一种复合筒型基础海上施工云监测系统的制作方法

本发明属于涉及海上塔筒施工，具体是一种复合筒型基础海上施工云监测系统。

背景技术：

1、风力发电作为清洁能源的重要形式之一，具有广阔的发展前景。在海上风力发电项目中，塔筒是支撑风机和叶片的关键结构之一。塔筒一般是安装在复合筒型基础上，复合筒型基础被安置在海底起固定作用；因此，塔筒安装过程是在复合筒型基础上进行的；而塔筒在复合筒型基础上安装时的倾角对风机性能和叶片寿命有着重要影响。

2、目前对塔筒安装倾角的设置往往是依靠工程师的经验进行的，而缺乏量化的分析；

3、为此，本发明提出一种复合筒型基础海上施工云监测系统。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种复合筒型基础海上施工云监测系统，在对塔筒进行安装前，规划塔筒安装的倾角，提高了对应的风机在叶片的生命周期中的总流量大小。

2、为实现上述目的，根据本发明的第一方面的实施例提出一种复合筒型基础海上施工云监测系统，包括施工信息收集模块、历史数据收集模块、预测模型训练模块以及施工倾角计算模块；其中，各个模块之间通过电气方式连接；

3、其中，所述施工信息收集模块主要用于预先收集对待安装塔筒进行安装的施工信息；

4、具体的，施工信息包括设备数据和风力数据；

5、其中，所示设备数据包括塔筒长度、塔筒重量、风机重量以及叶片面积；

6、其中，所述风力数据包括在待安装塔筒的海底基础所在位置的不同高度的风速序列以及风向序列；

7、其中，不同高度通过预设采集基础高度以及采集高度步长获得；即从采集基础高度开始采集风速序列和风向序列，再依次将高度升高采集高度步长，重新采集风速序列和风向序列；

8、所述风速序列为采集的实时风速按时间顺序进行排列的序列，所述风向序列为采集的风的角度按时间顺序进行排列的序列；所述风的角度为风向与水平面的倾角；

9、所述施工信息收集模块将采集的施工信息发送至施工倾角计算模块；

10、其中，所述历史数据收集模块主要用于收集风速比例训练数据、寿命预估训练数据以及支撑力训练数据；

11、所述风速比例训练数据、寿命预估训练数据以及支撑力训练数据从在同一片海域中其他已安装风机实时获得；将同一片海域中其他已安装风机表示为训练风机；

12、其中，所述风速比例训练数据包括所有训练风机的风速比例训练序列；

13、所述风速比例训练数据包括每个训练风机在不同高度的平均风速序列；

14、其中，所述寿命预估训练数据包括所有训练风机叶片的寿命特征以及叶片寿命；

15、所述寿命特征为叶片平均压力；所述平均压力的计算方式为：

16、将每单位时间的编号标记为t，将风速采集的总时长标记为t；将风机所在高度第t单位时间的风速标记为vt，将风机叶片与风向的角度标记为θ，将叶片的面积标记为s，将空气密度标记为ρ；则叶片的平均压力p的计算公式为：  ；所述叶片寿命为叶片从安装使用到无法正常运行的时长；

17、其中，所述支撑力训练数据包括所有训练风机叶片的支撑特征集合以及支撑标签；

18、其中，所述支撑特征集合包括叶片平均压力、塔筒重量、风机重量以及塔筒倾角；

19、所述支撑标签为0或1中的一个；其中支撑标签为0表示塔筒未出现倾斜状态；支撑标签为1表示塔筒出现倾斜状态；所述倾斜状态为训练风机在运行之后，训练风机的塔筒的倾角与安装时的倾角之间的差值大于预设的倾斜角度阈值；

20、所述历史数据收集模块将风速比例训练数据、寿命预估训练数据以及支撑力训练数据发送至预测模型训练模块；

21、其中，所述预测模型训练模块主要用于基于风速比例训练数据训练出评估风速比例的第一神经网络模型，基于寿命预估训练数据训练出预测叶片寿命的第一机器学习模型以及基于支撑力训练数据训练出预测支撑标签的第二机器学习模型；

22、基于风速比例训练数据训练出评估风速比例的第一神经网络模型的方式为：

23、根据实际经验预设第一预测时间步长、第一滑动步长以及第一滑动窗口长度，将每个训练风机的风速比例训练序列使用滑动窗口方法将其转化为若干个第一训练样本，将每组第一训练样本作为第一神经网络模型的输入，第一神经网络模型以未来的第一预测时间步长的风速比例训练序列作为输出，每个第一训练样本后续第一预测时间步长内，在第一训练样本的后续第一预测时间步长内的风速比例训练序列作为预测目标，对第一神经网络模型进行训练；生成预测风速比例的第一神经网络模型；所述第一神经网络模型为rnn神经网络模型；

24、基于寿命预估训练数据训练出预测叶片寿命的第一机器学习模型的方式为：

25、将每个训练风机叶片的寿命特征作为第一机器学习模型的输入，所述第一机器学习模型以对每个寿命特征的预测的叶片寿命为输出，以寿命预估训练数据集合中，该寿命特征对应的叶片寿命为预测目标，以最小化所有寿命特征的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出评估叶片寿命的第一机器学习模型；所述第一机器学习模型为多项式回归模型或svm模型中的任意一个；

26、基于支撑力训练数据训练出预测支撑标签的第二机器学习模型的方式为：

27、将每个训练风机叶片的支撑特征集合作为第二机器学习模型的输入，所述第二机器学习模型以对每个支撑特征集合的预测的支撑标签为输出，以支撑力训练数据集合中，该支撑特征集合对应的支撑标签为预测目标，以最小化所有支撑特征集合的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出预测支撑标签的第二机器学习模型；所述第二机器学习模型为多项式回归模型或svm模型中的任意一个；

28、所述预测模型训练模块将第一神经网络模型、第一机器学习模型以及第二机器学习模型发送至施工倾角计算模块；

29、其中，所述施工倾角计算模块主要用于基于施工信息和第一神经网络模型、第一机器学习模型以及第二机器学习模型选择塔筒安装的倾角；

30、选择塔筒安装的倾角包括以下步骤：

31、步骤一：将塔筒长度标记为l，将采集基础高度标记为b，将采集高度步长标记为c；

32、计算施工信息中的每个高度的风速序列的风速平均值，将所有风速平均值按高度从低到高进行排序，获得施工平均风速序列；

33、步骤二：将施工平均风速序列的最后的第一滑动窗口长度的序列作为第一神经网络模型的输入，获得对后续第一预测时间步长的平均风速的预测；将预测的后续第一预测时间步长的平均风速添加至施工平均风速序列，并重复执行步骤二，直至施工平均风速序列中元素个数达到；

34、步骤三：随机选择待安装塔筒的倾角；将待安装塔筒的倾角标记为x，则塔筒安装后的高度l1为l*cosx，从施工平均风速序列中读取第个平均风速，并将该平均风速除以施工平均风速序列中第一个平均风速，作为施工风速比例；

35、步骤四：将采集基础高度对应的风速序列中每个元素乘以施工风速比例，获得安装塔筒后，叶片承受的风速序列，将该风速序列表示为施工风速序列；

36、步骤五：基于塔筒的倾角x和施工信息中的风向序列，基于几何学常识计算风向序列中每个风向对应的流量角度，获得流量角度序列；所述流量角度为风向与叶片的角度；

37、步骤六：计算施工风速序列的平均风速，作为施工平均风速，基于施工信息中的叶片面积和施工平均风速，计算除待安装塔筒对应的叶片的平均压力，将该平均压力标记为施工平均压力；

38、步骤七：将待安装塔筒的平均压力、塔筒重量、风机重量以及塔筒倾角x输入第二机器学习模型中，获得预测的支撑标签；若支撑标签为1，则重新执行步骤三至步骤七；若支撑标签为0，则执行步骤八；

39、步骤八：将施工平均压力输入第一机器学习模型中，获得预测的叶片寿命，将预测的寿命标记为m；

40、步骤九：计算待安装塔筒对应的叶片所能获得的单位时间流量f；所述单位时间流量的计算方式为：

41、将待安装塔筒对应的叶片的面积标记n；

42、将施工风速序列中每个元素的编号标记为i，将施工风速序列长度标记为i；将第i个元素对应的施工风速标记为vi，将流量角度序列中第i个流量角度标记为ri；

43、单位时间流量；步骤十：计算倾角x的综合权重wx，其中wx=f*m；循环执行步骤三至步骤十，直至循环次数达到预设的循环次数阈值；

44、步骤十一：从所有循环的倾角x中选择综合权重wx最大的倾角作为待安装塔筒的安装倾角。

45、与现有技术相比，本发明的有益效果是：

46、本发明通过预先收集对待安装塔筒进行安装的施工信息，再收集同一片海域中其他已安装风机的风速比例训练数据、寿命预估训练数据以及支撑力训练数据，基于风速比例训练数据训练出评估风速比例的第一神经网络模型，基于寿命预估训练数据训练出预测叶片寿命的第一机器学习模型以及基于支撑力训练数据训练出预测支撑标签的第二机器学习模型，基于施工信息和第一神经网络模型、第一机器学习模型以及第二机器学习模型选择合适的塔筒安装的倾角；通过在对塔筒进行安装前，计算出较优的塔筒倾角，以提高对应的风机在叶片的生命周期中的总流量大小。