CN110210044A - 风力发电机组的载荷预测方法和装置 - Google Patents
风力发电机组的载荷预测方法和装置 Download PDFInfo
- Publication number
- CN110210044A CN110210044A CN201810168969.8A CN201810168969A CN110210044A CN 110210044 A CN110210044 A CN 110210044A CN 201810168969 A CN201810168969 A CN 201810168969A CN 110210044 A CN110210044 A CN 110210044A
- Authority
- CN
- China
- Prior art keywords
- load
- generating set
- loading prediction
- prediction model
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 55
- 240000002853 Nelumbo nucifera Species 0.000 claims description 19
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 19
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 9
- 210000004209 hair Anatomy 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 11
- 238000012216 screening Methods 0.000 description 11
- 238000012805 post-processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
提供一种风力发电机组的载荷预测方法和装置，所述载荷预测方法包括：获取与所有工况对应的标准相关数据；基于所述标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据；将所述标准相关数据作为载荷预测模型的输入，所述载荷数据作为所述载荷预测模型的输出，训练并建立所述载荷预测模型；获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷。采用本发明示例性实施例的所述风力发电机组的载荷预测方法和装置，能够对风电场机位点特定风力发电机组的载荷进行快速评估。
Description
技术领域
本发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种风力发电机组的载荷预测方法和装置。
背景技术
目前，在风电场开发设计优化阶段需要针对选型后的风力发电机组进行载荷评估，通常是利用时域仿真或者数据库插值的方式对载荷进行评估。时域仿真方式提供了标准化的流程、方法、标准和专业商用软件，能够得到较为完整的载荷评估数据。数据库插值方式是基于大量的仿真计算数据提取输入和输出的统计量以建立庞大的数据库，通过数据的线性或者非线性插值的方式获取主要的载荷评估数据。
随着对风电场定制化需求的日益增加，如果采用时域仿真方式进行风力发电机组的载荷评估，往往需要少则数小时多则数天的仿真周期，往往赶不上项目投标和后期风力发电机组优化的时效需求。如果采用数据库插值方式，则需要提前进行大量的仿真计算、数据处理和数据库建立和维护的时间，往往需要跨专业跨团队的合作才能完成，耗时较长。
发明内容
本发明的示例性实施例的目的在于提供一种风力发电机组的载荷预测方法和装置，能够实现对风电场机位点特定风力发电机组的载荷的快速评估。
根据本发明示例性实施例的一方面，提供一种风力发电机组的载荷预测方法，包括：获取与所有工况对应的标准相关数据；基于标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据；将标准相关数据作为载荷预测模型的输入，载荷数据作为载荷预测模型的输出，训练并建立所述载荷预测模型；获取风力发电机组的实际相关数据，通过载荷预测模型预测风力发电机组在相应工况下的载荷。
可选地，标准相关数据可包括风资源数据，其中，风资源数据可包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。
可选地，标准相关数据还可包括风力发电机组的配置数据和风力发电机组的状态数据，其中，配置数据可包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径，状态数据可为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。
可选地，基于标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据的步骤可包括：定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在当前的工况下的载荷，其中，预定部件可包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
可选地，载荷数据可包括以下项中的至少一项：载荷分量的均值、载荷分量的标准偏差、载荷分量的极大值、载荷分量的极小值、1HZ等效载荷。
可选地，载荷预测模型可通过以下方式进行验证：将用于训练载荷预测模型的风力发电机组的标准相关数据输入到载荷预测模型，通过比较基于标准相关数据仿真计算得到的风力发电机组的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证，或者，任意选择与载荷预测模型对应的风力发电机组的标准相关数据，将任意选择的标准相关数据输入到载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。
可选地，获取风力发电机组的实际相关数据，通过载荷预测模型预测风力发电机组在相应工况下的载荷的步骤还可包括：对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
可选地，工况评估可包括：疲劳工况评估或极限工况评估。
根据本发明示例性实施例的另一方面，提供一种风力发电机组的载荷预测装置，载荷预测装置包括：标准数据获取模块，获取与所有工况对应的标准相关数据；载荷数据获取模块，基于标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据；载荷预测模型建立模块，将标准相关数据作为载荷预测模型的输入，载荷数据作为载荷预测模型的输出，训练并建立所述载荷预测模型；载荷预测模块，获取风力发电机组的实际相关数据，通过载荷预测模型预测风力发电机组在相应工况下的载荷。
可选地，标准相关数据可包括风资源数据，其中，风资源数据可包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。
可选地，标准相关数据还包括风力发电机组的配置数据和风力发电机组的状态数据，其中，配置数据可包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径，状态数据可为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。
可选地，载荷数据获取模块可定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在当前的工况下的载荷，其中，预定部件可包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
可选地，载荷数据可包括以下项中的至少一项：载荷的均值、载荷的标准偏差、载荷的极大值、载荷的极小值、1HZ等效载荷。
可选地，载荷预测模型可通过以下方式进行验证：将用于训练载荷预测模型的风力发电机组的标准相关数据输入到载荷预测模型，通过比较基于标准相关数据仿真计算得到的风力发电机组的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证，或者，任意选择与载荷预测模型对应的标准相关数据，将任意选择的标准相关数据输入到载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。
可选地，载荷预测装置还可包括：工况评估模块，对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
可选地，工况评估包括：疲劳工况评估或极限工况评估。
根据本发明示例性实施例的再一方面，提供一种存储有计算机程序的计算机可读存储介质，当计算机程序在被处理器执行时实现上述的风力发电机组的载荷预测方法。
根据本发明示例性实施例的再一方面，提供一种计算装置，计算装置包括：处理器；存储器，存储有计算机程序，当计算机程序被处理器执行时，实现上述的风力发电机组的载荷预测方法。
采用本发明示例性实施例的所述风力发电机组的载荷预测方法和装置，能够对风电场机位点特定风力发电机组的载荷进行快速评估。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
图1示出根据本发明示例性实施例的风力发电机组的载荷预测方法的流程图；
图2示出根据本发明示例性实施例的对载荷预测模型进行训练的步骤的流程图；
图3示出根据本发明示例性实施例的风力发电机组的载荷预测装置的结构图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风力发电机组的载荷预测方法的流程图。
参照图1，在步骤S10中，获取与所有工况对应的标准相关数据。
优选地，上述标准相关数据可指与IEC风机设计规范中定义的所有工况对应的风力发电机组的相关数据。具体地，这里与所有工况对应的标准相关数据可指处于IEC风机设计规范中定义的与每种工况对应的参数范围内的风力发电机组的相关数据。也就是说，IEC风机设计规范中定义了每种工况对应的参数范围，步骤S10中获取的标准相关数据为分别处于每种工况对应的参数范围内的风力发电机组的相关数据。
作为示例，上述工况可包括极限工况(如，影响风力发电机组极限载荷的工况)和/或疲劳工况(如，影响风力发电机组疲劳载荷的工况)。优选地，上述工况可为极限工况和/或疲劳工况下的各种子工况(如，发电子工况、故障子工况、空转子工况和维护子工况等)。
在本发明示例性实施例中，可采用图1所示的风力发电机组的载荷预测方法来对风力发电机组在各种子极限工况或各种子疲劳工况下的载荷进行快速评估。
作为示例，标准相关数据可包括风资源数据，除此之外还可包括风力发电机组的配置数据和风力发电机组的状态数据。
具体说来，风资源数据可包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。风力发电机组的配置数据可包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径。这里，本发明示例性实施例中在利用载荷预测模型对风力发电机组进行载荷评估时将风力发电机组的配置数据作为载荷预测模型的输入，也就是说，可将风电场中仅存在上述配置数据中所涉及的参数的差异的风力发电机组共用同一载荷预测模型进行载荷评估，扩大了载荷预测模型的使用范围，不必针对不同塔架高度、额定功率或叶轮直径的风力发电机组来分别建立载荷预测模型，有效减少了构建载荷预测模型的工作量。
此外，风力发电机组的状态数据可为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。这里，所述预定状态可包括电网故障、偏航故障和/或变桨故障，相应地，风力发电机组处于预定状态时对应的状态参数可指风力发电机组发生电网故障时的时间点、发生偏航故障时所对应的偏航角和/或发生变桨故障时所对应的桨距角。
作为示例，与极限工况对应的标准相关数据可包括风速、湍流强度、空气密度、风剪切、偏航角、额定功率、塔架高度和叶轮直径。例如，与故障子工况对应的标准相关数据可包括风剪切、空气密度、湍流强度、额定功率、塔架高度、叶轮直径、发生故障的时间点、叶轮方位角。
在步骤S20中，基于获取的标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据。
这里，作为示例，可通过时域仿真的方式来分别基于获取的标准相关数据计算得到与所有工况对应的载荷。但本发明不限于此，还可通过其他方式来获得与工况对应的载荷。
优选地，步骤S20中在进行仿真计算时，可定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在相应工况下的载荷。应理解，这里相应工况可指所有工况中用户希望进行载荷评估的工况。
也就是说，通过仿真计算获得的载荷可为风力发电机组的预定部件在相应工况下的载荷。作为示例，所述预定部件可为风力发电机组中的关键部件，例如，所述预定部件可包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
在此情况下，上述定义的仿真计算的载荷输出通道应为影响风力发电机组的预定部件强度的关键载荷。例如，此时所述载荷数据可包括以下项中的至少一项：载荷的均值、载荷的标准偏差、载荷的极大值、载荷的极小值、1HZ等效载荷。例如，可定义仿真计算的载荷输出通道为风力发电机组的叶根的载荷的均值。
这里，载荷可包括在笛卡尔坐标系下围绕三个坐标轴的弯矩和力，例如，沿X轴方向的弯矩(Mx)、沿Y轴方向的弯矩(My)、X轴方向和Y轴方向的合成弯矩(Mxy)、沿Z轴方向的弯矩(Mz)、沿X轴方向的力(Fx)、沿Y轴方向的力(Fy)、X轴方向和Y轴方向的合成力(Fxy)、沿Z轴方向的力(Fz)。
作为示例，假设相应工况为疲劳子工况，此时在获取与疲劳子工况对应的标准相关数据之后，可通过仿真计算得到风力发电机组的预定部件在该疲劳子工况下的1HZ等效载荷。
此外，如假设相应工况为极限子工况，此时在获取与极限子工况对应的标准相关数据之后，可通过仿真计算得到风力发电机组的预定部件在该极限子工况下的载荷的极大值和载荷的极小值。
在步骤S30中，将获取的标准相关数据作为载荷预测模型的输入，得到的载荷数据作为载荷预测模型的输出，训练并建立载荷预测模型。
这里，上述载荷预测模型可包括与所有工况分别对应的载荷预测模型。例如，一种子工况对应一个载荷预测模型。
例如，可采用优化算法或最小二乘法等数学方法对载荷预测模型进行优化训练，以提高载荷预测模型的输出精度。
优选地，本发明示例性实施例中的载荷预测模型可为基于大量多变量输入和多通道输出数据的统计和训练得到的回归方程。作为示例，该回归方程可为二阶多项式模型、多项式混动展开模型或克里金模型。然而，本发明不限于此，还可采用其他回归方程(如线性回归方程)来表示载荷预测模型。
下面介绍对载荷预测模型进行训练的过程：首先确定载荷预测模型的输入参数(如与所有工况对应的标准相关数据)，在对载荷预测模型进行训练之前，可通过时域仿真方式计算得到与确定的载荷预测模型的输入参数对应的输出载荷，然后基于确定的载荷预测模型的输入参数和通过时域仿真方式计算得到的输出载荷对载荷预测模型进行训练。应理解，本发明不限于此，还可通过其他方式来计算与确定的载荷预测模型的输入参数对应的输出载荷以作为载荷预测模型的输出。
优选地，在通过时域仿真方式计算得到与确定的载荷预测模型的输入参数对应的输出载荷之后，还可对得到的输出载荷进行筛选，以将筛选后的输出载荷作为载荷预测模型的输出以对载荷预测模型进行训练。这里，可利用各种方式来对输出载荷进行筛选，本发明对此不做限定。
作为示例，以载荷预测模型为二阶多项式模型为例，对二阶多项式模型进行训练的过程可为：将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为二阶多项式模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、组合自变量矩阵、求解系数矩阵、保存系数矩阵和阶数矩阵，最终训练后的二阶多项式模型的输出与输入参数的相关性满足用户需求。
例如，以载荷预测模型为多项式混动展开模型为例，对多项式混动展开模型进行训练的过程可为：将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为高阶多项式混动展开模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、定义基函数矩阵、组合自变量矩阵、求解系数矩阵、保存系数矩阵和阶数矩阵，最终训练后的高阶多项式混动展开模型的输出与输入参数的相关性满足用户需求。
例如，以载荷预测模型为克里金模型为例，对克里金模型进行训练的过程可为：将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为克里金模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、构建趋势函数、构建偏差函数、保存趋势函数和偏差函数系数矩阵和阶数矩阵，最终训练后的克里金模型的输出与输入参数的相关性满足用户需求。
下面参照图2来介绍对载荷预测模型进行训练的步骤。
图2示出根据本发明示例性实施例的对载荷预测模型进行训练的步骤的流程图。
参照图2，在步骤S201中，确定标准相关数据中包含的适用于载荷预测模型(即，待训练的载荷预测模型)的参数。这里，步骤S201中是确定标准相关数据中包含的适用于载荷预测模型的参数的种类。优选地，确定的参数应为与待训练的载荷预测模型对应的相应工况所对应的标准相关数据。
在步骤S202中，通过伪随机样本点生成算法从确定的参数中选取用于输入到载荷预测模型的样本点。
例如，假设标准相关数据中包含风速和空气密度两种参数，此时，可通过伪随机样本点生成算法从风速中选取第一预定数量的样本点、从空气密度中选取第二预定数量的样本点作为载荷预测模型的输入。
这里，在现有技术中是采用均匀抽样的方式从各参数中选择样本点，导致被选择的样本点的数据量较大，增加了后续载荷预测模型的计算量，在本发明示例性实施例中通过上述伪随机样本点生成算法来选取样本点可有效降低仿真样本的计算量。但本发明不限于此，还可采用采用随机数序列、均匀抽样、自定义选取规则等方式来选取用于输入到载荷预测模型的样本点。
在步骤S203中，将选取的样本点作为载荷预测模型的输入，将根据选取的样本点通过仿真计算(如时域仿真方式)获得的输出载荷作为载荷预测模型输出，对载荷预测模型进行训练。应理解，也可通过其他方式来根据选取的样本点获得的输出载荷。
优选地，根据本发明示例性实施例的风力发电机组的载荷预测方法还可包括对载荷预测模型进行验证的步骤。
在一个示例中，可基于用于训练载荷预测模型的输入数据对载荷预测模型进行验证。
例如，可将用于训练载荷预测模型的标准相关数据输入到载荷预测模型，通过比较基于用于训练载荷预测模型的标准相关数据仿真计算得到的风力发电机组的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。这里，可利用各种方式来基于用于训练载荷预测模型的标准相关数据计算风力发电机组的载荷。
在另一示例中，可基于通过仿真计算方式获得的数据对载荷预测模型进行验证。
例如，可任意选择与载荷预测模型所对应的相应工况相应的标准相关数据，将任意选择的标准相关数据输入到载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。
根据本发明示例性实施例的上述风力发电机组的载荷预测方法，能够构建风力发电机组的载荷预测模型，即，针对风力发电机组的一种工况建立对应的载荷预测模型，可根据工况的不同确定出相应的风力发电机组的载荷，提高了载荷预测模型的灵活性。同时，也避免了庞大载荷数据库的建立与维护。
返回图1，在步骤S40中，获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷。
也就是说，在建立分别与所有工况对应的载荷预测模型之后，可通过将风力发电机组的实际相关数据输入到构建的载荷预测模型来获得该风力发电机组对应的载荷，构建的载荷预测模型可用于风电场机位点特定风力发电机组载荷的快速评估和风电场优化过程载荷的约束。
应理解，在步骤S40中在获取风力发电机组的实际相关数据之后，可对获取的风力发电机组的实际相关数据进行分解获得与各工况分别对应的数据，将分解获得的数据输入到载荷预测模型中以获得在各工况下的载荷。这里，相应工况可为所有工况中的一种工况或多种工况。
此外，风力发电机组的实际相关数据应与用于训练与相应工况对应的载荷预测模型的输入数据一致。也就是说，获取的实际相关数据的种类应与训练与相应工况对应的载荷预测模型的标准相关数据的种类一致。
优选地，在将获取的风力发电机组的相关数据输入到载荷预测模型之前，可先对获取的风力发电机组的实际相关数据进行筛选，然后再将筛选后的风力发电机组的实际相关数据输入到载荷预测模型，以确定风力发电机组在相应工况下的载荷。
例如，对获取的风力发电机组的实际相关数据进行筛选的步骤可包括：以预定参数为约束条件，对获取的风力发电机组的实际相关数据进行筛选。即，基于预定参数来过滤掉风力发电机组的实际相关数据中不合理的数据。
作为示例，所述预定参数可为风速、发电机转速、桨距角、电磁扭矩、轴功率中的至少一个。在此情况下，对获取的风力发电机组的实际相关数据进行筛选的步骤可包括：确定预定参数所对应的参数范围，筛选出风力发电机组的实际相关数据中处于所述预定参数所对应的参数范围内的实际相关数据，以将筛选后的风力发电机组的实际相关数据输入到载荷预测模型来确定风力发电机组在相应工况下的载荷。
优选地，在本发明示例性实施例中，在预测得到风力发电机组在相应工况下的载荷之后，可基于预测的载荷对风力发电机组进行快速工况评估。
例如，步骤S40还可包括：对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
这里，上述后处理可指对载荷进行适用于相应工况评估的处理。作为示例，上述工况评估可包括疲劳工况评估或极限工况评估。优选地，工况评估可包括极限工况和/或疲劳工况下的各种子工况的评估。
例如，以工况评估为疲劳工况评估为例，在通过载荷预测模型预测得到风力发电机组在疲劳工况下的1HZ等效载荷之后，对预测得到的风力发电机组在相应工况下的载荷进行后处理可指对获得的1HZ等效载荷通过线性叠加的方式进行计算，可获得N年的等效载荷，从而对风力发电机组在相应工况下的疲劳寿命进行评估。
例如，以工况评估为极限工况评估为例，在通过载荷预测模型预测得到风力发电机组在极限工况下的载荷的极大值和载荷的极小值之后，对预测得到的风力发电机组在相应工况下的载荷进行后处理可指统计出所有极限工况下的载荷的极大值和载荷的极小值，以对风力发电机组的极限工况进行评估。
图3示出根据本发明示例性实施例的风力发电机组的载荷预测装置的结构图。
如图3所示，根据本发明示例性实施例的风力发电机组的载荷预测装置包括：标准数据获取模块10、载荷数据获取模块20、载荷预测模型建立模块30和载荷预测模块40。
具体说来，标准数据获取模块10获取与所有工况对应的标准相关数据。
优选地，上述标准相关数据可指与IEC风机设计规范中定义的所有工况对应的风力发电机组的相关数据。具体地，这里与所有工况对应的标准相关数据可指处于IEC风机设计规范中定义的与每种工况对应的参数范围内的风力发电机组的相关数据。也就是说，IEC风机设计规范中定义了每种工况对应的参数范围，标准数据获取模块10获取的标准相关数据为分别处于每种工况对应的参数范围内的风力发电机组的相关数据。
作为示例，上述工况可包括极限工况(如，影响风力发电机组极限载荷的工况)和/或疲劳工况(如，影响风力发电机组疲劳载荷的工况)。优选地，上述工况可为极限工况和/或疲劳工况下的各种子工况(如，发电子工况、故障子工况、空转子工况和维护子工况等)。
在本发明示例性实施例中，图3所示的风力发电机组的载荷预测装置可对风力发电机组在各种子极限工况或各种子疲劳工况下的载荷进行快速评估。
作为示例，标准相关数据可包括风资源数据，除此之外可还包括风力发电机组的配置数据和风力发电机组的状态数据。
具体说来，风资源数据可包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。风力发电机组的配置数据可包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径。风力发电机组的状态数据可为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。这里，所述预定状态可包括电网故障、偏航故障和/或变桨故障，相应地，风力发电机组处于预定状态时对应的状态参数可指风力发电机组发生电网故障时的时间点、发生偏航故障时所对应的偏航角和/或发生变桨故障时所对应的桨距角。
载荷数据获取模块20基于获取的标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据。
这里，作为示例，载荷数据获取模块20可通过时域仿真的方式来分别基于获取的标准相关数据计算得到与所有工况对应的载荷。但本发明不限于此，还可通过其他方式来获得与工况对应的载荷。
优选地，载荷数据获取模块20在进行仿真计算时，可定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在相应工况下的载荷。应理解，这里相应工况可指所有工况中用户希望进行载荷评估的工况。
也就是说，通过仿真计算获得的载荷可为风力发电机组的预定部件在相应工况下的载荷。作为示例，所述预定部件可为风力发电机组中的关键部件，例如，所述预定部件可包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
在此情况下，上述定义的仿真计算的载荷输出通道应为影响风力发电机组的预定部件强度的关键载荷。例如，此时所述载荷数据可包括以下项中的至少一项：载荷的均值、载荷的标准偏差、载荷的极大值、载荷的极小值、1HZ等效载荷。
作为示例，假设相应工况为疲劳子工况，此时在标准数据获取模块10获取与疲劳子工况对应的标准相关数据之后，载荷数据获取模块20可通过仿真计算得到风力发电机组的预定部件在该疲劳子工况下的1HZ等效载荷。
此外，如假设相应工况为极限子工况，此时在标准数据获取模块10获取与极限子工况对应的标准相关数据之后，载荷数据获取模块20可通过仿真计算得到风力发电机组的预定部件在该极限子工况下的载荷的极大值和载荷的极小值。
载荷预测模型建立模块30将获取的标准相关数据作为载荷预测模型的输入，得到的载荷数据作为载荷预测模型的输出，训练并建立载荷预测模型。
这里，上述载荷预测模型可包括与所有工况分别对应的载荷预测模型。例如，一种子工况对应一个载荷预测模型。
例如，载荷预测模型建立模块30可采用优化算法或最小二乘法等数学方法对载荷预测模型进行优化训练，以提高载荷预测模型的输出精度。
优选地，本发明示例性实施例中的载荷预测模型可为基于大量多变量输入和多通道输出数据的统计和训练得到的回归方程。作为示例，该回归方程可为二阶多项式模型、多项式混动展开模型或克里金模型。然而，本发明不限于此，还可采用其他回归方程(如线性回归方程)来表示载荷预测模型。
下面介绍载荷预测模型建立模块30对载荷预测模型进行训练的过程：载荷预测模型建立模块30首先确定载荷预测模型的输入参数(如与所有工况对应的标准相关数据)，在对载荷预测模型进行训练之前，可通过时域仿真方式计算得到与确定的载荷预测模型的输入参数对应的输出载荷，然后基于确定的载荷预测模型的输入参数和通过时域仿真方式计算得到的输出载荷对载荷预测模型进行训练。应理解，本发明不限于此，还可通过其他方式来计算与确定的载荷预测模型的输入参数对应的输出载荷以作为载荷预测模型的输出。
优选地，在通过时域仿真方式计算得到与确定的载荷预测模型的输入参数对应的输出载荷之后，载荷预测模型建立模块30还可对得到的输出载荷进行筛选，以将筛选后的输出载荷作为载荷预测模型的输出以对载荷预测模型进行训练。这里，可利用各种方式来对输出载荷进行筛选，本发明对此不做限定。
作为示例，以载荷预测模型为二阶多项式模型为例，载荷预测模型建立模块30对二阶多项式模型进行训练的过程可为：载荷预测模型建立模块30将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为二阶多项式模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、组合自变量矩阵、求解系数矩阵、保存系数矩阵和阶数矩阵，最终训练后的二阶多项式模型的输出与输入参数的相关性满足用户需求。
例如，以载荷预测模型为多项式混动展开模型为例，载荷预测模型建立模块30对多项式混动展开模型进行训练的过程可为：载荷预测模型建立模块30将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为高阶多项式混动展开模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、定义基函数矩阵、组合自变量矩阵、求解系数矩阵、保存系数矩阵和阶数矩阵，最终训练后的高阶多项式混动展开模型的输出与输入参数的相关性满足用户需求。
例如，以载荷预测模型为克里金模型为例，载荷预测模型建立模块30对克里金模型进行训练的过程可为：载荷预测模型建立模块30将确定的载荷预测模型的输入参数和通过时域仿真方式获得的输出载荷作为克里金模型训练的输入和输出，训练过程按执行顺序先后可包括构建阶数矩阵、构建趋势函数、构建偏差函数、保存趋势函数和偏差函数系数矩阵和阶数矩阵，最终训练后的克里金模型的输出与输入参数的相关性满足用户需求。
下面介绍载荷预测模型建立模块30训练载荷预测模型的过程。
具体说来，载荷预测模型建立模块30确定标准相关数据中包含的适用于载荷预测模型的参数。即，确定获取的标准相关数据中包含的适用于载荷预测模型的参数的种类。优选地，确定的参数应为与待训练的载荷预测模型对应的相应工况所对应的标准相关数据。载荷预测模型建立模块30通过伪随机样本点生成算法从确定的参数中选取用于输入到载荷预测模型的样本点，并根据选取的样本点通过时域仿真方式获得输出载荷，载荷预测模型建立模块30将选取的样本点作为载荷预测模型的输入，将根据选取的样本点通过仿真计算获得的输出载荷作为载荷预测模型输出，对载荷预测模型进行训练。
优选地，根据本发明示例性实施例的风力发电机组的载荷预测装置还可包括：模型验证模块(图中未示出)。
在一个示例中，模型验证模块可基于用于训练载荷预测模型的输入数据对载荷预测模型进行验证。
例如，模型验证模块可将用于训练载荷预测模型的标准相关数据输入到载荷预测模型，通过比较基于用于训练载荷预测模型的标准相关数据仿真计算得到的风力发电机组的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。这里，可利用各种方式来基于用于训练载荷预测模型的标准相关数据计算风力发电机组的载荷。
在另一示例中，模型验证模块可基于通过仿真计算方式获得的数据对载荷预测模型进行验证。
例如，模型验证模块可任意选择与载荷预测模型所对应的相应工况相应的标准相关数据，将任意选择的标准相关数据输入到载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与载荷预测模型的输出结果来确定载荷预测模型是否通过验证。
载荷预测模块40获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷。
也就是说，在载荷预测模型建立模块30建立分别与所有工况对应的载荷预测模型之后，载荷预测模块40可通过将风力发电机组的实际相关数据输入到构建的载荷预测模型来获得该风力发电机组对应的载荷，构建的载荷预测模型可用于风电场机位点特定风力发电机组载荷的快速评估和风电场优化过程载荷的约束。
应理解，载荷预测模块40在获取风力发电机组的实际相关数据之后，可对获取的风力发电机组的实际相关数据进行分解获得与各工况分别对应的数据，将分解获得的数据输入到载荷预测模型中以获得在各工况下的载荷。这里，相应工况可为所有工况中的一种工况或多种工况。
此外，风力发电机组的实际相关数据应与用于训练与相应工况对应的载荷预测模型的输入数据一致。也就是说，获取的实际相关数据的种类应与训练与相应工况对应的载荷预测模型的标准相关数据的种类一致。
优选地，根据本发明示例性实施例的风力发电机组的载荷预测装置还可包括：数据筛选模块(图中未示出)，载荷预测模块40在将获取的风力发电机组的实际相关数据输入到载荷预测模型之前，数据筛选模块可先对获取的风力发电机组的实际相关数据进行筛选，然后载荷预测模块40再将筛选后的风力发电机组的实际相关数据输入到载荷预测模型，以确定风力发电机组在相应工况下的载荷。
具体说来，数据筛选模块以预定参数为约束条件，对获取的风力发电机组的实际相关数据进行筛选，载荷预测模块40基于筛选后的风力发电机组的实际相关数据，通过利用所述载荷预测模型，确定风力发电机组在相应工况下的载荷。
作为示例，预定参数可为风速、发电机转速、桨距角、电磁扭矩、轴功率中的至少一个。在此情况下，数据筛选模块可确定预定参数所对应的参数范围，筛选出风力发电机组的实际相关数据中处于所述预定参数所对应的参数范围内的实际相关数据，以将筛选后的风力发电机组的实际相关数据输入到载荷预测模型来确定风力发电机组在相应工况下的载荷。
优选地，根据本发明示例性实施例的风力发电机组的载荷预测装置还可包括：工况评估模块(图中未示出)，对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
这里，上述后处理可指对载荷进行适用于相应工况评估的处理。作为示例，上述工况评估可包括疲劳工况评估或极限工况评估。优选地，工况评估可包括极限工况和/或疲劳工况下的各种子工况的评估。
例如，以工况评估为疲劳工况评估为例，在通过载荷预测模型预测得到风力发电机组在疲劳工况下的1HZ等效载荷之后，工况评估模块对预测得到的风力发电机组在相应工况下的载荷进行后处理可指对获得的1HZ等效载荷通过线性叠加的方式进行计算，可获得N年的等效载荷，从而对风力发电机组在相应工况下的疲劳寿命进行评估。
例如，以工况评估为极限工况评估为例，在通过载荷预测模型预测得到风力发电机组在极限工况下的载荷的极大值和载荷的极小值之后，工况评估模块对预测得到的风力发电机组在相应工况下的载荷进行后处理可指统计出所有极限工况下的载荷的极大值和载荷的极小值，以对风力发电机组的极限工况进行评估。
根据本发明的示例性实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的风力发电机组的载荷预测方法的计算机程序。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风力发电机组的载荷预测方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
采用本发明示例性实施例的风力发电机组的载荷预测方法和装置，能够对风电场机位点特定风力发电机组的载荷进行快速评估。
此外，采用本发明示例性实施例的风力发电机组的载荷预测方法和装置，通过载荷预测模型快速计算多种工况的载荷，能够提高工况评估的效率。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。
Claims (18)
1.一种风力发电机组的载荷预测方法，其特征在于，所述载荷预测方法包括：
获取与所有工况对应的标准相关数据；
基于所述标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据；
将所述标准相关数据作为载荷预测模型的输入，所述载荷数据作为所述载荷预测模型的输出，训练并建立所述载荷预测模型；
获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷。
2.如权利要求1所述的载荷预测方法，其特征在于，所述标准相关数据包括风资源数据，
其中，所述风资源数据包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。
3.如权利要求2所述的载荷预测方法，其特征在于，所述标准相关数据还包括风力发电机组的配置数据和风力发电机组的状态数据，
其中，所述配置数据包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径，
所述状态数据为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。
4.如权利要求1-3中任一项所述的载荷预测方法，其特征在于，基于所述标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据，包括：
定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在相应工况下的载荷，
其中，所述预定部件包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
5.如权利要求4所述的载荷预测方法，其特征在于，基于所述标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据，包括：
所述载荷数据包括以下项中的至少一项：载荷的均值、载荷的标准偏差、载荷的极大值、载荷的极小值、1HZ等效载荷。
6.如权利要求1所述的载荷预测方法，其特征在于，所述载荷预测模型通过以下方式进行验证：将用于训练所述载荷预测模型的标准相关数据输入到所述载荷预测模型，通过比较基于所述标准相关数据仿真计算得到的风力发电机组的载荷与所述载荷预测模型的输出结果来确定所述载荷预测模型是否通过验证，
或者，任意选择与所述载荷预测模型对应的标准相关数据，将任意选择的标准相关数据输入到所述载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与所述载荷预测模型的输出结果来确定所述载荷预测模型是否通过验证。
7.如权利要求1所述的载荷预测方法，其特征在于，获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷，还包括：
对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
8.如权利要求7所述的载荷预测方法，其特征在于，所述工况评估包括：疲劳工况评估或极限工况评估。
9.一种风力发电机组的载荷预测装置，其特征在于，所述载荷预测装置包括：
标准数据获取模块，获取与所有工况对应的标准相关数据；
载荷数据获取模块，基于所述标准相关数据仿真计算分别与所有工况对应的载荷，得到相应的载荷数据；
载荷预测模型建立模块，将所述标准相关数据作为载荷预测模型的输入，所述载荷数据作为所述载荷预测模型的输出，训练并建立所述载荷预测模型；
载荷预测模块，获取风力发电机组的实际相关数据，通过所述载荷预测模型预测风力发电机组在相应工况下的载荷。
10.如权利要求9所述的载荷预测装置，其特征在于，所述标准相关数据包括风资源数据，
其中，所述风资源数据包括以下参数中的至少一个：风速、风速偏差、湍流强度、风剪切、入流角、空气密度、偏航角。
11.如权利要求10所述的载荷预测装置，其特征在于，所述标准相关数据还包括风力发电机组的配置数据和风力发电机组的状态数据，
其中，所述配置数据包括以下参数中的至少一个：风力发电机组的塔架高度、额定功率、叶轮直径，
所述状态数据为风力发电机组处于预定状态时对应的状态参数值和/或叶轮方位角。
12.如权利要求9-11中任一项所述的载荷预测装置，其特征在于，载荷数据获取模块定义仿真计算的载荷输出通道，以确定计算结果为风力发电机组的预定部件在当前的工况下的载荷，
其中，所述预定部件包括以下项中的任意一项：风力发电机组的叶根、叶片截面、轮毂中心、偏航轴承、塔底、塔架截面。
13.如权利要求12所述的载荷预测装置，其特征在于，所述载荷数据包括以下项中的至少一项：载荷的均值、载荷的标准偏差、载荷的极大值、载荷的极小值、1HZ等效载荷。
14.如权利要求9所述的载荷预测装置，其特征在于，所述载荷预测模型通过以下方式进行验证：将用于训练所述载荷预测模型的风力发电机组的标准相关数据输入到所述载荷预测模型，通过比较基于所述标准相关数据仿真计算得到的风力发电机组的载荷与所述载荷预测模型的输出结果来确定所述载荷预测模型是否通过验证，
或者，任意选择与所述载荷预测模型对应的风力发电机组的标准相关数据，将任意选择的标准相关数据输入到所述载荷预测模型，通过仿真计算获得与任意选择的标准相关数据对应的风力发电机组的载荷，通过比较通过仿真计算获得的载荷与所述载荷预测模型的输出结果来确定所述载荷预测模型是否通过验证。
15.如权利要求9所述的载荷预测装置，其特征在于，所述载荷预测装置还包括：工况评估模块，对预测的风力发电机组在相应工况下的载荷进行后处理，以用于工况评估。
16.如权利要求15所述的载荷预测装置，其特征在于，所述工况评估包括：疲劳工况评估或极限工况评估。
17.一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如权利要求1-8中的任意一项所述的风力发电机组的载荷预测方法。
18.一种计算装置，其特征在于，所述计算装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-8中的任意一项所述的风力发电机组的载荷预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810168969.8A CN110210044A (zh) | 2018-02-28 | 2018-02-28 | 风力发电机组的载荷预测方法和装置 |
| PCT/CN2018/098003 WO2019165753A1 (zh) | 2018-02-28 | 2018-08-01 | 风力发电机组的载荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810168969.8A CN110210044A (zh) | 2018-02-28 | 2018-02-28 | 风力发电机组的载荷预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210044A true CN110210044A (zh) | 2019-09-06 |
Family
ID=67779033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810168969.8A Withdrawn CN110210044A (zh) | 2018-02-28 | 2018-02-28 | 风力发电机组的载荷预测方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110210044A (zh) |
| WO (1) | WO2019165753A1 (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110594106A (zh) * | 2019-10-15 | 2019-12-20 | 浙江运达风电股份有限公司 | 一种风电机组载荷在线预测方法、装置、设备、介质 |
| CN111720271A (zh) * | 2020-06-30 | 2020-09-29 | 国电联合动力技术有限公司 | 一种风电机组载荷在线预测的智能方法及风电机组 |
| CN112109919A (zh) * | 2020-04-30 | 2020-12-22 | 中国飞机强度研究所 | 一种强度试验加载点布局方法 |
| CN112131719A (zh) * | 2020-09-07 | 2020-12-25 | 上海电气风电集团股份有限公司 | 风机载荷结果的获取方法及装置、计算机可读存储介质 |
| CN112302886A (zh) * | 2020-10-10 | 2021-02-02 | 上海电气风电集团股份有限公司 | 风电机组变桨系统载荷的自动测量方法、系统及计算机可读存储介质 |
| CN112597601A (zh) * | 2020-05-11 | 2021-04-02 | 河北新天科创新能源技术有限公司 | 一种用于风机不同轮毂高度塔筒极限载荷快速评估方法 |
| CN112668124A (zh) * | 2021-01-04 | 2021-04-16 | 上海电气风电集团股份有限公司 | 风力发电机组极限设计载荷的确定方法、装置及计算机可读存储介质 |
| CN113094997A (zh) * | 2021-04-19 | 2021-07-09 | 华北电力大学 | 一种风电机组运行模拟方法、装置、设备及存储介质 |
| CN113361058A (zh) * | 2020-03-05 | 2021-09-07 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
| CN113468711A (zh) * | 2020-03-30 | 2021-10-01 | 新疆金风科技股份有限公司 | 缩减风电机组的载荷工况的方法和设备 |
| CN113609622A (zh) * | 2021-08-20 | 2021-11-05 | 浙江大学 | 风力发电机组的塔架载荷建模方法和装置 |
| CN113669201A (zh) * | 2021-09-15 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组极端条件下的极限载荷控制方法 |
| WO2022048228A1 (zh) * | 2020-09-01 | 2022-03-10 | 新疆金风科技股份有限公司 | 风电机组的载荷控制方法和装置 |
| CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
| WO2024088022A1 (zh) * | 2022-10-28 | 2024-05-02 | 金风科技股份有限公司 | 风力发电机组控制方法、装置及控制器 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505406B (zh) * | 2020-03-16 | 2022-03-01 | 剑科云智(深圳)科技有限公司 | 一种配电柜、线材的监测方法 |
| CN111475951B (zh) * | 2020-04-09 | 2023-06-02 | 国网山东省电力公司电力科学研究院 | 一种热电机组工况分析方法 |
| CN112611584B (zh) * | 2020-05-18 | 2023-06-02 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
| CN111767641B (zh) * | 2020-05-29 | 2024-04-19 | 北京金风科创风电设备有限公司 | 风力发电机组极限载荷数据的处理方法和系统 |
| CN113780356B (zh) * | 2021-08-12 | 2023-08-08 | 北京金水永利科技有限公司 | 基于集成学习模型的水质预测方法及系统 |
| CN114647996A (zh) * | 2022-03-30 | 2022-06-21 | 国能信控互联技术(河北)有限公司 | 一种基于载荷计算的风力发电变桨系统制动电阻选型设计方法和系统 |
| CN115688037A (zh) * | 2022-11-01 | 2023-02-03 | 中能融合智慧科技有限公司 | 一种新能源异常数据处理方法和系统 |
| CN115983054B (zh) * | 2023-03-21 | 2023-08-11 | 中车山东风电有限公司 | 一种风力发电机组的能力评估及载荷处理方法及终端机 |
| CN116933663B (zh) * | 2023-09-15 | 2023-12-08 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种机载涡轮转子气动特性高保真模型建模方法及装置 |
| CN118232343B (zh) * | 2024-05-22 | 2024-08-13 | 内蒙古中电储能技术有限公司 | 基于风能预测的充放电动态控制方法及系统 |
| CN118520747B (zh) * | 2024-07-19 | 2024-10-18 | 中国海洋大学 | 一种海上风电支撑结构热点应力评估方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101476541B (zh) * | 2008-12-26 | 2011-02-16 | 华锐风电科技(集团)股份有限公司 | 用于风力发电机组的独立变桨控制系统及控制方法 |
| CN102588211B (zh) * | 2012-02-29 | 2013-08-14 | 沈阳华人风电科技有限公司 | 一种风力发电机组全工况模型预测控制方法及系统 |
| CN102708266B (zh) * | 2012-06-12 | 2014-01-01 | 中国科学院工程热物理研究所 | 一种水平轴风力机叶片的极限载荷预测计算方法 |
| US9165092B2 (en) * | 2012-07-31 | 2015-10-20 | International Business Machines Corporation | Wind farm layout in consideration of three-dimensional wake |
-
2018
- 2018-02-28 CN CN201810168969.8A patent/CN110210044A/zh not_active Withdrawn
- 2018-08-01 WO PCT/CN2018/098003 patent/WO2019165753A1/zh active Application Filing
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110594106B (zh) * | 2019-10-15 | 2020-11-13 | 浙江运达风电股份有限公司 | 一种风电机组载荷在线预测方法、装置、设备、介质 |
| CN110594106A (zh) * | 2019-10-15 | 2019-12-20 | 浙江运达风电股份有限公司 | 一种风电机组载荷在线预测方法、装置、设备、介质 |
| CN113361058A (zh) * | 2020-03-05 | 2021-09-07 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
| CN113361058B (zh) * | 2020-03-05 | 2024-01-23 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
| CN113468711B (zh) * | 2020-03-30 | 2024-02-06 | 金风科技股份有限公司 | 缩减风电机组的载荷工况的方法和设备 |
| CN113468711A (zh) * | 2020-03-30 | 2021-10-01 | 新疆金风科技股份有限公司 | 缩减风电机组的载荷工况的方法和设备 |
| CN112109919A (zh) * | 2020-04-30 | 2020-12-22 | 中国飞机强度研究所 | 一种强度试验加载点布局方法 |
| CN112109919B (zh) * | 2020-04-30 | 2024-04-19 | 中国飞机强度研究所 | 一种强度试验加载点布局方法 |
| CN112597601A (zh) * | 2020-05-11 | 2021-04-02 | 河北新天科创新能源技术有限公司 | 一种用于风机不同轮毂高度塔筒极限载荷快速评估方法 |
| CN112597601B (zh) * | 2020-05-11 | 2022-09-16 | 河北新天科创新能源技术有限公司 | 一种用于风机不同轮毂高度塔筒极限载荷快速评估方法 |
| CN111720271A (zh) * | 2020-06-30 | 2020-09-29 | 国电联合动力技术有限公司 | 一种风电机组载荷在线预测的智能方法及风电机组 |
| WO2022048228A1 (zh) * | 2020-09-01 | 2022-03-10 | 新疆金风科技股份有限公司 | 风电机组的载荷控制方法和装置 |
| US12123399B2 (en) | 2020-09-01 | 2024-10-22 | Xinjiang Goldwind Science & Technology Co., Ltd. | Load control method and apparatus for wind turbine generator system |
| CN112131719A (zh) * | 2020-09-07 | 2020-12-25 | 上海电气风电集团股份有限公司 | 风机载荷结果的获取方法及装置、计算机可读存储介质 |
| CN112302886B (zh) * | 2020-10-10 | 2022-05-31 | 上海电气风电集团股份有限公司 | 风电机组变桨系统载荷的自动测量方法、系统及计算机可读存储介质 |
| CN112302886A (zh) * | 2020-10-10 | 2021-02-02 | 上海电气风电集团股份有限公司 | 风电机组变桨系统载荷的自动测量方法、系统及计算机可读存储介质 |
| CN112668124A (zh) * | 2021-01-04 | 2021-04-16 | 上海电气风电集团股份有限公司 | 风力发电机组极限设计载荷的确定方法、装置及计算机可读存储介质 |
| CN113094997B (zh) * | 2021-04-19 | 2022-04-01 | 华北电力大学 | 一种风电机组运行模拟方法、装置、设备及存储介质 |
| CN113094997A (zh) * | 2021-04-19 | 2021-07-09 | 华北电力大学 | 一种风电机组运行模拟方法、装置、设备及存储介质 |
| CN113609622B (zh) * | 2021-08-20 | 2023-12-26 | 浙江大学 | 风力发电机组的塔架载荷建模方法和装置 |
| CN113609622A (zh) * | 2021-08-20 | 2021-11-05 | 浙江大学 | 风力发电机组的塔架载荷建模方法和装置 |
| CN113669201A (zh) * | 2021-09-15 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组极端条件下的极限载荷控制方法 |
| WO2024088022A1 (zh) * | 2022-10-28 | 2024-05-02 | 金风科技股份有限公司 | 风力发电机组控制方法、装置及控制器 |
| CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019165753A1 (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210044A (zh) | 风力发电机组的载荷预测方法和装置 | |
| Tang et al. | Dimension-adaptive sparse grid interpolation for uncertainty quantification in modern power systems: Probabilistic power flow | |
| CN111441917B (zh) | 基于扇区的风电机组的预定部件的载荷预估方法和装置 | |
| CN107507097A (zh) | 一种风电功率短期预测方法 | |
| Dykes et al. | Sensitivity analysis of wind plant performance to key turbine design parameters: a systems engineering approach | |
| CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
| Asadi et al. | Wind farm site selection considering turbulence intensity | |
| CN113654756B (zh) | 一种海上浮式风机主动式实时混合模型试验方法 | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| Skarka | Model-based design and optimization of electric vehicles | |
| Branlard et al. | A digital twin solution for floating offshore wind turbines validated using a full-scale prototype | |
| CN109614640A (zh) | 一种大型风电机组轮毂疲劳寿命预测方法及系统 | |
| CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
| CN111290373B (zh) | 一种风机控制器检测系统及检测方法 | |
| Osgood et al. | Full-scale modal wind turbine tests: comparing shaker excitation with wind excitation | |
| CN112800683A (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
| CN112765743A (zh) | 一种风电机组整机一体化设计多目标协同优化方法及装置 | |
| CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
| Jonkman et al. | Development and validation of an aeroelastic model of a small furling wind turbine | |
| van der Valk et al. | Identifying structural parameters of an idling offshore wind turbine using operational modal analysis | |
| CN113361058B (zh) | 确定风电场的代表风参数的方法和设备 | |
| da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence | |
| Haghi et al. | Data-driven surrogate model for wind turbine damage equivalent load | |
| Moss et al. | Augmenting insights from wind turbine data through data-driven approaches | |
| CN115983663B (zh) | 基于新能源的发电分析方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190906 |