一种基于深度学习的风能捕获装置及其捕获方法制造方法及图纸

本发明专利技术涉及一种风能捕获装置，具体涉及一种基于深度学习的风能捕获装置及其捕获方法。本发明专利技术的装置包括浮体，浮体上固定设置信号收发装置和旋转轴，旋转轴上套设旋转筒，旋转筒上设置支撑柱体，支撑柱体固定连接风能采集装置，旋转轴上设置牵引绳，牵引绳连接风能采集装置；控制系统用于向信号收发装置收发信号和处理信号收发装置收集的信息以及控制旋转支撑装置和风能采集装置。本装置可根据工作环境的不同调整风能采集装置的姿态，提高了发电效率，其次，控制系统连接旋转支撑装置、风能采集装置和信号收发装置，通过旋转支撑装置使风能采集装置合理避障，安全高效发电，提升了装置的稳定性和智能化程度。的稳定性和智能化程度。的稳定性和智能化程度。

【技术实现步骤摘要】
一种基于深度学习的风能捕获装置及其捕获方法


[0001]本专利技术涉及一种风能捕获装置，具体涉及一种基于深度学习的风能捕获装置及其捕获方法。

技术介绍

[0002]风能开发利用的成本比太阳能开发利用的成本要低。研究表明：风力发电的成本为4～8美分/(KW
×
h)，而太阳能光伏发电和太阳能热力发电的成本分别是50～100美分/(KW
×
h)和12～30美分/(KW
×
h)。与煤电相比，风力发电将减少CO2820～910t/(GW
×
h)。
[0003]沿海陆上风电场存在严重的用地矛盾、噪声污染等问题，且优良场址已迅速规划并开发，风电的开发正向海上转移，即通常所说的建设海上风电场。海上风电场的建设不仅可以缓解沿海地区土地紧缺问题，而且距离沿海城市近，而城市正是电力负荷中心，电能供需方接近，可以减少输电损耗。
[0004]风力发电的原理是利用风力带动风车叶片旋转，再通过增速机将旋转的速度提升，来促使发电机发电，现如今针对海洋能源利用的装置，多为在海岛上放置固定式风车装置，利用风能吹动扇叶转动，但是由于稳定性不高、结构复杂、维护成本高等问题，很难被大规模应用。同时，海上风电场的设计同时要考虑风、浪、冰、海流等的作用和影响，海上作业难度大，如果发生故障维修起来要比陆上困难得多。此外，海洋潮湿的环境和周围的盐雾容易引起结构和部件的腐蚀问题，需要定期对风电装置进行保养，导致海洋风能能源利用成本高。
[0005]风能资源是世界上最丰富的资源之一，越高的空中就有越强的风，利用好风能的优势对我们有着重要意义。现如今针对海洋能源利用的装置，由于稳定性不高、结构复杂、成本高等问题，很难被大规模应用。

技术实现思路

[0006]本专利技术的目的在于克服上述不足，提供一种基于深度学习的风能捕获装置及其捕获方法，该风能捕获装置智能化程度高，能不断自发更新数据库，主动避开障碍物，安全高效发电，不受地形地域限制，实用性强。
[0007]为了达到上述目的，本专利技术采用的技术方案如下：
[0008]一种基于深度学习的风能捕获装置，包括浮体、旋转支撑装置、风能采集装置、信号收发装置和控制系统；
[0009]浮体上固定设置信号收发装置和旋转支撑装置，旋转支撑装置包括旋转轴、牵引绳、转筒和支撑柱体，，旋转轴上套设旋转筒，旋转筒上设置支撑柱体，支撑柱体固定连接风能采集装置，旋转轴上设置牵引绳，牵引绳连接风能采集装置；
[0010]控制系统用于接收处理信号收发装置的信息、向信号收发装置发送控制信号以及控制旋转支撑装置和风能采集装置。
[0011]风能采集装置包括悬停装置，悬停装置与支撑柱体固定连接，悬停装置底部设置
风筝尾翼，悬停装置顶部设置风筝支撑体，风筝支撑体嵌设在风筝机翼上，风筝机翼上设置至少两个叶片支撑体，叶片支撑体上设置旋转叶片。
[0012]叶片支撑体关于风筝支撑体对称设置。
[0013]风筝机翼与牵引绳连接。
[0014]牵引绳连接风筝机翼的一端分为两根，牵引绳与风筝机翼固定点关于风筝支撑体对称。
[0015]信号收发装置包括雷达和信号发生器，雷达和信号发生器均连接控制系统。
[0016]浮体上设置爬梯。
[0017]一种基于深度学习的风能捕获装置的捕获方法，包括以下步骤：
[0018]S1.采集各类障碍物数据集，对障碍物数据集进行预处理和模拟训练，建立目标检测模型；
[0019]S2.在ImageNet模型基础上基于ResNet
‑
18基础网络，采用改进Fast R
‑
CNN的目标检测模型进行迁移学习训练；
[0020]S3.将迁移学习训练后的目标检测模型内置控制系统，控制系统手动开机，控制系统初始化，控制系统利用内置的目标检测模型控制风能采集装置运行到指定位置后旋转盘旋飞行同时进行风能捕捉；
[0021]S4.结束风能捕捉后，收回风能采集装置，同时将采集到的图像数据传至控制系统，更新障碍物数据集。
[0022]S1中的对障碍物数据集进行预处理包括以下步骤：
[0023]S11.对障碍物数据集进行图像增强处理，进行随机翻转、归一化和对比度处理；
[0024]S12.对处理后的障碍物图像分割处理将图像裁剪为600
×
600；
[0025]S13.将障碍物数据和测试数据集按照8:2比例随机划分，完成障碍物数据集预处理。
[0026]S3中控制系统利用内置的目标检测模型控制风能采集装置运行到指定位置后旋转盘旋飞行具体过程为：
[0027]S31.首先飞行器向待捕捉风力中心运动；
[0028]S32.其次采用基于人工势场的飞行器路径规划算法，在目标物为飞行器提供的引力场和障碍物为飞行器提供的斥力场的合力作用下完成飞行器的运动。
[0029]与现有技术相比，本专利技术所具有的有益效果如下：
[0030]本专利技术的装置的浮体上固定设置旋转轴，旋转轴上套设旋转筒，旋转筒上设置支撑柱体，支撑柱体固定连接风能采集装置，旋转轴上设置牵引绳，牵引绳连接风能采集装置，风能采集装置可绕旋转轴转动，根据工作环境的不同，可调整风能采集装置的姿态，提高了发电效率，其次，控制系统连接旋转支撑装置和风能采集装置，进一步提高了发电效率，另外，控制系统连接信号收发装置，可使控制系统精准识别障碍物，通过控制旋转支撑装置使风能采集装置合理避障，安全高效发电，提升了装置的稳定性和智能化程度。
[0031]进一步的，该装置的风能采集装置上的发电装置数量可结合发电环境或需求进行调整，实用性强。
[0032]进一步的，本装置的雷达和信号发生器均为现有装置，可批量采购，成本低。
[0033]本专利技术的方法，前期通过采集各类可能出现的障碍物数据集，对障碍物数据集进
行预处理和模拟训练，建立目标检测模型，将目标检测模型内置控制系统，通过迁移学习训练使控制系统能够自动检测识别障碍物，有助于控制系统控制风能采集装置合理避障，安全高效工作，风能采集装置在没有任何辅助定位的情况下实现路径精确定位，捕捉风能并返回，智能高效。另外，结束风能捕捉后，收回风能采集装置，同时将采集到的图像数据传至控制系统，使本专利技术所采用的缺陷数据集可随时扩充，重新训练数据集，更新障碍物数据集，有助于系统不断更新升级，进一步提升装置的安全性。
[0034]进一步的，本专利技术基于人工势场的路径规划在飞行器上的创新应用，进一步提高了装置的高效发电性能和安全性能。
附图说明
[0035]图1为本专利技术的整体结构图；
[0036]图2为本专利技术的机械结构图；
[0037]图3为本专利技术的工作流程框图。
[0038]其中，1、风筝支撑体；2、旋转叶片；3、叶片支撑体；4、风筝机翼；5、悬停装置；6、风筝尾翼；7、支撑柱体；8、浮体；9、爬梯；10、雷达；11、信号发生器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的风能捕获装置，其特征在于，包括浮体(8)、旋转支撑装置(17)、风能采集装置(18)、信号收发装置(15)和控制系统；浮体(8)上固定设置信号收发装置(15)和旋转支撑装置(17)，旋转支撑装置(17)包括旋转轴(13)、牵引绳(12)、转筒(14)和支撑柱体(7)，旋转轴(13)上套设旋转筒(14)，旋转筒(14)上设置支撑柱体(7)，支撑柱体(7)固定连接风能采集装置(18)，旋转轴(13)上设置牵引绳(12)，牵引绳(12)连接风能采集装置(18)；控制系统用于接收处理信号收发装置(15)的信息、向信号收发装置(15)发送控制信号以及控制旋转支撑装置(17)和风能采集装置(18)。2.如权利要求1所述的一种基于深度学习的风能捕获装置，其特征在于，所述风能采集装置(18)包括悬停装置(5)，悬停装置(5)与支撑柱体(7)固定连接，悬停装置(5)底部设置风筝尾翼(6)，悬停装置(5)顶部设置风筝支撑体(1)，风筝支撑体(1)嵌设在风筝机翼(4)上，风筝机翼(4)上设置至少两个叶片支撑体(3)，叶片支撑体(3)上设置旋转叶片(2)。3.如权利要求2所述的一种基于深度学习的风能捕获装置，其特征在于，所述叶片支撑体(3)关于风筝支撑体(1)对称设置。4.如权利要求2所述的一种基于深度学习的风能捕获装置，其特征在于，所述风筝机翼(4)与牵引绳(12)连接。5.如权利要求4所述的一种基于深度学习的风能捕获装置，其特征在于，所述牵引绳(12)连接风筝机翼(4)的一端分为两根，牵引绳(12)与风筝机翼(4)固定点关于风筝支撑体(1)对称。6.如权利要求1所述的一种基于深度学习的风能捕获装置，其特征在于，所述信号收发装置(15)包括雷达(10)和信号发生器(11)，雷达(10)和...

【专利技术属性】
技术研发人员：李程，廉柯，倪隽，洪杰，朱时鸿，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：