本技术涉及风电，尤其涉及一种基于实测载荷数据的风电机组方位角计算方法及装置。
背景技术：
1、在风机运行过程中，同一时刻不同叶片所处的位置不同，方位角不同，而方位角的变化会导致叶片摆振载荷和挥舞载荷在不同位置的差异，方位角大小将直接影响叶片的受力状态，从而对风机整体的发电性能产生显著影响。目前大多数风机scada系统并不提供方位角数据，而获取方位角数据的传统方法主要依赖于安装实测传感器。这种方法不仅增加了设备成本，还会给风机的维护和运行带来不便。此外，传感器的安装和维护存在技术挑战，尤其是在恶劣环境条件下，这进一步限制了该方法的广泛应用。
2、现有技术中，还没有一种无需额外传感器即可对风机方位角进行准确重构的方法。考虑到风机方位角与部分scada数据与实测载荷数据之间存在强相关性，如果能够通过对风机样机安装实测载荷传感器，结合风机scada数据，构建方位角-载荷模型，预测样机方位角时序序列，结合同型号风机性能表现大致相同的特点可以将该计算方法推广到风场其他同型号未安装传感器的风机上，将大大降低获取方位角数据的成本和复杂性。
技术实现思路
1、针对风电场现有获取方位角数据的传统方法主要依赖于安装实测传感器的问题，本技术提供了一种基于实测载荷数据的风电机组方位角计算方法及装置，通过对风机样机安装传感器，构建理论模型，预测风电场同型号未安装传感器的风机方位角数据。
2、根据本技术的第一方面，提供了一种基于实测载荷数据的风电机组方位角计算方法，该方法包括：
3、基于皮尔逊相关系数分析scada系统参数以及实测载荷数据与方位角的相关性，确定强相关参数；
4、根据所述强相关参数，对预先构建moderntcn神经网络模型进行训练，得到训练好的moderntcn神经网络模型；
5、根据所述训练好的moderntcn神经网络模型，预测风机运行过程中方位角与其初始位置的差值；
6、根据所述差值，通过傅里叶级数拟合载荷曲线，得到预测的方位角-载荷模型；
7、根据预测的方位角-载荷模型与实测方位角-载荷模型得到风机初始位置未知方位角，从而确定整个风机运行过程中的方位角时间序列。
8、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于皮尔逊相关系数分析scada系统参数以及实测载荷数据与方位角的相关性，确定强相关参数，包括：
9、获取scada系统中与方位角相关的所有参数数据以及基于传感器的实测载荷数据，并对所述参数数据和载荷数据进行预处理；
10、根据所述预处理后的参数数据和载荷数据，计算各数据与方位角的皮尔逊相关系数；
11、根据各数据与方位角的皮尔逊相关系数，判断各数据与方位角的相关性强度，确定强相关参数。
12、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据各数据与方位角的皮尔逊相关系数，判断各数据与方位角的相关性强度，包括：
13、若皮尔逊相关系数位于第一系数阈值和1之间或者等于第一系数阈值时，则该数据与方位角之间为强正相关；
14、若皮尔逊相关系数位于第一系数阈值和第二系数阈值之间，则该数据与方位角之间为弱相关；
15、若皮尔逊相关系数位于第二系数阈值和-1之间或者等于第二系数阈值时，则该数据与方位角之间为强负相关；
16、其中，1>第一系数阈值>0>第二系数阈值>-1。
17、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述强相关参数包括叶片挥舞载荷、叶片摆振载荷、轮毂风速、风轮转速。
18、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述强相关参数，对预先构建moderntcn神经网络模型进行训练，包括：
19、将所述叶片挥舞载荷数据、叶片摆振载荷数据、轮毂风速数据、风轮转速数据传递到所述moderntcn神经网络模型的输入层，其中，所述moderntcn神经网络模型至少包括一个时间卷积块；
20、所述moderntcn神经网络模型的输入层进行数据预处理，形成时间序列样本，并通过时间卷积块提取所述序列样本在不同时间尺度上的特征信息；
21、根据所述序列样本在不同时间尺度上的特征信息，对所述预先构建moderntcn神经网络模型进行训练。
22、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述序列样本在不同时间尺度上的特征信息，对所述预先构建moderntcn神经网络模型进行训练，包括：
23、根据所述序列样本在不同时间尺度上的特征信息，建立预测方位角与实际方位角之间的损失函数；
24、通过最小化所述损失函数，调整所述时间卷积块中卷积层的权重参数，学习输入参数与方位角变化量之间的非线性关系。
25、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述差值，通过傅里叶级数拟合载荷曲线，得到预测的方位角-载荷模型，包括：
26、根据所述风机运行过程中方位角与其初始位置的差值，通过最小二乘法确定傅里叶系数；
27、根据傅里叶系数和所述差值，确定预测的方位角-载荷模型。
28、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据预测的方位角-载荷模型与实测方位角-载荷模型得到风机初始位置未知方位角，从而确定整个风机运行过程中的方位角时间序列，包括：
29、将预测的方位角-载荷模型与实测方位角-载荷模型相结合，确定预测的方位角-载荷模型与实测方位角-载荷模型之间的数学表达式；
30、根据所述预测的方位角-载荷模型与实测方位角-载荷模型之间的数学表达式，计算得到风机初始位置未知方位角；
31、根据所述风机初始位置未知方位角，确定整个风机运行过程中的方位角时间序列。
32、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预测的方位角-载荷模型与实测方位角-载荷模型之间的数学表达式为：
33、；
34、其中， 为实测方位角，为实测方位角-载荷模型；为预测方位角，为预测方位角-载荷模型在考虑初始位置方位角的情况下得到的与实测方位角-载荷模型在数学参数模型上重合的结果；为初始位置未知方位角。
35、根据本技术的第二方面，提供了一种基于实测载荷数据的风电机组方位角计算装置。该装置包括：
36、强相关参数确定模块，用于基于皮尔逊相关系数分析scada系统参数以及实测载荷数据与方位角的相关性，确定强相关参数；
37、模型训练模块，用于根据所述强相关参数，对预先构建moderntcn神经网络模型进行训练，得到训练好的moderntcn神经网络模型；
38、方位角差值预测模块，用于根据所述训练好的moderntcn神经网络模型，预测风机运行过程中方位角与其初始位置的差值；
39、方位角-载荷曲线模拟模块，用于根据所述差值，通过傅里叶级数拟合载荷曲线，得到预测的方位角-载荷模型；
40、方位角时间序列确定模块，用于根据预测的方位角-载荷模型与实测方位角-载荷模型得到风机初始位置未知方位角，从而确定整个风机运行过程中的方位角时间序列。
41、根据本技术的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
42、根据本技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本技术的第一方面的方法。
43、本发明提供的基于实测载荷数据的风电机组方位角计算方法，利用风机同型号性能表现大致相同的特性，结合安装有载荷传感器与方位角传感器的风机样机的数据，在无需额外传感器的情况下，通过神经网络模型实现风场其他同型号风机方位角的准确预测。首先，利用皮尔逊相关系数分析scada系统中的风速、挥舞摆振载荷和转速均值等参数与方位角的相关性，选择强相关参数作为输入，构建moderntcn神经网络模型，预测一定时间内的方位角差值。通过实测数据对模型进行训练与验证，结合方位角-载荷模型推断出初始方位角，进而得到风机运行全过程中的方位角时间序列。弥补了传统风机领域方位角理论计算方法的不足，为风机系统运行状态监测提供了技术支持。
44、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本技术的实施例的关键或重要特征，亦非用于限制本技术的范围。本技术的其它特征将通过以下的描述变得容易理解。
1.一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，包括：
2.根据权利要求1所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述基于皮尔逊相关系数分析scada系统参数以及实测载荷数据与方位角的相关性，确定强相关参数，包括：
3.根据权利要求2所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述根据各数据与方位角的皮尔逊相关系数，判断各数据与方位角的相关性强度，包括：
4.根据权利要求2所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述强相关参数包括叶片挥舞载荷、叶片摆振载荷、轮毂风速、风轮转速。
5.根据权利要求4所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述根据所述强相关参数，对预先构建moderntcn神经网络模型进行训练，包括：
6.根据权利要求5所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述根据所述序列样本在不同时间尺度上的特征信息，对所述预先构建moderntcn神经网络模型进行训练，包括：
7.根据权利要求1所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述根据所述差值，通过傅里叶级数拟合载荷曲线，得到预测的方位角-载荷模型，包括：
8.根据权利要求1所述的方法，其特征在于，所述根据预测的方位角-载荷模型与实测方位角-载荷模型得到风机初始位置未知方位角，从而确定整个风机运行过程中的方位角时间序列，包括：
9.根据权利要求8所述的一种基于实测载荷数据的风电机组方位角计算方法，其特征在于，所述预测的方位角-载荷模型与实测方位角-载荷模型之间的数学表达式为：
10.一种基于实测载荷数据的风电机组方位角计算装置，包括：
