CN103026266A

CN103026266A - 风力涡轮机处的风况评估

Info

Publication number: CN103026266A
Application number: CN2011800356186A
Authority: CN
Inventors: M·埃文斯
Original assignee: Vestas Wind Systems AS
Current assignee: Vestas Wind Systems AS
Priority date: 2010-06-21
Filing date: 2011-06-16
Publication date: 2013-04-03
Anticipated expiration: 2031-06-16
Also published as: ES2534563T3; US9366235B2; CN103026266B; EP2583125B1; EP2583125A2; DK2583125T3; WO2011161434A3; GB2481397A; GB201010400D0; GB2481397B; US20130161956A1; WO2011161434A2

Abstract

通过汇集来自一个或多个传感器的数据用作训练数据来评估吹袭风力涡轮机的极端阵风风险。这一数据是在一定时间周期内采集的，并通过统计学度量转换成既定时间周期的特征向量。形成若干特征区带，每一区带涉及不同的风险评估结果，将每一特征向量分配给一个风险类别。参考采集数据时一个或多个选定涡轮机参数的值定义风险类别。由来自既定类别中的特征向量的距离的度量，例如，平均值和协方差形成特征区带。通过测量实况数据的特征向量与每一区带的中心的马哈拉诺比斯距离对实况数据进行处理，并将极端阵风风险评估为与之具有最低马哈拉诺比斯距离的特征区带的风险。

Description

风力涡轮机处的风况评估

技术领域

本发明涉及风力涡轮机，尤其涉及将马上抵达风力涡轮机的风况的评估。

背景技术

对于风力涡轮机而言，预先了解将马上抵达涡轮机的风的状况是很重要的。这种预先了解将为涡轮机控制器提供充分的时间来调整诸如桨叶角或转子速度的工作参数，从而与即将到来的状况匹配。这样做的原因有多种。在较低的风速下，重要的是通过对涡轮机的调整而使从风中提取的能量最大化。在较高的风速下，重要的是通过调整涡轮机的参数而避免在可能导致损坏的情况下运行。损坏可能是由罕见的极端事件引起的，也可能是由累积的事件引起的，其将降低诸如齿轮箱和叶片的风力涡轮机部件的疲劳寿命。

针对预先确定风况的提议有很多。这些提议一般都包括采用放置在涡轮机上的观测上游风况的传感器。EP-A-0970308示出了一个例子，其公开了利用安装在风力涡轮机的机舱内的激光雷达或者类似的遥感设备来观测距涡轮机上游几个转子直径处的风况。涡轮机控制器或风电场（wind park）控制器能够在感测到的风况的基础上表示个体涡轮机或者涡轮机组在感测到的风抵达涡轮机之前改变其操作参数。

对于风力涡轮机运营商而言，尤其重要的就是能够检测到极端的阵风。尽管阵风的时间可能是短暂的，但是其存在对风力涡轮机造成严重损坏的潜在风险。尽管可以采用激光雷达进行阵风探测，但是其并非总是适用的。例如，激光雷达装置非常昂贵，因而风电场运营商可能不会认为其具有成本效率。

已经认识到，作为诸如EP-A-0970308的激光雷达技术的遥感技术的替代或者除此之外，希望能够在不采用昂贵的额外设备的情况下估测发生极端阵风的风险。

发明内容

根据本发明，提供了一种风力涡轮机的控制方法，其包括如下步骤：采集并存储与一个或多个感测到的变量相关的训练数据，所述训练数据包括由至少一个表示风险的统计学度量获得的特征向量；基于测得的参数将每一训练数据分配到一个风险类别内，并由每一类别中的特征向量的至少一个距离的度量定义每一类别的特征区带，所述特征区带包括表示阵风风险为高的高风险区；以及在风力涡轮机的运行期间，由通过至少一个传感器获得的数据周期性地计算特征向量并确定将所述特征向量分配给哪一特征区带来确定阵风风险的评估结果，由此确定所测得的特征向量所代表的极端阵风风险的评估结果。

本发明还提供了一种用于风力涡轮机的阵风风险估算器，包括：与所述风力涡轮机感测到的一个或多个变量相关的训练数据的存储器，所述训练数据包括由表示风险的至少一个统计学度量获得的特征向量；比较器，用于将每一训练数据项与采集所述训练数据时的测量参数进行比较，并且在所述测量参数的基础上将每一所述训练数据分配给一个风险类别；用于由每一类别中的特征向量的距离的度量定义每一类别的特征区带的模块，所述特征区带包括表示阵风风险为高的高风险区；以及用于确定所述风力涡轮机的运行期间阵风风险的评估结果的模块，所述的确定方式为由通过与所述风力涡轮机相关的至少一个传感器获得的数据周期性地计算特征向量，并确定将所述特征向量分配给哪一特征区带，从而确定所测量的特征向量所表示的极端阵风风险的评估结果。

本发明还提供一种具有所定义的阵风风险估算器的风力涡轮机以及具有多台风力涡轮机和所定义的阵风风险估算器的风电场。

本发明的实施例的优点在于可以在不需要额外的可能非常昂贵的传感器装置的情况下评估出阵风风险。由与感测到的状况相关的历史数据，同时参考用来分配与所述感测状况相关的风险水平的测量参数来确定阵风风险。对这一历史数据进行统计学处理，因而能够使实况数据（live data）与之进行比较，从而确定其是否表示阵风风险。

所述阵风风险的评估结果优选是极端阵风风险的评估结果。极端阵风可能对风力涡轮机造成损害，因而确定这样的阵风的可能性并采取对抗其影响的措施的能力对于风电场运营商而言是极为重要的。

优选将阵风风险表示信号输出至风力涡轮机控制器。这一控制器可以是个体控制器，也可以控制多个涡轮机。优选地，如果所评估的阵风风险为低，那么控制器能够使涡轮机超过额定功率运行，如果阵风风险的评估结果为高，那么控制器能够使涡轮机低于额定功率运行。其优点在于，能够在低风险状况下使涡轮机功率输出最大化，在高风险状况下使涡轮机的损坏风险降至最低。

优选地，由每一风险类别中的特征向量的平均值或者平均值和协方差定义每一风险类别的特征区带。特征向量的平均值定义了区带的大小，而协方差则指定了区带的形状，其能够实现对实况数据进行更加准确的风险类别分配。

优选地，通过测量特征向量与每一特征区带的中心的马哈拉诺比斯距离，以及将特征向量分配给具有最小马哈拉诺比斯距离的区带而将特征向量分配至特征区带。采用马哈拉诺比斯距离的优点在于考虑了分布的形状和范围，从而能够为实况数据提供更加准确的相关风险类别评估。

优选地，分配给特征向量的风险水平是以可测量参数（例如，最大发电机速度）的值为基础的，所述可测量参数跟随获得导出特征向量的数据的测量周期。

优选地，将训练数据预加载到风力涡轮机控制器内。在计算出实况特征向量的同时将其添加到所存储的训练数据中。优选地，将具有基本相同的值的训练数据项合并到一起，并对其值加权。其优点在于，阵风风险估算器能够在风力涡轮机启动时就开始运行，但是要学习经验。然而，由于涡轮机的寿命可能是很多年，因而数据的合并将避免数据产生无法管理的累积。

附图说明

现在将参考附图仅通过举例的方式描述本发明的实施例，其中：

图1是示出了本发明的优选实施例的步骤的流程图；

图2是能够实现对阵风风险的评估的训练数据的图表；

图3示出了如何将图1的训练数据划分成特征区带；

图4示出了能够相对于所述特征区带对新采集的实况数据进行评估的方式；以及

图5是包括体现本发明的阵风风险估算器的风力涡轮机控制器的示意图。

具体实施方式

发生极端阵风的可能性受到当前状况的影响。一些阵风可能不能被测量到，但是能够由测得的参数导出。也可以查看历史资料来评估所测得的或者导出的参数表示极端阵风的可能性。

在所描述的实施例中，通过风力涡轮机处的传感器采集训练数据。采用这一数据评估新采集的实况数据是否表现出了要求采取预防性措施的风险。因而，基于在先时间信号评估极端阵风的风险。此外，如果评估的风险低，那么与阵风风险更高时能够保证安全的情况相比，可以使涡轮机在能够生成更高的功率的模式下运行。在国际标准IEC61400-12005的章节6.3.2中定义了极端阵风，其是指在统计学上来讲只会在极其罕见的情况下发生的高度异常的阵风。下文描述的实施例尤其适于评估极端阵风的风险，但是也可以采用其检测不属于极端阵风定义但是仍然具有造成损害，或者通过降低一个或多个涡轮机部件的疲劳寿命而带来损坏的潜在可能性的阵风。

对训练数据进行分析，从而将所述数据的特征用作即将到来的风险的指示器。这一特征可以是能够测得或者导出的很多特征中的一个，对于风电场中的不同涡轮机而言其可能是不同的。这种差异是涡轮机周围地形必然导致的。例如，所述训练数据可能是从一个或多个传感器取得的。典型的大规模商用风力涡轮机具有很多传感器，所述传感器对环境气候条件和涡轮机参数都进行测量和监视。这些传感器可能测量若干变量之一，所述变量包括但不限于诸如风速、温度、压力等的环境条件以及诸如发电机速度、发电机温度、桨叶角和转子速度的发电机参数。可以按照一个或多个时标取得测量。所测量的特征可以是统计学数据或者统计学数据的组合，例如但不限于平均值、标准偏差、偏离、峰度、高阶统计、增量统计和谱统计。

图1是示出了怎样采用测得的统计信息获得极端阵风的风险的评估结果的流程图。在步骤100中获得训练数据，接下来将采用所述数据作为对实况数据进行分析所参照的基础，由此评估极端阵风风险。在实际操作之前，将训练数据记录在研究中的风力涡轮机处或者记录在类似的部位。可以由上述传感器中的任何传感器获得所述数据，并将其输入到所述系统当中。找到每一时间周期的选定统计学测量结果，并将其存储到针对每一周期的一个特征向量内。

在步骤110中对训练数据进行分析，从而照此标记出高风险周期。可以通过各种方式完成这一操作。例如，可以考虑跟随每一周期的最大发电机速度。在速度超过预定值的情况下，指定具有高风险。

在步骤120中，基于距离的度量，例如，特征向量的平均值μ_J和协方差S_J将所述特征向量布置到特征区带内。对于每一特征向量而言，_J表示其为哪一区带。定义若干区带，例如，表示高风险的、低风险的、中等风险的、非常高的风险的等等。区带的数量是灵活的，其取决于希望在阵风风险的评估结果的基础上施加的控制的程度。

在步骤130中，对所述区带加以调整，以提高性能。所述调整可以包括，例如，去除异常值，随后继之以区带的重新计算。

步骤140是极端阵风风险估算器的实时操作。由来自选定的一个或多个传感器的测量结果计算实时特征向量。之后判断是否认为当前状况具有高风险。在步骤150中，计算特征向量与高风险特征区带和低风险特征区带之间的马哈拉诺比斯距离r。如果特征向量与高风险特征区带的距离小于与低风险区带的距离，那么认为所述状况具有高风险。可以将其表达为：

r_{j} = \sqrt{{(x - μ_{j})}^{T} S_{j}^{- 1} (x - μ_{j})}

其中，x是所出现的实况流动特征向量。

在步骤160中，控制器基于先前的分析来评估是否存在高阵风风险。如果没有检测到高风险，那么所述系统可以只是继续处理实况数据。如果检测到高风险，那么除了继续处理实况数据之外，将阵风风险信号输出到控制器的另一部分，于是所述控制器可以根据其他感测参数和受控参数采取规避操作并使涡轮机低于额定功率运行，例如，可以通过改变桨叶角，改变转子速度或者通过一些其他参数实现。在极端情况下，控制器可以关闭涡轮机，或者使机舱和转子从风力中偏转出来，从而避免灾难性的损害。

可以通过个体风力涡轮机的控制器，也可以通过控制几个风力涡轮机的控制器，例如，通过风力涡轮机控制器或者控制风电场的一部分的控制器执行所描述的过程。可以采用两者的组合。例如，可以通过单个涡轮机控制器确定极端阵风风险，之后所述单个涡轮机控制器可以通过其自身实施控制，并且向诸如风电场控制器的更高级控制器发送极端阵风风险信号。

因而，在步骤150中的计算表示高极端阵风风险的情况下，控制器通过操作使涡轮机低于额定功率运行。然而，在所述计算表示风险低于既定阈值风险的情况下，控制器可以使涡轮机超过额定功率运行，从而在将涡轮机部件损害风险降至最低的情况下使所要生成的功率超过涡轮机的额定输出。

图2到4示出了相对于图1描述的方法的简单例子以辅助说明。图2示出了训练数据。在这一例子中，所述特征向量是十分钟和一分钟风速。这一数据可以是从诸如风速计的涡轮机传感器获得的，也可以是从相邻涡轮机或者所处位置具有类似地形条件的涡轮机处采集的。这一简单的例子中的特征向量是二维的，其被绘制在对照十分钟平均值的一分钟峰度的曲线图上。在这一例子中，采用菱形点示出了低风险数据，采用十字形示出了高风险数据。如果达到了十分钟最大发电机速度那么定义为高风险。如果希望定义几个风险阈值，例如，高、比较高、中等、比较低、低等，那么可以设定一定范围的发电机速度或者其他选定的风险确定变量。可以将风险的表示与一个以上的变量联系起来，这一或者这些变量未必是发电机参数，其可以是诸如气压的某些其他测量值。因而，这只是一个例子，可以采取任何其他的风险定义。

因而，图2对应于图1中的步骤100和110。通过图3表示出了步骤120和130，在图3中通过找到具有类似标记的区带的平均值和协方差而创建了特征区带200和210。所述平均值对应于位置，协方差对应于形状和大小。因而，在图3的例子中，菱形特征向量大体上聚集在低风险区带200内，而十字形的高风险特征向量则大体上聚集在较小的高风险区210内。显然有很多落在外面的值。通过平均位置确定特征区带的中心，而形状则由所述值的间隔和协方差确定。因而，某些值有可能处于区带之外。有可能采用不同的距离的度量定义区带，或者仅采用平均值定义区带，但是当前优选采用平均值和协方差两者定义区带。

由于随着时间的推移获得训练数据，因而可能必须减少在风力涡轮机的二十年的寿命中采集的数据的量。如果点测量非常靠近那么可以使所述点测量合并到一起，并且可以对点的值相应地加权。

图3示出了图1的步骤150。这里，示出了作为实况信号300的实况数据，其被绘制在对照平均值的峰度曲线图上。创建从实况信号数据到每一特征区带的中心的马哈拉诺比斯距离，向其分配实况数据的特征区带是具有最低的马哈拉诺比斯距离的特征区带，因此风险水平即为该区带。因而，在图4中，与低风险特征区带的中心的距离R1低于与高风险区的中心的距离R2，其表明所述数据表示低极端阵风风险。

马哈拉诺比斯距离的采用考虑了特征区带的形状。在图4中，与形状200的中心的距离大约为1.5个低风险形状的半径，而与高风险形状的中心的距离则是该形状的3个半径。如上所述，可以采用某些其他距离的度量。如果平均值是唯一的度量（这种情况是可能的），那么可以看出可能认为与安全区带（200）相比实况数据更加接近危险区带（210）。然而，在考虑了分布的形状时，危险区带要比安全区带远得多。从该图可以看出，实况信号接近安全区域的椭圆形状的边缘，即使将其放大系数2仍将落在危险区的椭圆形的外面。

所描述的方法需要输入大量的训练数据才能够生效。为了在一开始架设涡轮机时就能够采用所述方法，涡轮机控制器要求预加载训练数据或者参数，从而使其能够在一开始就运行。但是有利的是，随着其对涡轮机周围的更多了解，能够为涡轮机调整这些参数和模型。这一点是通过使预测风险与所产生的严重程度进行比较以确定模型的准确性而实现的。保持预测与实际结果良好匹配的模型，可以通过学习调整具有较差的相关性的模型。在通常被设计为二十年的涡轮机寿命中的点上，与控制器的预先安装的继承知识相比，控制器应当为自其运行以来的经验赋予权重。

图5是示出了体现上述方法的控制系统的示意图。风力涡轮机包括多个传感器400(1)...(n)。典型的大规模商业传感器最多可以包括30个不同的传感器，所述传感器将对诸如风速、方向、温度、压力等的风力参数以及诸如转子速度、叶片间距、发电机速度、发电机温度的涡轮机参数进行测量。尽管不是直接测量的，但是控制器也会由实际测量值导出各种参数的值。形成控制器420的部分的阵风风险估算器410采用这些传感器输入中的选定输入。阵风风险估算器还包括训练数据存储器430，将来自所述传感器的受到所描述的统计处理的实况数据添加至所述训练数据。阵风风险估算器能够向控制器输出超过额定功率运行或者低于额定功率运行信号，其表示控制器风力涡轮机能够在阵风风险的评估结果的基础上超过额定功率运行或者低于额定功率运行。控制器将这一信号与各种其他控制器输入和算法一起使用，从而确定诸如间距和速度的输出控制信号，所述信号将被传送回涡轮机。控制器还能够向中央控制器输出信号，从而使阵风风险的评估结果能够用来控制风电场的不只一台风力涡轮机。在本发明的一个优选实施例中，风电场的每一涡轮机能够采用来自其自身的传感器的数据评估阵风风险。但是，在一台涡轮机确定了高阵风风险时，通过场控制器将报警信号传达给其他涡轮机。在另一实施例中，多台涡轮机可以采用相同的一组训练数据开始运行，但是将采用其自身的相应数据修改所述训练数据。这使得系统的启动更加简单，同时保持了随着时间的推移进行个体学习的优点。

本发明的实施例的优点在于，它们在不需要诸如激光雷达的昂贵的前瞻性传感器的情况下实现了对诸如极端阵风风险的阵风危险的评估。在当前这是不可能的。可以在个体涡轮机处评估阵风风险，也可以在中央发电厂控制器处对阵风风险进行全局评估，从而发出具有比单个涡轮机更广的传达范围的风险评估结果。在涡轮机意识到阵风风险时它们能够更加安全地运行，因为它们能够低于额定功率运行。此外，在被通知存在低阵风风险时，涡轮机能够更有效率并且更具效益地运行，从而使涡轮机产生的收入和涡轮机的寿命都能够最大化。

本发明还可以扩展至检测风向的极端变化或者极端风力转向事件。

在不偏离所附权利要求界定的本发明的情况下，对所描述的阵风风险估算器的各种其他修改也是有可能的，并且是本例技术人员能够想到的。

Claims

1.一种控制风力涡轮机的方法，包括如下步骤：

采集并存储与一个或多个感测到的变量相关的训练数据，所述训练数据包括由表示风险的至少一个统计学度量获得的特征向量；

基于测量的参数将每一所述训练数据分配到一个风险类别，并由每一类别中的特征向量的至少一个距离的度量来定义所述每一类别的特征区带，所述特征区带包括表示阵风风险为高的高风险区；以及

在风力涡轮机的运行期间，由通过至少一个传感器获得的数据周期性地计算特征向量并确定将所述特征向量分配给哪一特征区带来确定阵风风险的评估结果，由此确定所测得的特征向量所代表的极端阵风风险的评估结果。

2.根据权利要求1所述的方法，包括向风力涡轮机控制器输出阵风风险表示信号。

3.根据权利要求1或2所述的方法，其中，由每一风险类别中的特征向量的平均值来定义所述每一风险类别的特征区带。

4.根据权利要求1、2或3所述的方法，其中，由每一风险类别中的特征向量的平均值和协方差来定义所述每一风险类别的特征区带。

5.根据权利要求1、2、3或4所述的方法，其中，通过测量所述特征向量与每一特征区带的中心的马哈拉诺比斯距离，并将所述特征向量分配给与所述特征向量具有最小马哈拉诺比斯距离的区带而将所述特征向量分配给特征区带。

6.根据权利要求1到5中的任一项所述的方法，其中，所述特征向量是以平均风速为基础的。

7.根据权利要求1到6中的任一项所述的方法，包括响应于实时测量结果来调整所述特征区带。

8.根据权利要求1到7中的任一项所述的方法，包括在极端阵风的风险评估结果为低时使所述风力涡轮机超过额定功率运行。

9.根据权利要求1到8中的任一项所述的方法，包括在极端阵风的风险评估结果为高时使所述风力涡轮机低于额定功率运行。

10.根据任何前述权利要求所述的方法，其中，所述阵风风险评估结果输出到控制两台或更多风力涡轮机的控制器。

11.根据任何前述权利要求所述的方法，其中，分配给特征向量的风险水平是以可测量参数为基础的，所述可测量参数跟随获得导出所述特征向量的数据的测量周期。

12.根据任何前述权利要求所述的方法，其中，向特征向量分配与跟随所述测量周期的最大发电机速度相关的风险水平。

13.根据任何前述权利要求所述的方法，其中，将所述训练数据预加载到风力涡轮机控制器内。

14.根据任何前述权利要求所述的方法，其中，将由传感器数据周期性地计算出的所述特征向量添加到所存储的训练数据。

15.根据权利要求14所述的方法，包括将具有基本相同值的训练数据项合并到一起，并对所合并的项的值加权。

16.根据任何前述权利要求所述的方法，其中，所述阵风风险的评估结果是极端阵风的评估结果。

17.一种用于风力涡轮机的阵风风险估算器，包括：

与所述风力涡轮机感测到的一个或多个变量相关的训练数据的存储器，所述训练数据包括由表示风险的至少一个统计学度量获得的特征向量；

比较器，用于将每一训练数据项与采集所述训练数据时的测量参数进行比较，并且在所述测量参数的基础上将每一所述训练数据分配给一个风险类别；

用于由每一类别中的特征向量的距离的度量定义所述每一类别的特征区带的模块，所述特征区带包括表示阵风风险为高的高风险区；以及

用于确定所述风力涡轮机的运行期间阵风风险的评估结果的模块，所述的确定方式为由通过与所述风力涡轮机相关的至少一个传感器获得的数据周期性地计算特征向量，并确定将所述特征向量分配给哪一特征区带，从而确定所测量的特征向量所表示的极端阵风风险的评估结果。

18.根据权利要求17所述的阵风风险估算器，其中，用于确定阵风风险的评估结果的模块向风力涡轮机控制器输出阵风风险表示信号。

19.根据权利要求18所述的阵风风险估算器，其中，所述风力涡轮机控制器对从其获得了所述阵风风险估算器处理的所述数据的所述风力涡轮机进行控制。

20.根据权利要求18或19所述的阵风风险估算器，其中，所述控制器控制多台风力涡轮机。

21.根据权利要求17到20中的任一项所述的阵风风险估算器，其中，用于定义特征区带的模块由每一风险类别中的特征向量的平均值定义所述每一风险类别的特征区带。

22.根据权利要求17到21中的任一项所述的阵风风险估算器，其中，用于定义特征区带的模块由每一风险类别中的特征向量的平均值和协方差定义所述每一风险类别的特征区带。

23.根据权利要求17到22中的任一项所述的阵风风险估算器，其中，用于确定阵风风险的评估结果的模块通过测量所述特征向量与每一特征区带的中心的马哈拉诺比斯距离并且将所述特征向量分配给与所述特征向量具有最小马哈拉诺比斯距离的区带而将特征向量分配给特征区带。

24.根据权利要求17到23中的任一项所述的阵风风险估算器，其中，所述特征向量是以平均风速为基础的。

25.根据权利要求17到24中的任一项所述的阵风风险估算器，其中，在极端阵风风险的评估结果为低时，所述控制器使所述风力涡轮机超过额定功率运行。

26.根据权利要求17到25中的任一项所述的阵风风险估算器，其中，在极端阵风风险的评估结果为高时，所述控制器使所述风力涡轮机低于额定功率运行。

27.根据权利要求17到26中的任一项所述的阵风风险估算器，其中，所述比较器基于可测量参数的值向所述特征向量分配风险水平，所述可测量参数跟随获得导出所述特征向量的数据的测量周期。

28.根据权利要求17到27中的任一项所述的阵风风险估算器，其中，所述比较器向特征向量分配与跟随所述测量周期的最大风力涡轮发电机速度相关的风险水平。

29.根据权利要求17到28中的任一项所述的阵风风险估算器，其中，将由传感器数据周期性地计算出的所述特征向量添加至所存储的训练数据。

30.根据权利要求29所述的阵风风险估算器，其中，在所述存储器内使基本上具有相同值的训练数据项合并到一起，并对其加权。

31.根据权利要求17到30中的任一项所述的阵风风险估算器，其中，所述阵风风险的评估结果是极端阵风风险的评估结果。

32.具有根据权利要求17到31中的任一项所述的阵风风险估算器的风力涡轮机。

33.具有多台风力涡轮机和根据权利要求17到31中的任一项所述的阵风风险估算器的风电场。