[发明专利]基于深度学习网络的数据驱动风电系统孪生方法及系统

权利要求书

1.一种基于深度学习网络的数据驱动风电系统孪生方法，其特征在于，所述方法包括：

获取风电系统中物理实体的多视角图像；

根据物理实体的多视角图像，采用基于单目视觉的三维重建方法，生成物理实体静态模型；

构建双重深度学习网络模型；所述双重深度学习网络模型包括第一重深度学习网络和第二重深度学习网络；所述第一重深度学习网络用于根据风电系统运行数据确定物理实体的物理属性、运动规律和运行特征；所述第二重深度学习网络用于根据第一重深度学习网络确定的物理实体的物理属性、运动规律和运行特征获得物理实体的运行行为模型；

利用OPC UA技术，实时获取风电系统中物理实体的运行数据；

将实时获取的物理实体的运行数据输入所述双重深度学习网络模型，输出风电系统中物理实体的动态运行模拟过程，实现数据驱动；

利用灰色关联分析法选取影响风电系统中物理实体发电功率的指标；

根据选取的指标，基于粒子群算法构建用于预测风电系统发电功率的长短时记忆神经网络规则模型；

利用OPC UA技术，获取所述指标的运行数据；

将所述指标的运行数据输入所述长短时记忆神经网络规则模型，输出风电系统中物理实体的预测发电功率；

利用数字孪生平台将风电系统中物理实体的动态运行模拟过程、预测发电功率与所述物理实体静态模型结合，实现孪生风电系统中物理实体的三维可视化。

2.根据权利要求1所述的基于深度学习网络的数据驱动风电系统孪生方法，其特征在于，所述根据物理实体的多视角图像，采用基于单目视觉的三维重建方法，生成物理实体静态模型，具体包括：

采用SIFT特征提取算法从多视角图像中分别提取特征点；

利用快速近似最近邻算法对提取的多视角图像的特征点进行匹配；

计算匹配成功的特征点间的变换矩阵；

根据所述变换矩阵，计算图像间的旋转和平移信息；

根据图像间的旋转和平移信息，将世界坐标系下多视角图像的像素点坐标转化为相机坐标系下多视角图像的像素点坐标，实现相机标定；

将相机标定后的多视角图像的像素点投影到同一三维坐标系中，构建风电系统中物理实体的稀疏点云；

使用多视角聚簇和基于面片模型的密集匹配算法将风电系统中物理实体的稀疏点云稠密化，获得稠密点云；

采用泊松表面重建算法对稠密点云进行表面重建；

将表面重建后的稠密点云进行纹理映射，生成物理实体静态模型。

3.根据权利要求1所述的基于深度学习网络的数据驱动风电系统孪生方法，其特征在于，所述构建双重深度学习网络模型，具体包括：

建立由第一重深度学习网络和第二重深度学习网络组成的双重深度学习网络模型；

分别确定第一重深度学习网络和第二重深度学习网络的输入与输出的表达关系；所述第一重深度学习网络以风电系统运行数据为输入，以物理实体的物理属性、运动规律和运行特征为输出；所述第二重深度学习网络以第一重深度学习网络输出的物理实体的物理属性、运动规律和运行特征为输入，以物理实体的运行行为模型为输出；

采用均方误差损失函数，并利用随机梯度下降法分别配置第一重深度学习网络和第二重深度学习网络的参数。

4.根据权利要求1所述的基于深度学习网络的数据驱动风电系统孪生方法，其特征在于，所述利用OPC UA技术，实时获取风电系统中物理实体的运行数据，具体包括：

构建描述整个风电系统生产要素的属性与关系的OPC UA信息模型；

通过OPC UA服务器，接收风电系统的异构数据；

基于OPC UA信息模型，通过OPC UA服务器对所述异构数据进行融合与处理；

利用订阅机制，通过OPC UA客户端订阅OPC UA服务器处理后的所需类型风电系统运行数据。