[发明专利]风电机组的应力预测的方法、装置、存储介质和系统

权利要求书

1.一种风电机组的应力预测的方法，其特征在于，包括以下步骤：

采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；

将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置；

根据所述当前应力极值位置选择与其对应的极值神经网络模型；

将所述在当前载荷工况下相互耦合的多个所述当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值。

2.根据权利要求1所述的方法，其特征在于，将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置包括：

所述位置神经网络模型基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；

对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置。

3.根据权利要求1所述的方法，其特征在于，将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值包括：

所述极值神经网络模型基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；

对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置的当前应力极值。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述位置神经网络模型或所述极值神经网络模型包括：

数据输入层、数据隐藏层和数据输出层。

5.根据权利要求4所述的方法，其特征在于，其中：

在所述数据输入层，基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；

在数据隐藏层，对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算得到计算结果；

在所述数据输出层，输出所述计算结果。

6.根据权利要求5所述的方法，其特征在于，所述位置神经网络模型或所述极值神经网络模型包括：

RBF神经网络模型。

7.根据权利要求6所述的方法，其特征在于，在所述数据输入层基于输入的所述相互耦合的多个当前载荷分量进行非线性变换包括：

基于Guass函数或Sigmoidal函数作为基函数对输入的所述相互耦合的多个当前载荷分量进行非线性变换。

8.根据权利要求1所述的方法，其特征在于，多个所述当前载荷分量包括以下分量中的两种或者两种以上：

多维空间中的各个方向的当前弯矩以及各个方向的当前受力值。

9.一种风电机组的应力预测的装置，其特征在于，包括：

分量采集模块，用于采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；

位置预测模块，用于将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置；

模型选择模块，用于根据所述当前应力极值位置选择与其对应的极值神经网络模型；

极值预测模块，用于将所述在当前载荷工况下相互耦合的多个所述当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值。

10.根据权利要求9所述的装置，其特征在于，所述位置预测模块包括：

第二变换单元，用于由所述位置神经网络模型基于输入的相互耦合的多个当前载荷分量进行非线性变换；

第二计算单元，用于对经过所述非线性变换的相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置。