AI装置、激光雷达装置以及风力发电厂控制系统制造方法及图纸

在现有的风力发电厂控制系统的结构中，很难取得高空间分辨率的信息，存在不能为了使机器学习充实化而得到充分学习所需要的信息的课题。本发明专利技术的AI(Artificial Intelligence：人工智能)装置具有：学习装置，其对风向量进行机器学习，预测风车的发电量，并且对发电量的预测值与测定值进行比较，在预测值与测定值之差为设定的阈值以上的情况下，选择测定风向量的激光雷达装置，导出测定参数；以及控制装置，其向激光雷达装置发送学习装置导出的测定参数。

AI device, lidar device and control system of wind power plant

In the existing structure of wind power plant control system, it is difficult to obtain high spatial resolution information. There is a problem that the information needed for machine learning cannot be fully learned in order to enrich machine learning. The AI (Artificial Intelligence) device of the invention has: a learning device, which performs machine learning on the wind vector, predicts the power generation of the windmill, and compares the predicted value of the power generation with the measured value. When the difference between the predicted value and the measured value is above the set threshold value, the lidar device for measuring the wind vector is selected, and the measured parameters are derived; and the control device The system sends the measurement parameters derived from the learning device to the lidar device.

【技术实现步骤摘要】
【国外来华专利技术】AI装置、激光雷达装置以及风力发电厂控制系统
本专利技术涉及AI装置、激光雷达装置以及风力发电厂控制系统。
技术介绍
以往，在风车的偏转/俯仰/转矩控制中使用由搭载于风车的杯式风速计/叶片型风向计取得的信息。但是，设置于风车后方的上述设备的值是被叶片搅拌后的风速值，因此与真正的流入风不同，包含误差。另外，为了测定通过叶片后的风速/风向，采用始终追从变动风的形式，不能预测，这会导致发电量的损失。对此，通过搭载能够测定远点的风向/风速的雷达来取得到来风的信息，能够在事前进行风车的控制而提高发电量。雷达装置向空间放射电磁波或声波等波动，接收被对象物体反射后的波动，对其信号进行分析，从而计测雷达装置至物体的距离和角度。在雷达中公知有如下的气象雷达：能够以在大气中浮游的微小的液体或固体的粒子(气溶胶)为对象，根据反射后的波动的相位旋转量来了解气溶胶的移动速度即风的速度。在气象雷达中，特别是使用光作为电磁波的激光雷达，放射的波束的扩散极小，能够以较高的角度分辨率观测物体，用作风向风速雷达。在风向量的计算中，通常使用多方向的视线方向风速值，通过VAD(VelocityAzimuthDisplay：速度方位显示)法、向量运算等进行计算。除了通过使用这样的雷达装置取得近未来的风速信息而提高风力发电量之外，如以下的专利文献所示，还存在如下的方式：基于使用过去的气象信息和当日的气象信息的机器学习进行风信息的预测，使用该预测来提高风力发电量。现有技术文献专利文献日本特开2007-56686号公报
技术实现思路
专利技术要解决的课题但是，即使使用了由卫星取得的气象信息以及根据常置式桅杆得到的风信息，由于空间分辨率低而使该预测的精度变低，也有可能使发电量的改善能力劣化。另外，为了通过机器学习实现风车发电量的高效率化，必然需要信息量的质量优异以及信息量较多。因此，为了解决上述问题，需要高空间分辨率的测定，例如存在进行多个桅杆建设的方法，但是，产生成本变高的问题。另一方面，还要考虑使用能够长距离测定的激光雷达装置的情况。图1是使用能够长距离测定的现有的激光雷达装置的风况测定的模拟图。在采用这样的结构的情况下，激光的指向性高，越远则其波束间的偏离越大。另外，在存在风车那样的遮蔽物的情况下，不能得到该遮蔽物背面的风速值。除此之外，即使以降低样本率而躲避叶片等遮蔽物的方式，即等待叶片通过后进行测定，由于风是时时刻刻变动的，因此，未观测区域的预测误差变大。理想的是要求以较高的样本率，高分辨率地进行风速测定，但是，如上所述，遮蔽导致不能观测，存在如下的课题：由于需要等待下次的扫描以及在测定较宽的范围时扫描花费时间等，导致风发生变化，测定精度劣化。图2是在风车上设定有现有的激光雷达装置的情况下的风况测定的模拟图。这样，当在各个风车搭载有激光雷达的情况下，设置以及观测方式是固定的，因此，激光射出方向以及可观测距离是固定的，产生不能观测区域。在以往的结构中，很难取得高空间分辨率的信息，存在不能为了使机器学习充实化而得到充分学习所需要的信息的课题。用于解决课题的手段本专利技术的AI(ArtificialIntelligence：人工智能)装置具有：学习装置，其对风向量进行机器学习，预测风车的发电量，并且对发电量的预测值与测定值进行比较，在预测值与测定值之差为设定的阈值以上的情况下，选择测定风向量的激光雷达装置，导出测定参数；以及控制装置，其向激光雷达装置发送学习装置导出的测定参数。专利技术效果根据本专利技术，进行如下的控制：在风的紊乱较大时以高样本率进行观测，在紊乱较小时扩大观测区域，从而能够增加用于学习的样本和预备信息，提高机器学习的精度。附图说明图1是使用能够长距离测定的现有的激光雷达装置的风况测定的模拟图。图2是在风车上设定有现有的激光雷达装置的情况下的风况测定的模拟图。图3是示出本专利技术的实施方式1的风力发电厂系统的一个构成例的结构图。图4是示出本专利技术的实施方式1的激光雷达装置的一个构成例的结构图。图5是示出本专利技术的实施方式1的信号处理器1010的一个构成例的结构图。图6是示出本专利技术的实施方式1的数据统合装置2的一个构成例的结构图。图7是示出本专利技术的实施方式1的AI装置3的一个构成例的结构图。图8是示出本专利技术的实施方式1的风力发电厂内的风向风速观测状况的映射的图。图9是使用本专利技术的实施方式1的激光雷达装置进行观测未观测区域的控制的情况下的模拟图。图10是示出本专利技术的实施方式1的未观测区域的判断和测定区域的决定顺序的序列图。具体实施方式实施方式1图3是示出本专利技术的实施方式1的风力发电厂系统的一个构成例的结构图。本风力发电厂系统具有激光雷达装置1a～1n、数据统合装置2、AI(ArtificialIntelligence：人工智能)装置3以及风车4a～4n。这里，1a～1n或者4a～4n的字母示出个体的不同，附加有相同数字的部件具有相同的结构和功能。在统称这些要素(1a～1n)的情况下或者说明结构和功能的情况下，省略字母而仅记载数字。这里，能够控制的激光雷达装置(激光雷达装置1a、1b)表示如下的激光雷达装置：能够使用LAN(LocalAreaNetwork：局域网)、USB(UniversalSerialBus：通用串行总线)、CAN(ControllerAreaNetwork：控制器局域网)、RS232C、RS485等通信方法，用户和控制设备从外部通过命令行等变更激光雷达装置的观测距离/观测方向以及测定精度的设定。不能控制的激光雷达装置(激光雷达装置1c～1n)表示如下的激光雷达装置：持续使用在观测开始时设定的参数，不能在观测中变更设定。图4是示出本专利技术的实施方式1的激光雷达装置的一个构成例的结构图。本激光雷达装置1具有光振荡器1001、光耦合器1002、光调制器1003、光环行器1004、扫描器1005、光学系统1006、合波耦合器1007、光接收器1008、A/D转换器(AnalogtoDigitalConverter：模拟数字转换器)1009、信号处理器1010、角度/位置传感器1011、数据通信部1012以及时刻取得部1013。光振荡器1001是具有振荡出激光的功能，向光耦合器1002输出激光的光振荡器。其他的器件熔接于光耦合器或通过光连接器连接。另外，在以下的光连接方法中以光纤为基础进行记载，但连接方法也可以采用不使用光纤的空间传播型。例如，光振荡器1001使用半导体激光器。光耦合器1002是如下的分配器：为了在后级的光接收器中进行外差检波，将光振荡器1001输出的光按照任意分支比分配成本地光(光接收器方向的光)和发送光(光调制器方向的光)。光调制器1003是对光耦合器1002输出的激光进行光频率调制和光强度调制的光学设备。例如，光调制器1003使用AO频移器。在本结构中，以脉冲型的本文档来自技高网...

【技术保护点】
1.一种AI(Artificial Intelligence：人工智能)装置，该AI装置具有：/n学习装置，其对风向量进行机器学习，预测风车的发电量，并且对所述发电量的预测值与测定值进行比较，在预测值与测定值之差为设定的阈值以上的情况下，选择测定所述风向量的激光雷达装置，导出测定参数；以及/n控制装置，其向所述激光雷达装置发送所述学习装置导出的测定参数。/n

【技术特征摘要】
【国外来华专利技术】1.一种AI(ArtificialIntelligence：人工智能)装置，该AI装置具有：
学习装置，其对风向量进行机器学习，预测风车的发电量，并且对所述发电量的预测值与测定值进行比较，在预测值与测定值之差为设定的阈值以上的情况下，选择测定所述风向量的激光雷达装置，导出测定参数；以及
控制装置，其向所述激光雷达装置发送所述学习装置导出的测定参数。


2.根据权利要求1所述的AI装置，其特征在于，
所述学习装置调查是否存在距所述风车处于设定范围内的距离以内并且从上次取得的所述风向量的时刻起经过了设定时间以上的区域，在存在所述区域的情况下，选择测定所述区域的所述激光雷达装置，导出所述测定参数。


3.根据权利要求1所述的AI装置，其特征在于，
所述学习装置调查是否存在距所述风车处于设定范围内的距离以内并且从上次取得的所述风向量的时刻起经过了设定时间以上的区域，在不存在所述区域的情况下，选择测定所述风车的前方的所述风向量的所述激光雷达装置，导出所述激光雷达装置的默认参数作为所述测定参数。


4.根据权利要求1所述的AI装置，其特征在于，
在所述发电量的预测值与测定值之差比所述阈值小的情况下，计算所述风向量的紊流度，在所述紊流度比第2阈值大的情况下，计算未观测区域的距离和方位角，选择测定所述未观测区域的所述激光雷达装置，计算所述测定参数。


5.根据权利要求2所述的AI装置，其特征在于，
所述学习装置按照所述激光雷达装置的脉宽、波束直径、焦距以及非相干累积数的优选顺序变更值，计算变更后的情况下的SNR(SignaltoNoiseRatio：信噪比)，导出所述脉宽、所述波束直径、所述焦距以及所述非相干累积数作为所述测定参数。


6.一种激光雷达装置，该激光雷达装置具有：
光振荡器，其输出激光；
光调制器，其对所述光振荡器输出的所述激光进行调制；
光学系统，其输出所述光调制器调制后的所述激光作为发送光，接收对象物在所述发送光的输出目的地反射后的反射光作为接收光；
光接收器，其对所述光学系统接收到的所述接收光进行外差检波，提取接收信号；
范围区间分割器，其按照设定的范围区间分割所述接收信号；
快速傅里叶变换处理器，其对所述范围区间分割器分割后的所述接收信号进行傅里叶变换，计算每个所述范围区间的所述接收信号的谱；
累积器，其按照所述范围区间分割器分割后的每个范围区间，累积所述谱；
视线方向风速计算器，其根据所述累积器累积后的所述谱计算多普勒频移成分，根据所述多普勒频移成分计算视线方向风速值；
风向量运算器，其使用多个所述视线方向风速值计算风向量；
系统参数控制器，其根据从权利要求1所述的AI装置接收到的所述测定参数，设定所述光调制器的脉宽、所述光学系统的波束直径、所述光学系统的焦距以及所述累积器的非相干累积数；以及
数据通信部，其向所述AI装置发送使用所述脉宽、所述波束直径、所述焦距以及所述非相干累积数求出的风向量。


7.一种风力发电厂控制系统，该风力发电厂控制系统具有：
权利要求1所述的AI装置；
光振荡器，其输出激光；
光调制器，其对所述光振荡器输出的所述激光进行调制；
光学系统，其输出所述光调制器调制后的所述激光作为发送光，接收对象物在所述发送光的输出目的地反射后的反射光作为接收光；
光接收器，其对所述光学系统接收到的所述接收光进行外差检波，提取接收信号；
范围区间分割器，其按照设定的范围区间分割所述接收信号；
快速傅里叶变换处理器，其对所述范围区间分割器分割后的所述接收信号进行傅里叶变换，计算每个所述范围区间的所述接收信号的谱；
累积器，其按照所述范围区间分割器分割后的每个范围区间，累积所述谱；
视线方向风速计算器，其根据所述累积器累积后的所述谱计算多普勒频移成分，根据所述多普勒频移成分计算视线方向风速值；
风向量运算器，其使用多个所述视线方向风速值计算风向量；
系统参数控制器，其根据从权利要求1所述的AI装置接收到的所述测定参数，设定所述光调制器的脉宽、...

【专利技术属性】
技术研发人员：小竹论季，大塚浩志，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：日本;JP