翼型集能量采集方法、系统、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，特别涉及深度学习、传感器以及数据处理等领域的翼型集能量采集方法、系统、电子设备及存储介质。

背景技术：

2.受到鸟类、鱼类和虫类振动翅膀和鱼鳍等的启发，开发出了翼型能量采集系统，其结构简单，尺寸小，噪声小，可用于多种分散度大、低品质的流体能量采集，比如，风能、海洋能和波浪能等，相应地，需要考虑如何提升提能量采集效果。

技术实现要素：

3.本公开提供了翼型集能量采集方法、系统、电子设备及存储介质。
4.一种翼型集能量采集方法，包括：
5.获取预定特征参数；
6.根据所述预定特征参数确定出翼型集的调整方式；
7.按照所述调整方式对所述翼型集进行调整，利用调整后的翼型集进行能量采集。
8.一种翼型集能量采集系统，包括：获取模块、决策模块以及采集模块；
9.所述获取模块，用于获取预定特征参数；
10.所述决策模块，用于根据所述预定特征参数确定出翼型集的调整方式；
11.所述采集模块，用于按照所述调整方式对所述翼型集进行调整，利用调整后的翼型集进行能量采集。
12.一种电子设备，包括：
13.至少一个处理器；以及
14.与所述至少一个处理器通信连接的存储器；其中，
15.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1为本公开所述翼型集能量采集方法实施例的流程图；
21.图2为本公开所述m个速度传感器的分布方式示意图；
22.图3为本公开所述速度传感器及压力传感器的分布方式示意图；
23.图4为本公开所述翼型集能量采集系统第一实施例100的组成结构示意图；
24.图5为本公开所述翼型集能量采集系统第二实施例200的组成结构示意图；
25.图6为本公开所述翼型集能量采集系统第三实施例300的组成结构示意图；
26.图7为本公开所述翼型传动控制子模块132的组成结构示意图；
27.图8为本公开所述翼型集的设置方式示意图；
28.图9为本公开所述翼型集控制子模块131的组成结构示意图；
29.图10为本公开所述翼型集控制单元30的局部放大效果示意图；
30.图11为本公开所述能量采集子模块133的组成结构示意图；
31.图12示出了可以用来实施本公开的实施例的电子设备1200的示意性框图。
具体实施方式
32.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
33.另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
34.图1为本公开所述翼型集能量采集方法实施例的流程图。如图1所示，包括以下具体实现方式。
35.在步骤101中，获取预定特征参数。
36.在步骤102中，根据获取到的预定特征参数确定出翼型集的调整方式。
37.在步骤103中，按照所述调整方式对翼型集进行调整，利用调整后的翼型集进行能量采集。
38.目前的翼型能量采集系统中通常仅包括单个翼型或少量的几个翼型，如两三个翼型，上述方法实施例所述方案中的翼型集中可包括多个翼型，如几十个翼型，从而提升了能量采集效果，而且，上述方法实施例所述方案中，可根据获取到的预定特征参数自适应地确定出翼型集的调整方式，并相应的进行调整，从而进一步提升了能量采集效果。
39.本公开的一个实施例中，获取预定特征参数可包括：获取能量采集区域的外部环境特征参数以及翼型表面特征参数。
40.即可结合外部环境以及翼型本身两种类型的特征参数来对翼型集进行调整，从而提升了调整结果的准确性。
41.本公开的一个实施例中，可利用m个速度传感器分别采集能量采集区域的来流特征参数，即来流的各方向速度，m为大于一的正整数。
42.即可得到如下采集结果：
43.其中，表示速度传感器1的采集结果，表示速度传感器2的采集结果，其它类推，每个采集结果均可为一个速度矢量，即包括x、y和z方向速度，如：
[0044][0045]
其中，表示x方向速度，表示y方向速度，表示z方向速度。
[0046]
本公开的一个实施例中，m个速度传感器可呈半圆弧状分布，圆弧的中心位于能量采集区域的中心，各速度传感器与所述中心之间的距离均大于预定阈值。
[0047]
能量采集区域的中心即指翼型集的中心，所述阈值的具体取值可根据实际需要而定，比如，可为10倍翼型弦长。
[0048]
图2为本公开所述m个速度传感器的分布方式示意图。如图2所示，右侧的能量采集区域中的小圆点表示能量采集区域的中心，各速度传感器与所述中心之间的距离(间距)可大于10倍翼型弦长。
[0049]
通过上述处理，可高效准确地获取到所需的来流特征参数，从而为后续处理奠定了良好的基础。
[0050]
本公开的一个实施例中，获取翼型表面特征参数可包括：分别利用各翼型表面分布的速度传感器及压力传感器采集所在翼型的气动力特征参数，即捕捉翼型周围的物理场演变以及气动力分布情况，同一翼型上的速度传感器及压力传感器分别为至少一个，比如，分别为mf个，也就是说，假设翼型集中的翼型数量为n，那么每个翼型上可分别分布有mf个速度传感器以及mf个压力传感器。所述气动力特征参数可包括x、y和z方向速度以及压力。
[0051]
相应地，可得到n个翼型的采集结果，即：
[0052][0053]
其中，表示翼型1的采集结果，表示翼型2的采集结果，表示翼型n的采集结果。
[0054]
以翼型1为例，基于翼型1对应的mf个速度传感器及mf个压力传感器，可得到以下采集结果
[0055][0056]
其中，表示速度传感器1采集到的x方向速度，表示速度传感器1采集到的y方向速度，表示速度传感器1采集到的z方向速度，表示压力传感器1采集到的压力，其它类推。
[0057]
本公开的一个实施例中，同一翼型上的速度传感器及压力传感器的分布方式可包括：在翼型截面越靠近前缘位置分布越密集，在翼型展向方向等距分布。在空气动力学中，翼型通常是指二维机翼，即剖面形状不变的无限翼展机翼，它前端圆滑，后端成尖角形，后尖点称为后缘，翼型上距后缘最远的点称为前缘。
[0058]
图3为本公开所述速度传感器及压力传感器的分布方式示意图。如图3所示，其中的每个星星的分别表示一个传感器，可按照曲率进行传感器密度的安排，即在翼型截面越靠近前缘位置的传感器分布越密集，在翼型展向方向等距分布，翼型展向方向即指图中所示的直线方向。
[0059]
通过上述处理，可高效准确地获取到所需的气动力特征参数，从而为后续处理奠定了良好的基础。
[0060]
在获取到预定特征参数后，可根据预定特征参数确定出翼型集的调整方式。本公开的一个实施例中，可实时地获取预定特征参数，另外，响应于确定经过预定时长，可对所述预定时长内获取到的预定特征参数进行预处理，根据预处理结果确定出翼型集的调整方式。
[0061]
预定时长的具体取值可根据实际需要而定。可实时地获取预定特征参数，即可实时地获取来流特征参数以及气动力特征参数，并可周期性地对获取到的预定特征参数进行处理，所述周期的时长即为所述预定时长。
[0062]
假设一个预定时长内共获取到了100次预定特征参数，那么可对这100次获取到的预定特征参数进行预处理，并可根据预处理结果确定出翼型集的调整方式。
[0063]
通过上述处理，可避免过于频繁地对翼型集进行调整，从而减少了资源消耗，而且，可结合多次获取到的预定特征参数确定出翼型集的调整方式，从而提升了调整结果的准确性，另外，可通过合理设置所述预定时长的取值，确保调整的及时性等。
[0064]
本公开的一个实施例中，对预定时长内获取到的预定特征参数进行预处理可包括：按照获取时间由先到后的顺序，根据预定时长内获取到的预定特征参数生成时域离散的连续性数据，所述连续性数据中的各数据分别为不同时间获取到的预定特征参数，对所述连续性数据进行标准化处理，将标准化处理后的连续性数据作为预处理结果。
[0065]
通过标准化处理，可规范连续性数据的形式，从而提升了其可用性，便于后续处理等。
[0066]
比如，一个预定时长内共获取到了100次预定特征参数，为便于表述，将对应的获取时间分别称为时间1～时间100，那么所述时域离散的连续性数据中即分别包括时间1～时间100对应的来流特征参数以及气动力特征参数，其中，来流特征参数可表示为：t表示时间1～时间100中的任一时间，m＝1,2,...,m表示第m个速度传感器，j＝1,2,3，表示速度传感器采集到的x、y和z方向速度，气动力特征参数可表示为：其中，n＝1,2,...,n，表示翼型集中的第n个翼型，m
′
＝1,2,...,mf表示第m
′
个速度传感器及压力传感器，j
′
＝1,2,3,4，表示速度传感器及压力传感器采集到的x、y和z方向速度以及压力。
[0067]
对于得到的连续性数据，还可对其进行信号平滑去噪及剔除异常数据等处理，其中，对于异常数据，可采用相邻传感器的数值进行覆盖。
[0068]
之后，可对连续性数据进行标准化处理，处理方式可如下所示：
[0069][0070]
[0071][0072]
其中，ρ可为经验常数，t表示所述预定时长。
[0073]
对连续性数据进行标准化处理后，可将标准化处理后的连续性数据作为预处理结果，进而可根据预处理结果确定出翼型集的调整方式。
[0074]
本公开的一个实施例中，可根据预处理结果以及最新得到的决策模型确定出下一预定时长内各翼型的部署方式以及传动控制方式。
[0075]
借助于决策模型，可高效准确地确定出下一预定时长内各翼型的部署方式以及传动控制方式。
[0076]
在实际应用中，还可同时结合预处理结果以及当前的翼型状态确定出下一预定时长内各翼型的部署方式以及传动控制方式，即可将预处理结果、当前各翼型的部署方式以及传动控制方式作为决策模型的输入，得到决策模型输出的下一预定时长内各翼型的部署方式以及传动控制方式，从而可进一步提升确定出的下一预定时长内各翼型的部署方式以及传动控制方式的准确性。
[0077]
本公开的一个实施例中，在按照所述调整方式对翼型集进行调整时，针对任一翼型，可分别进行以下处理：按照确定出的部署方式，对该翼型在下一预定时长内的位置进行调整，按照确定出的传动控制方式，实时控制该翼型在下一预定时长内的俯仰运动。所述任一翼型可以是指所有翼型中的任意一个或多个，所述多个包括全部，即针对每个翼型，可分别按照上述方式进行处理。
[0078]
各翼型在下一预定时长内的部署方式即位置可表示为：以翼型1的位置为例，其中包括两个维度，即为例，其中包括两个维度，即表示x方向的位置，表示y方向的位置，各翼型在下一预定时长内的传动控制方式可表示为：以翼型1的传动控制方式为例，其中包括两个维度，即为例，其中包括两个维度，即表示俯仰运动的频率，表示振幅，对于任意两个不同的翼型来说，其频率可能相同，也可能不同，振幅同理。
[0079]
在实际应用中，针对任一翼型，在按照确定出的部署方式对该翼型在下一预定时长内的位置进行调整之前，还可首先确定该翼型的部署方式是否需要调整，比如，可将确定出的部署方式与当前的部署方式进行比较，若无变化，则可不用执行后续处理，否则，可按照确定出的部署方式对该翼型在下一预定时长内的位置进行调整，类似地，在按照确定出的传动控制方式实时控制该翼型在下一预定时长内的俯仰运动之前，可首先确定是否需要对该翼型的传动控制方式进行调整，若否，则可不用执行后续处理。
[0080]
通过上述处理，可实现针对不同翼型的个性化调整，并确保了调整结果的准确性等。
[0081]
在对翼型集进行调整之后，可利用调整后的翼型集进行能量采集。本公开的一个实施例中，在利用调整后的翼型集进行能量采集之后，还可获取能量采集效率评估结果，根据能量采集效率评估结果对决策模型进行更新。
[0082]
决策模型可为基于深度强化学习的决策模型，包括转移函数和奖励函数，根据能
量采集效率评估结果，可对决策模型进行更新，即可依赖系统本身的数据反馈进行自主更新和学习，从而提升了模型的精度，进而进一步提升了能量采集效果。
[0083]
需要说明的是，在初始阶段，可采用数值仿真环境中的预训练模型作为初始的决策模型，随着数据的逐渐累积，决策模型逐步更新，即精度随着数据的丰富渐进提高。
[0084]
如何获取能量采集效率评估结果不作限制，比如，可过比较实际发电量与整个翼型集理论上可以获得的来流的能量来确定出能量采集效率评估结果。
[0085]
在实际应用中，可不断地重复本公开所述方法。
[0086]
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
[0087]
总之，采用本公开所述方法，可自动地确定出不同来流条件下的最佳翼型部署方式及传动控制方式，从而提升了能量采集效果，如提升了海洋能以及风能等的发电效率，并确保了可再生能源发电的高效性和稳定性等。
[0088]
以上是关于方法实施例的介绍，以下通过系统实施例，对本公开所述方案进行进一步说明。
[0089]
图4为本公开所述翼型集能量采集系统第一实施例100的组成结构示意图。如图4所示，包括：获取模块11、决策模块12以及采集模块13。
[0090]
获取模块11，用于获取预定特征参数。
[0091]
决策模块12，用于根据所述预定特征参数确定出翼型集的调整方式。
[0092]
采集模块13，用于按照所述调整方式对翼型集进行调整，利用调整后的翼型集进行能量采集。
[0093]
上述系统实施例所述方案中，可根据获取到的预定特征参数自适应地确定出翼型集的调整方式，并可相应的进行调整，从而提升了能量采集效果。
[0094]
图5为本公开所述翼型集能量采集系统第二实施例200的组成结构示意图。如图5所示，包括：获取模块11、决策模块12以及采集模块13。
[0095]
其中，获取模块11中包括：外部环境传感子模块111以及翼型表面传感子模块112。
[0096]
外部环境传感子模块111，用于获取能量采集区域的外部环境特征参数。
[0097]
翼型表面传感子模块112，用于获取翼型表面特征参数。
[0098]
即获取到的预定特征参数可包括：能量采集区域的外部环境特征参数以及翼型表面特征参数。
[0099]
本公开的一个实施例中，外部环境传感子模块111中可包括：m个速度传感器，分别用于采集能量采集区域的来流特征参数，即来流的各方向(x方向、y方向和z方向)速度，m为大于一的正整数。
[0100]
本公开的一个实施例中，m个速度传感器可呈半圆弧状分布，圆弧的中心位于能量采集区域的中心，各速度传感器与所述中心之间的距离均大于预定阈值。能量采集区域的中心即指翼型集的中心，所述阈值的具体取值可根据实际需要而定，比如，可为10倍翼型弦长。m个速度传感器的分布方式可如图2所示。
[0101]
本公开的一个实施例中，翼型表面传感子模块112中可包括：分布在各翼型表面的速度传感器及压力传感器，分别用于采集所在翼型的气动力特征参数。所述气动力特征参数可包括x、y和z方向速度以及压力。
[0102]
本公开的一个实施例中，同一翼型上的速度传感器及压力传感器分别为至少一个，同一翼型上的速度传感器及压力传感器的分布方式可包括：在翼型截面越靠近前缘位置分布越密集，在翼型展向方向等距分布，具体分布方式可如图3所示。
[0103]
在获取到预定特征参数后，决策模块12可根据所述预定特征参数确定出翼型集的调整方式。
[0104]
本公开的一个实施例中，获取模块11可实时地获取预定特征参数，响应于确定经过预定时长，决策模块12可对所述预定时长内获取到的预定特征参数进行预处理，根据预处理结果确定出翼型集的调整方式。
[0105]
预定时长的具体取值可根据实际需要而定。可实时地获取预定特征参数，即可实时地获取来流特征参数以及气动力特征参数，并可周期性地对获取到的预定特征参数进行处理，所述周期的时长即为所述预定时长。
[0106]
本公开的一个实施例中，决策模块12对预定时长内获取到的预定特征参数进行预处理可包括：按照获取时间由先到后的顺序，根据预定时长内获取到的预定特征参数生成时域离散的连续性数据，所述连续性数据中的各数据分别为不同时间获取到的预定特征参数，对所述连续性数据进行标准化处理，将标准化处理后的连续性数据作为预处理结果。
[0107]
对于得到的连续性数据，决策模块12还可对其进行信号平滑去噪及剔除异常数据等处理，其中，对于异常数据，可采用相邻传感器的数值进行覆盖。
[0108]
之后，决策模块12可对连续性数据进行标准化处理。
[0109]
对连续性数据进行标准化处理后，可将标准化处理后的连续性数据作为预处理结果，进而可根据预处理结果确定出翼型集的调整方式。
[0110]
本公开的一个实施例中，决策模块12可根据预处理结果以及最新得到的决策模型确定出下一预定时长内各翼型的部署方式以及传动控制方式。
[0111]
图6为本公开所述翼型集能量采集系统第三实施例300的组成结构示意图。如图6所示，包括：获取模块11、决策模块12以及采集模块13，其中，获取模块11中包括：外部环境传感子模块111以及翼型表面传感子模块112。
[0112]
另外，采集模块13中可包括：翼型集控制子模块131、翼型传动控制子模块132以及能量采集子模块133。
[0113]
翼型集控制子模块131，用于针对任一翼型，分别按照确定出的部署方式，对该翼型在下一预定时长内的位置进行调整。
[0114]
翼型传动控制子模块132，用于针对任一翼型，分别按照确定出的传动控制方式，实时控制该翼型在下一预定时长内的俯仰运动。
[0115]
能量采集子模块133，用于利用调整后的翼型集进行能量采集。
[0116]
本公开的一个实施例中，翼型传动控制子模块132的数量为n，n表示翼型集中的翼型数量，每个翼型传动控制子模块132分别对应一个翼型。
[0117]
图7为本公开所述翼型传动控制子模块132的组成方式示意图。如图7所示，包括：第一齿轮201、第二齿轮202以及第一伺服电机203。
[0118]
第一齿轮201安装在对应的翼型(对应于图7中的1指示的部件)的转轴上，第二齿轮202套装在第一伺服电机203的输出轴上，第一齿轮210和第二齿轮202通过外啮合运行控制对应的翼型的俯仰运动。
[0119]
在实际应用中，针对任一翼型，可根据确定出的部署方式确定出该翼型对应的第一伺服电机203的转动方向以及速度，并可按照确定出的转动方向以及速度运行第一伺服电机203。
[0120]
其中，速度可为：
[0121]
表示确定出的任一翼型i在下一预定时长内的位置，表示翼型i当前的位置，r表示经验常数。
[0122]
本公开的一个实施例中，翼型集中包括至少两排翼型，任意两排中的翼型数量相同或不同，各翼型的前缘面向来流。所述翼型可为振荡翼型，以排的形式排列，每排的翼型数量可以相同，也可以不同。
[0123]
图8为本公开所述翼型集的设置方式示意图。如图8所示，假设n的取值为24，即翼型集中共包括24个翼型，分为6排，每排中分别包括4个翼型，其中的1指示的部件即为翼型。
[0124]
图9为本公开所述翼型集控制子模块131的组成方式示意图。如图9所示，可包括：n个翼型集控制单元30(为简化附图，图中只表示出了一个翼型集控制单元30)、丝杆305以及支撑306，n表示翼型集中的翼型数量，每个翼型集控制单元30分别对应一个翼型。
[0125]
其中，丝杆305的数量等于翼型的排数，同一排中的翼型共用同一丝杆，支撑306的数量为二，翼型集共用两个支撑306，各丝杆305分别横架在两个支撑306上，通过丝杆305在支撑306上的移动控制对应的翼型在纵向上的位置。
[0126]
图10为本公开所述翼型集控制单元30的局部放大效果示意图。如图9和图10所示，包括：底座301、齿条302、第三齿轮303以及第二伺服电机304，底座310用于固定对应的翼型，并通过内部螺纹与所在排的丝杆305外表面的螺纹相啮合，齿条302安装在底座301的侧面，并与安装在第二伺服电机304上的第三齿轮303外啮合连接，通过第二伺服电机304控制对应的翼型在横向上的位置。另外，横向相邻翼型的底座301上的齿条302可分别安装在不同侧面，以避免运动过程中的干扰。
[0127]
在实际应用中，针对任一翼型，在下一预定时长内，该翼型对应的第二伺服电机304可按照以下实时速度转动：
[0128][0129]
其中，表示确定出的任一翼型i的频率，表示确定出的翼型i的振幅，t
′
表示下一预定时长内的任一时刻，比如，下一预定时长为50s，可从0开始计时，t
′
表示不同的计时时刻，最大取值为50s。
[0130]
能量采集子模块133的数量为p，p表示翼型的排数，如6。
[0131]
图11为本公开所述能量采集子模块133的组成方式示意图。如图11所示，可包括：第一斜齿轮401、第二斜齿轮402、第三斜齿轮404、第一单向离合器403、第二单向离合器405
以及发电机407。
[0132]
第一斜齿轮401同轴安装在对应丝杆305的侧面，第二斜齿轮402以及第三斜齿轮404分别与第一斜齿轮401垂直啮合，第二斜齿轮402和第三斜齿轮404分别通过第一单向离合器403和第二单向离合器405与发电机407的输入轴406相连，带动发电机407发电。
[0133]
各翼型在来流的激励下自发进行横向往复运动，带动丝杆305进行与来流方向垂直的往复转动，通过第一斜齿轮401、第二斜齿轮402、第三斜齿轮404、第一单向离合器403以及第二单向离合器405将往复转动转换为持续的单向转动，并连接发电机407，实现能量采集。
[0134]
本公开的一个实施例中，决策模块12在能量采集子模块133进行能量采集后，还可获取能量采集效率评估结果，进而可根据能量采集效率评估结果对决策模型进行更新。
[0135]
上述系统实施例的具体工作流程可参照前述方法实施例中的相关说明。
[0136]
总之，采用本公开所述系统，可自动地确定出不同来流条件下的最佳翼型部署方式及传动控制方式，从而提升了能量采集效果，如提升了海洋能以及风能等的发电效率，并确保了可再生能源发电的高效性和稳定性等。
[0137]
本公开所述方案可应用于人工智能领域，特别涉及深度学习、传感器以及数据处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0138]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0139]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0140]
图12示出了可以用来实施本公开的实施例的电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0141]
如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(rom)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(ram)1203中的计算机程序，来执行各种适当的动作和处理。在ram 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、rom 1202以及ram 1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。
[0142]
设备1200中的多个部件连接至i/o接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0143]
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由rom 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到ram 1203并由计算单元1201执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
[0144]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0145]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0146]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0147]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0148]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算
系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0149]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0150]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0151]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：

1.一种翼型集能量采集方法，包括：获取预定特征参数；根据所述预定特征参数确定出翼型集的调整方式；按照所述调整方式对所述翼型集进行调整，利用调整后的翼型集进行能量采集。2.根据权利要求1所述的方法，其中，所述获取预定特征参数包括：获取能量采集区域的外部环境特征参数以及翼型表面特征参数。3.根据权利要求2所述的方法，其中，所述获取能量采集区域的外部环境特征包括：利用m个速度传感器分别采集所述能量采集区域的来流特征参数，m为大于一的正整数。4.根据权利要求3所述的方法，其中，所述m个速度传感器呈半圆弧状分布，圆弧的中心位于所述能量采集区域的中心，各速度传感器与所述中心之间的距离均大于预定阈值。5.根据权利要求2所述的方法，其中，获取所述翼型表面特征参数包括：分别利用各翼型表面分布的速度传感器及压力传感器采集所在翼型的气动力特征参数。6.根据权利要求5所述的方法，其中，同一翼型上的所述速度传感器及所述压力传感器分别为至少一个；同一翼型上的所述速度传感器及所述压力传感器的分布方式包括：在翼型截面越靠近前缘位置分布越密集，在翼型展向方向等距分布。7.根据权利要求1～6中任一项所述的方法，其中，所述获取预定特征参数包括：实时地获取所述预定特征参数；所述根据所述预定特征参数确定出翼型集的调整方式包括：响应于确定经过预定时长，对所述预定时长内获取到的所述预定特征参数进行预处理，根据预处理结果确定出所述翼型集的调整方式。8.根据权利要求7所述的方法，其中，所述对所述预定时长内获取到的所述预定特征参数进行预处理包括：按照获取时间由先到后的顺序，根据所述预定时长内获取到的所述预定特征参数生成时域离散的连续性数据，所述连续性数据中的各数据分别为不同时间获取到的所述预定特征参数；对所述连续性数据进行标准化处理，将标准化处理后的所述连续性数据作为所述预处理结果。9.根据权利要求7所述的方法，其中，所述根据预处理结果确定出所述翼型集的调整方式包括：根据所述预处理结果以及最新得到的决策模型确定出下一预定时长内各翼型的部署方式以及传动控制方式。10.根据权利要求9所述的方法，其中，所述按照所述调整方式对所述翼型集进行调整包括：针对至少一个翼型，分别进行以下处理：
按照确定出的部署方式，对所述翼型在所述下一预定时长内的位置进行调整；按照确定出的传动控制方式，实时控制所述翼型在所述下一预定时长内的俯仰运动。11.根据权利要求9所述的方法，还包括：所述利用调整后的翼型集进行能量采集之后，获取能量采集效率评估结果，根据所述能量采集效率评估结果对所述决策模型进行更新。12.一种翼型集能量采集系统，包括：获取模块、决策模块以及采集模块；所述获取模块，用于获取预定特征参数；所述决策模块，用于根据所述预定特征参数确定出翼型集的调整方式；所述采集模块，用于按照所述调整方式对所述翼型集进行调整，利用调整后的翼型集进行能量采集。13.根据权利要求12所述的系统，其中，所述获取模块中包括：外部环境传感子模块以及翼型表面传感子模块；所述外部环境传感子模块，用于获取能量采集区域的外部环境特征参数；所述翼型表面传感子模块，用于获取翼型表面特征参数。14.根据权利要求13所述的系统，其中，所述外部环境传感子模块中包括：m个速度传感器，分别用于采集所述能量采集区域的来流特征参数，m为大于一的正整数。15.根据权利要求14所述的系统，其中，所述m个速度传感器呈半圆弧状分布，圆弧的中心位于所述能量采集区域的中心，各速度传感器与所述中心之间的距离均大于预定阈值。16.根据权利要求13所述的系统，其中，所述翼型表面传感子模块中包括：分布在各翼型表面的速度传感器及压力传感器，分别用于采集所在翼型的气动力特征参数。17.根据权利要求16所述的系统，其中，同一翼型上的所述速度传感器及所述压力传感器分别为至少一个；同一翼型上的所述速度传感器及所述压力传感器的分布方式包括：在翼型截面越靠近前缘位置分布越密集，在翼型展向方向等距分布。18.根据权利要求12～17中任一项所述的系统，其中，所述获取模块实时地获取所述预定特征参数；所述决策模块响应于确定经过预定时长，对所述预定时长内获取到的所述预定特征参数进行预处理，根据预处理结果确定出所述翼型集的调整方式。19.根据权利要求18所述的系统，其中，所述决策模块按照获取时间由先到后的顺序，根据所述预定时长内获取到的所述预定特征参数生成时域离散的连续性数据，所述连续性数据中的各数据分别为不同时间获取到的所述预定特征参数，对所述连续性数据进行标准化处理，将标准化处理后的所述连续性数据作为所述预处理结果。20.根据权利要求18所述的系统，其中，所述决策模块根据所述预处理结果以及最新得到的决策模型确定出下一预定时长内各翼型的部署方式以及传动控制方式。
21.根据权利要求20所述的系统，其中，所述采集模块中包括：翼型集控制子模块、翼型传动控制子模块以及能量采集子模块；所述翼型集控制子模块，用于针对至少一个翼型，分别按照确定出的部署方式，对所述翼型在所述下一预定时长内的位置进行调整；所述翼型传动控制子模块，用于针对至少一个翼型，分别按照确定出的传动控制方式，实时控制所述翼型在所述下一预定时长内的俯仰运动；所述能量采集子模块，用于利用调整后的翼型集进行能量采集。22.根据权利要求21所述的系统，其中，所述翼型传动控制子模块的数量为n，n表示所述翼型集中的翼型数量，每个所述翼型传动控制子模块分别对应一个翼型；所述翼型传动控制子模块中包括：第一齿轮、第二齿轮以及第一伺服电机；所述第一齿轮安装在对应的翼型的转轴上，所述第二齿轮套装在所述第一伺服电机的输出轴上，所述第一齿轮和所述第二齿轮通过外啮合运行控制对应的翼型的俯仰运动。23.根据权利要求21所述的系统，其中，所述翼型集中包括至少两排翼型，任意两排中的翼型数量相同或不同，各翼型的前缘面向来流。24.根据权利要求23所述的系统，其中，所述翼型集控制子模块中包括：n个翼型集控制单元、丝杆以及支撑，n表示所述翼型集中的翼型数量，每个所述翼型集控制单元分别对应一个翼型；所述丝杆的数量等于翼型的排数，同一排中的翼型共用同一丝杆，所述支撑的数量为二，所述翼型集共用两个支撑，各丝杆分别横架在两个支撑上，通过所述丝杆在所述支撑上的移动控制对应的翼型在纵向上的位置；所述翼型集控制单元中包括：底座、齿条、第三齿轮以及第二伺服电机，所述底座用于固定对应的翼型，并通过内部螺纹与所在排的丝杆外表面的螺纹相啮合，所述齿条安装在所述底座的侧面，并与安装在所述第二伺服电机上的所述第三齿轮外啮合连接，通过所述第二伺服电机控制对应的翼型在横向上的位置。25.根据权利要求24所述的系统，其中，所述能量采集子模块的数量为p，p表示翼型的排数；所述能量采集子模块中包括：第一斜齿轮、第二斜齿轮、第三斜齿轮、第一单向离合器、第二单向离合器以及发电机；所述第一斜齿轮同轴安装在对应丝杆的侧面，所述第二斜齿轮以及所述第三斜齿轮分别与所述第一斜齿轮垂直啮合，所述第二斜齿轮和所述第三斜齿轮分别通过所述第一单向离合器和所述第二单向离合器与所述发电机的输入轴相连，带动所述发电机发电；各翼型在来流的激励下自发进行横向往复运动，带动所述丝杆进行与来流方向垂直的往复转动，通过所述第一斜齿轮、所述第二斜齿轮、所述第三斜齿轮、所述第一单向离合器以及所述第二单向离合器将所述往复转动转换为持续的单向转动，并连接所述发电机，实现能量采集。26.根据权利要求20所述的系统，其中，
所述决策模块进一步用于，在所述能量采集子模块进行能量采集后，获取能量采集效率评估结果，根据所述能量采集效率评估结果对所述决策模型进行更新。27.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-11中任一项所述的方法。29.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-11中任一项所述的方法。

技术总结

本公开提供了翼型集能量采集方法、系统、电子设备及存储介质，涉及深度学习、传感器以及数据处理等人工智能领域，其中的方法可包括：获取预定特征参数；根据所述预定特征参数确定出翼型集的调整方式；按照所述调整方式对翼型集进行调整，利用调整后的翼型集进行能量采集。应用本公开所述方案，可提升海洋能、风能等可再生/绿能源发电的高效性和稳定性，提升能量采集效果。提升能量采集效果。提升能量采集效果。