本技术涉及风力发电，尤其涉及一种液冷式风力发电机组的温度控制方法及其装置。
背景技术：
1、风力发电机组在工作时会产生巨大的热量，为保持风力发电机组的正常运行环境，需要高效且快速的将风力发电机组产生的热量散去。相关技术中，通常采用空冷或液冷等冷却手段，但现有的液冷方式在风力发电机组产生的热量发生变化时不能及时做出调整，容易造成散热不够及时，或者资源的浪费。
技术实现思路
1、本技术提供了一种液冷式风力发电机组的温度控制方法、温度控制预测模型的训练方法、装置、电子设备及存储介质。可以对当前时间点的冷却液流速值进行控制，以提高散热效率，从而保证风力发电机组的正常运行。
2、第一方面，本技术实施例提供一种液冷式风力发电机组的温度控制方法，包括：获取液冷式风力发电机组的多个热源部件在预定时间段内多个预定时间点的多个温度值；获取所述多个热源部件之间的多个距离值；获取所述液冷式风力发电机组的液压冷却系统的冷却液在所述多个预定时间点的多个流速值；基于所述多个温度值、所述多个距离值和所述多个流速值，对所述冷却液的当前流速值进行控制。
3、在该技术方案中，可以基于获取的多个温度值、多个距离值和多个流速值，对冷却液的当前流速值进行控制，以提升获取液冷式风力发电机组液压冷却系统的散热效率，保证液冷式风力发电机组的正常运行。
4、在一种实现方式中，所述基于所述多个温度值、所述多个距离值和所述多个流速值，对所述冷却液的当前流速值进行控制，包括：将所述多个温度值按照时间维度排列为多个温度输入向量；基于所述多个距离值，获得热源部件拓扑矩阵；将所述多个流速值排列为流速输入向量；将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量输入至预先训练好的温度控制预测模型，得到分类结果；所述温度控制预测模型已经预先学习得到基于温度输入向量、热源部件拓扑矩阵和流速输入向量，预测分类结果的能力，所述分类结果表示应增大或减小当前时间点所述冷却液的流速；基于所述分类结果，对所述冷却液的当前流速值进行控制。
5、在一种可选地实现方式中，所述温度控制预测模型包括多尺度邻域特征提取器、卷积神经网络、时序编码器、图神经网络和分类器，其中，所述将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量输入至预先训练好的温度控制预测模型，得到分类结果，包括：将所述多个温度输入向量输入所述多尺度邻域特征提取器，获得多个热源部件温度特征向量；将所述多个热源部件温度特征向量进行二维排列，得到全局热源部件温度特征矩阵；将所述热源部件拓扑矩阵输入所述卷积神经网络，获得拓扑特征矩阵；将所述流速输入向量输入所述时序编码器，获得流速特征向量；将所述全局热源部件温度特征矩阵和所述拓扑特征矩阵输入图神经网络，获得全局拓扑全局热源部件温度特征矩阵；获取所述流速特征向量相对于所述全局拓扑全局热源部件温度特征矩阵的转移向量，作为分类特征向量；将所述分类特征向量输入所述分类器，获得所述分类结果。
6、可选地，所述多尺度邻域特征提取器包括第一卷积层和第二卷积层，其中，所述将所述多个温度输入向量输入所述多尺度邻域特征提取器，获得多个热源部件温度特征向量，包括：将所述多个温度输入向量输入所述第一卷积层，获得多个第一尺度邻域温度特征向量；其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度输入向量输入所述第二卷积层，获得多个第二尺度邻域温度特征向量；其中，所述第二卷积层具有第二长度的第二一维卷积核；将所述多个第一尺度邻域温度特征向量和所述多个第二尺度邻域温度特征向量进行级联，获得所述多个热源部件温度特征向量。
7、可选地，所述第一尺度邻域温度特征向量的获得公式为：
8、
9、其中，a为所述第一一维卷积核在x方向上的宽度，f(a)为预设的第一卷积核参数向量，g(x-a)为与卷积核函数运算的第一局部向量矩阵，w为所述第一一维卷积核的尺寸，x为所述温度输入向量；所述第二尺度邻域温度特征向量的获得公式为：
10、
11、其中，b为所述第二一维卷积核在x方向上的宽度，f(b)为预设的第二卷积核参数向量，g(x-b)为与卷积核函数运算的第二局部向量矩阵，m为所述第二一维卷积核的尺寸，x为所述温度输入向量。
12、可选地，所述时序编码器包括全连接层和一维卷积层，其中，所述将所述流速输入向量输入所述时序编码器，获得流速特征向量，包括：将所述流速输入向量输入所述全连接层进行全连接编码，获得所述流速输入向量中各个位置的特征值的多个高维隐含特征；将所述流速输入向量输入所述一维卷积层进行一维卷积编码，获得所述流速输入向量中各个位置的特征值间的多个高维隐含关联特征；基于所述多个高维隐含特征和所述多个高维隐含关联特征，获得所述流速特征向量。
13、可选地，所述高维隐含特征的获取公式为：
14、
15、其中，y为所述高维隐含特征，x为所述流速输入向量，w为预设的权重矩阵，b为预设的偏置向量，表示矩阵乘；所述高维隐含关联特征的获取公式为：
16、
17、其中，c为卷积核在x方向上的宽度，f(c)为第三卷积核参数向量，g(x-c)为与卷积核函数运算的第三局部向量矩阵，n为所述一维卷积层的卷积核的尺寸，x为所述流速输入向量。
18、可选地，所述分类特征向量的获取公式为：
19、
20、其中，vd表示所述流速特征向量，ms为发酵状态变化特征矩阵，vc为所述分类特征向量，表示矩阵相乘。
21、第二方面，本技术实施例提供一种温度控制预测模型的训练方法，所述方法包括：获取液冷式风力发电机组的多个热源部件在预定时间段内多个预定时间点的多个温度值；获取所述多个热源部件之间的多个距离值；获取所述液冷式风力发电机组的液压冷却系统的冷却液在所述多个预定时间点的多个流速值；获取所述冷却液的流速在当前时间点应调整的真实值；将所述多个温度值按照时间维度排列为多个温度输入向量；基于所述多个距离值，构建热源部件拓扑矩阵；将所述多个流速值排列为流速输入向量；将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量，输入至初始温度控制预测模型，得到分类结果；获取所述训练分类结果和所述真实值之间的交叉熵值，作为分类损失函数值；基于所述分类损失函数值对所述初始温度控制预测模型进行训练，获得温度控制预测模型。
22、在一种实现方式中，所述初始温度控制预测模型包括多尺度邻域特征提取器、卷积神经网络、时序编码器、图神经网络和分类器，其中，所述将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量，输入至初始温度控制预测模型，得到分类结果，包括：将所述多个温度输入向量输入所述多尺度邻域特征提取器，获得多个热源部件温度特征向量；将所述多个热源部件温度特征向量进行二维排列，得到全局热源部件温度特征矩阵；将所述热源部件拓扑矩阵输入所述卷积神经网络，获得拓扑特征矩阵；将所述流速输入向量输入所述时序编码器，获得流速特征向量；将所述全局热源部件温度特征矩阵和所述拓扑特征矩阵输入所述图神经网络，获得全局拓扑全局热源部件温度特征矩阵；获取所述流速特征向量相对于所述全局拓扑全局热源部件温度特征矩阵的转移向量，作为第一训练分类特征向量；基于所述第一训练分类特征向量、远程迁移矩阵、所述分类器的全连接权重矩阵和惩罚向量、获得第二训练分类特征向量。将所述第二训练分类特征向量输入所述分类器，获得所述分类结果。
23、在一种可选地实现方式中，所述训练分类特征向量的获取公式为：
24、
25、其中，v′为所述第二训练分类特征向量，relu(·)表示修正线性单元relu激活函数，exp(·)表示向量的指数运算和矩阵的指数运算，m1为所述远程迁移矩阵，v为所述第一训练分类特征向量，m2为所述全连接权重矩阵，vp为所述惩罚向量，表示按位置加和，表示按位置差分，表示矩阵相乘，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
26、在一种可选地实现方式中，所述训练分类结果的获取公式为：
27、softmax{(mc,bc)|x}
28、其中，softmax代表归一化指数函数，mc为预设的权重矩阵，bc为预设的偏置向量，x为所述第二训练分类特征向量。
29、第三方面，本技术实施例提供一种液冷式风力发电机组的温度控制装置，包括：第一获取模块，用于获取液冷式风力发电机组的多个热源部件在预定时间段内多个预定时间点的多个温度值；第二获取模块，用于获取所述多个热源部件之间的多个距离值；第三获取模块，用于获取所述液冷式风力发电机组的液压冷却系统冷却液在所述多个预定时间点的多个流速值；控制模块，用于基于所述多个温度值、所述多个距离值和所述多个流速值，对所述冷却液的当前流速值进行控制。
30、在一种实现方式中，所述控制模块具体用于：将所述多个温度值按照时间维度排列为多个温度输入向量；基于所述多个距离值，获得热源部件拓扑矩阵；将所述多个流速值排列为流速输入向量；将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量输入至预先训练好的温度控制预测模型，得到分类结果；所述温度控制预测模型已经预先学习得到基于温度输入向量、热源部件拓扑矩阵和流速输入向量，预测分类结果的能力，所述分类结果表示应增大或减小当前时间点所述冷却液的流速；基于所述分类结果，对所述冷却液的当前流速值进行控制。
31、在一种可选地实现方式中，所述温度控制预测模型包括多尺度邻域特征提取器、卷积神经网络、时序编码器、图神经网络和分类器，其中，所述控制模块具体用于：将所述多个温度输入向量输入所述多尺度邻域特征提取器，获得多个热源部件温度特征向量；将所述多个热源部件温度特征向量进行二维排列，得到全局热源部件温度特征矩阵；将所述热源部件拓扑矩阵输入所述卷积神经网络，获得拓扑特征矩阵；将所述流速输入向量输入所述时序编码器，获得流速特征向量；将所述全局热源部件温度特征矩阵和所述拓扑特征矩阵输入图神经网络，获得全局拓扑全局热源部件温度特征矩阵；获取所述流速特征向量相对于所述全局拓扑全局热源部件温度特征矩阵的转移向量，作为分类特征向量；将所述分类特征向量输入所述分类器，获得所述分类结果。
32、可选地，所述多尺度邻域特征提取器包括第一卷积层和第二卷积层，所述控制模块具体用于：将所述多个温度输入向量输入所述第一卷积层，获得多个第一尺度邻域温度特征向量；其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度输入向量输入所述第二卷积层，获得多个第二尺度邻域温度特征向量；其中，所述第二卷积层具有第二长度的第二一维卷积核；将所述多个第一尺度邻域温度特征向量和所述多个第二尺度邻域温度特征向量进行级联，获得所述多个热源部件温度特征向量。
33、可选地，所述第一尺度邻域温度特征向量的获得公式为：
34、
35、其中，a为所述第一一维卷积核在x方向上的宽度，f(a)为预设的第一卷积核参数向量，g(x-a)为与卷积核函数运算的第一局部向量矩阵，w为所述第一一维卷积核的尺寸，x为所述温度输入向量；所述第二尺度邻域温度特征向量的获得公式为：
36、
37、其中，b为所述第二一维卷积核在x方向上的宽度，f(b)为预设的第二卷积核参数向量，g(x-b)为与卷积核函数运算的第二局部向量矩阵，m为所述第二一维卷积核的尺寸，x为所述温度输入向量。
38、可选地，所述时序编码器包括全连接层和一维卷积层，其中，所述控制模块具体用于：将所述流速输入向量输入所述全连接层进行全连接编码，获得所述流速输入向量中各个位置的特征值的多个高维隐含特征；将所述流速输入向量输入所述一维卷积层进行一维卷积编码，获得所述流速输入向量中各个位置的特征值间的多个高维隐含关联特征；基于所述多个高维隐含特征和所述多个高维隐含关联特征，获得所述流速特征向量。
39、可选地，所述高维隐含特征的获取公式为：
40、
41、其中，y为所述高维隐含特征，x为所述流速输入向量，w为预设的权重矩阵，b为预设的偏置向量，表示矩阵乘；所述高维隐含关联特征的获取公式为：
42、
43、其中，c为卷积核在x方向上的宽度，f(c)为第三卷积核参数向量，g(x-c)为与卷积核函数运算的第三局部向量矩阵，n为所述一维卷积层的卷积核的尺寸，x为所述流速输入向量。
44、可选地，所述分类特征向量的获取公式为：
45、
46、其中，vd表示所述流速特征向量，ms为发酵状态变化特征矩阵，vc为所述分类特征向量，表示矩阵相乘。
47、第四方面，本技术实施例提供一种温度控制预测模型的训练装置，包括：第一获取模块，用于获取液冷式风力发电机组的多个热源部件在预定时间段内多个预定时间点的多个温度值；第二获取模块，用于获取所述多个热源部件之间的多个距离值；第三获取模块，用于获取所述液冷式风力发电机组的液压冷却系统冷却液在所述多个预定时间点的多个流速值；第四获取模块，用于获取所述液压冷却系统冷却液在当前时间点增大或应减小的真实值；第一处理模块，用于将所述多个温度值按照时间维度排列为多个温度输入向量；第二处理模块，用于基于所述多个距离值，构建热源部件拓扑矩阵；第三处理模块，用于将所述多个流速值排列为流速输入向量；第四处理模块，用于将所述多个温度输入向量、所述热源部件拓扑矩阵和所述流速输入向量，输入至初始温度控制预测模型，得到分类结果；第五处理模块，用于获取所述训练分类结果和所述真实值之间的交叉熵值，作为分类损失函数值；训练模块，用于基于所述分类损失函数值对所述多尺度邻域特征提取模块、所述卷积神经网络、所述时序编码器和所述分类器进行训练，获取所述温度控制预测模型。
48、在一种实现方式中，所述初始温度控制预测模型包括多尺度邻域特征提取器、卷积神经网络、时序编码器、图神经网络和分类器，其中，所述第四处理模块具体用于：将所述多个温度输入向量输入所述多尺度邻域特征提取器，获得多个热源部件温度特征向量；将所述多个热源部件温度特征向量进行二维排列，得到全局热源部件温度特征矩阵；将所述热源部件拓扑矩阵输入所述卷积神经网络，获得拓扑特征矩阵；将所述流速输入向量输入所述时序编码器，获得流速特征向量；将所述全局热源部件温度特征矩阵和所述拓扑特征矩阵输入所述图神经网络，获得全局拓扑全局热源部件温度特征矩阵；获取所述流速特征向量相对于所述全局拓扑全局热源部件温度特征矩阵的转移向量，作为第一训练分类特征向量；基于所述第一训练分类特征向量、远程迁移矩阵、所述分类器的全连接权重矩阵和惩罚向量、获得第二训练分类特征向量。将所述第二训练分类特征向量输入所述分类器，获得所述分类结果。
49、在一种可选地实现方式中，所述训练分类特征向量的获取公式为：
50、
51、其中，v′为所述第二训练分类特征向量，relu(·)表示修正线性单元relu激活函数，exp(·)表示向量的指数运算和矩阵的指数运算，m1为所述远程迁移矩阵，v为所述第一训练分类特征向量，m2为所述全连接权重矩阵，vp为所述惩罚向量，表示按位置加和，表示按位置差分，表示矩阵相乘，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
52、在一种可选地实现方式中，所述训练分类结果的获取公式为：
53、softmax{(mc,bc)|x}
54、其中，softmax代表归一化指数函数，mc为预设的权重矩阵，bc为预设的偏置向量，x为所述第二训练分类特征向量。
55、第五方面，本技术实施例提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的液冷式风力发电机组的温度控制方法，或者，执行如第二方面所述的温度控制预测模型的训练方法。
56、第六方面，本技术实施例提供一种计算机可读存储介质，用于存储有指令，当所述指令被执行时，使如第一方面所述的方法被实现，或者，使如第二方面所述的方法被实现。
57、第七方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面所述的液冷式风力发电机组的温度控制方法的步骤，或者，实现如第二方面所述的温度控制预测模型的训练方法的步骤。
58、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。