1.一种基于FPA‑BP神经网络海上风电装置控制方法，其特征在于：包括以下步骤：(1)采集海上风电装置的数据并预处理，建立训练样本；

(2)建立海上风电装置中齿轮箱油温的FPA‑BP神经网络模型，训练样本作为改进花朵授粉算法输入量，利用改进花朵授粉算法训练BP神经网络模型；

(3)获得BP神经网络模型的输出与齿轮箱实时油温之间的残差特征向量；

(4)利用残差特征向量和随机森林算法获得齿轮箱的状态；

(5)根据齿轮箱的状态控制海上风电装置；

所述改进的花朵授粉算法包括应用线性权重和优质解随机游走策略；

所述应用线性权重

式中，ωmax为最大权重；ωmin为最小权重；itermax为最大迭代次数；iter为当前迭代次数；

所述应用优质解随机游走策略

xnew＝c1xbest+c2xsbest+c3xtbest式中，xbest、xsbest、xtbest分别为当前迭代排在前三位的最优解；c1、c2、c3为随机游走参数；

步骤(5)中若齿轮箱状态正常，则根据海上风电机组电网实时负荷扰动，调整双馈感应电机转子转速改变风电机组输出功率，控制风轮运行在海上风电虚拟惯量控制工况下，采用自抗扰控制器生成海上风电虚拟惯量控制，计算公式为：式中，K为控制器参数，决定频率控制过程中的风电机组释放辅助功率程度与频率控制的效果；

若齿轮箱状态异常，则海上风电机停机，对齿轮箱维修。

2.根据权利要求1所述的基于FPA‑BP神经网络海上风电装置控制方法，其特征在于：步骤(1)中的海上风电装置的数据包括频率扰动值、风速、发电机转速、叶轮转速、叶尖压力、液压系统压力、风向角、偏航角度、累计发电量、环境温度、机舱温度、发电机前轴温度、发电机后轴温度、发电机温度、三相电流、三相电压、频率、有功功率、无功功率、功率因数。

3.根据权利要求1所述的基于FPA‑BP神经网络海上风电装置控制方法，其特征在于：步骤(1)中数据预处理包括数据质量筛查、去除停机数据点、数据归一化处理。

4.根据权利要求1所述的基于FPA‑BP神经网络海上风电装置控制方法，其特征在于：步骤(2)包括以下步骤：(21)将改进花朵授粉的种群个体作为BP神经网络参数，初始化改进花朵授粉参数和种群个体；

(22)输入训练样本，根据改进花朵授粉算法进行迭代更新种群个体，并求出种群个体适应度值；

(23)判断是否满足迭代结束条件，如果是，输出最优个体作为BP神经网络参数；否则，执行步骤(22)。

5.根据权利要求1所述的基于FPA‑BP神经网络海上风电装置控制方法，其特征在于：设有N个训练样本，M个特征向量，步骤(4)包括以下步骤：(41)随机抽取部分训练样本，并随机抽取m个特征向量确定决策树上一个节点的决策结果，其中m小于M；

(42)从N个训练样本中以有放回抽样的方式，取样N次，形成一个训练集；

(43)输入待分类样本之后，每个树分类器对它分类，所有分类器按照少数服从多数原则，确定分类结果；

(44)在阈值时间内，除去决策树模型输出的投票概率Pnor离群点，若投票概率Pnor大于等于0.5，判定齿轮箱状态正常；若投票概率Pnor小于0.5，判定齿轮箱状态异常。

6.一种基于FPA‑BP神经网络海上风电装置控制系统，其特征在于：包括控制模块、数据采集模块和齿轮箱监测模块；

所述数据采集模块采集海上风电装置的数据并预处理获得训练样本；

所述齿轮箱监测模块建立齿轮箱油温模型，并根据齿轮箱油温模型预测齿轮箱状态；

所述控制模块根据齿轮箱状态控制海上风电装置；

所述齿轮箱油温监测模块建立齿轮箱油温的FPA‑BP神经网络模型，训练样本作为改进花朵授粉算法输入量，利用改进花朵授粉算法训练BP神经网络模型；然后获得BP神经网络模型的输出与齿轮箱实时油温之间的残差特征向量；最后利用残差特征向量和随机森林算法获得齿轮箱的状态；

所述改进的花朵授粉算法包括应用线性权重和优质解随机游走策略；

所述应用线性权重：

式中，ωmax为最大权重；ωmin为最小权重；itermax为最大迭代次数；iter为当前迭代次数；

所述应用优质解随机游走策略：

xnew＝c1xbest+c2xsbest+c3xtbest式中，xbest、xsbest、xtbest分别为当前迭代排在前三位的最优解；c1、c2、c3为随机游走参数；

若齿轮箱状态正常，则根据海上风电装置电网实时负荷扰动，所述控制模块调整双馈感应电机转子转速改变风电机组输出功率，控制风轮运行在海上风电虚拟惯量控制工况下；采用自抗扰控制器生成海上风电虚拟惯量控制，计算公式为：式中，K为控制器参数，决定频率控制过程中的风电机组释放辅助功率程度与频率控制的效果；

若齿轮箱状态异常，则海上风电装置停机，对齿轮箱维修。