[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112052604B - 风机等效疲劳载荷的预测方法、系统、设备及可读介质 - Google Patents

风机等效疲劳载荷的预测方法、系统、设备及可读介质 Download PDF

Info

Publication number
CN112052604B
CN112052604B CN202011051591.7A CN202011051591A CN112052604B CN 112052604 B CN112052604 B CN 112052604B CN 202011051591 A CN202011051591 A CN 202011051591A CN 112052604 B CN112052604 B CN 112052604B
Authority
CN
China
Prior art keywords
fatigue load
equivalent
fan
load
model
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.)
Active
Application number
CN202011051591.7A
Other languages
English (en)
Other versions
CN112052604A (zh
Inventor
谢炜
张新增
顾爽
黄雄哲
蒋勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Shanghai Electric Wind Power Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Wind Power Group Co Ltd filed Critical Shanghai Electric Wind Power Group Co Ltd
Priority to CN202011051591.7A priority Critical patent/CN112052604B/zh
Publication of CN112052604A publication Critical patent/CN112052604A/zh
Application granted granted Critical
Publication of CN112052604B publication Critical patent/CN112052604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

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)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风机等效疲劳载荷的预测方法、系统、设备及可读介质，预测方法包括：生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用第一载荷样本数据训练疲劳载荷模型；利用第二载荷样本数据验证训练后的疲劳载荷模型；以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。本发明提升了风机等效疲劳载荷的预测效率，降低了硬件成本。

Description

风机等效疲劳载荷的预测方法、系统、设备及可读介质
技术领域
本发明涉及风电评估技术领域，特别涉及一种针对特定风场多机位点的等效疲劳载荷的快速预测方法、系统、设备及可读介质。
背景技术
风机场址载荷适用性评估过程中，需要对该场址中每台风机的疲劳载荷进行分析，确保生命周期内的疲劳损伤在设计值内。
目前，工程中通常采用两种方式，一种方式是逐点位评估，通过仿真每台机组的全生命周期等效疲劳载荷，逐台机组评估疲劳安全性；另一种方式是通过对环境参数的处理，将所有点位的环境参数等效为一个“虚拟”点位的环境参数，以此环境参数作为输入，评估机组的疲劳载荷，该疲劳载荷需要确保大于场址中的任意点位机组的疲劳载荷，通过评估虚拟点位机组的疲劳安全，来确保整个场址所有机组的疲劳安全。
但是，上述两种方式都存在缺陷，第一种方式需要高效的仿真性能，消耗大量的计算资源和仿真时间，在仿真能力不足或者场址点位数量庞大的情况下难以实现；第二种方式获取的等效疲劳载荷结果为“虚拟”结果，相比第一种方式结果偏大，评估全场点位机组的疲劳安全性余量偏大，不利于准确的进行评估。
发明内容
本发明要解决的技术问题是为了克服现有技术中风机疲劳载荷的评估效率低，硬件成本高的缺陷，提供一种风机等效疲劳载荷的预测方法、系统、设备及可读介质。
本发明是通过下述技术方案来解决上述技术问题：
一种风机等效疲劳载荷的预测方法，包括：
生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；
根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。
可选地，还包括：
通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值。
可选地，获取风电场所有疲劳载荷的包络值的步骤之后，所述预测方法还包括：
以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值；
以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值；
比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
可选地，所述利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数的步骤包括：
利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
可选地，所述生成风机适用风场的环境参数组合的步骤包括：
选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
可选地，所述通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的步骤包括：
通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
可选地，所述环境参数包括但不仅限于风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种。
一种风机等效疲劳载荷的预测系统，包括：
数据生成模块，被配置为生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；
模型训练模块，被配置为根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
模型验证模块，被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
疲劳载荷评估模块，被配置为以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。
可选地，所述疲劳载荷评估模块还被配置为：通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值。
可选地，还包括环境参数求解模块；
所述环境参数求解模块被配置为：
以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值；
以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值；
比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
可选地，所述环境参数求解模块被配置为：利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
可选地，所述数据生成模块被配置为：选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
可选地，所述疲劳载荷评估模块被配置为：通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
可选地，所述环境参数包括但不仅限于风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现如上述的风机等效疲劳载荷的预测方法的步骤。
一种计算机可读介质，其上存储有计算机指令，所述计算机指令在由处理器执行时实现如上述的风机等效疲劳载荷的预测方法的步骤。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：
本发明提供的风机等效疲劳载荷的预测方法及系统，利用训练和验证后的疲劳载荷模型，可有效地对风电场逐点位进行等效疲劳载荷预测，极大地缩短了计算耗时，提升了预测精度，从而极大地提升了预测效率，而且降低了硬件成本。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的所述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1为根据本发明的一实施例的风机等效疲劳载荷的预测方法的流程示意图。
图2为根据本发明的另一实施例的风机等效疲劳载荷的预测系统的结构示意图。
图3为根据本发明另一实施例的实现风机等效疲劳载荷的预测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
为了克服目前存在的上述缺陷，本实施例提供一种风机等效疲劳载荷的预测方法，所述预测方法包括：生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。
在本实施例中，利用训练和验证后的疲劳载荷模型，可有效地对风电场逐点位进行等效疲劳载荷预测，极大地缩短了计算耗时，提升了预测精度，从而极大地提升了预测效率，而且降低了硬件成本。
优选地，作为一实施例，本实施例提供一种基于数学模型的特定场址风机等效疲劳载荷的预测方法，所述预测方法主要分为风机全生命周期疲劳载荷数学模型建立，特定场址逐点位进行风机疲劳载荷预测和特定风电场等效环境参数求解等三个环节。
上述三个环节实现了风电场逐点位疲劳载荷的快速准确评估，同时提供了风电场准确的等效环境参数包络值，为风电场载荷场址适用性仿真计算提供了输入。
具体地，如图1所示，所述预测方法主要包括以下步骤：
步骤101、生成风机适用风场的环境参数组合。
在本步骤中，选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
在本实施例中，风机全生命周期疲劳载荷模型的建立主要分为机组疲劳载荷数据库生成，疲劳载荷模型训练，疲劳载荷模型准确性校验等过程。
步骤102、形成第一载荷样本数据和第二载荷样本数据。
在本步骤中，获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据。
环境参数离散组合形成输入参数样本，使用载荷仿真软件进行仿真形成与输入参数样本对应的全生命周期等效疲劳载荷样本。
在本实施例中，所述环境参数主要包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度，所述环境参数可根据实际情况增加变量，但至少包括如上述的变量。
根据实际需要，可以增加偏航误差变量。环境参数变量和偏航误差变量离散环节11可以按照以下三种思路进行。
(1)风速区间为切入风速到切出风速，间隔为1m/s或者2m/s，针对每个风速按照风机设计规范计算标准的风速标准差，以该风速标准差为中心，减小和增大比例均为20％，间隔1％；
针对每个风速，垂直风剪切按照风机设计值和风机设计规范计算获取，垂直风剪切以设计值为中心，减小和增大比例均为10％，间隔1％或2％；
水平风剪切离散值设定为垂直风剪切离散值一定的百分比，百分比设定为10％；
入流角按照风机设计区间，间隔设定为2°；
空气密度按照可能的变化区间，离散为等间距10个点；
偏航误差按照机组设计的范围，离散为等间距的10个点；
将上述所有离散的环境变量值按照正交实验方法，形成正交的环境变量组合样本。
(2)风速离散值，垂直剪切离散值，水平剪切离散值，入流角离散值，空气密度离散值和偏航误差离散值和上述(1)方式相同，对于风速标准差离散值，针对每个风速，按照风机设计规范计算标准的风速标准差，以该风速标准差为中心，考虑概率分布，对风速标准差进行离散，概率分布类型可以为威布尔分布、瑞利分布、对数正态分布等，每个风速下湍流离散点个数不少于30个，将所有离散的环境变量值形成正交的环境变量组合样本。
(3)选用真实的风机适用的典型风电场环境参数，对各点位各扇区的环境参数组合进行筛选，形成离散的样本，样本点要求风速变化区间为切入风速到切出风速，间隔1m/s或者2m/s，每个风速下，样本点的风速标准差应尽可能均匀分布，且包含该风速下的风速标准差最小值附近点位至最大值附近点位，垂直风剪切，水平风剪切和入流角参数应尽量均匀分布，每个风速下的样本点的数量不少于40个。对于每个样本点，对空气密度和偏航误差进行进一步离散，方式和上述(1)方式相同。
步骤103、建立疲劳载荷模型。
在本步骤中，根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型。
建立环境参数样本和全生命周期疲劳载荷样本之间的映射关系，形成回归数学模型。
在本实施例中，通过仿真获取风机全生命周期等效疲劳载荷，需要考虑不同部件的wholer参数。对于风机全生命周期等效疲劳载荷模型，针对每个风速，每个空气密度和每个载荷类型，设定全生命周期等效疲劳载荷数学模型，数学模型为多元一次线性模型，包含常数项，自变量包括风速标准差，垂直风剪切，水平风剪切，入流角和偏航误差。所述疲劳载荷模型可适用于叶根，旋转轮毂，固定轮毂，偏航轴承，塔顶截面和塔底截面的正交坐标系下的三个力矩和三个力的载荷类型。
步骤104、利用第一载荷样本数据训练疲劳载荷模型。
在本步骤中，以环境变量为自变量，风机全生命周期等效疲劳载荷为因变量，利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型。
步骤105、利用第二载荷样本数据验证疲劳载荷模型。
在本步骤中，利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型。
在本实施例中，以所述第二载荷样本数据作为输入，通过疲劳载荷模型预测疲劳载荷，同时也采用风机仿真软件，获取仿真的全生命周期等效疲劳载荷结果，通过两者对比，验证和调整所述疲劳载荷模型。经过训练和验证的所述疲劳载荷模型可用于给定环境参数的风机全生命周期疲劳载荷预测。
步骤106、利用疲劳载荷模型进行疲劳载荷预测，以获取风机等效疲劳载荷。
在本步骤中，以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。
具体地，在本步骤中，通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
在本实施例中，针对每一个风速，选取最接近该点位空气密度的2组疲劳载荷模型，利用这2组疲劳载荷模型计算每个扇区的全生命周期疲劳载荷，对空气密度做线性内插，获取该点位的每个扇区的全生命周期疲劳载荷。收集每个风速每个扇区的概率，考虑wholer系数，将各个风速各个扇区的全生命周期疲劳载荷按照概率进行加权求和，计算公式如下所示。
FDEL：等效疲劳载荷
Fij：第i个风速区间，第j个扇区的全生命周期等效疲劳载荷
Pij：第i个风速区间，第j个扇区的时间概率
m：材料Wholer系数
步骤107、获取风电场所有疲劳载荷的包络值。
在本步骤中，通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值。
在本实施例中，对该点位所需的载荷类型执行步骤106的操作，对所有点位进行步骤106的操作，获取风电场疲劳载荷的包络值。
其中，环境参数类型应包含疲劳载荷模型的输入参数类型，步骤106中进行风机疲劳载荷预测中wholer系数需要和步骤103中的wholer系数保持一致。
步骤108、获取风机等效疲劳载荷的预测值。
在本步骤中，以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值，并且以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值。
步骤109、比较包络值和预测值，利用寻优算法，反推风电场疲劳载荷最大点位的等效环境参数。
在本步骤中，比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
具体地，在本步骤中，利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
在本实施例中，通过比较每个点位的疲劳载荷，获取疲劳载荷最大的点位，以该点位的疲劳结果作为收敛条件，以风机的环境参数作为寻优变量，以环境参数设计值作为初始值，利用全生命周期疲劳载荷数学模型和寻优算法，反推该风电场疲劳载荷最大点位的等效环境参数，该环境参数可作为下一步使用软件进行仿真计算的输入。
在本实施例中，环境参数初始值设定可采用以下方法：
入流角设定为风机设计值，不参与寻优过程；
设定垂直风剪切为风机设计值，每个风速下的垂直风剪切通过风机设计规范的规定计算获取，不参与寻优过程；
水平风剪切设定为零，不参与寻优过程；
偏航误差设定为零，不参与寻优过程；空气密度按照风电场的实际值设定，不参与寻优过程；
设定等效湍流强度值为设计值，每个风速下的风速标准差通过风机设计规范的规定计算获取，等效湍流强度值为寻优变量，参与寻优过程。
在本实施例中，寻优过程可以采用二分法、牛顿-拉夫森迭代法等，可根据实际需求进行相应的调整及选择。
风电场的等效环境参数可作为载荷仿真软件的输入，进行载荷仿真，获取载荷时间序列数据。
本实施例提供的风机等效疲劳载荷的预测方法，具有以下有益效果：
1)风机全生命周期等效疲劳载荷模型为显式数学模型，无需进行迭代寻优计算，计算耗时极短，从而极大地提升了预测效率。
2)所述预测方法可对风电场逐点位进行等效疲劳载荷预测，并且精度高，有效地避免了出现大幅度高估风电场疲劳载荷包络值的情况。
3)所述预测方法可以准确地定位风电场中等效疲劳载荷最大的点位，并且可以获得等效的环境参数包络值，有效地避免了分扇区疲劳载荷仿真和叠加的过程，减少仿真耗时，从而极大地提升了预测效率。
4)所述预测方法可用于陆上风电场和海上风电场各个点位风机的疲劳载荷预测。
为了克服目前存在的上述缺陷，本实施例提供一种风机等效疲劳载荷的预测系统，所述预测系统利用如上述的风机等效疲劳载荷的预测方法。
具体地，作为一实施例，如图2所示，所述预测系统主要包括数据生成模块21、模型训练模块22、模型验证模块23、疲劳载荷评估模块24及环境参数求解模块25。
数据生成模块21被配置为生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据。
优选地，在本实施例中，数据生成模块21被配置为选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
在本实施例中，所述环境参数主要包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度，所述环境参数可根据实际情况增加变量，但至少包括如上述的变量。
模型训练模块22被配置为根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型。
模型验证模块23被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型。
疲劳载荷评估模块24被配置为以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷。
疲劳载荷评估模块24还被配置为通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值。
具体地，在本实施例中，疲劳载荷评估模块24被配置为通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
环境参数求解模块25被配置为以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值；以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值；比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
具体地，在本实施例中，环境参数求解模块25被配置为利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
本实施例提供的风机等效疲劳载荷的预测系统，具有以下有益效果：
1)风机全生命周期等效疲劳载荷模型为显式数学模型，无需进行迭代寻优计算，计算耗时极短，从而极大地提升了预测效率。
2)所述预测系统可对风电场逐点位进行等效疲劳载荷预测，并且精度高，有效地避免了出现大幅度高估风电场疲劳载荷包络值的情况。
3)所述预测系统可以准确地定位风电场中等效疲劳载荷最大的点位，并且可以获得等效的环境参数包络值，有效地避免了分扇区疲劳载荷仿真和叠加的过程，减少仿真耗时，从而极大地提升了预测效率。
4)所述预测系统可用于陆上风电场和海上风电场各个点位风机的疲劳载荷预测。
图3为根据本发明另一实施例提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上实施例中的风机等效疲劳载荷的预测方法。图3显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明如上实施例中的风机等效疲劳载荷的预测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上实施例中的风机等效疲劳载荷的预测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现如上实施例中的风机等效疲劳载荷的预测方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (12)

1.一种风机等效疲劳载荷的预测方法，其特征在于，包括：
生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；
根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷；
通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值；
以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值；
以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值；
比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
2.如权利要求1所述的预测方法，其特征在于，所述利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数的步骤包括：
利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
3.如权利要求1所述的预测方法，其特征在于，所述生成风机适用风场的环境参数组合的步骤包括：
选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
4.如权利要求1所述的预测方法，其特征在于，所述通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的步骤包括：
通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
5.如权利要求1～4中任意一项所述的预测方法，其特征在于，所述环境参数包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种。
6.一种风机等效疲劳载荷的预测系统，其特征在于，包括：
数据生成模块，被配置为生成风机适用风场的环境参数组合，并且获取风机在不同环境参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；
模型训练模块，被配置为根据环境参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
模型验证模块，被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
疲劳载荷评估模块，被配置为以疲劳载荷未知点位的目标环境参数作为输入，通过验证后的所述疲劳载荷模型进行该点位风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷；
所述疲劳载荷评估模块还被配置为：通过验证后的所述疲劳载荷模型对风电场每一点位分别进行风机全生命周期的疲劳载荷预测，以获取风电场所有疲劳载荷的包络值；
还包括环境参数求解模块；
所述环境参数求解模块被配置为：
以风电场所有疲劳载荷的包络值作为输入，按照风机设计标准规定形成环境参数初始值；
以环境参数初始值作为输入，通过验证后的所述疲劳载荷模型进行风机全生命周期的疲劳载荷预测，以获取风机等效疲劳载荷的预测值；
比较预测值与包络值以形成误差，并且利用寻优算法进行迭代以反推出风电场疲劳载荷最大点位的等效环境参数，所述等效环境参数用作进行载荷仿真计算的输入。
7.如权利要求6所述的预测系统，其特征在于，所述环境参数求解模块被配置为：利用寻优算法进行迭代以获取与包络值相同的等效环境参数，对所有等效疲劳载荷类型进行迭代计算以获取对应的等效环境参数，并且选取最大的等效环境参数作为风电场的等效值。
8.如权利要求6所述的预测系统，其特征在于，所述数据生成模块被配置为：选取需进行载荷评估的机组，并且根据机组设计的场址条件设定环境参数的变化区间，在变化区间内进行环境参数离散，以生成风机适用风场的环境参数组合。
9.如权利要求6所述的预测系统，其特征在于，所述疲劳载荷评估模块被配置为：通过验证后的所述疲劳载荷模型，计算该点位风机各个扇区的全生命周期的疲劳载荷，并且获取各个扇区环境参数对应的时间概率数据，考虑wholer系数，对所有扇区的全生命周期疲劳载荷根据对应的时间概率数据进行概率求和，以获取风机等效疲劳载荷。
10.如权利要求6～9中任意一项所述的预测系统，其特征在于，所述环境参数包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1～5中任意一项所述的风机等效疲劳载荷的预测方法的步骤。
12.一种计算机可读介质，其上存储有计算机指令，其特征在于，所述计算机指令在由处理器执行时实现如权利要求1～5中任意一项所述的风机等效疲劳载荷的预测方法的步骤。
CN202011051591.7A 2020-09-29 2020-09-29 风机等效疲劳载荷的预测方法、系统、设备及可读介质 Active CN112052604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011051591.7A CN112052604B (zh) 2020-09-29 2020-09-29 风机等效疲劳载荷的预测方法、系统、设备及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011051591.7A CN112052604B (zh) 2020-09-29 2020-09-29 风机等效疲劳载荷的预测方法、系统、设备及可读介质

Publications (2)

Publication Number Publication Date
CN112052604A CN112052604A (zh) 2020-12-08
CN112052604B true CN112052604B (zh) 2024-06-14

Family

ID=73606019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011051591.7A Active CN112052604B (zh) 2020-09-29 2020-09-29 风机等效疲劳载荷的预测方法、系统、设备及可读介质

Country Status (1)

Country Link
CN (1) CN112052604B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589167B (zh) * 2021-07-20 2024-01-23 华北电力科学研究院有限责任公司 风电机组的正交试验评估方法及装置
CN116432361B (zh) * 2021-12-27 2024-05-24 北京金风科创风电设备有限公司 风力发电机组的寿命评估方法和装置
CN114856939B (zh) * 2022-05-13 2024-09-13 华能(广东)能源开发有限公司 一种海上风机的降疲劳载荷控制方法、装置和主控制器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701337B (zh) * 2015-12-31 2018-06-15 北京金风科创风电设备有限公司 风电机组的疲劳寿命预测方法和装置
CN109798226B (zh) * 2017-11-15 2021-10-15 中国电力科学研究院有限公司 一种风电机组塔筒载荷预测方法和系统
CN110094298B (zh) * 2018-01-31 2020-05-26 北京金风科创风电设备有限公司 切出策略自适应调整的方法及装置
CN111441917B (zh) * 2019-01-16 2024-05-10 北京金风科创风电设备有限公司 基于扇区的风电机组的预定部件的载荷预估方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SCADA 数据的风电机组关键载荷预测;周士栋等;农业工程学报;第215-224页 *

Also Published As

Publication number Publication date
CN112052604A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
Fei et al. Enhanced network learning model with intelligent operator for the motion reliability evaluation of flexible mechanism
CN112052604B (zh) 风机等效疲劳载荷的预测方法、系统、设备及可读介质
CN102663251B (zh) 基于计算流体力学模型的风电场功率物理预测方法
CN112686464A (zh) 短期风电功率预测方法及装置
CN110210044A (zh) 风力发电机组的载荷预测方法和装置
Liu et al. Wind farm macro-siting optimization with insightful bi-criteria identification and relocation mechanism in genetic algorithm
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
Wang et al. Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach
CN110067696A (zh) 一种风电机组载荷确定方法、装置、设备及可读存储介质
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
Daróczy et al. Analysis of the performance of a H-Darrieus rotor under uncertainty using Polynomial Chaos Expansion
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN115293424A (zh) 一种新能源最大发电能力计算方法、终端及存储介质
CN112131753B (zh) 风机疲劳寿命的评估方法、系统、设备及可读介质
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
Li et al. Nonparametric importance sampling for wind turbine reliability analysis with stochastic computer models
Rodrigues et al. Speeding up large wind farms layout optimization using gradients, parallelization, and a heuristic algorithm for the initial layout
Bourguet et al. Aerodynamic multi-criteria shape optimization of VAWT blade profile by viscous approach
CN110188939B (zh) 风电场的风功率的预测方法、系统、设备和存储介质
KR102521808B1 (ko) 합성곱 신경망과 회귀 신경망을 활용한 하이브리드 에너지 소비 및 생산 예측 방법 및 그 장치
CN114611824A (zh) 风机机组极限载荷的预测方法及系统、设备及介质
CN115408958A (zh) 一种基于网格无关致动线模型的风力机仿真方法及系统
Luo et al. A reduced order modeling-based machine learning approach for wind turbine wake flow estimation from sparse sensor measurements
CN110207871B (zh) 风电机组的应力预测的方法、装置、存储介质和系统

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
GR01 Patent grant
GR01 Patent grant