基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法

本发明属于浮式风电，涉及一种基于深度学习循环神经网络和传感器监测系统的漂浮式风机运动响应以及系泊系统运动响应的短期预测、调节方法与安全防护装置。

背景技术：

1、近年来我国海上风电行业发展迅速，海上漂浮式风机的应用逐渐向深远海迈进。虽然海上风电发展前景广阔，但相比陆上风电，海上风电所面临的环境也更加恶劣，由于气候、地形等多方面的原因，我国东南沿海地区常常面临着台风的侵扰。极端天气来临时，漂浮式风机的运动响应与系泊张力变化非常剧烈，倘若能够在极端海况下对漂浮式风机运动响应进行提前准确预测，并通过对系泊系统进行安全防护调整，能有效防止风机运动响应过大超过安全范围所导致的系泊系统损伤与断裂灾难的发生。深度学习技术的发展为这一技术的实现提供了可能，通过运用循环神经网络技术，能有效对海上浮式风机运动响应进行短期预测与安全防护调整。

技术实现思路

1、为了解决海上风机运动响应、系泊张力预测与可调的问题，根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，利用预测系统进行预测，预测系统包括软件部分和硬件部分，软件部分包括数据库模块、模型训练模块、预测模块以及控制模块，硬件部分包括定位模块、姿态模块、张力模块、信号采集模块、传输模块以及调节模块；

2、s10.所述数据库模块通过浮式风机仿真软件sima，根据风机所在位置的海况环境计算得到各海况环境下风机的运动响应、系泊张力数据以及波高时程，形成目标浮式风机运动响应数据库，其中，运动响应包括位置和风机三个方向横摇、纵摇、艏摇变化角度；

3、s20.所述模型训练模块对风机运动响应与张力预测模型进行训练，所使用的训练数据来自于所述数据库模块，完成所述预测模型训练后，由所述模型训练模块保存各类海况条件下所得到的不同的风机运动响应与张力预测模型；

4、s30.所述预测模块根据目标风机所处的环境海况条件选用所述模型训练模块中与所述环境海况条件相匹配的预测模型，定位模块和姿态模块现场采集的实时运动响应及张力模块现场采集的实时系泊张力，以及现场采集波高时程，由所述信号采集模块对运动响应、系泊张力和波高时程进行采集，通过所述传输模块输入所述相匹配的预测模块，由所述预测模块预测当前时刻的后一段时间的风机平台运动响应与系泊张力；

5、s40.所述控制模块根据所述预测模块预测的当前时刻的后一段时间的风机平台运动响应与系泊张力，判断风机平台运动响应在所述后一段时间是否在可接受范围内，且系泊张力在所述后一段时间是否超过安全临界值或者低于设定值，当判断上述两个条件中至少一个不满足，所述控制模块向所述系泊调节模块发送调节命令；

6、s50.所述系泊调节模块接收所述控制模块发出的调节指令，根据所述预测模块预测的所述后一段时间的风机平台运动响应与系泊张力的预测值调整系泊系统的锚链长度；

7、s60.在系泊系统锚链长度调整后，张力模块现场对系泊系统的系泊张力进行采集，且定位模块和姿态模块对调整锚链长度后的风机的运动响应进行采集，现场采集波高时程，将锚链长度调整后的风机的运动响应、系泊张力及波高时程输入所述预测模块，由所述预测模块预测当前时刻的后一段时间的风机平台运动响应与系泊张力；

8、s70.迭代执行步骤s40～s60，直至所述控制模块根据所述预测模块预测的当前时刻的后一段时间的风机平台运动响应与系泊张力，被判断为风机平台运动响应在所述后一段时间在可接受范围内，且系泊张力在所述后一段时间不超过安全临界值。

9、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，步骤s40中当判断上述两个条件中至少一个不满足，包括：

10、风机平台运动响应在所述后一段时间不在可接受范围内，且系泊张力在所述后一段时间超过安全临界值；

11、风机平台运动响应在所述后一段时间在可接受范围内，且系泊张力在所述后一段时间低于设定值；

12、步骤s50中所述系泊调节模块根据所述预测模块预测的所述后一段时间的风机平台运动响应与系泊张力的预测值调整系泊系统的锚链长度，具体包括：

13、风机平台运动响应在所述后一段时间不在可接受范围内，且系泊张力在所述后一段时间超过安全临界值，系泊调节模块放松锚链；

14、风机平台运动响应在所述后一段时间在可接受范围内，且系泊张力在所述后一段时间低于设定值，系泊调节模块收紧锚链。

15、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述定位模块包括风机中安装的动力定位系统，动力定位系统包括惯性导航系统和卫星定位系统，用于确定风机的实时位置；

16、所述姿态模块包括传感器，用于测量风机三个方向横摇、纵摇、艏摇实时变化角度。

17、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述姿态模块包括陀螺仪。

18、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述张力模块包括系泊系统上安装的拉力传感器，用于对风机系泊系统的拉力进行实时采集及监控。

19、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述信号采集模块用于采集所述定位模块输出的风机的实时位置的信号，用于采集所述姿态模块输出的风机三个方向横摇、纵摇、艏摇实时变化角度的信号，用于采集所述张力模块输出的对风机系泊系统的拉力的信号。

20、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述传输模块将所述信号采集模块采集到的各信号传输给所述预测模块。

21、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述系泊调节模块包括锚机、牵引索及负载重物。

22、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，所述牵引索的第一端部设置所述负载重物，所述牵引索的第二端部通过所述锚机与系泊系统的锚链连接，所述锚机通过牵引索上拉或下放所述负载重物，使所述与牵引所连接的所述锚链随所述负载重物上拉或下放而放松或拉紧而对所述锚链的长度调整，以调整系泊张力。

23、根据本技术实施例中记载的基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法，多输入长短期记忆神经网络搭建得到所述训练模型，采用多输入长短期记忆神经网络搭建得到所述训练模型，所采用的多输入长短期记忆神经网络将波高时程加入预测模型的训练过程，与所输入的运动响应、锚链张力组成三维数据参与训练，其中，多输入长短期记忆神经网络超参数如下：优化器为adam方法，神经元个数为128个，batchsize为256，多输入长短期记忆神经网络使用3层网络结构，以考虑运动响应与锚链张力的非线性特征，并且在考虑二阶水动力影响下具有准确度，多输入长短期记忆神经网络由门控方程来控制信息的传递，门控方程的基本形式如下所示：

24、g(x)＝σ(w•x+b)

25、其中，w是权重矩阵，b是偏置项，σ为激活函数sigmoid，门的输出矢量由元素相乘得到，通过控制矢量来达到门控的效果，门控输出矢量是一个介于0和1之间的实数矢量，当门控输出g(x)为0时，任何输入信息与g(x)相乘都将得到0，表明没有信息可以通过，当门控输出g(x)为1时，相乘不会产生任何变化，表明所有信息都可以通过；

26、多输入长短期记忆神经网络由门控方程主要有遗忘门、输入门、遗传门、输出门，遗忘门根据ct-1决定t-1时刻的内部遗传信息保留程度，并传递到t时刻的单元内部遗传c；输入门根据ht-1决定当前单元状态，并进行保存传递；遗传门将ht-1中一部分信息保留遗传到ct；输出门根据ht-1选择保留与传递输出到ht；

27、其中各个门控方程如下：

28、ft＝σ(wf·[ht-1，xt]+bf)

29、it＝σ(wi·[ht-1，xt]+bi)

30、ct＝ft·ct-1+ic·tanh(wc·[ht-1，xt]+bc)

31、ot＝σ(wo·[ht-1，xt]+bo)

32、ht＝ot·tanh(ct)

33、深度学习模型对风机运动响应与锚链张力预测过程中采用序列对点的方法，采用滑动窗口的方法建立模型输入与输出之间序列对点的关系，将t-20至t时刻的三维时间序列数据作为一个输入窗口x，将t+20时刻的运动响应与锚链力作为输出点y，并通过时间步迭代将该x-y窗口实现向后滑动推移。

34、本发明的有益效果如下：

35、(1)该装置组成部件，包括应力应变片、传感器、锚机等均为成熟的工业产品，容易实施。

36、(2)针对处理浮式风机运动响应与锚链张力的时间序列问题具有较好的效果。

37、(3)提高了风机在危险情况下的应对能力，有效防止锚链过载情况的发生，增强了系泊系统的安全性。

38、(4)根据本技术实施例记载的实验数据，本发明的方法对于运动响应、系泊张力的预测具有非常高的准确性，由此能够实现对于系泊系统根据复杂环境进行适应性地、实时地、安全地、可靠地调节。特别是，实时调节通过迭代采集与预测，系泊系统设置安全临界值和设定值，安全临界值设定使得风机在复杂环境中始终处于系泊系统的安全紧固范围，不因环境的剧烈变化导致运动响应不可控，而设定值设定使得系泊系统能实时根据环境在向友好趋势变化时而及时放松，系泊系统不始终处于绷紧状态，提高系泊系统响应敏感性以及在更佳的使用状态下延长使用时间。