基于深度强化学习的风电塔筒动态响应自适应调整方法技术

本发明专利技术公开了基于深度强化学习的风电塔筒动态响应自适应调整方法，包括：S1、获取风电塔筒的多源数据，构建状态空间；S2、构建深度强化学习模型，所述深度强化学习模型包括策略网络和价值网络，初始化深度强化学习模型；S3、确定风电塔筒的设计标准和安全阈值，构建奖励模型；S4、通过策略网络根据当前状态信息输出调整动作，执行调整动作后，获取新的多源数据，根据奖励模型计算本次动作获得的奖励；S5、将状态信息、调整动作、奖励和新的状态信息存储到经验回放池中，从经验回放池中随机采样一批数据，训练深度强化学习模型；S6、输出风电塔筒的最优调整动作。本发明专利技术实现对风电塔筒动态响应的自适应精准调整，提升风电塔筒运行稳定性与安全性。

【技术实现步骤摘要】

本专利技术涉及风电塔筒结构，具体涉及基于深度强化学习的风电塔筒动态响应自适应调整方法。

技术介绍

1、随着全球对清洁能源需求的不断增长，风力发电作为一种重要的可再生能源利用方式，在电力供应中所占的比重日益增加。风电塔筒作为支撑风机叶片和机舱的关键结构部件，其运行的稳定性和安全性直接关系到风力发电系统的整体性能和发电效率。在复杂多变的自然环境下，风电塔筒会受到多种因素的影响，如塔筒振动、应力变化、风速风向波动以及温度差异等。这些因素不仅会导致塔筒的动态响应呈现复杂的变化特性，引发结构疲劳损伤，甚至威胁到整个风电系统的安全运行。因此，如何实现对风电塔筒动态响应的有效监测与自适应调整，成为保障风力发电系统可靠运行、提高发电效益的关键技术难题，这也正是专利技术本技术的初衷。

2、在早期的风电塔筒监测与调整技术中，主要采用基于经验公式和固定阈值的方法。这种传统技术方案依据预先设定的简单规则，对塔筒的运行状态进行判断和调整。例如，当塔筒振动幅度超过某个固定值时，启动塔筒阻尼器进行减振；或者根据风速的大小，按照固定的逻辑调整风机叶片桨距角。其优点在于实现方式本文档来自技高网...

【技术保护点】

1.基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，包括以下步骤：

2.根据权利要求1或2所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述S1中所述多源数据包括塔筒振动数据、应力数据、风速数据、风向数据以及温度数据；所述多源数据进行归一化处理，具体包括：

3.根据权利要求3所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述状态空间的构建，将归一化后的振动数据Vnorm、应力数据Snorm、风速数据Wnorm、风向数据Dnorm、温度数据Tnorm通过历史数据进行相关性分析，获取相应权重，通过加权后进行串联...

【技术特征摘要】

1.基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，包括以下步骤：

2.根据权利要求1或2所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述s1中所述多源数据包括塔筒振动数据、应力数据、风速数据、风向数据以及温度数据；所述多源数据进行归一化处理，具体包括：

3.根据权利要求3所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述状态空间的构建，将归一化后的振动数据vnorm、应力数据snorm、风速数据wnorm、风向数据dnorm、温度数据tnorm通过历史数据进行相关性分析，获取相应权重，通过加权后进行串联，构建状态空间。

4.根据权利要求1所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述s2中策略网络根据状态信息生成调整动作，采用分层注意力transformer网络，输入状态信息后，经嵌入层映射到高维空间，通过多层transformer块堆叠，经全连接层和激活函数输出风机叶片桨距角调整值、风机启停信号及塔筒阻尼器参数调节值。

5.根据权利要求1所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述s2中价值网络评估策略网络生成动作价值，采用融合图卷积神经网络和长短期记忆网络的混合架构，将调整动作与状态信息融合后，通过融合图卷积神经网络挖掘数据特征关系，利用长短期记忆网络处理时间序列信息，经多层全连接层变换整合后，通过线性输出层得出动作价值评估结果。

6.根据权利要求1所述的基于深度强化学习的风电塔筒动态响应自适应调整方法，其特征在于，所述s3中确定风电塔筒设计标准和安全阈值，构建奖励模型，具体包括：

<...

【专利技术属性】
技术研发人员：谭继可，李强，曹海，李涛，唐畅，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：