本技术涉及智能控制领域，且更为具体地，涉及一种风力发电机最优力矩系数校正方法。
背景技术：
1、风力发电机是一种将风能转换为电能的装置，它通过风轮叶片捕捉风的动能，再通过发电机转换成电能。这种转换过程不仅清洁环保，而且是一种可再生能源，对于减少对化石燃料的依赖和降低温室气体排放具有重要意义。
2、在风力发电的过程中，力矩系数是一个关键的指标，它是表示风轮输出负载扭矩的参数，它直接关联到风轮的旋转速度和风速，进而影响发电量和发电效率。因而，通过校正力矩系数，可以优化风力发电机的响应，使其能够在不同风速下有效地转换风能为电能，以提高能量转换效率和整体性能。
3、然而，目前风力发电机力矩系数校正方法可能无法很好地适应快速变化的环境条件，如突发的风速变化或湍流，这可能导致力矩系数调整不及时或不适当。此外，目前有些方法可能没有充分利用风力发电机各个运行状态之间的协同作用，而是孤立地考虑每个参数，这可能导致校正不够精确。
4、因此，期望一种风力发电机最优力矩系数校正方法。
技术实现思路
1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种风力发电机最优力矩系数校正方法，其将由传感器组实时监测的风力发电机的运行状态（风速值、转速值和功率值）通过有线通信网络传输至力矩系数优化控制后台服务器，并在所述力矩系数优化控制后台服务器中利用基于人工智能的数据处理和分析技术对所述风速值、所述转速值和所述功率值进行时序隐含关联分析，以此根据所述风力发电机的各个运行状态之间的时序交互响应隐含特征来自适应地优化当前时间点的力矩系数。通过这样的方式，能够更快速地响应风力发电机的运行状态变化，以适应风力发电机在不同风速和运行条件下的需求，从而提高风力发电机的运行效率和性能。
2、根据本技术的一方面，提供了一种风力发电机最优力矩系数校正方法，其包括：
3、通过传感器组实时监测风力发电机的运行状态以得到运行状态的时间序列，其中，所述运行状态包括风速值、转速值和功率值；
4、将所述运行状态的时间序列通过有线通信网络传输至力矩系数优化控制后台服务器；
5、在所述力矩系数优化控制后台服务器，将所述运行状态的时间序列按照参数样本维度进行数据规整以得到风速值的时间序列、转速值的时间序列和功率值的时间序列；
6、在所述力矩系数优化控制后台服务器，将所述风速值的时间序列、所述转速值的时间序列和所述功率值的时间序列分别进行时间序列编码以得到风速时序关联隐含特征向量、转速时序关联隐含特征向量和功率时序关联隐含特征向量；
7、在所述力矩系数优化控制后台服务器，将所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量输入基于高斯先验分布引导的特征融合模块以得到转速-功率时序关联隐含特征向量；
8、在所述力矩系数优化控制后台服务器，将所述风速时序关联隐含特征向量和所述转速-功率时序关联隐含特征向量输入非线性反馈式交互模块以得到风速-风速响应参数时序交互隐含表示向量作为风速-风速响应参数时序交互隐含表示特征；
9、基于所述风速-风速响应参数时序交互隐含表示特征，得到优化指令。
10、在上述风力发电机最优力矩系数校正方法中，在所述力矩系数优化控制后台服务器，将所述风速值的时间序列、所述转速值的时间序列和所述功率值的时间序列分别进行时间序列编码以得到风速时序关联隐含特征向量、转速时序关联隐含特征向量和功率时序关联隐含特征向量，包括：在所述力矩系数优化控制后台服务器，将所述风速值的时间序列、所述转速值的时间序列和所述功率值的时间序列分别输入基于双向长短期记忆神经网络模型的时间序列编码器以得到所述风速时序关联隐含特征向量、所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量。
11、在上述风力发电机最优力矩系数校正方法中，在所述力矩系数优化控制后台服务器，将所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量输入基于高斯先验分布引导的特征融合模块以得到转速-功率时序关联隐含特征向量，包括：基于所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量分别构造转速时序关联隐含引导特征向量和功率时序关联隐含引导特征向量；以及，计算所述转速时序关联隐含引导特征向量和所述功率时序关联隐含引导特征向量之间的按位置加法以得到所述转速-功率时序关联隐含特征向量。
12、在上述风力发电机最优力矩系数校正方法中，基于所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量分别构造转速时序关联隐含引导特征向量和功率时序关联隐含引导特征向量，包括：计算所述转速时序关联隐含特征向量与第一权重超参数的乘积为幂的自然指数特征向量与第一高斯分布超参数的乘积以得到所述转速时序关联隐含引导特征向量；以及，计算所述功率时序关联隐含特征向量与第二权重超参数的乘积为幂的自然指数特征向量与第二高斯分布超参数的乘积以得到所述功率时序关联隐含引导特征向量；其中，所述第一高斯分布超参数和所述第二高斯分布超参数都是以均值为0、方差为1的高斯分布随机数函数产生。
13、在上述风力发电机最优力矩系数校正方法中，在所述力矩系数优化控制后台服务器，将所述风速时序关联隐含特征向量和所述转速-功率时序关联隐含特征向量输入非线性反馈式交互模块以得到风速-风速响应参数时序交互隐含表示向量作为风速-风速响应参数时序交互隐含表示特征，包括：计算所述风速时序关联隐含特征向量相对于所述转速-功率时序关联隐含特征向量的逐位置响应以得到风速-风速响应参数线性响应交互特征向量；以及，对所述风速-风速响应参数线性响应交互特征向量进行非线性响应优化以得到所述风速-风速响应参数时序交互隐含表示向量。
14、在上述风力发电机最优力矩系数校正方法中，对所述风速-风速响应参数线性响应交互特征向量进行非线性响应优化以得到所述风速-风速响应参数时序交互隐含表示向量，包括：分别构造所述风速-风速响应参数线性响应交互特征向量中各个位置的第一风速-风速响应参数非线性响应因子和第二风速-风速响应参数非线性响应因子；以及，将所述风速-风速响应参数线性响应交互特征向量中各个位置的第一风速-风速响应参数非线性响应因子与所述风速-风速响应参数线性响应交互特征向量中对应位置的第二风速-风速响应参数非线性响应因子进行相除以得到所述风速-风速响应参数时序交互隐含表示向量。
15、在上述风力发电机最优力矩系数校正方法中，分别构造所述风速-风速响应参数线性响应交互特征向量中各个位置的第一风速-风速响应参数非线性响应因子和第二风速-风速响应参数非线性响应因子，包括：计算所述风速-风速响应参数线性响应交互特征向量中的各个位置特征值的平方值与第一调整参数之间的乘积以得到第一风速-风速响应参数非线性因子二次项调整参数；计算所述风速-风速响应参数线性响应交互特征向量中的各个位置特征值与第二调整参数之间的乘积以得到第一风速-风速响应参数非线性因子一次项调整参数；计算所述第一风速-风速响应参数非线性因子二次项调整参数和所述第一风速-风速响应参数非线性因子一次项调整参数之间的加和以得到所述第一风速-风速响应参数非线性响应因子；计算所述风速-风速响应参数线性响应交互特征向量中的各个位置特征值的平方值与第三调整参数之间的乘积以得到第二风速-风速响应参数非线性因子二次项调整参数；计算所述风速-风速响应参数线性响应交互特征向量中的各个位置特征值与第四调整参数之间的乘积以得到第二风速-风速响应参数非线性因子一次项调整参数；以及，计算所述第二风速-风速响应参数非线性因子二次项调整参数和所述第二风速-风速响应参数非线性因子一次项调整参数之间的加和后进行常数项加一调制以得到所述第二风速-风速响应参数非线性响应因子。
16、在上述风力发电机最优力矩系数校正方法中，基于所述风速-风速响应参数时序交互隐含表示特征，得到优化指令，包括：在所述力矩系数优化控制后台服务器，将所述风速-风速响应参数时序交互隐含表示向量输入基于分类器的力矩系数优化器以得到优化指令，所述优化指令用于表示当前时间点的力矩系数应增大、应减小或应保持不变。
17、在上述风力发电机最优力矩系数校正方法中，还包括用于对所述基于双向长短期记忆神经网络模型的时间序列编码器、所述基于高斯先验分布引导的特征融合模块、所述非线性反馈式交互模块和所述基于分类器的力矩系数优化器进行训练的训练步骤。
18、在上述风力发电机最优力矩系数校正方法中，所述训练步骤包括：获取训练数据，所述训练数据包括通过传感器组实时监测风力发电机的运行状态以得到训练运行状态的时间序列，其中，所述训练运行状态包括训练风速值、训练转速值和训练功率值，以及，所述当前时间点的力矩系数应增大、应减小或应保持不变的真实值；将所述训练运行状态的时间序列通过所述有线通信网络传输至所述力矩系数优化控制后台服务器；在所述力矩系数优化控制后台服务器，将所述训练运行状态的时间序列按照参数样本维度进行数据规整以得到训练风速值的时间序列、训练转速值的时间序列和训练功率值的时间序列；在所述力矩系数优化控制后台服务器，将所述训练风速值的时间序列、所述训练转速值的时间序列和所述训练功率值的时间序列分别输入所述基于双向长短期记忆神经网络模型的时间序列编码器以得到训练风速时序关联隐含特征向量、训练转速时序关联隐含特征向量和训练功率时序关联隐含特征向量；在所述力矩系数优化控制后台服务器，将所述训练转速时序关联隐含特征向量和所述训练功率时序关联隐含特征向量输入所述基于高斯先验分布引导的特征融合模块以得到训练转速-功率时序关联隐含特征向量；在所述力矩系数优化控制后台服务器，将所述训练风速时序关联隐含特征向量和所述训练转速-功率时序关联隐含特征向量输入所述非线性反馈式交互模块以得到训练风速-风速响应参数时序交互隐含表示向量；将所述训练风速-风速响应参数时序交互隐含表示向量输入所述基于分类器的力矩系数优化器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于双向长短期记忆神经网络模型的时间序列编码器、所述基于高斯先验分布引导的特征融合模块、所述非线性反馈式交互模块和所述基于分类器的力矩系数优化器进行训练。
19、与现有技术相比，本技术提供的一种风力发电机最优力矩系数校正方法，其将由传感器组实时监测的风力发电机的运行状态（风速值、转速值和功率值）通过有线通信网络传输至力矩系数优化控制后台服务器，并在所述力矩系数优化控制后台服务器中利用基于人工智能的数据处理和分析技术对所述风速值、所述转速值和所述功率值进行时序隐含关联分析，以此根据所述风力发电机的各个运行状态之间的时序交互响应隐含特征来自适应地优化当前时间点的力矩系数。通过这样的方式，能够更快速地响应风力发电机的运行状态变化，以适应风力发电机在不同风速和运行条件下的需求，从而提高风力发电机的运行效率和性能。
1.一种风力发电机最优力矩系数校正方法，其特征在于，包括：
2.根据权利要求1所述的风力发电机最优力矩系数校正方法，其特征在于，在所述力矩系数优化控制后台服务器，将所述风速值的时间序列、所述转速值的时间序列和所述功率值的时间序列分别进行时间序列编码以得到风速时序关联隐含特征向量、转速时序关联隐含特征向量和功率时序关联隐含特征向量，包括：在所述力矩系数优化控制后台服务器，将所述风速值的时间序列、所述转速值的时间序列和所述功率值的时间序列分别输入基于双向长短期记忆神经网络模型的时间序列编码器以得到所述风速时序关联隐含特征向量、所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量。
3.根据权利要求2所述的风力发电机最优力矩系数校正方法，其特征在于，在所述力矩系数优化控制后台服务器，将所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量输入基于高斯先验分布引导的特征融合模块以得到转速-功率时序关联隐含特征向量，包括：
4.根据权利要求3所述的风力发电机最优力矩系数校正方法，其特征在于，基于所述转速时序关联隐含特征向量和所述功率时序关联隐含特征向量分别构造转速时序关联隐含引导特征向量和功率时序关联隐含引导特征向量，包括：
5.根据权利要求4所述的风力发电机最优力矩系数校正方法，其特征在于，在所述力矩系数优化控制后台服务器，将所述风速时序关联隐含特征向量和所述转速-功率时序关联隐含特征向量输入非线性反馈式交互模块以得到风速-风速响应参数时序交互隐含表示向量作为风速-风速响应参数时序交互隐含表示特征，包括：
6.根据权利要求5所述的风力发电机最优力矩系数校正方法，其特征在于，对所述风速-风速响应参数线性响应交互特征向量进行非线性响应优化以得到所述风速-风速响应参数时序交互隐含表示向量，包括：
7.根据权利要求6所述的风力发电机最优力矩系数校正方法，其特征在于，分别构造所述风速-风速响应参数线性响应交互特征向量中各个位置的第一风速-风速响应参数非线性响应因子和第二风速-风速响应参数非线性响应因子，包括：
8.根据权利要求7所述的风力发电机最优力矩系数校正方法，其特征在于，基于所述风速-风速响应参数时序交互隐含表示特征，得到优化指令，包括：在所述力矩系数优化控制后台服务器，将所述风速-风速响应参数时序交互隐含表示向量输入基于分类器的力矩系数优化器以得到优化指令，所述优化指令用于表示当前时间点的力矩系数应增大、应减小或应保持不变。
9.根据权利要求8所述的风力发电机最优力矩系数校正方法，其特征在于，还包括用于对所述基于双向长短期记忆神经网络模型的时间序列编码器、所述基于高斯先验分布引导的特征融合模块、所述非线性反馈式交互模块和所述基于分类器的力矩系数优化器进行训练的训练步骤。
10.根据权利要求9所述的风力发电机最优力矩系数校正方法，其特征在于，所述训练步骤包括：
