CN119813852A - 一种交直流发电机调节器控制方法、系统、设备及介质 - Google Patents

Abstract

本申请涉及一种交直流发电机调节器控制方法、系统、设备及介质，该方法包括获取发电机实时负荷数据和所处环境数据，对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；根据负载预测结果，生成发电机的初步控制策略；利用数字孪生条件构建发电机的虚拟模型，模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略；基于发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对发电机的运行参数进行调节，以实现平稳高效的运行。本申请具有提升发电机的调节精度的效果。

Description

一种交直流发电机调节器控制方法、系统、设备及介质

技术领域

本申请涉及电力电子变换技术领域，尤其是涉及一种交直流发电机调节器控制方法、系统、设备及介质。

背景技术

近年来，随着电力需求的增长和技术的进步，发电机技术得到了快速发展。传统的发电机调节器多采用模拟电路设计，模拟调节器通过使用电阻、电容等元件组成的反馈回路来实现电压调节，具有成本低、结构简单的优点，但抗干扰能力弱，调节精度不高，难以适应复杂的工作环境。

上述中的现有技术方案存在以下缺陷：现有的发电机调节器普遍存在调节精度不高、响应速度慢的问题，尤其是在负载变化剧烈的情况下，传统调节器很难迅速调整输出电压，导致系统性能下降，因此存在改善空间。

发明内容

为了提升发电机的调节精度，本申请提供一种交直流发电机调节器控制方法、系统、设备及介质。

本申请的上述发明目的一是通过以下技术方案得以实现的：

一种交直流发电机调节器控制方法，所述一种交直流发电机调节器控制方法包括：

获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

根据所述负载预测结果，生成所述发电机的初步控制策略；

利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略；

基于所述发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对所述发电机的运行参数进行调节，以实现平稳高效的运行。

通过采用上述技术方案，通过实时获取发电机的负荷和环境数据，并应用滤波除杂算法进行数据预处理，有效去除噪声和干扰，提高数据的准确性和可靠性；利用预处理后的数据输入到训练好的负荷预测模型中，通过比对分析获得准确的负载预测结果，能够提前预见发电机未来的负荷变化趋势，为控制策略的制定提供科学依据，提升发电机的响应速度和适应能力；基于负载预测结果，制定初步的控制策略，确保发电机在预测的负荷变化下能够进行有效调整，有助于实现发电机的平稳运行，避免因负荷波动引起的运行不稳定或效率下降；通过数字孪生技术构建发电机的虚拟模型，在虚拟环境中模拟不同负荷和运行条件下的发电机状态，利用虚拟仿真数据对初步控制策略的参数进行优化，生成更加精确和高效的优化控制策略，能够在实际应用前进行充分测试和调整，减少实际运行中的风险，提高控制策略的有效性和适应性；采用自适应抗干扰控制与模糊控制算法，根据优化后的控制策略动态调节发电机的运行参数，不仅能够有效应对外部干扰和内部负荷变化，保持发电机运行的稳定性，还能提升发电机的运行效率，实现平稳高效的整体运行。

本申请在一较佳示例中可以进一步配置为：所述获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据包括：

应用卡尔曼滤波算法对发电机实时负荷数据进行噪声抑制和信号平滑处理，以去除高频干扰信号，得到预处理后的负荷数据；

利用中值滤波技术对所处环境数据中的异常值进行剔除，得到预处理后的环境数据；

实施归一化处理，将所述预处理后的负荷数据和所述预处理后的环境数据进行标准化处理，得到所述预处理后的数据。

通过采用上述技术方案，通过应用卡尔曼滤波进行负荷数据的噪声抑制和信号平滑处理，利用中值滤波剔除环境数据中的异常值，以及实施数据归一化处理，有显著提升数据的准确性、可靠性和一致性，为后续的负载预测、资源动态分配以及系统优化提供坚实的数据基础，进而提高机柜在多任务负载下的高效运行能力和资源利用率。

本申请在一较佳示例中可以进一步配置为：所述在所述将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果之前，所述一种交直流发电机调节器控制方法还包括：

获取历史负荷数据和历史环境参数，通过对所述历史负荷数据和所述历史环境参数进行特征提取，生成输入特征集；

基于所述输入特征集，采用长短期记忆网络与神经网络模型相结合的方式对基础模型进行训练，得到负荷预测模型；

通过交叉验证优化所述负荷预测模型的参数，得到所述预先训练好的负荷预测模型。

通过采用上述技术方案，通过对历史负荷数据和环境参数进行特征提取以生成输入特征集，采用长短期记忆网络与神经网络模型相结合进行基础模型训练，以及通过交叉验证优化模型参数，有显著提升负荷预测模型的准确性、鲁棒性和泛化能力，确保在不同环境条件下均能提供可靠的负荷预测结果，从而优化发电机的运行调度和资源分配，提高系统整体的运行效率和稳定性。

本申请在一较佳示例中可以进一步配置为：所述将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果包括：

通过多层神经网络结构来捕捉所述预处理数据中负荷变化的时序规律，得到负荷变化规律；

利用所述预先训练好的负荷预测模型内部的权重和参数对所述预处理后的数据进行计算，并结合所述负荷变化规律，得到所述负载预测结果。

通过采用上述技术方案，通过多层神经网络结构捕捉预处理数据中的负荷变化时序规律，并利用预先训练好的负荷预测模型的权重和参数结合负荷变化规律进行计算，有显著提升负载预测的准确性和模型的适应性，能够更精准地反映负荷的动态变化趋势，从而为发电机的运行调度和资源优化提供更加可靠的预测支持，提升系统的整体效率和稳定性。

本申请在一较佳示例中可以进一步配置为：所述根据所述负载预测结果，生成所述发电机的初步控制策略包括：

基于所述负载预测结果，生成下一时间段的负荷趋势图，并针对所述下一时间段的负荷趋势图中的突变点和异常波动进行标注并记录；

根据所述下一时间段内的负荷趋势图，生成所述发电机的初步控制策略，所述发电机的初步控制策略包括调节所述发电机的输出功率、调整所述发电机的励磁电流以及调节所述发电机的频率输出。

通过采用上述技术方案，通过生成负荷趋势图并标注异常波动，以及制定发电机的初步控制策略，有显著提升电力系统的监控能力和运行效率，增强系统的稳定性和可靠性，确保发电机能够快速、准确地响应负荷变化，优化资源分配，提高整体电力系统的运行性能。

本申请在一较佳示例中可以进一步配置为：所述利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略包括：

建立与所述发电机的物理特性相匹配的虚拟模型，所述发电机的物理特性包括单不限于电气参数、机械参数和热参数；

在虚拟环境中，模拟所述发电机在不同负荷和工况下的运行状态，记录负荷变化对所述发电机的电压、电流和温度的影响，并利用遗传算法和粒子群优化算法对所述初步控制策略的参数进行迭代优化，生成所述发电机的优化策略。

通过采用上述技术方案，通过建立与发电机物理特性相匹配的虚拟模型，以及在虚拟环境中模拟运行状态并利用遗传算法和粒子群优化算法优化控制策略，有显著提升发电机的运行效率和系统的稳定性，优化控制策略使发电机能够在各种负荷和工况下保持稳定运行，降低能耗和维护成本，提高电力系统的整体性能。

本申请在一较佳示例中可以进一步配置为：所述一种交直流发电机调节器控制方法还包括：

通过分析所述发电机的实时电压、电流、温度和功率，结合所述负载预测结果，确定所述发电机的工作状态；

根据所述发电机的工作状态，启动多层级保护机制，并利用模糊逻辑和自适应算法调节所述发电机的运行模式。

通过采用上述技术方案，通过分析发电机的实时电压、电流、温度和功率，结合负载预测结果，以及启动多层级保护机制并利用模糊逻辑和自适应算法调节运行模式，有显著提升了发电机的运行安全性和效率，增强了电力系统的稳定性和可靠性，确保在各种负荷和工况下发电机能够高效、稳定地运行，降低故障风险，优化能源利用。

本申请的上述发明目的二是通过以下技术方案得以实现的：

一种交直流发电机调节器控制系统，所述一种交直流发电机调节器控制系统包括：

获取数据模块，用于获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

比对分析模块，用于将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

生成初步策略模块，用于根据所述负载预测结果，生成所述发电机的初步控制策略；

优化策略模块，用于利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略；

调节模块，用于基于所述发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对所述发电机的运行参数进行调节，以实现平稳高效的运行。

通过采用上述技术方案，通过实时获取发电机的负荷和环境数据，并应用滤波除杂算法进行数据预处理，有效去除噪声和干扰，提高数据的准确性和可靠性；利用预处理后的数据输入到训练好的负荷预测模型中，通过比对分析获得准确的负载预测结果，能够提前预见发电机未来的负荷变化趋势，为控制策略的制定提供科学依据，提升发电机的响应速度和适应能力；基于负载预测结果，制定初步的控制策略，确保发电机在预测的负荷变化下能够进行有效调整，有助于实现发电机的平稳运行，避免因负荷波动引起的运行不稳定或效率下降；通过数字孪生技术构建发电机的虚拟模型，在虚拟环境中模拟不同负荷和运行条件下的发电机状态，利用虚拟仿真数据对初步控制策略的参数进行优化，生成更加精确和高效的优化控制策略，能够在实际应用前进行充分测试和调整，减少实际运行中的风险，提高控制策略的有效性和适应性；采用自适应抗干扰控制与模糊控制算法，根据优化后的控制策略动态调节发电机的运行参数，不仅能够有效应对外部干扰和内部负荷变化，保持发电机运行的稳定性，还能提升发电机的运行效率，实现平稳高效的整体运行。

本申请的上述目的三是通过以下技术方案得以实现的：

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种交直流发电机调节器控制方法的步骤。

本申请的上述目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种交直流发电机调节器控制方法的步骤。

综上所述，本申请包括以下至少一种有益技术效果：

1、通过实时获取发电机的负荷和环境数据，并应用滤波除杂算法进行数据预处理，有效去除噪声和干扰，提高数据的准确性和可靠性；利用预处理后的数据输入到训练好的负荷预测模型中，通过比对分析获得准确的负载预测结果，能够提前预见发电机未来的负荷变化趋势，为控制策略的制定提供科学依据，提升发电机的响应速度和适应能力；基于负载预测结果，制定初步的控制策略，确保发电机在预测的负荷变化下能够进行有效调整，有助于实现发电机的平稳运行，避免因负荷波动引起的运行不稳定或效率下降；

2、通过数字孪生技术构建发电机的虚拟模型，在虚拟环境中模拟不同负荷和运行条件下的发电机状态，利用虚拟仿真数据对初步控制策略的参数进行优化，生成更加精确和高效的优化控制策略，能够在实际应用前进行充分测试和调整，减少实际运行中的风险，提高控制策略的有效性和适应性；采用自适应抗干扰控制与模糊控制算法，根据优化后的控制策略动态调节发电机的运行参数，不仅能够有效应对外部干扰和内部负荷变化，保持发电机运行的稳定性，还能提升发电机的运行效率，实现平稳高效的整体运行。

附图说明

图1是本申请一实施例中一种交直流发电机调节器控制方法的一流程图；

图2是本申请一实施例中一种交直流发电机调节器控制方法中步骤S10的实现流程图；

图3是本申请一实施例中一种交直流发电机调节器控制方法中步骤S20的另一实现流程图；

图4是本申请一实施例中一种交直流发电机调节器控制方法中步骤S20的实现流程图；

图5是本申请一实施例中一种交直流发电机调节器控制方法中步骤S30的实现流程图；

图6是本申请一实施例中一种交直流发电机调节器控制方法中步骤S40的实现流程图；

图7是本申请一实施例中一种交直流发电机调节器控制方法的另一实现流程图；

图8是本申请一实施例中一种交直流发电机调节器控制系统的一原理框图；

图9是本申请一实施例中的设备示意图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

在一实施例中，如图1所示，本申请公开了一种交直流发电机调节器控制方法，具体包括如下步骤：

S10：获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据。

具体地，通过传感器实时采集发电机的关键运行数据和环境数据，如电压、电流、功率、温度、湿度、气压等，为了提高数据质量，采用滤波除杂算法进行预处理，如假设系统检测到负荷电流数据为5A、5.1A、5.4A、10A、5.2A，应用中值滤波后，异常值10A会被过滤，得到平滑后的电流数据，确保后续计算的准确性，最终得到预处理后的数据。

S20：将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果。

具体地，将预处理后的数据传输到事先训练好的负荷预测模型中，模型可以使用深度学习算法（如LSTM网络）进行训练，主要目的是根据负荷的历史数据和当前实时数据，预测未来的负荷变化趋势，预测模型通过时间序列特征，捕捉负荷变化的规律，从而提供未来一段时间内的负荷预测结果，如在当前条件下，模型预测到未来10分钟内负荷会增至10A。这个预测结果可以帮助控制策略提前准备，确保发电机可以平稳应对即将到来的负荷变化。

S30：根据负载预测结果，生成发电机的初步控制策略。

具体地，负载预测结果用于生成发电机的初步控制策略，控制策略包括调整发电机的输出功率、励磁电流和频率，以适应未来的负荷需求，具体来说，如果负荷预测模型显示未来负荷将增大，控制策略会相应提升功率输出；如果负荷减小，则降低功率输出，以避免能源浪费，如预测显示未来负荷将增至10A，初步控制策略会将发电机的输出功率提高到12kW，并适当增加励磁电流，以确保电压稳定。

S40：利用数字孪生条件构建发电机的虚拟模型，通过虚拟环境模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略。

具体地，在数字孪生条件下，创建一个虚拟模型，使其能够准确反映发电机的物理特性，通过虚拟模型，可以在不同负荷和工况下模拟发电机的运行状态，观察负荷变化对发电机电压、电流、温度等参数的影响，并通过遗传算法或粒子群优化算法对初步控制策略进行迭代优化，得到更优的控制策略，使发电机能够高效运行，就如在虚拟模型中模拟负荷增至10A时的工况，观察电压、电流波动情况，并逐步优化初步控制策略，最终生成一个最佳策略，使发电机在10A负荷时以最优能效运行。

S50：基于发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对发电机的运行参数进行调节，以实现平稳高效的运行。

具体地，在发电机实际运行中，使用自适应抗干扰控制与模糊控制算法来实现精细化调节，自适应抗干扰控制可以消除运行中的外界干扰，保持稳定的输出，通过设定不同负荷和环境条件下的模糊规则，动态调整发电机参数，如当实际负荷达到10A后，由于环境温度突然升高，发电机内部温度增加，模糊控制检测到温度变化，自动调整励磁电流，确保输出电压稳定，同时，自适应抗干扰控制检测到外部负荷波动，进一步优化控制策略，防止频率波动，使其在负荷波动下也能维持平稳运行，适应负荷的复杂变化。

通过采用上述技术方案，通过实时获取发电机的负荷和环境数据，并应用滤波除杂算法进行数据预处理，有效去除噪声和干扰，提高数据的准确性和可靠性；利用预处理后的数据输入到训练好的负荷预测模型中，通过比对分析获得准确的负载预测结果，能够提前预见发电机未来的负荷变化趋势，为控制策略的制定提供科学依据，提升发电机的响应速度和适应能力；基于负载预测结果，制定初步的控制策略，确保发电机在预测的负荷变化下能够进行有效调整，有助于实现发电机的平稳运行，避免因负荷波动引起的运行不稳定或效率下降；通过数字孪生技术构建发电机的虚拟模型，在虚拟环境中模拟不同负荷和运行条件下的发电机状态，利用虚拟仿真数据对初步控制策略的参数进行优化，生成更加精确和高效的优化控制策略，能够在实际应用前进行充分测试和调整，减少实际运行中的风险，提高控制策略的有效性和适应性；采用自适应抗干扰控制与模糊控制算法，根据优化后的控制策略动态调节发电机的运行参数，不仅能够有效应对外部干扰和内部负荷变化，保持发电机运行的稳定性，还能提升发电机的运行效率，实现平稳高效的整体运行。

在一实施例中，如图2所示，在步骤S10中，即获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据，具体包括：

S11：应用卡尔曼滤波算法对发电机实时负荷数据进行噪声抑制和信号平滑处理，以去除高频干扰信号，得到预处理后的负荷数据。

具体地，应用卡尔曼滤波算法对发电机实时负荷数据进行噪声抑制和信号平滑处理，对于发电机实时负荷数据（如电流、电压等），卡尔曼滤波可以在噪声较多的环境下过滤掉高频干扰信号，同时保留数据的趋势信息，以去除高频干扰信号，最终得到预处理后的负荷数据。

S12：利用中值滤波技术对所处环境数据中的异常值进行剔除，得到预处理后的环境数据。

具体地，利用中值滤波技术对所处环境数据中的异常值进行剔除，在处理中，取一段时间窗口内的环境数据并计算其中位数，用中位数来代替异常值，即选择一个合适的窗口，计算窗口内的数据中位数，并以中位数代替窗口中心位置的值，从而平滑数据流，经过处理后得到预处理后的环境数据。

S13：实施归一化处理，将预处理后的负荷数据和预处理后的环境数据进行标准化处理，得到预处理后的数据。

具体地，实施归一化处理，将预处理后的负荷数据和预处理后的环境数据进行标准化处理，将数据缩放到一个固定范围内，通常为[0,1]或[-1,1]，让不同来源、不同量纲的数据可以在统一范围内比较，防止因数据的单位不同而影响模型的准确性，在归一化处理后得到预处理后的数据。

在一实施例中，如图3所示，在步骤S20中，即将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果之前，该一种交直流发电机调节器控制方法还包括：

S201：获取历史负荷数据和历史环境参数，通过对历史负荷数据和历史环境参数进行特征提取，生成输入特征集。

具体地，收集发电机在不同时间段的历史负荷数据和历史环境参数，这些历史数据反映了发电机在不同负荷条件下的运行状态和受外界环境影响的变化规律，通过对历史数据的特征提取，采用统计学方法，如计算负荷数据的平均值、最大值、最小值、标准差等，或通过时间序列分析获取周期性、趋势性特征，将历史负荷和环境数据中的关键特征组合成一个特征集，特征集可以包含如“上一小时的平均负荷”、“过去一天的温度变化率”等特征，以帮助模型学习到负荷与环境之间的关系，最终得到预测模型的输入特征集。

S202：基于输入特征集，采用长短期记忆网络与神经网络模型相结合的方式对基础模型进行训练，得到负荷预测模型。

具体地，将生成的输入特征集输入到深度学习模型进行训练，采用长短期记忆网络与神经网络模型相结合的方式对基础模型进行训练，首先将特征集输入到LSTM层，LSTM层会学习时间序列数据的长期依赖性特征，然后，LSTM的输出可以传递给MLP网络进一步处理，从而获得更加丰富的特征表示，模型通过输入大量的历史数据进行训练，以使其学习到负荷和环境的变化规律，并在训练过程采用反向传播算法来不断调整模型的权重，减少预测误差，最终训练得到负荷预测模型。

S203：通过交叉验证优化负荷预测模型的参数，得到预先训练好的负荷预测模型。

具体地，在模型训练完成后，进行交叉验证以优化模型参数，交叉验证是将数据集分成若干份，每次使用其中一份作为测试集，其余的作为训练集，反复进行训练和验证，在交叉验证过程中，不断调整模型的超参数，如LSTM层数、神经元个数、学习率等，最终选择使得预测误差最小的参数组合作为模型的最终参数，优化得到预先训练好的负荷预测模型。

在一实施例中，如图4所示，在步骤S20中，即将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果，具体包括：

S21：通过多层神经网络结构来捕捉预处理数据中负荷变化的时序规律，得到负荷变化规律。

具体地，将预处理后的负荷数据输入到神经网络中，将数据整理成时间步长的序列，例如每小时、每天或每周的负荷数据，训练完成的多层神经网络能够提取负荷数据中的时序特征，假设我们有一组连续的发电机负荷数据（如电流）[8A, 10A, 12A, 11A, 13A,15A]。利用LSTM模型的多层结构，第一层捕捉短期变化，如每两个时刻之间的负荷波动；第二层进一步整合短期变化的结果，识别出长期趋势，例如负荷总体呈现增加趋势，通过多层LSTM的处理，模型会“学习”到负荷在不同时间下的递增特性，最终生成负荷变化规律的表示。

S22：利用预先训练好的负荷预测模型内部的权重和参数对预处理后的数据进行计算，并结合负荷变化规律，得到负载预测结果。

具体地，将预处理后的负荷数据和环境数据按照模型要求的格式输入，例如张量形状、批次大小等，通过模型的前向传播过程，利用加载的权重和参数对输入数据进行计算，得到初步的负荷预测结果，将第一步中提取的负荷变化规律与预训练模型的输出结合，如将时序特征与模型的中间层输出或最终输出进行融合，作为最终预测的输入或根据负荷变化规律对预测结果进行调整，例如使用加权平均的方法结合两者的输出，最终生成负载预测结果。

在一实施例中，如图5所示，在步骤S30中，即根据负载预测结果，生成发电机的初步控制策略，具体包括：

S31：基于负载预测结果，生成下一时间段的负荷趋势图，并针对下一时间段的负荷趋势图中的突变点和异常波动进行标注并记录。

具体地，通过负荷预测模型获得未来一段时间，如未来几分钟或几小时的负荷预测结果，将这些数据点绘制成趋势图，以直观展示负荷的变化情况，并在趋势图中标记出负荷变化的突变点和异常波动，如负荷突然上升或下降的点与正常波动幅度相比较大的变化，这些点通常是负荷调整策略的关键节点，例如，绘制趋势图后发现，在前30分钟内负荷逐渐增加到峰值25A，而随后30分钟负荷逐渐下降，这时，可以将负荷迅速上升至25A的点和随后的下降点标注为突变点。

S32：根据下一时间段内的负荷趋势图，生成发电机的初步控制策略，发电机的初步控制策略包括调节发电机的输出功率、调整发电机的励磁电流以及调节发电机的频率输出。

具体地，根据下一时间段内的负荷趋势图，生成发电机的初步控制策略，例如，当预测到负荷上升时，增加发电机的功率输出；当负荷预测下降时，减少功率输出，避免能量浪费，当负荷增加时，适当增加励磁电流，以保持电压稳定；当负荷下降时，减少励磁电流，防止电压过高；在负荷突变或异常波动时，可以适当调整发电机的频率输出，以稳定发电系统的频率，确保输出电力质量。

在一实施例中，如图6所示，在步骤S40中，即利用数字孪生条件构建发电机的虚拟模型，通过虚拟环境模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略，具体包括：

S41：建立与发电机的物理特性相匹配的虚拟模型，发电机的物理特性包括单不限于电气参数、机械参数和热参数。

具体地，选择适合的仿真软件，如MATLAB/Simulink、ANSYS、PSS/E等，用于建立发电机的虚拟模型，建立与所述发电机的物理特性相匹配的虚拟模型，所述发电机的物理特性包括但不限于电气参数、机械参数和热参数，通过与实际发电机运行数据对比，调整模型参数，确保虚拟模型能够准确反映发电机的物理特性，并进行多次仿真测试，验证模型在不同工况下的准确性和稳定性。

S42：在虚拟环境中，模拟发电机在不同负荷和工况下的运行状态，记录负荷变化对发电机的电压、电流和温度的影响，并利用遗传算法和粒子群优化算法对初步控制策略的参数进行迭代优化，生成发电机的优化策略。

具体地，在虚拟环境中，通过调整负荷和工况来模拟发电机在各种条件下的运行状态，例如，可以设置不同的负荷曲线，观察在负荷变化时，发电机的电压、电流、温度的变化情况，记录负荷变化对虚拟发电机的电气和热参数的影响，例如，随着负荷增加，电流可能增大，温度也随之升高，分析这些参数的变化趋势，找出可能的极限值和异常情况，综合遗传算法和粒子群优化算法的优化结果，确定最优的控制参数，生成最终的发电机优化控制策略。

在一实施例中，如图7所示，该一种交直流发电机调节器控制方法还包括：

S60：通过分析发电机的实时电压、电流、温度和功率，结合负载预测结果，确定发电机的工作状态。

具体地，在实际运行中，实时监测发电机的电压、电流、温度和功率等参数，根据实时参数，将工作状态划分为不同等级，例如，电流小于20A为轻载，20A-40A为正常负荷，超过40A为重载；温度低于60°C为正常，高于70°C为过热等，并结合负载预测结果，确定发电机当前的工作状态，如轻载、重载、过载等。

S70：根据发电机的工作状态，启动多层级保护机制，并利用模糊逻辑和自适应算法调节发电机的运行模式。

具体地，根据发电机的实时状态，分级启动不同保护机制，例如，轻微过载时，启动低等级保护机制，如降功率运行；严重过载时，启动高等级保护，如切断输出或限制负荷；通过模糊逻辑和自适应算法，根据不同状态级别选择合适的运行模式，如平稳模式、节能模式、应急模式等，实现柔性控制。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种交直流发电机调节器控制系统，该一种交直流发电机调节器控制系统与上述实施例中一种交直流发电机调节器控制方法一一对应。如图8所示，该一种交直流发电机调节器控制系统包括获取数据模块、比对分析模块、生成初步策略模块、优化策略模块和调节模块。各功能模块详细说明如下：

获取数据模块，用于获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

比对分析模块，用于将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

生成初步策略模块，用于根据负载预测结果，生成发电机的初步控制策略；

优化策略模块，用于利用数字孪生条件构建发电机的虚拟模型，通过虚拟环境模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略；

调节模块，用于基于发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对发电机的运行参数进行调节，以实现平稳高效的运行。

可选的，获取数据模块包括：

负荷滤波子模块，用于应用卡尔曼滤波算法对发电机实时负荷数据进行噪声抑制和信号平滑处理，以去除高频干扰信号，得到预处理后的负荷数据；

环境滤波子模块，用于利用中值滤波技术对所处环境数据中的异常值进行剔除，得到预处理后的环境数据；

归一化子模块，用于实施归一化处理，将预处理后的负荷数据和预处理后的环境数据进行标准化处理，得到预处理后的数据。

可选的，该一种交直流发电机调节器控制系统还包括：

获取历史数据模块，用于获取历史负荷数据和历史环境参数，通过对历史负荷数据和历史环境参数进行特征提取，生成输入特征集；

模型训练模块，用于基于输入特征集，采用长短期记忆网络与神经网络模型相结合的方式对基础模型进行训练，得到负荷预测模型；

模型验证模块，用于通过交叉验证优化负荷预测模型的参数，得到预先训练好的负荷预测模型。

实时监测模块，用于通过分析发电机的实时电压、电流、温度和功率，结合负载预测结果，确定发电机的工作状态；

保护调节模块，用于根据发电机的工作状态，启动多层级保护机制，并利用模糊逻辑和自适应算法调节发电机的运行模式。

可选的，比对分析模块包括：

获取负荷变化子模块，用于通过多层神经网络结构来捕捉预处理数据中负荷变化的时序规律，得到负荷变化规律；

计算子模块，用于利用预先训练好的负荷预测模型内部的权重和参数对预处理后的数据进行计算，并结合负荷变化规律，得到负载预测结果。

可选的，生成初步策略模块包括：

生成趋势图子模块，用于基于负载预测结果，生成下一时间段的负荷趋势图，并针对下一时间段的负荷趋势图中的突变点和异常波动进行标注并记录；

得到初步策略子模块，用于根据下一时间段内的负荷趋势图，生成发电机的初步控制策略，发电机的初步控制策略包括调节发电机的输出功率、调整发电机的励磁电流以及调节发电机的频率输出。

可选的，优化策略模块包括：

虚拟构建子模块，用于建立与发电机的物理特性相匹配的虚拟模型，发电机的物理特性包括单不限于电气参数、机械参数和热参数；

策略优化子模块，用于在虚拟环境中，模拟发电机在不同负荷和工况下的运行状态，记录负荷变化对发电机的电压、电流和温度的影响，并利用遗传算法和粒子群优化算法对初步控制策略的参数进行迭代优化，生成发电机的优化策略。

关于一种交直流发电机调节器控制系统的具体限定可以参见上文中对于一种交直流发电机调节器控制方法的限定，在此不再赘述。上述一种交直流发电机调节器控制系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交直流发电机调节器控制方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

根据负载预测结果，生成发电机的初步控制策略；

利用数字孪生条件构建发电机的虚拟模型，通过虚拟环境模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略；

基于发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对发电机的运行参数进行调节，以实现平稳高效的运行

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

将预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

根据负载预测结果，生成发电机的初步控制策略；

利用数字孪生条件构建发电机的虚拟模型，通过虚拟环境模拟发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对初步控制策略的参数进行优化，生成发电机的优化策略；

基于发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对发电机的运行参数进行调节，以实现平稳高效的运行

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种交直流发电机调节器控制方法，其特征在于，所述一种交直流发电机调节器控制方法包括：

获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

根据所述负载预测结果，生成所述发电机的初步控制策略；

利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略；

基于所述发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对所述发电机的运行参数进行调节，以实现平稳高效的运行。

2.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，所述获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据包括：

应用卡尔曼滤波算法对发电机实时负荷数据进行噪声抑制和信号平滑处理，以去除高频干扰信号，得到预处理后的负荷数据；

利用中值滤波技术对所处环境数据中的异常值进行剔除，得到预处理后的环境数据；

实施归一化处理，将所述预处理后的负荷数据和所述预处理后的环境数据进行标准化处理，得到所述预处理后的数据。

3.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，在所述将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果之前，所述一种交直流发电机调节器控制方法还包括：

获取历史负荷数据和历史环境参数，通过对所述历史负荷数据和所述历史环境参数进行特征提取，生成输入特征集；

基于所述输入特征集，采用长短期记忆网络与神经网络模型相结合的方式对基础模型进行训练，得到负荷预测模型；

通过交叉验证优化所述负荷预测模型的参数，得到所述预先训练好的负荷预测模型。

4.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，所述将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果包括：

通过多层神经网络结构来捕捉所述预处理数据中负荷变化的时序规律，得到负荷变化规律；

利用所述预先训练好的负荷预测模型内部的权重和参数对所述预处理后的数据进行计算，并结合所述负荷变化规律，得到所述负载预测结果。

5.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，所述根据所述负载预测结果，生成所述发电机的初步控制策略包括：

基于所述负载预测结果，生成下一时间段的负荷趋势图，并针对所述下一时间段的负荷趋势图中的突变点和异常波动进行标注并记录；

根据所述下一时间段内的负荷趋势图，生成所述发电机的初步控制策略，所述发电机的初步控制策略包括调节所述发电机的输出功率、调整所述发电机的励磁电流以及调节所述发电机的频率输出。

6.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，所述利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略包括：

建立与所述发电机的物理特性相匹配的虚拟模型，所述发电机的物理特性包括单不限于电气参数、机械参数和热参数；

在虚拟环境中，模拟所述发电机在不同负荷和工况下的运行状态，记录负荷变化对所述发电机的电压、电流和温度的影响，并利用遗传算法和粒子群优化算法对所述初步控制策略的参数进行迭代优化，生成所述发电机的优化策略。

7.根据权利要求1所述的一种交直流发电机调节器控制方法，其特征在于，所述一种交直流发电机调节器控制方法还包括：

通过分析所述发电机的实时电压、电流、温度和功率，结合所述负载预测结果，确定所述发电机的工作状态；

根据所述发电机的工作状态，启动多层级保护机制，并利用模糊逻辑和自适应算法调节所述发电机的运行模式。

8.一种交直流发电机调节器控制系统，其特征在于，所述一种交直流发电机调节器控制系统包括：

获取数据模块，用于获取发电机实时负荷数据和所处环境数据，根据滤波除杂算法对所述发电机实时负荷数据和所处环境数据进行预处理，得到预处理后的数据；

比对分析模块，用于将所述预处理后的数据传输至预先训练好的负荷预测模型中进行比对分析，得到负载预测结果；

生成初步策略模块，用于根据所述负载预测结果，生成所述发电机的初步控制策略；

优化策略模块，用于利用数字孪生条件构建所述发电机的虚拟模型，通过虚拟环境模拟所述发电机在不同负荷和运行下的状态，并基于虚拟仿真数据对所述初步控制策略的参数进行优化，生成所述发电机的优化策略；

调节模块，用于基于所述发电机的优化策略，应用自适应抗干扰控制与模糊控制算法对所述发电机的运行参数进行调节，以实现平稳高效的运行。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种交直流发电机调节器控制方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种交直流发电机调节器控制方法的步骤。