[发明专利]波浪周期预测方法、装置及设备

说明书

本发明公开了一种波浪周期预测方法，能够实时获取电机动子的位移信息，并根据位移信息确定主频位移曲线，进而确定主频速度曲线和主频加速度曲线，最后利用dsp芯片自动检测主频速度曲线和主频加速度曲线的过零点，并将相邻的过零点的差值的两倍作为波浪周期预测结果。可见，该方法实时根据位移信息预测波浪周期，实时性较高，不需要设置复杂的参数，此外利用了dsp芯片的自动过零检测，预测过程非常简单，实现了简单有效预测波浪周期的目的。本发明还提供了一种波浪周期预测装置、设备及计算机可读存储介质，其作用与上述方法的作用相对应。

技术领域

本发明涉及波浪发电领域，特别涉及一种波浪周期预测方法、装置、设备及计算机可读存储介质。

背景技术

随着科学技术的发展，波浪发电越来越普及。常见的用于波浪发电的有直驱式波浪能发电系统，该系统通过利用永磁直线电机的垂荡运动吸收波能，然后转化为电能输出，可以对孤岛或者岸上用户的用电设备提供电能，或者通过连接海底电缆并网输送电能。

目前，波浪能目前在新能源发电领域上已经得到了很多发达国家的重视，如何尽可能用较低的成本得到较好的经济效益，成为了波浪能发电研究的一大热点，即波浪发电装置的最大功率捕获。

传统的提高直驱式波浪发电系统输出功率的主要手段是利用机械振荡理论中的共振原理，通过控制直线电机的电磁力控制动子运动，使得波浪发电装置运行频率和波浪频率相等。因此，波浪能的功率优化问题与波浪周期是有直接联系的，有效地预测未来一段时间的波浪周期，对控制波浪发电系统输出功率的大小起着至关重要的作用。

常见的用于预测波浪周期的方案包括以下三种方案：

扰动观测法，该方案能够避免过度依赖波浪发电系统的数学模型，然而在功率增减调整的扰动步长方面很难选取，步长太大会导致最大功率点附近发生振荡，影响系统稳态性能，步长太小又会造成收敛速度过慢，影响系统动态性能。

神经网络法，该方案通过在振荡浮子装置的内模控制器中引入神经网络模型，可利用大量实验数据训练神经网络。但是，训练的神经网络会由于季节的变化，而导致控制的效果不好，这种现象在夏季特别明显。

锁存浮子的反应式控制方案，该方法通过反复释放或者锁存浮子，在不规则波的海况条件下可使得波浪发电装置与波浪运行频率达到共振，但由于控制锁存和释放的时间很难把握，实现起来困难并且实际海试效果也不太好。

可见，如何提供一种简单有效的波浪周期预测方案，十分具有研究意义。

发明内容

本发明的目的是提供一种波浪周期预测方法、装置、设备及计算机可读存储介质，用以解决传统波浪周期预测方案复杂性较高，且预测效果不够理想的问题。

为解决上述技术问题，本发明提供了一种波浪周期预测方法，包括：

获取当前时段的位于不规则波浪上的电机动子的位移信息；

根据所述位移信息确定所述不规则波浪的主频位移曲线；

确定所述主频位移曲线对应的主频速度曲线和主频加速度曲线；

利用所述dsp芯片确定所述主频速度曲线和所述主频加速度曲线上的过零点；

计算所述主频速度曲线和所述主频加速度曲线上相邻的两个过零点的差值，并将所述差值的两倍作为下一时段的波浪周期预测结果。

其中，所述根据所述位移信息确定所述不规则波浪的主频位移曲线包括：

利用AMRA模型根据所述位移信息确定卡尔曼滤波的模型参数，所述模型参数包括转移矩阵A、噪声矩阵B、以及系统误差矩阵Q；

根据所述模型参数，确定卡尔曼滤波模型；

利用所述卡尔曼滤波模型确定所述不规则波浪的主频位移曲线。