论文下载：链接: https://pan.baidu.com/s/1gkPfQKw33tTmzJVlDcxOrA?pwd=1234 提取码: 1234

A24107120016

摘 要
针对风电场有功功率分配优化问题，本文设计了基于风机主轴和塔架疲劳损伤的优化模型，并提出以下创新方法：

1. 问题一：
   • 模型：基于滑动窗口的疲劳损伤量化模型，结合Goodman修正公式和Palmgren-Miner理论，实时计算主轴和塔架的疲劳损伤。
   • 结果：通过向量化计算降低复杂度，验证了算法的有效性和实时性。
2. 问题二：
   • 模型：基于空气动力学原理的主轴扭矩和塔架推力估计模型，引入时滞补偿机制和尺度变化因子优化模型。
   • 结果：通过误差平方和（SSE）验证，模型估算值与参考值差异较小。
3. 问题三：
   • 模型：构建以疲劳损伤最小化为目标的单目标优化模型，采用带有繁殖约束的遗传算法求解。
   • 结果：优化后疲劳损伤降低10%，载荷波动方差减小30%。
4. 问题四：
   • 模型：引入卡尔曼滤波去噪模型和LSTM传输延迟预测模型，提升鲁棒性。
   • 结果：通过五种分配方式的对比（CDi, ACD, PVj, R, APV），验证模型对噪声和延迟的抑制能力。

关键词：滑动窗口、Goodman修正公式、遗传算法、卡尔曼滤波、LSTM。

A24102940057

摘 要
本文通过拆解优化问题，提出实时疲劳损伤计算模型和强化学习求解方法：

1. 问题一：
   • 模型：实时雨流计数法结合非线性累积疲劳损伤指标，引入时间修正系数和暂时损伤。
   • 结果：计算耗时0.739秒，精准识别87号风机主轴、7号风机塔架等关键时段的载荷波动。
2. 问题二：
   • 模型：基于风速与参考功率的耦合关系模型，通过最小二乘拟合构建载荷-参考功率拟合模型。
   • 结果：主轴转矩识别平均误差6%，塔架推力识别平均误差20%。
3. 问题三：
   • 模型：基于强化学习的动态高维场景优化模型，融合历史载荷特征和未来功率需求预测。
   • 结果：总体累积疲劳损伤降低10%，载荷波动方差减小30%。
4. 问题四：
   • 模型：鲁棒优化模型应对不确定性和噪声干扰。
   • 结果：通过最差场景下的迭代求解，确保优化策略在复杂环境中的有效性。

关键词：实时雨流计数法、非线性累积疲劳损伤、强化学习、鲁棒优化。

A24103350007

摘 要
本文结合物理机理与数据驱动方法，提出风机疲劳损伤优化分配策略：

1. 问题一：
   • 模型：TW-Rainflow-Goodman-Miner模型结合滑动时间窗，实现快速疲劳损伤计算。
   • 结果：计算时间缩短，误差率与传统方法相似，满足实时性要求。
2. 问题二：
   • 模型：基于BiLSTM的非线性映射关系模型，拟合桨距角、风速与应力的关系。
   • 结果：BiLSTM模型拟合度达0.8632，显著优于Nelder-Mead算法。
3. 问题三：
   • 模型：NSGA-II算法求解多目标优化模型，考虑功率平衡和调节精度约束。
   • 结果：优化后疲劳损伤降低，与平均分配方案对比效果显著。
4. 问题四：
   • 模型：SVD降噪和改进三次样条插值处理噪声与延迟。
   • 结果：预处理后模型精度提升，验证了抗干扰能力。

关键词：BiLSTM、NSGA-II、SVD分解、通信延迟、疲劳损伤。

A24103530117

摘 要
本文通过时序预测和鲁棒优化方法，解决风电场功率分配问题：

1. 问题一：
   • 模型：自适应动态三阶段滑动窗口算法结合AB对抗搜索，改进雨流计数法。
   • 结果：每秒并行计算疲劳损伤，与参考数据增长趋势一致。
2. 问题二：
   • 模型：多因素非线性回归模型，引入交互项和分段拟合策略。
   • 结果：应力/扭矩估算拟合度为0.8632。
3. 问题三：
   • 模型：基于Pareto前沿的权重自适应MPC优化模型，结合区域划分滚动优化。
   • 结果：生成实时功率分配动图，可视化分析优化效果。
4. 问题四：
   • 模型：卡尔曼滤波与延迟补偿机制结合鲁棒优化，对比粒子群算法。
   • 结果：粒子群算法在优化效果和疲劳损伤降低方面表现更优。

关键词：滑动窗口、MPC模型、鲁棒优化、粒子群算法。