一种风电机组激光雷达的控制方法、装置及介质与流程

1.本技术涉及风电技术领域，特别是涉及一种风电机组激光雷达的控制方法、装置及介质。


背景技术：

2.激光雷达是利用激光来进行探测的遥感设备，而激光雷达前馈控制技术是利用控制式激光雷达对风机控制策略进行优化，以降低载荷，提高风机的适用性和电量，并延长风机的使用寿命。因此，激光雷达前馈控制技术对于风电发展至关重要。
3.目前，在激光雷达前馈控制中，由于激光雷达装置安装在机舱末端，测得的风速受叶片旋转的影响，因此，无法代表轮毂附近的真实风速。也就是说，由于叶片旋转等因素的影响导致预估风速不准确，进而降低风机的控制效果。
4.此外，在激光雷达前馈控制中，由于可变增益pi算法采用速度反馈的方式，因此变桨不能提前动作，需要风吹到时才能变桨，这会导致发电机转速的变化滞后于风速的变化，进而导致发电机转速波动较大，出现风轮转速超速的问题，当发电机转速达到极限，风力涡轮机将因超速而停机，造成发电量的损失。
5.由此可见，如何解决叶片旋转等因素导致的预估风速不准确，提高估算来风到达轮毂的风速，提升风机控制效果，同时，解决风轮转速超速的问题，是本领域技术人员亟待解决的问题。


技术实现要素：

6.本技术的目的是提供一种风电机组激光雷达的控制方法、装置及介质，解决叶片旋转等因素导致的预估风速不准确，提高估算来风到达轮毂的风速，提升风机控制效果，同时，解决风轮转速超速的问题。
7.为解决上述技术问题，本技术提供一种风电机组激光雷达的控制方法，包括：
8.获取初始预估风速；
9.通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；
10.对各所述最优估计值进行计算得到预期桨距角增量；
11.通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；
12.将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。
13.优选地，所述通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值包括：
14.根据预先建立的参考坐标系构建激光雷达测风模型；
15.将所述激光雷达测风模型转化为离散化状态空间方程；
16.依据所述离散化状态空间方程和所述初始预估风速对下一状态的风速进行预测得到所述最优估计值。
17.优选地，在得到所述最优估计值之后还包括：
18.基于正定矩阵对所述最优估计值进行优化。
19.优选地，所述通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量包括：
20.通过预设重构法构造神经网络训练样本；
21.对所述bp神经网络中的隐含层和输出层进行计算；
22.按照误差梯度下降的方式对所述bp神经网络的权值进行调节，并更新所述隐含层和所述输出层的阈值；
23.在构造雅可比矩阵后，根据所述雅可比矩阵计算得到所述目标桨距角增量。
24.优选地，在所述对所述bp神经网络中的隐含层和输出层进行计算之前还包括：
25.分别对所述bp神经网络的输入层、所述隐含层和所述输出层进行初始化。
26.优选地，所述预设重构法为相空间重构法。
27.优选地，所述激光雷达为连续波激光雷达。
28.为了解决上述技术问题，本技术还提供了一种风电机组激光雷达的控制装置，包括：
29.获取模块，用于获取初始预估风速；
30.滤波模块，用于通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；
31.计算模块，用于对各所述最优估计值进行计算得到预期桨距角增量；
32.修正模块，用于通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；
33.叠加模块，用于将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。
34.为了解决上述技术问题，本技术还提供了一种风电机组激光雷达的控制装置，包括存储器，用于存储计算机程序；
35.处理器，用于执行所述计算机程序时实现所述的风电机组激光雷达的控制方法的步骤。
36.为了解决上述技术问题，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时所述的风电机组激光雷达的控制方法的步骤。
37.本发明所提供的一种风电机组激光雷达的控制方法，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此可见，本技术所提供的技术方案，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响，仍能准确预测风速，提升风机控制效果。此外，通过bp神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，即，实现对变桨的控制，避免风轮转速超速，降低发电量的损失。
38.此外，本技术还提供一种风电机组激光雷达的控制装置和介质，与上述的风电机组激光雷达的控制方法相对应，效果同上。
附图说明
39.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本技术实施例所提供的一种风电机组激光雷达的控制方法的流程图；
41.图2为本技术实施例所提供的另一种风电机组激光雷达的控制方法的示意图；
42.图3为本技术实施例所提供的一种参考坐标系的示意图；
43.图4为本技术另一实施例所提供的一种风电机组激光雷达的控制方法的流程图；
44.图5为本技术另一实施例所提供的一种风电机组激光雷达的控制方法的流程图；
45.图6为本技术实施例所提供的一种bp神经网络的示意图；
46.图7为本技术实施例所提供的一种风电机组激光雷达的控制装置的结构图；
47.图8为本技术另一实施例提供的一种风电机组激光雷达的控制装置的结构图。
具体实施方式
48.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
49.本技术的核心是提供一种风电机组激光雷达的控制方法、装置及介质，保证激光雷达不受叶片遮挡，提升风速预测准确性，并解决风轮转速超速的问题，降低发电量的损失。
50.为了使本领域的技术人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
51.激光雷达是利用激光来进行探测的遥感设备，而激光雷达前馈控制技术是利用控制式激光雷达对风机控制策略进行优化，以降低载荷，提高风机的适用性和电量，并延长风机的使用寿命。因此，激光雷达前馈控制技术对于风电发展至关重要。
52.目前，在激光雷达前馈控制中，由于激光雷达装置安装在机舱末端，测得的风速受叶片旋转的影响，因此，无法代表轮毂附近的真实风速。也就是说，由于叶片旋转等因素的影响导致预估风速不准确，进而降低风机的控制效果。
53.此外，在激光雷达前馈控制中，由于可变增益pi算法采用速度反馈的方式，因此变桨不能提前动作，需要风吹到时才能变桨，这会导致发电机转速的变化滞后于风速的变化，进而导致发电机转速波动较大，出现风轮转速超速的问题，当发电机转速达到极限，风力涡轮机将因超速而停机，造成发电量的损失。
54.为了解决上述技术问题，解决叶片旋转等因素导致的预估风速不准确，提高估算来风到达轮毂的风速，提升风机控制效果，同时，解决风轮转速超速的问题，本技术实施例提供了一种风电机组激光雷达的控制方法，采用卡尔曼滤波对激光雷达的风速不断进行预测和优化，实现激光雷达不受叶片遮挡，提升风速预测准确性。同时，通过bp神经网络对预期桨距角增量进行修正，对桨距角进行实时调节，即，实现桨距角的自动控制，避免风轮转速超速，降低发电量的损失。
55.图1为本技术实施例所提供的一种风电机组激光雷达的控制方法的流程图，如图1所示，该方法包括：
56.s10：获取初始预估风速；
57.s11：通过卡尔曼滤波对初始预估风速进行滤波以修正初始预估风速得到最优估计值；
58.在具体实施例中，实际测得的轮毂附近的风速往往会收到叶片遮挡、叶片旋转和云雾等因素的影响，无法验证测得的风速是否准确，且往往预估风速不准确，因此，本技术实施例通过卡尔曼滤波对初始预估风速进行滤波，实现对初始预估风速的修正。
59.图2为本技术实施例所提供的另一种风电机组激光雷达的控制方法的示意图，如图2所示，在获取到初始预估风速lidar后，通过卡尔曼滤波对初始预估风速lidar进行预测和校正，校正后得到最优估计值。需要说明的是，卡尔曼滤波可以说是对初始预估风速lidar进行校正，也可以说是优化，还是说是滤波，当然也可以说是修正，均表征同一个含义，即，对初始预估风速lidar不断进行迭代更新，提升预估风速准确性。
60.实施中，通过卡尔曼滤波对初始预估风速lidar进行校正时，先根据预先建立的参考坐标系构建激光雷达测风模型。需要说明的是，激光雷达可以是脉冲激光雷达，也可以是连续波激光雷达，本技术不作具体限定。由于连续波激光雷达可以在各种天气条件下有效地收集风数据，因此优选连续波激光雷达。
61.图3为本技术实施例所提供的一种参考坐标系的示意图，如图3所示，本技术实施例采用四束连续波激光雷达，其采样频率为4hz，激光束与水平面成30度角，与垂直面成25度角。预先建立的参考坐标系以塔基中心为基准，下风向为塔基正方向x轴，重力的方向是相反的方向z轴。
62.构建激光雷达测风模型后，将激光雷达测风模型转化为离散化状态空间方程，并依据离散化状态空间方程和初始预估风速对下一状态的风速进行预测得到最优估计值。进一步的，为了避免潜在的不稳定性，基于正定矩阵对最优估计值进行优化，由此进一步对预估风速进行了优化。
63.s12：对各最优估计值进行计算得到预期桨距角增量；
64.s13：通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量；
65.s14：将目标桨距角增量叠加至给定桨距角增量以输出实际转速。
66.实施中，将最优估计值作为输入，通过拟合算法对各最优估计值进行计算即可得到预期桨距角增量。然后通过bp神经网络对预期桨距角增量进行修正，以解决风轮转速超速的问题。
67.修正时，先通过预设重构法构造神经网络训练样本，为了提升修正准确性和效率，构造神经网络训练样本后，分别对bp神经网络的输入层、隐含层和输出层进行初始化，然后对bp神经网络中的隐含层和输出层进行计算。
68.进一步的，对bp神经网络的权值采用误差梯度下降的方式进行调节，并更新隐含层和输出层的阈值，最后，在构造雅可比矩阵后，根据雅可比矩阵计算得到目标桨距角增量。
69.如图2所示，桨距角增量经过bp神经网络修正后得到目标桨距角增量，即，得到前馈桨距角增量，由变桨执行器将目标桨距角增加至给定桨距角增量以输出实际转速，至此，
通过对前馈桨距角增量的不断修正中，实现对风轮转速的控制。
70.本技术实施例所提供的风电机组激光雷达的控制方法，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此可见，本技术所提供的技术方案，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响，仍能准确预测风速，提升风机控制效果。此外，通过bp神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，即，实现对变桨的控制，避免风轮转速超速，降低发电量的损失。
71.作为优选的实施例，图4为本技术另一实施例所提供的一种风电机组激光雷达的控制方法的流程图，如图4所示，通过卡尔曼滤波对初始预估风速进行滤波以修正初始预估风速得到最优估计值包括：
72.s20：根据预先建立的参考坐标系构建激光雷达测风模型；
73.实施中，激光雷达主要包括脉冲激光雷达和连续波激光雷达两种类型，它们都使用多普勒频移原理来测量风速。脉冲激光雷达由于激光能量高，适用于高空测量，而连续波激光雷达用于低空测量，可以在各种天气条件下有效地收集风数据。本技术实施例采用四束连续激光雷达，其采样频率为4hz，激光束与水平面成30度角，与垂直面成25度角。
74.如图3所示，预先建立的参考坐标系以塔基中心为基准，下风向为塔基正方向x轴，重力的方向是相反的方向z轴。则构建的激光雷达测风模型数学表达式为：
[0075][0076][0077]
其中，f为激光雷达焦距，d为激光雷达光束测量距离，v
los
(d)表示沿着激光束距离d处的视线风速，k为归一常数，用于使整个加权函数积分为1，n为激光雷达光束的数量，通常为4。
[0078]
激光雷达采集图3中同一平面四个点的风速信息，测得的距离门(激光雷达测风时，发射四束光出去，四条线构成的平面，称之为“门”)处的等效风速计算式如下：
[0079][0080]
根据泰勒冻结湍流模型，风速提前时间可近似为：t≈d/v，其中，t为门到风轮面的时间，d为门到风轮面的距离，v为平均风速。
[0081]
s21：将激光雷达测风模型转化为离散化状态空间方程；
[0082]
构建激光雷达测风模型后，将激光雷达测风模型转化为离散化状态空间方程，具体表达式为：
[0083]
xk=f(xk)+v
k-1
[0084]
yk＝g(xk)+wk[0085]
其中，xk为状态方程，表示激光雷达测风模型通过测量风速预估的轮毂处风速。f(xk)为状态转移矩阵，v
k-1
为过程噪声。
[0086]
yk为测量方程，用于描述系统状态，其中包括风轮转速，发电机转速，以及激光雷达测得的距离门风速为卡尔曼滤波观测器的状态变量。g(xk)为测量矩阵，wk为测量噪声。
[0087]
s22：依据离散化状态空间方程和初始预估风速对下一状态的风速进行预测得到最优估计值。
[0088]
实施中，利用系统的过程模型预测下一状态的系统，假设现在系统状态是k，则根据系统模型，可基于系统的上一状态预测系统当前的状态，且系统的当前状态为：
[0089]
x
k-≈f(x
k-1
)
[0090]
p
k-＝jn(x
k-1
)p
k-1
jf(x
k-1
)+q
k-1
其中，x
k-为先验状态估计，是利用上一状态预测的结果，f(x
k-1
)为上一状态最优的结果，p
k-为先验估计误差协方差，jn(x
k-1
)为f(x
k-1
)的雅可比矩阵，q为过程噪声协方差矩阵，且过程噪声协方差矩阵为：
[0091]
q＝e[v
k-1vk-1t
]
[0092]
激光雷达风速校正公式如下：
[0093]
x
k-1
≈x
k-+kk(y
k-g(xk))
[0094]kk
＝p
k-j
qt
(xk)(jq(xk)p
k-j
qt
(xk))-1
+rk[0095]
pk＝p
k-‑kkjq
(xk)p
k-[0096]
jg(xk)为g(x)的雅可比矩阵，kk为卡尔曼增益，rk为测量噪声协方差矩阵，其中rk满足以下表达式：
[0097]rkt
＝e[wkw
kt
]
[0098]
根据当前状态的预测结果，再收集当前状态的测量值，结合预测值和测量值，即可得到当前状态t的最优估计值pk。
[0099]
在步骤s22中，若q为常数，而rk为实时更新的，则最优估计值pk计算式中两个正定矩阵之间的差异可能产生一个非正定矩阵，进而导致数值不稳定，为避免潜在的不稳定性，对最优估计值pk进一步进行修正：
[0100]
pk＝p
k-(i-k
kjq
(xk))p
k-(i-k
kjq
(xk))
t
+k
krkkkt
[0101]
由此，方程中的两项总为正定，因此，当两个正定矩阵的和得到一个正定矩阵时，pk也保证为正定的。
[0102]
本技术实施例所提供的风电机组激光雷达的控制方法，通过卡尔曼滤波不断迭代更新协方差以及最优估计值，以便对激光雷达的风速进行预测和优化，保证激光雷达即使在有叶片遮挡、光束偶尔异常和云雾等影响因素下仍能准确预测来风。
[0103]
图5为本技术另一实施例所提供的一种风电机组激光雷达的控制方法的流程图，如图5所示，作为优选的实施例，通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量包括：
[0104]
s30：通过预设重构法构造神经网络训练样本；
[0105]
图6为本技术实施例所提供的一种bp神经网络的示意图，如图6所示，根据bp神经网络，定义目标函数：
[0106][0107]
其中，n为样本总数，m为输出层的层数，o为输出值，y为期望值。
[0108]
神经网络训练样本可以采用导数重构法或相空间重构法进行构造，为了挖掘整个
时间序列的动力学特性以及避免搜集先验信息，本技术优选相空间重构法进行构造。
[0109]
激光雷达的前馈输出时间序列为{x(i)},i∈[1,n0]，嵌入维数为m0，延迟时间为τ，n0为时间序列的采集点数，p为预测步长，则构造的神经网络训练样本为:
[0110]
[xi,yi]＝[(x(i)，x(i+τ)，...，x(i+(m
0-1)τ))
t
，x(i+(m
0-1)τ+p)]
[0111]
为了提升桨距角增量修正的准确性和效率，在构造神经网络训练样本后，分别对所述bp神经网络的输入层、所述隐含层和所述输出层进行初始化。具体的，bp神经网络分为输入层、隐含层和输出层，各层的层数依次初始化为n、l、m层，各层的神经元数量为i、j、k。输入层到隐含层的权值为ω
ij
，隐含层到输出层的权值为ω
jk
，输入层向量为a＝[a1，...，an]，隐含层向量为b[b1，...，bl]，输出层向量为c＝[c1，...，cm]。
[0112]
s31：对bp神经网络中的隐含层和输出层进行计算；
[0113]
根据初始化后的bp神经网络，分别对隐含层和输出层：
[0114][0115][0116]
其中，x为输入节点变量，f为隐含层的激励函数。激励函数为sigmoid函数：
[0117]
f(s)＝(a+exp(-cs))-1
[0118]
s为神经元的输入值，f(s)为神经元的输出值，该激励函数为单输入单输出的单调上升函数，输出响应仅与当前输入值有关。
[0119]
s32：按照误差梯度下降的方式对bp神经网络的权值进行调节，并更新隐含层和输出层的阈值；
[0120]
对bp神经网络的权值进行更新，即，按照误差梯度下降的方式进行训练调节：
[0121][0122][0123]
其中，η为学习速率，β为动量因子。
[0124]
进一步的，对隐含层和输出层的阈值进行更新，包括：
[0125][0126]ck
(t+1)＝ck(t)+(y
k-ok)
[0127]
s33：在构造雅可比矩阵后，根据雅可比矩阵计算得到目标桨距角增量。
[0128]
需要说明的是，如图2所示，目标桨距角增量即为前馈桨距角增量，在计算前馈桨距角增量时，取bp经网络的第一个输入为βff(t)，该输入为激光雷达经过卡尔曼滤波后计算得到的桨距角增量，作为修正前的激光雷达桨距角。并将δβ
ff
(t)＝β
ff
(t)-β
ff
(t-1)作为后续输入，表示第i个延时信号的加权系数，i＝[0，n-1]构成雅可比矩阵，雅可比矩阵可提供fir参数调整算法，计算公式如下：
[0129][0130][0131]
由此，可计算得到目标桨距角增量：
[0132][0133]
进一步的，将目标桨距角增量叠加至给定桨距角增量，即，将前馈桨距角增量与定桨距角增量进行叠加，即可得到实际转速。
[0134]
本技术实施例所提供的风电机组激光雷达的控制方法，通过bp神经网络对额定风速以上运行的变桨进行控制，避免风轮转速超速，降低发电量的损失。
[0135]
在上述实施例中，对于风电机组激光雷达的控制方法进行了详细描述，本技术还提供一种风电机组激光雷达的控制装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件结构的角度。
[0136]
图7为本技术实施例所提供的一种风电机组激光雷达的控制装置的结构图，如图7所示，该装置包括：
[0137]
获取模块10，用于获取初始预估风速；
[0138]
滤波模块11，用于通过卡尔曼滤波对初始预估风速进行滤波以修正初始预估风速得到最优估计值；
[0139]
计算模块12，用于对各最优估计值进行计算得到预期桨距角增量；
[0140]
修正模块13，用于通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量；
[0141]
叠加模块14，用于将目标桨距角增量叠加至给定桨距角增量以输出实际转速。
[0142]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0143]
本技术实施例所提供的风电机组激光雷达的控制装置，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过bp神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此可见，本技术所提供的技术方案，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响，仍能准确预测风速，提升风机控制效果。此外，通过bp神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，即，实现对变桨的控制，避免风轮转速超速，降低发电量的损失。
[0144]
图8为本技术另一实施例提供的一种风电机组激光雷达的控制装置的结构图，如图8所示，风电机组激光雷达的控制装置包括：存储器20，用于存储计算机程序；
[0145]
处理器21，用于执行计算机程序时实现如上述实施例所提到的风电机组激光雷达的控制方法的步骤。
[0146]
本实施例提供的风电机组激光雷达的控制装置可以包括但不限于智能手机、平板
电脑、笔记本电脑或台式电脑等。
[0147]
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，简称dsp)、现场可编程门阵列(field-programmable gate array，简称fpga)、可编程逻辑阵列(programmable logic array，简称pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，简称cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(graphics processing unit，简称gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，简称ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0148]
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的风电机组激光雷达的控制反复噶的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于风电机组激光雷达的控制方法中所涉及的相关数据等。
[0149]
在一些实施例中，风电机组激光雷达的控制装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
[0150]
本领域技术人员可以理解，图8中示出的结构并不构成对风电机组激光雷达的控制装置的限定，可以包括比图示更多或更少的组件。
[0151]
本技术实施例提供的风电机组激光雷达的控制装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：风电机组激光雷达的控制方法。
[0152]
本技术实施例所提供的风电机组激光雷达的控制装置，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响，仍能准确预测风速，提升风机控制效果。此外，通过bp神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，即，实现对变桨的控制，避免风轮转速超速，降低发电量的损失。
[0153]
最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
[0154]
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0155]
以上对本技术所提供的一种风电机组激光雷达的控制方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0156]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种风电机组激光雷达的控制方法，其特征在于，包括：获取初始预估风速；通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；对各所述最优估计值进行计算得到预期桨距角增量；通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。2.根据权利要求1所述的风电机组激光雷达的控制方法，其特征在于，所述通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值包括：根据预先建立的参考坐标系构建激光雷达测风模型；将所述激光雷达测风模型转化为离散化状态空间方程；依据所述离散化状态空间方程和所述初始预估风速对下一状态的风速进行预测得到所述最优估计值。3.根据权利要求2所述的风电机组激光雷达的控制方法，其特征在于，在得到所述最优估计值之后还包括：基于正定矩阵对所述最优估计值进行优化。4.根据权利要求1所述的风电机组激光雷达的控制方法，其特征在于，所述通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量包括：通过预设重构法构造神经网络训练样本；对所述bp神经网络中的隐含层和输出层进行计算；按照误差梯度下降的方式对所述bp神经网络的权值进行调节，并更新所述隐含层和所述输出层的阈值；在构造雅可比矩阵后，根据所述雅可比矩阵计算得到所述目标桨距角增量。5.根据权利要求4所述的风电机组激光雷达的控制方法，其特征在于，在所述对所述bp神经网络中的隐含层和输出层进行计算之前还包括：分别对所述bp神经网络的输入层、所述隐含层和所述输出层进行初始化。6.根据权利要求4所述的风电机组激光雷达的控制方法，其特征在于，所述预设重构法为相空间重构法。7.根据权利要求2所述的风电机组激光雷达的控制方法，其特征在于，所述激光雷达为连续波激光雷达。8.一种风电机组激光雷达的控制装置，其特征在于，包括：获取模块，用于获取初始预估风速；滤波模块，用于通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；计算模块，用于对各所述最优估计值进行计算得到预期桨距角增量；修正模块，用于通过bp神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；叠加模块，用于将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。9.一种风电机组激光雷达的控制装置，其特征在于，包括存储器，用于存储计算机程
序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的风电机组激光雷达的控制方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风电机组激光雷达的控制方法的步骤。

技术总结
本申请涉及风电技术领域，公开了一种风电机组激光雷达的控制方法、装置及介质，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过BP神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响仍能准确预测风速，提升风机控制效果。此外，通过BP神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，避免风轮转速超速，降低发电量的损失。降低发电量的损失。降低发电量的损失。


技术研发人员：王瑞良 聂方正 孙勇 杨翀 周军
受保护的技术使用者：浙江运达风电股份有限公司
技术研发日：2022.12.26
技术公布日：2023/5/30