[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

说明书

本发明涉及一种基于深度学习网络的数据驱动风电系统孪生方法及系统，属于数字孪生技术领域，首先基于单目视觉的三维重建方法生成物理实体静态模型，然后构建双重深度学习网络模型，利用双重深度学习网络模型获得风电系统中物理实体的动态运行模拟过程，并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，利用长短时记忆神经网络规则模型预测发电功率，最后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，实现了对风电系统设备的远程监控与管理，提高其运维水平，并实现短期风电功率预测。

技术领域

本发明涉及数字孪生技术领域，特别是涉及一种基于深度学习网络的数据驱动风电系统孪生方法及系统。

背景技术

风力发电是现在世界上较为推崇的一种清洁能源发电方式，也在我国电力生产市场中占据重要地位。所以风电系统的运行、维护、状态监测管理及发电量预测等也成为急需要处理的关键问题。风电系统的运维和状态检测目的在于保障风电系统设备安全可靠运行，从而保证风电系统在全周期的生产过程中拥有较高的投资收益。

传统的风电系统运维及状态检测主要包括计划性和非计划性两方面。计划性依靠现场运维人员定期按照运维计划对风电机组进行维护及消除缺陷，该方法面临间断性和滞后性的问题，难以及时发现风电系统存在的故障情况。非计划性依靠风电机组监控系统的故障警告提示，在机组发出故障报告后由运维人员进行故障处理和维修，该运维方式受备件、现场环境及故障发生时间等因素的影响，易出现故障处理响应慢、风电机组停机时间长等问题。因此，如何实时检测风力发电机组运行状态、短期风力发电水平，以低成本高可靠性实现风电机组运维质量的不断提升、提高机组运行的稳定性，将会成为风电企业一个亟待解决的问题。

发明内容

本发明的目的是提供一种基于深度学习网络的数据驱动风电系统孪生方法及系统，以实现对风电系统设备的远程监控与管理，提高其运维水平，并实现短期风电功率预测。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习网络的数据驱动风电系统孪生方法，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。

可选的，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；