一种基于数字孪生技术的风电设备智能管控方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于数字孪生技术的风电设备智能管控方法及系统。

背景技术

随着全球对环保和减少温室气体排放的呼吁，风能作为一种可再生的清洁能源得到了广泛关注和应用，风电设备控制技术的不断创新和进步，旨在提高风力发电系统的效率、可靠性和稳定性，并降低运维成本，通过精确的控制，可以实现风力发电机组的最佳功率输出。而现今常用的风电设备管控方法还存在着一定的弊端，传统的风电设备管控方法往往依赖于经验模型和实时监测数据，缺乏全面的预测和优化能力，无法准确评估风电设备的性能和进行精确的控制；并且风电设备的叶片桨距角调整对其气动转矩和功率输出具有重要影响，但由于受到多个因素的影响，如风向、风速等，使得难以确定最佳桨距角进行变桨。

因此，对于风电设备管控还存在着一定的可提升空间。

发明内容

本申请通过提供了一种基于数字孪生技术的风电设备智能管控方法及系统，旨在解决传统的风电设备管控方法往往依赖于经验模型和实时监测数据，缺乏全面的预测和优化能力，并且无法全面考虑所有影响因素，使得无法确定最佳桨距角的技术问题。

鉴于上述问题，本申请提供了一种基于数字孪生技术的风电设备智能管控方法及系统。

本申请公开的第一个方面，提供了一种基于数字孪生技术的风电设备智能管控方法，所述方法应用于一基于数字孪生技术的风电设备智能管控装置，所述装置包括孪生模型构建模块、孪生模拟模块和管控模块，所述管控模块和目标风电设备的变桨结构通信连接，所述方法包括：通过孪生模型构建模块，测试采集目标风电设备内多个叶片的特征参数，获得多个叶片特征参数集合，特征参数包括叶片的厚弦比、升力系数、阻力系数、叶型、叶片弦长；根据所述多个叶片特征参数集合，构建查询条件，获取历史同族变桨数据记录，并构建风电变桨孪生模型；通过孪生模拟模块，采集当前外界的风向信息和风速信息，结合当前叶片的桨距角，输入所述风电变桨孪生模型进行孪生模拟，获得模拟后的气动转矩和气动功率；根据合格气动转矩阈值和合格气动功率阈值，对气动转矩和气动功率进行判别，若满足，则不进行管控；若不满足，则启动所述管控模块，构建约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化，获得最优桨距角；采用所述最优桨距角，结合风向信息和风速信息，通过孪生模拟模块进行孪生模拟，对最优桨距角进行验证，在验证成功时，通过管控模块控制变桨结构进行变桨，完成管控。

本申请公开的另一个方面，提供了一种基于数字孪生技术的风电设备智能管控系统，所述系统应用于一基于数字孪生技术的风电设备智能管控装置，所述装置包括孪生模型构建模块、孪生模拟模块和管控模块，所述管控模块和目标风电设备的变桨结构通信连接，所述系统用于上述方法，所述系统包括：特征参数获取单元，所述特征参数获取单元用于通过孪生模型构建模块，测试采集目标风电设备内多个叶片的特征参数，获得多个叶片特征参数集合，特征参数包括叶片的厚弦比、升力系数、阻力系数、叶型、叶片弦长；查询条件构建单元，所述查询条件构建单元用于根据所述多个叶片特征参数集合，构建查询条件，获取历史同族变桨数据记录，并构建风电变桨孪生模型；孪生模拟单元，所述孪生模拟单元用于通过孪生模拟模块，采集当前外界的风向信息和风速信息，结合当前叶片的桨距角，输入所述风电变桨孪生模型进行孪生模拟，获得模拟后的气动转矩和气动功率；判别单元，所述判别单元用于根据合格气动转矩阈值和合格气动功率阈值，对气动转矩和气动功率进行判别，若满足，则不进行管控；调整优化单元，所述调整优化单元用于若不满足，则启动所述管控模块，构建约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化，获得最优桨距角；桨距角验证单元，所述桨距角验证单元用于采用所述最优桨距角，结合风向信息和风速信息，通过孪生模拟模块进行孪生模拟，对最优桨距角进行验证，在验证成功时，通过管控模块控制变桨结构进行变桨，完成管控。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

基于数字孪生技术，利用历史数据构建风电变桨孪生模型，结合实时的风向和风速信息，进行孪生模拟计算，并根据气动转矩和气动功率的判别阈值，实现对风电设备的精确管控和控制策略的调整；采用多个向导粒子和多个精确粒子，通过优化算法优化桨距角配置，以最大化气动转矩和功率输出，有效地提高风电设备的性能和能源利用效率；通过结合最优桨距角、风向信息和风速信息，利用孪生模拟模块进行验证，并实现变桨结构的实时管控，确保风电设备在最佳工作状态下运行。综上所述，该基于数字孪生技术的风电设备智能管控方法解决了传统管控方法的局限性，提高了风电设备管控精度和能源利用效率，实现了对风电设备的智能管控与优化调整。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于数字孪生技术的风电设备智能管控方法流程示意图；

图2为本申请实施例提供了一种基于数字孪生技术的风电设备智能管控系统结构示意图。

附图标记说明：特征参数获取单元10，查询条件构建单元20，孪生模拟单元30，判别单元40，调整优化单元50，桨距角验证单元60。

具体实施方式

本申请实施例通过提供一种基于数字孪生技术的风电设备智能管控方法，解决了传统的风电设备管控方法往往依赖于经验模型和实时监测数据，缺乏全面的预测和优化能力，并且无法全面考虑所有影响因素，使得无法确定最佳桨距角进行变桨的技术问题。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于数字孪生技术的风电设备智能管控方法，所述方法应用于一基于数字孪生技术的风电设备智能管控装置，所述装置包括孪生模型构建模块、孪生模拟模块和管控模块，所述管控模块和目标风电设备的变桨结构通信连接，所述方法包括：

通过孪生模型构建模块，测试采集目标风电设备内多个叶片的特征参数，获得多个叶片特征参数集合，特征参数包括叶片的厚弦比、升力系数、阻力系数、叶型、叶片弦长；

本申请实施例提供的一种基于数字孪生技术的风电设备智能管控方法应用于一基于数字孪生技术的风电设备智能管控装置，所述装置包括孪生模型构建模块、孪生模拟模块和管控模块，所述管控模块和目标风电设备的变桨结构通信连接。

准备一套采集目标风电设备叶片特征参数的测试设备，包括传感器、测量仪器，将测试设备安装到目标风电设备的多个叶片上，通过这些设备，测量和采集叶片的各种特征参数，包括厚弦比、升力系数、阻力系数、叶型以及叶片弦长等，将从每个叶片采集到的特征参数进行记录和整合，形成多个叶片特征参数集合。

其中，叶片的厚弦比是指叶片的最大厚度与其沿着弦线的长度之比，厚弦比可以描述叶片在整个桨距角范围内的厚度变化情况；升力系数是指叶片受到的升力与空气密度、风速平方以及参考面积的乘积之比，升力系数描述了叶片产生升力的效率；阻力系数是指叶片受到的阻力与空气密度、风速平方以及参考面积的乘积之比，阻力系数描述了叶片阻力的大小；叶型是指叶片截面的形状和曲线，叶型直接影响叶片的气动特性；叶片弦长是指叶片沿着弦线的长度，叶片弦长决定了叶片的受力情况和气动特性。

综上所述，叶片的厚弦比、升力系数、阻力系数、叶型和叶片弦长等特征参数都对叶片的气动性能、负荷情况和结构强度有重要影响，在风电设备智能管控中，通过测试和获取这些特征参数，可以更好地了解和控制风电设备的运行状态和变桨调整需求。

根据所述多个叶片特征参数集合，构建查询条件，获取历史同族变桨数据记录，并构建风电变桨孪生模型；

根据多个叶片特征参数集合，构建查询条件，这些查询条件用于在历史数据中筛选出与目标风电设备具有相似叶片特征参数的同族变桨数据记录。应用查询条件，从历史数据记录或风电设备数据库中检索获取包含与目标风电设备叶片特征参数相似的同族变桨数据记录，这些数据记录包括外界的风向信息、风速信息、叶片的桨距角、风电设备的气动转矩和气动功率等相关参数。

利用获取的历史同族变桨数据记录，基于机器学习算法，构建风电变桨孪生模型，通过构建该模型，可以实现对目标风电设备在不同运行状态下的气动转矩和气动功率等关键参数进行预测和模拟，为后续的智能管控和优化决策提供准确的参考和依据。

通过孪生模拟模块，采集当前外界的风向信息和风速信息，结合当前叶片的桨距角，输入所述风电变桨孪生模型进行孪生模拟，获得模拟后的气动转矩和气动功率；

从气象站、传感器网络等，实时采集获取当前外界的风向和风速信息，通过叶片桨距控制系统监测获取当前风电设备叶片的实际桨距角，将采集到的外界风向、风速以及当前叶片的桨距角作为输入参数，传入风电变桨孪生模型进行孪生模拟，在模拟完成后，获得模拟后的气动转矩和气动功率，这些参数反映了风电设备在当前外界条件下的运行情况和负荷状态。

其中，气动转矩是指风电设备叶片在风的作用下产生的扭矩，即风力对叶片的力矩，当风速通过风电设备的叶片时，产生的气流会对叶片表面施加压力，这个压力随着风速和叶片形状的变化而变化，从而导致叶片发生扭转，气动转矩是叶片受到的气流压力在旋转方向上的合力，对整个风电设备的输出功率产生影响；

气动功率指风电设备从风能中转换为机械能的能量，即通过风电设备叶片吸收并利用风能产生的功率，当风通过旋转叶片时，叶片将风能转化为旋转运动，进而驱动发电机产生电能，气动功率取决于风速、叶片的气动特性以及其他因素，是衡量风电设备性能和输出效益的重要指标。

根据模拟结果，故障检测与智能管控系统可以分析和评估实际运行状态，并根据需要对叶片的桨距角进行调整以避免设备过载或风险。

根据合格气动转矩阈值和合格气动功率阈值，对气动转矩和气动功率进行判别，若满足，则不进行管控；

根据风电设备的设计规范、性能要求或运行经验，基于安全性、有效性和经济性，确定合适的合格气动转矩阈值和合格气动功率阈值，即允许的最小和最大气动转矩和气动功率范围。将得到的气动转矩和气动功率数值与预先设定的合格阈值进行比较，若都低于或等于合格阈值，则判定风电设备的气动转矩和气动功率处于合格状态，即在安全和有效的运行范围内，不需要进行进一步的管控调整。

若不满足，则启动所述管控模块，构建约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化，获得最优桨距角；

当检测到气动转矩和气动功率不满足合格条件时，触发启动管控模块，以进一步优化叶片的桨距角。根据设计要求和运行条件，构建适当的约束条件和目标函数，约束条件用于保证优化调整后的桨距角处于安全、稳定范围内，目标函数则用于衡量优化结果的性能指标。对于桨距角的调整优化，使用多个向导粒子和多个精确粒子，将多个初始粒子作为向导粒子，将其他粒子作为精确粒子，每个粒子代表一个可能的桨距角调整方案。利用遗传算法、粒子群优化等优化算法，通过不断迭代调整粒子的位置和速度，找到最优的桨距角组合，通过逐步优化，使得气动转矩和气动功率尽可能接近合格阈值。

采用所述最优桨距角，结合风向信息和风速信息，通过孪生模拟模块进行孪生模拟，对最优桨距角进行验证，在验证成功时，通过管控模块控制变桨结构进行变桨，完成管控；

获取优化过程得到的最优桨距角，这个最优桨距角被认为是在当前外界条件下达到最佳气动转矩和气动功率的配置，获取当前的外界风向和风速信息，将其与最优桨距角一起作为输入参数，将输入参数传入孪生模拟模块中进行孪生模拟，该孪生模拟将风向和风速的变化与给定的最优桨距角相结合，预测和模拟叶片的气动转矩和气动功率，对模拟结果进行验证，如果输出的气动转矩和气动功率满足合格气动转矩阈值和合格气动功率阈值，则验证成功。当验证成功时，触发启动管控模块，通过控制变桨结构来实际调整叶片的桨距角，管控模块将根据验证成功的最优桨距角和当前外界环境信息，确保风电设备在最佳工作状态下稳定运行。

进一步而言，所述方法包括：

根据多个风电设备的运行数据记录，构建风电设备数据库；

根据所述多个叶片特征参数集合，构建查询条件，查询条件内包括多个特征参数；

采用所述查询条件，在所述风电设备数据库内进行查询，获得具有所述多个叶片特征参数集合的风电设备的运行数据，统计作为所述历史同族变桨数据记录，所述历史同族变桨数据记录内包括外界的风向信息、风速信息、叶片的桨距角、风电设备的气动转矩和气动功率。

根据多个风电设备的运行数据记录，建立一个风电设备数据库，这些运行数据记录可以包括每个风电设备的关键参数和指标，如风速、功率输出、桨距角、温度等，将这些数据记录整理并存储在风电设备数据库中。

根据所述多个叶片特征参数集合，构建查询条件，查询条件包含与叶片特征参数相关的限制条件，以便对风电设备数据库进行有针对性的查询，这些特征参数可以是厚弦比、升力系数、阻力系数、叶型、叶片弦长等。

根据构建的查询条件，将其应用于风电设备数据库，执行查询操作，即根据特定的叶片特征参数集合来筛选和提取具有相应特征参数的风电设备的运行数据。获得具有多个叶片特征参数集合的风电设备的运行数据后，对这些数据进行统计和整理，作为历史同族变桨数据记录，该记录将包括外界的风向信息、风速信息、叶片的桨距角以及风电设备的气动转矩和气动功率等关键参数。这些数据记录充当了风电设备不同工况下的参考和基准，为后续智能管控与优化决策提供了重要的数据支持。

进一步而言，所述方法包括：

根据所述多个叶片特征参数集合，构建目标风电设备的叶片三维孪生模型；

对所述历史同族变桨数据记录进行划分，获得历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集；

构建叶片模拟通道，所述叶片模拟通道包括多个叶片模拟路径；

整合所述叶片三维孪生模型和叶片模拟通道，获得所述风电变桨孪生模型。

获取目标风电设备的多个叶片特征参数集合，这些特征参数包括厚弦比、升力系数、阻力系数、叶型、叶片弦长等，利用这些特征参数，基于计算机辅助设计(CAD)或其他相关软件工具，构建目标风电设备的叶片三维孪生模型，此过程中将考虑各个特征参数的影响，以确保模型与实际叶片形状相匹配。

从历史同族变桨数据记录中提取出外界风向的数据，形成历史风向数据集，这些数据可以表示为角度；提取出外界风速的数据，形成历史风速数据集，这些数据以速度单位表示，如米/秒；提取出叶片桨距角的数据，形成历史桨距角数据集，桨距角是指叶片与风主流方向的偏角，用于调整叶片在不同风向和风速条件下的运行状态；提取出风电设备的气动转矩数据，形成历史气动转矩数据集；提取出风电设备的气动功率数据，形成历史气动功率数据集。

根据对外界风向、风速和叶片桨距角等参数的分析，定义多个叶片模拟路径，每个路径代表一种组合，包括不同的风向和风速情况下相应的叶片桨距角，根据所述多个叶片模拟路径构建所述叶片模拟通道。

将叶片三维孪生模型与叶片模拟通道进行整合，这意味着将叶片三维孪生模型中的几何形状、材料属性和结构参数与叶片模拟通道中的叶片模拟路径相对应，获得风电变桨孪生模型，这个模型基于目标风电设备的叶片特征参数集合，结合历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集等进行模拟分析和优化决策。这使得可以将目标风电设备的叶片特征参数与不同运行条件下的历史数据进行模拟联合分析，为风电设备的智能管控、优化和预测提供更准确和可靠的模型支持。

进一步而言，所述方法包括：

基于机器学习，构建多个叶片模拟路径，输入数据为风向信息、风速信息和桨距角，输出数据为气动转矩和气动功率；

对所述历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集进行划分，获得M组训练数据，并分配获得M个第一权值，每个第一权值为1/M；

采用M组训练数据，对多个叶片模拟路径内的第一叶片模拟路径进行训练，并在训练后测试获得测试结果和第一准确率；

根据所述第一准确率和M个第一权值，计算获得M个第二权值，如下式：

其中，w

根据M个第二权值，分配对M组训练数据的训练资源，对第二叶片模拟路径进行训练；

继续对多个叶片模拟路径进行训练完成，获得所述叶片模拟通道。

将历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集整理为一个综合的历史数据集，从综合的历史数据集中，按照随机方法进行划分，从而获得M组训练数据集，每组训练数据集包含风向信息、风速信息、桨距角信息以及相应的气动转矩和气动功率数据。

根据划分的M组训练数据集，分配获得M个第一权值，每个第一权值等于1除以M，即1/M，这样，每组训练数据集被赋予了相同的权值。

从划分的M组训练数据中选取第一叶片模拟路径对应的训练数据，使用选择的机器学习算法对第一叶片模拟路径进行训练，将风向信息、风速信息和桨距角作为输入特征，气动转矩和气动功率作为目标变量进行训练，使用另外的验证数据集对训练好的模型进行测试，并计算出测试结果。通过对比测试结果和实际值，计算第一叶片模拟路径的第一准确率，以此确定第一叶片模拟路径在给定训练数据下的性能表现。

根据测试结果和第一准确率，代入上述公式，计算得到M个第二权值，其中，当模拟值等于真实值时，第二权值随着Q

根据M个第二权值，分配对M组训练数据的训练资源，例如，最小权值对应的训练次数是1，其他训练数据根据权值与最小权值的比值，进行训练次数的取整调整。使用分配给第二叶片模拟路径的训练数据，对该路径进行训练，同样的，将风向信息、风速信息和桨距角作为输入特征，气动转矩和气动功率作为目标变量，应用机器学习算法对其进行训练。

从第三个叶片模拟路径开始，重复上述步骤，逐个遍历剩余的叶片模拟路径，直到所有的叶片模拟路径都训练完成，最终获得所述叶片模拟通道，其中包含了多个经过机器学习训练的叶片模拟路径。

进一步而言，所述方法包括：

根据所述合格气动转矩阈值，构建约束条件，所述约束条件包括进行变桨后，目标风电设备的气动转矩符合所述合格气动转矩阈值；

构建目标函数，如下式：

其中，FIT为适应度，ω

基于所述约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化。

根据合格气动转矩阈值，构建约束条件以确保在进行变桨后，目标风电设备的气动转矩符合阈值，约束条件包括最小气动转矩约束和最大气动转矩约束，以确保气动转矩不低于最小阈值并且不超过最大阈值。约束条件应用于叶片桨距角的调整中，优化算法考虑约束条件，并使得叶片桨距角的调整满足合格气动转矩阈值的要求。

将约束条件和目标函数结合起来形成一个多目标优化问题，目标是在满足约束条件的前提下，最大化目标函数的值。

进一步而言，基于所述约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化，方法包括：

在桨距角的变桨范围内，随机生成多个初始解，作为多个初始粒子；

将多个初始解内的桨距角结合所述风向信息和风速信息，输入孪生模拟模块进行模拟，获得模拟气动转矩和模拟气动功率，在满足约束条件时，计算获得多个初始适应度；

将最大的X个初始适应度对应的X个初始粒子作为向导粒子，将其他的X个初始粒子作为精确粒子，X为大于1的整数；

采用预设步长，对X个向导粒子内的桨距角进行随机调整，获得X个向导迭代解，并模拟计算获得X个向导迭代适应度；

根据所述X个向导迭代适应度和多个初始适应度，分析计算获得寻优方向和X个调整步长；

按照所述寻优方向，采用所述X个调整步长，对X个精确粒子内的桨距角进行调整，获得X个精确迭代解，并模拟计算获得X个精确迭代适应度；

根据X个向导迭代适应度和X个精确迭代适应度的大小，对X个向导粒子和X个精确粒子进行更新；

继续迭代寻优，直到达到预设寻优次数，输出获得所述最优桨距角，所述最优桨距角为寻优过程中适应度最大的粒子内的桨距角。

基于指定的变桨范围，在该范围内生成多个随机初始解，将每个生成的初始解视为一个初始粒子，每个初始粒子代表一个可能的叶片桨距角配置方案。

将每个初始解的桨距角与对应的风向信息和风速信息结合在一起，构成完整的输入数据，输入孪生模拟模块进行模拟，通过仿真方法预测和计算叶片在给定风向和风速下的气动特性，包括气动转矩和气动功率，从孪生模拟模块中获取模拟气动转矩和模拟气动功率的输出结果，对于每个初始解，检查模拟结果是否符合所设定的约束条件，即满足合格气动转矩阈值，对于通过约束条件检查的初始解，根据模拟结果计算出相应的初始适应度。

从所有初始粒子中选取具有最大X个初始适应度的X个初始粒子作为向导粒子，这些粒子在目标函数值上表现最好，具备较高的适应度；将除了已被选择为向导粒子之外的X个初始粒子分配给精确粒子，这些粒子在目标函数值上与向导粒子有一定差距。X为大于1的整数，即至少选择多于一个初始粒子作为向导粒子和精确粒子，选取多个领头粒子有助于增加优化过程中的多样性和全局搜索能力。

设定预设步长，用于桨距角的调整，对于每个向导粒子，在其当前的桨距角基础上，以预设步长为范围内的随机数进行调整，得到X个经过桨距角调整的向导迭代解，将每个经过桨距角调整的向导迭代解，结合风向信息和风速信息，输入到孪生模拟模块进行模拟计算，通过模拟计算，获取对应的模拟气动转矩和模拟气动功率的结果，计算出对应的向导迭代适应度。

对于获得的X个向导粒子的迭代适应度，进行分析和比较，评估向导粒子在模拟气动转矩和气动功率方面的表现，确定哪些向导粒子具有较好的适应度；对于之前计算得到的多个初始解的适应度，同样进行分析和比较，找出哪些初始解具有较高的适应度。

基于对向导迭代适应度和多个初始适应度的分析，判断目前在向导粒子附近是否已经获得了更好的解，根据这一分析结果，确定寻优方向，即决定是基于向导粒子继续进行优化搜索，还是重新选择更有潜力的初始解作为新的向导粒子。

在确定寻优方向后，根据前述分析结果，计算X个粒子的调整步长，这些调整步长可以根据目前的进展和既定的策略确定，例如，如果向导粒子在某一方向上取得了良好的表现，可以加大对应方向的调整步长，以更快地接近最优解。

按照所述寻优方向，根据计算得到的调整步长，将其应用于每个精确粒子的桨距角进行调整，调整可以是增加或减少桨距角，取决于寻优方向以及调整步长的正负，将调整后的精确粒子解与风向信息和风速信息结合在一起，并输入到孪生模拟模块进行模拟计算，得到相应的模拟气动转矩和模拟气动功率结果，计算出对应的精确迭代适应度。

将X个向导粒子的迭代适应度与X个精确粒子的迭代适应度进行比较，选择适应度最佳的X个向导粒子，即具有最高适应度的粒子，作为新一轮迭代中的向导粒子，这些粒子在模拟评估中表现出更好的性能。根据比较结果，更新X个精确粒子，具体的，保留原有的精确粒子，并用向导粒子中相应位置的桨距角值来替换对应精确粒子的桨距角，这样可以借助向导粒子的优秀解进行更新，以提升精确粒子的性能。

根据算法设计，预设寻优过程的迭代次数，根据迭代次数，进行指定次数的寻优迭代，在每一轮迭代中，根据前述步骤更新向导粒子和更新精确粒子进行桨距角的调整和更新。在每一轮迭代后，查找适应度最大的粒子，即具有最高适应度的粒子，将该粒子内的桨距角记录为当前最优桨距角。判断是否达到预设的寻优次数，如果尚未达到，则继续迭代，如已达到，则停止迭代，输出记录的最优桨距角，即在整个寻优过程中具有最高适应度的粒子内的桨距角。

进一步而言，所述方法包括：

计算X个向导迭代适应度与多个初始适应度均值的差值，将最大差值的调整方向作为寻优方向；

分别计算所述X个向导迭代适应度与多个初始适应度的均值的比值，采用X个比值的倒数，对所述预设步长进行计算调整，获得所述X个调整步长。

对多个初始粒子的适应度进行求和，并除以粒子数量，得到多个初始粒子的适应度均值。对于每个向导粒子，将其适应度分别与适应度均值进行差值计算，选择具有最大差值的调整方向作为当前的寻优方向，这个方向表示向导粒子在适应度上相对于多个初始粒子有更好的性能表现。

对于每个向导粒子，将其适应度分别与适应度均值进行比值计算，获得X个比值，对于得到的每个比值，取其倒数，这样可以将比例关系转化为调整因子，根据X个倒数比值的调整因子，对预设步长进行计算调整，例如，将预设步长乘以每个对应比值的倒数来获得每个向导粒子对应的调整步长。

综上所述，本申请实施例所提供的一种基于数字孪生技术的风电设备智能管控方法及系统具有如下技术效果：

1.基于数字孪生技术，利用历史数据构建风电变桨孪生模型，结合实时的风向和风速信息，进行孪生模拟计算，并根据气动转矩和气动功率的判别阈值，实现对风电设备的精确管控和控制策略的调整；

2.采用多个向导粒子和多个精确粒子，通过优化算法优化桨距角配置，以最大化气动转矩和功率输出，有效地提高风电设备的性能和能源利用效率；

3.通过结合最优桨距角、风向信息和风速信息，利用孪生模拟模块进行验证，并实现变桨结构的实时管控，确保风电设备在最佳工作状态下运行。

综上所述，该基于数字孪生技术的风电设备智能管控方法解决了传统管控方法的局限性，提高了风电设备管控精度和能源利用效率，实现了对风电设备的智能管控与优化调整。

实施例二

基于与前述实施例中一种基于数字孪生技术的风电设备智能管控方法相同的发明构思，如图2所示，本申请提供了一种基于数字孪生技术的风电设备智能管控系统，所述系统应用于一基于数字孪生技术的风电设备智能管控装置，所述装置包括孪生模型构建模块、孪生模拟模块和管控模块，所述管控模块和目标风电设备的变桨结构通信连接，所述系统包括：

特征参数获取单元10，所述特征参数获取单元10用于通过孪生模型构建模块，测试采集目标风电设备内多个叶片的特征参数，获得多个叶片特征参数集合，特征参数包括叶片的厚弦比、升力系数、阻力系数、叶型、叶片弦长；

查询条件构建单元20，所述查询条件构建单元20用于根据所述多个叶片特征参数集合，构建查询条件，获取历史同族变桨数据记录，并构建风电变桨孪生模型；

孪生模拟单元30，所述孪生模拟单元30用于通过孪生模拟模块，采集当前外界的风向信息和风速信息，结合当前叶片的桨距角，输入所述风电变桨孪生模型进行孪生模拟，获得模拟后的气动转矩和气动功率；

判别单元40，所述判别单元40用于根据合格气动转矩阈值和合格气动功率阈值，对气动转矩和气动功率进行判别，若满足，则不进行管控；

调整优化单元50，所述调整优化单元50用于若不满足，则启动所述管控模块，构建约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化，获得最优桨距角；

桨距角验证单元60，所述桨距角验证单元60用于采用所述最优桨距角，结合风向信息和风速信息，通过孪生模拟模块进行孪生模拟，对最优桨距角进行验证，在验证成功时，通过管控模块控制变桨结构进行变桨，完成管控。

进一步而言，所述系统还包括历史数据记录获取模块，以执行如下操作步骤：

根据多个风电设备的运行数据记录，构建风电设备数据库；

根据所述多个叶片特征参数集合，构建查询条件，查询条件内包括多个特征参数；

采用所述查询条件，在所述风电设备数据库内进行查询，获得具有所述多个叶片特征参数集合的风电设备的运行数据，统计作为所述历史同族变桨数据记录，所述历史同族变桨数据记录内包括外界的风向信息、风速信息、叶片的桨距角、风电设备的气动转矩和气动功率。

进一步而言，所述系统还包括孪生模型构建模块，以执行如下操作步骤：

根据所述多个叶片特征参数集合，构建目标风电设备的叶片三维孪生模型；

对所述历史同族变桨数据记录进行划分，获得历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集；

构建叶片模拟通道，所述叶片模拟通道包括多个叶片模拟路径；

整合所述叶片三维孪生模型和叶片模拟通道，获得所述风电变桨孪生模型。

进一步而言，所述系统还包括叶片模拟通道建立模块，以执行如下操作步骤：

基于机器学习，构建多个叶片模拟路径，输入数据为风向信息、风速信息和桨距角，输出数据为气动转矩和气动功率；

对所述历史风向数据集、历史风速数据集、历史桨距角数据集、历史气动转矩数据集和历史气动功率数据集进行划分，获得M组训练数据，并分配获得M个第一权值，每个第一权值为1/M；

采用M组训练数据，对多个叶片模拟路径内的第一叶片模拟路径进行训练，并在训练后测试获得测试结果和第一准确率；

根据所述第一准确率和M个第一权值，计算获得M个第二权值，如下式：

/>

其中，w

根据M个第二权值，分配对M组训练数据的训练资源，对第二叶片模拟路径进行训练；

继续对多个叶片模拟路径进行训练完成，获得所述叶片模拟通道。

进一步而言，所述系统还包括调整优化模块，以执行如下操作步骤：

根据所述合格气动转矩阈值，构建约束条件，所述约束条件包括进行变桨后，目标风电设备的气动转矩符合所述合格气动转矩阈值；

构建目标函数，如下式：

其中，FIT为适应度，ω

基于所述约束条件和目标函数，采用多个向导粒子和多个精确粒子，对叶片的桨距角进行调整优化。

进一步而言，所述系统还包括最优桨距角获取模块，以执行如下操作步骤：

在桨距角的变桨范围内，随机生成多个初始解，作为多个初始粒子；

将多个初始解内的桨距角结合所述风向信息和风速信息，输入孪生模拟模块进行模拟，获得模拟气动转矩和模拟气动功率，在满足约束条件时，计算获得多个初始适应度；

将最大的X个初始适应度对应的X个初始粒子作为向导粒子，将其他的X个初始粒子作为精确粒子，X为大于1的整数；

采用预设步长，对X个向导粒子内的桨距角进行随机调整，获得X个向导迭代解，并模拟计算获得X个向导迭代适应度；

根据所述X个向导迭代适应度和多个初始适应度，分析计算获得寻优方向和X个调整步长；

按照所述寻优方向，采用所述X个调整步长，对X个精确粒子内的桨距角进行调整，获得X个精确迭代解，并模拟计算获得X个精确迭代适应度；

根据X个向导迭代适应度和X个精确迭代适应度的大小，对X个向导粒子和X个精确粒子进行更新；

继续迭代寻优，直到达到预设寻优次数，输出获得所述最优桨距角，所述最优桨距角为寻优过程中适应度最大的粒子内的桨距角。

进一步而言，所述系统还包括调整步长获取模块，以执行如下操作步骤：

计算X个向导迭代适应度与多个初始适应度均值的差值，将最大差值的调整方向作为寻优方向；

分别计算所述X个向导迭代适应度与多个初始适应度的均值的比值，采用X个比值的倒数，对所述预设步长进行计算调整，获得所述X个调整步长。

本说明书通过前述对一种基于数字孪生技术的风电设备智能管控方法的详细描述，本领域技术人员可以清楚得知道本实施例中一种基于数字孪生技术的风电设备智能管控方法及系统，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，所以描述得比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。