转置符号；
62、其中，由所述logistic sigmoid函数来生成1/0的元素值。
63、可选地，所述控制值生成模块240中所述图神经网络包括：gcn；
64、所述gcn将所述顶点特征进行卷积处理；
65、将卷积处理后的顶点特征进行拼接后，再输入全连接层，由所述全连接层输出所述电磁转矩控制值和所述桨距角控制值；
66、其中，所述图神经网络h的计算公式为：
67、h＝gcn(u，x)
68、
69、上两式，gcn表示gcn卷积，cont表示向量拼接，hu表示h的第u个行向量，nt表示第t个风电机组的所有传感器信息对应顶点的顶点集合，kt表示输出第t个风电机组的电磁转矩控制值和桨距角控制值时对应所述全连接层的输入，x表示输入特征矩阵，u表示所述图矩阵。
70、可选地，所述风电机组多传感器信息融合系统还包括：控制模块；所述控制模块用于将所述风电机组的实际电磁转矩需要调整到所述电磁转矩控制值，以及将所述风电机组的实际桨距角需要调整到所述桨距角控制值。
71、本发明实施例还提供了一种存储介质，存储有非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时实现如上任一项所述的风电机组多传感器信息融合方法。
72、本发明提供的风电机组多传感器信息融合方法，首先采集风电机组中每个传感器信息，再根据每个传感器信息生成表示图，接着以每个传感器信息和表示图作为信息融合模型的输入，由信息融合模型输出图矩阵，最后以图矩阵和顶点特征作为图神经网络的输入，由图神经网络输出每个风电机组的电磁转矩控制值和桨距角控制值。
73、本发明所提风电机组多传感器信息融合方法，创造性的提出基于各个传感器信息并利用信息融合模型智能动态的生成传感器信息的融合路径，再由图神经网络产生每个风电机组的电磁转矩控制值和桨距角控制值，代替了传统的闭环控制模型来控制风电机组的运行状态，将漂浮式风力发电机受到风力的环境因素和洋流的环境因素等的多重因素考虑进去，综合漂浮式风电机组所处的风电场的全局流体环境信息来作为控制参数生成的依据，降低转速震荡，克服传统控制模型带来的风力发电机组转速振荡问题，极好的抑制了风电机组的转速振荡，具有很高的实用性。
1.一种风电机组多传感器信息融合方法，其特征在于，所述风电机组多传感器信息融合方法包括：
2.根据权利要求1所述的风电机组多传感器信息融合方法，其特征在于，任一风电机组的多传感器信息包括：浮式基础传感器信息和风轮的传感器信息；
3.根据权利要求1所述的风电机组多传感器信息融合方法，其特征在于，任一风电机组的多传感器信息对应的表示图中，所有顶点生成一个顶点集，该顶点集中任意两个顶点之间都存在边。
4.根据权利要求1所述的风电机组多传感器信息融合方法，其特征在于，所述信息融合模型包括：维度变换层、双信息融合层、分布映射层以及图生成层；
5.根据权利要求4所述的风电机组多传感器信息融合方法，其特征在于，所述双信息融合层的计算公式为：
6.根据权利要求5所述的风电机组多传感器信息融合方法，其特征在于，所述分布映射层的计算公式为：
7.根据权利要求1所述的风电机组多传感器信息融合方法，其特征在于，所述图神经网络包括：gcn；
8.根据权利要求7所述的风电机组多传感器信息融合方法，其特征在于，所述图神经网络h的计算公式为：
9.一种风电机组多传感器信息融合系统，其特征在于，所述风电机组多传感器信息融合系统包括：
10.一种存储介质，其特征在于，存储有非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时实现权利要求1-7任一项所述的风电机组多传感器信息融合方法。
