CN113654756B

CN113654756B - 一种海上浮式风机主动式实时混合模型试验方法

Info

Publication number: CN113654756B
Application number: CN202110870111.8A
Authority: CN
Inventors: 樊天慧; 卢洪超; 陈超核; 马远; 严心宽; 杜昱宏; 周诗博; 曾祥斌; 杨跃富
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2021-07-30
Filing date: 2021-07-30
Publication date: 2022-06-14
Anticipated expiration: 2041-07-30
Also published as: CN113654756A

Abstract

本发明公开了一种海上浮式风机主动式实时混合模型试验方法，属于海上风力发电技术领域，包括以下步骤：建立浮式风机基础的时域运动的状态空间模型；建立锚链单元的状态空间模型；基于前述两个状态空间模型，建立浮式风机基础耦合运动的响应状态空间模型；建立描述浮式风机基础的运动状态与多自由度机器人的运动之间转换关系的执行机构运动控制方程；采用多自由度机器人对风机塔基截面处运动的实时追踪；设计仿形风机模型；进行风洞试验，测量仿形风机模型所受载荷并输入到响应状态空间模型；实时测量，实时追踪，实时迭代。本试验方法能够更准确地模拟海上浮式风机的工作，为海上浮式风电建设提供理论与技术支持。

Description

一种海上浮式风机主动式实时混合模型试验方法

技术领域

本发明属于海上风力发电技术领域，具体涉及一种海上浮式风机主动式实时混合模型试验方法。

背景技术

海上风力发电机组按支撑基础的类型可分为固定式和漂浮式。目前，国内已建成的海上风电场均采用固定式海上风机。随着水深不断增加，各种传统的固定式海上风机已难以满足深远海风能开发的要求，按照目前科研与工程水平，国际上普遍认为，当工作水深超过50米后，采用海上漂浮式风机基础与锚泊系统作为开发手段，具有更好的经济效益与更广阔的市场前景。中国具有非常丰富的深远海风能资源，漂浮式风机将成为未来海上风电开发的必由之路。

与传统的浮式油气平台相比，浮式风机增加了上部的塔架与叶片结构。其浮式基础在受到水动力载荷的同时，风机叶轮还会受到较大的气动载荷。因此，浮式风机的动力响应分析需要同时考虑锚泊系统回复力、水动力载荷和气动载荷的影响。目前，针对浮式风机的运动响应，数值模拟中存在部分近似理论以及经验修正模型，并且，对于极端工况下的强非线性过程数值模拟具有较高不确定性，因此，需要进行物理模型试验以校正数值分析中的经验系数以及验证极端工况下的安全性。

不同于固定式风机，浮式风机运动响应较大，尤其是纵荡和纵摇运动与气动载荷耦合作用显著，因此，如何同时精确模拟气动载荷和水动力载荷，是保证浮式风机模型试验真实可靠的关键问题。一般情况下，水动力载荷的模拟需遵循弗洛德相似准则，而空气动力载荷的模拟则需遵循雷诺相似准则。浮式风机同时受到水动力载荷和空气动力载荷的作用，因此在相似准则选取上存在矛盾。

目前，浮式风机模型试验主要分为两类。一类是物理模型试验，即风电机组、浮式基础以及锚泊系统均以物理模型的形式来再现，从而在水池中开展试验。试验依据弗洛德相似准则进行等效，至于风机所受气动载荷，通常在满足弗洛德相似的基础上忽略次要气动载荷，只模拟主要气动载荷，例如定常风速下的叶轮轴向推力，这也不可避免地给试验带来了误差。此外，传统海洋工程水池的造风质量较差，所模拟风场不能很好再现真实条件，且风场会对水池中的波浪产生影响，使得波浪变形。

另一类是实时混合模型试验方法，采用气动载荷数值模拟代替真实风场和风机转子，在水池中开展试验，从而解决了浮式风机实验的相似准则矛盾。但是所采用的数值模拟方法存在以下缺点：

(1)所采用的理论均为近似理论或者经验修正模型；

(2)为了满足试验的实时性要求，需要进行快速高频计算，因此对数值模型进行了简化处理，将叶片视为刚体且尽量减少叶片单元数量，导致计算精度较低；

(3)湍流风场的生成缺乏全面可靠数据，只能参照相关规范和经验，存在不确定性；

(4)所采用的计算方法对时间步长有着严格的要求，在试验中与物理模型的匹配难度较大。

现有的浮式风机实时混合模型试验方法尽管在一定程度上解决了试验中弗洛德数和雷诺数无法同时相似的矛盾，但是由于风机叶片的气动载荷计算是一个考虑流体粘性的复杂非线性问题，而所采用的数值计算方法存在简化和假设，且算法中存在较多经验系数。物理模型试验最重要作用之一就是通过试验发现复杂的非线性现象。气动载荷流体粘性起主要作用，相比于水动力载荷而言非线性更强，而用数值计算代替物理模型试验中的气动载荷，无疑降低了物理模型试验的真实性和可靠性。

因此，急需建立一套能够真实可靠预报浮式风机系统运动和动力响应的有效试验方法。

发明内容

为解决现有技术中的上述问题，本发明提供了一种海上浮式风机主动式实时混合模型试验方法，其能够很好地模拟海上浮式风机的工作，更加准确地模拟气动载荷和水动力载荷，保证浮式风机模型试验真实可靠，为海上浮式风电建设提供理论与技术支持。

本发明采用了以下技术方案：

一种海上浮式风机主动式实时混合模型试验方法，包括以下步骤：

S10、建立浮式风机基础的时域运动控制方程对应的第一状态空间模型；

S20、建立锚链单元非线性控制方程对应的第二状态空间模型；

S30、基于所述第一状态空间模型和所述第二状态空间模型，建立浮式风机基础整体耦合运动对应的响应状态空间模型；

S40、采用多自由度机器人作为浮式风机基础运动的执行机构，并建立机器人的数学模型，基于所述响应状态空间模型和所述机器人的数学模型，建立描述所述浮式风机基础的运动状态与所述多自由度机器人的运动之间转换关系的执行机构运动控制方程；

S50、基于所述执行机构运动控制方程，采用所述多自由度机器人对风机塔基截面处运动的实时追踪；

S60、根据风机原型，设计仿形风机模型，所述仿形风机模型固定在所述多自由度机器人上；

S70、进行风洞试验，测量所述仿形风机模型所受载荷，作为数值模型的输入到所述响应状态空间模型；

S80、实时测量所述载荷，实时计算并追踪所述风机塔基截面处运动，实时迭代。

作为本发明技术方案的进一步改进，所述步骤S10中，所述时域运动控制方程为：

方程中：M为质量矩阵；M_a为附加质量矩阵；K(t)为延迟函数；C为静水恢复力系数矩阵；

为阻尼；

为浮体多自由度下的加速度；

为浮体多自由度下的速度、x(t)为浮体多自由度下的位移；f^exc(t)为浮体多自由度下的波浪荷载。

作为本发明技术方案的进一步改进，所述步骤S10中，针对浮式风机基础开展水池自由衰减试验，校准所述时域运动控制方程的阻尼

作为本发明技术方案的进一步改进，所述步骤S10中，所述第一状态空间模型的表达式为：

方程中：[A B C D]为状态空间参数，x为模型状态，y为输入矢量。

作为本发明技术方案的进一步改进，所述步骤S20中，所述锚链单元非线性控制方程为：

方程中，B为抗弯刚度；r为细长杆空间位置向量；q为外力；ρ为单元密度；λ＝T-Bk²；T＝F r′为张力；F＝λr'-(Br”)'；k为曲率。

作为本发明技术方案的进一步改进，所述步骤S40中，利用传递函数，建立所述执行机构运动控制方程，按照线性模型和非线性模型，分别采用最小二乘法和遗传算法对所述线性模型和非线性模型进行参数识别，并对响应状态空间模型与多自由度机器人分别进行测试、调整和优化。

作为本发明技术方案的进一步改进，还包括位于所述步骤S40后的步骤S41，对比分析所述执行机构运动控制方程及其参数选取对塔基截面运动实时追踪的控制效果，优化控制算法及其参数。

作为本发明技术方案的进一步改进，针对所述线性模型，采用基于前馈补偿的PID控制算法。

作为本发明技术方案的进一步改进，针对所述非线性模型，采用滑动模态控制算法。

作为本发明技术方案的进一步改进，还包括位于所述步骤S41后的步骤S42，根据所述多自由度机器人运动时滞和跟踪精度的误差参数特性，建立误差估计和误差补偿方法。

与现有技术相比，本发明的有益效果为：

本发明的海上浮式风机主动式实时混合模型试验方法中，先建立无束缚的风机基础的状态空间模型，然后建立锚链单元的状态空间模型，再将两个空间模型结合，形成了有束缚的浮式风机基础的整体耦合运动对应的响应状态空间模型；然后用多自由度机器人来按照该响应状态空间模型进行风机塔基截面处运动的实时追踪，从而实现对有束缚的浮式风机基础在水面的运动模拟；再仿照风机原型设计出仿形风机模型，并固定在多自由度机器人上，则实现了浮式风机在水面的模拟；然后进行进行风洞试验，实现了浮式风机在水面、风环境下的模拟，在这一环境下采集风机模型所受载并输入到响应状态空间模型，实时测量、追踪和迭代，从而很好地模拟海上浮式风机的工作，更加准确地模拟气动载荷和水动力载荷，保证浮式风机模型试验真实可靠，为海上浮式风电建设提供理论与技术支持。

附图说明

下面结合附图和具体实施方式对本发明的技术作进一步地详细说明：

图1是本发明的方法的流程示意图；

图2是本发明的方法在进行风洞试验时的示意简图。

附图标记：

1-多自由度机器人；2-塔筒；3-风轮；31-叶片；4-风洞；41-风场。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本发明中所使用的上、下、左、右等描述仅仅是相对于附图中本发明各组成部分的相互位置关系来说的。

参照图1和图2，一种海上浮式风机主动式实时混合模型试验方法，包括以下步骤：

S10、基于CUMMINS方程，建立浮式风机基础的时域运动控制方程对应的第一状态空间模型。即先建立无束缚的风机基础的状态空间模型。

本步骤中，所述时域运动控制方程为：

为阻尼；

为浮体多自由度下的加速度；

此外，为了提高准确度，还需要针对浮式风机基础在水池中开展静水自由衰减试验，校准所述时域运动控制方程的阻尼

进一步地，为了提高计算效率，将式(1)进行转换获得第一状态空间模型，所述第一状态空间模型的表达式为：

S20、基于细长杆理论，建立锚链单元非线性控制方程对应的第二状态空间模型，即建立锚链单元的状态空间模型。

本步骤中，所述锚链单元非线性控制方程为：

S30、基于所述第一状态空间模型和所述第二状态空间模型，建立浮式风机基础整体耦合运动对应的响应状态空间模型。

本步骤中，通过将两个空间模型结合，模拟有约束的风机基础(即浮式风机基础)的耦合运动，进而获得的浮式风机基础的整体耦合运动对应的响应状态空间模型，从而提高计算速度，减少误差积累，实现浮式风机时域运动响应的快速、高精度计算，提供风机塔基截面处运动的实时追踪目标。

S40、采用多自由度机器人1作为浮式风机基础运动的执行机构，并建立机器人的数学模型，基于所述响应状态空间模型和所述机器人的数学模型，建立描述所述浮式风机基础的运动状态与所述多自由度机器人1的运动之间转换关系的执行机构运动控制方程。该执行机构运动控制方程根据所采用的多自由度机器人1的不同而不同，但是将两个不同的目标的运动进行对应转换获得相应的运动控制方程的方法属于常规的方式，在此不再赘述。在一个实施例中，多自由度机器人1为六自由度机器人。

本步骤的目的是用多自由度机器人1来模拟浮式风机基础的运动，通过建立机器人的数学模型，并将该机器人的数学模型与响应状态空间模型关联，获得浮式风机基础的运动与多自由度机器人1之间的转化关系，则按照响应状态空间模型对多自由度机器人1运动的主动控制，从而模拟浮式风机基础的运动和反过来将多自由度机器人1的运动转变为浮式风机基础的运动，作为后续变化数据的输入。利用传递函数，建立所述执行机构运动控制方程，按照线性模型和非线性模型，分别采用最小二乘法和遗传算法对所述线性模型和非线性模型进行参数识别，并对响应状态空间模型与多自由度机器人1分别进行测试、调整和优化。

S41、为了进一步优化执行机构运动控制方程及其参数，对比分析所述执行机构运动控制方程及其参数选取对塔基截面运动实时追踪的控制效果，优化控制算法及其参数。针对所述线性模型，采用基于前馈补偿的PID控制算法，通过优化PID控制算法中的比例系数、积分时间、微分时间三个参数以及附加前馈控制算法，提高执行机构的运动跟踪精度。针对所述非线性模型，采用滑动模态控制算法，通过确定合理的滑动面和控制律算法，实现良好的鲁棒性和控制效果。

S42、根据所述多自由度机器人1运动时滞和跟踪精度的误差参数特性，建立误差估计和误差补偿方法。多自由度机器人1运动跟踪的误差主要包括：时滞、噪声和干扰。时滞是导致执行机构运动跟踪误差的核心因素。传统时滞补偿方法往往假定试验中时滞不变，然而系统中非线性等因素可能导致时滞特性变化，使得此类方法性能不够理想。针对此问题，本方法采用基于模型参数识别的自适应时滞补偿方法，将伺服系统简化为离散模型，通过在线参数估计确定系统状态，从而对伺服系统进行在线时滞补偿。噪声一般属于高频信号，根据浮式风机响应频率范围，选择合适的低通滤波器，可减小噪声对运动跟踪误差的影响。针对作动器的线性数学模型，可以利用PID+前馈+干扰观测器的控制算法来解决干扰对运动跟踪造成的误差问题；针对作动器的非线性数学模型，滑动模态控制等算法本身即具有较好的抗干扰能力。

S50、基于所述执行机构运动控制方程，采用所述多自由度机器人1对风机塔基截面处运动的实时追踪，即采用实现多自由度机器人1进行风机塔基截面处运动的实时模拟。

S60、根据风机原型，设计仿形风机模型，所述仿形风机模型固定在所述多自由度机器人1上。其中，仿形风机模型的气动性能和结构性能应当与风机原型相似，具体地，仿形风机包括安装有若干叶片31的风轮3和塔架，塔机固定在多自由度机器人1上。其中，风轮3转子要求气动性能也与风机原型相似，从而保证在不同叶尖速比下，该仿形风机模型和风机原型的推力系数要相同。同样的，仿形风机模型的塔筒2要求和风机原型的风载荷系数以及一阶振动频率相同，从而全面模拟风机，确保本方法的准确性。

S70、进行风洞试验，测量所述仿形风机模型所受载荷，作为数值模型的输入到所述响应状态空间模型。如图2所示，其中，该风洞4需要提供质量高、可控性好的风场41，在风洞实验室内进行，风洞4应当提供精准的风剖面以及根据风谱提供随机风速，从而模拟不同的风的环境。在当前试验中，试验模型完全满足弗洛德数相似，测得的载荷，可直接用于数值计算，无需额外处理，提高了计算速度。

本发明针对所提出主动式实时混合模型试验的实时性要求，创新性研发基于时变状态空间的浮式风机耦合运动响应快速高精度计算方法，并形成相应程序，实现混合模型试验中浮风机式基础运动响应的实时高精度计算；针对塔基截面处运动的实时追踪，基于浮式风机耦合运动响应快速高精度计算方法，建立动力学控制方程以及作动器的数学模型，比选优化主动控制方法，采用基于模型参数识别的自适应方法补偿时滞，并通过敏感性与稳定性分析选取合适的时间步长，从而保证混合模型和物理模型的响应特性完全等效，在试验中准确实现浮式风机基础数值模型和风机物理模型的实时动力耦合作用；创新性提出在风洞实验室进行的新型主动式实时混合模型试验方法，建立一套可以弥补现有模型试验方法不足、能够真实可靠预报浮式风机运动与动力响应的有效试验方法和流程。

本发明所述的海上浮式风机主动式实时混合模型试验方法的其它内容参见现有技术，在此不再赘述。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims

1.一种海上浮式风机主动式实时混合模型试验方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：所述步骤S10中，所述时域运动控制方程为：

为阻尼；

为浮体多自由度下的加速度；

3.根据权利要求2所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：所述步骤S10中，针对浮式风机基础开展水池自由衰减试验，校准所述时域运动控制方程的阻尼

4.根据权利要求1所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：所述步骤S10中，所述第一状态空间模型的表达式为：

5.根据权利要求1所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：所述步骤S20中，所述锚链单元非线性控制方程为：

方程中，B为抗弯刚度；r为细长杆空间位置向量；q为外力；ρ为单元密度；λ＝T-Bk²；T＝Fr′为张力；F＝λr'-(Br”)'；k为曲率。

6.根据权利要求1所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：所述步骤S40中，利用传递函数，建立所述执行机构运动控制方程，按照线性模型和非线性模型，分别采用最小二乘法和遗传算法对所述线性模型和非线性模型进行参数识别，并对响应状态空间模型与多自由度机器人分别进行测试、调整和优化。

7.根据权利要求6所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：还包括位于所述步骤S40后的步骤S41，对比分析所述执行机构运动控制方程及其参数选取对塔基截面运动实时追踪的控制效果，优化控制算法及其参数。

8.根据权利要求7所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：针对所述线性模型，采用基于前馈补偿的PID控制算法。

9.根据权利要求7所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：针对所述非线性模型，采用滑动模态控制算法。

10.根据权利要求1所述的海上浮式风机主动式实时混合模型试验方法，其特征在于：还包括位于所述步骤S41后的步骤S42，根据所述多自由度机器人运动时滞和跟踪精度的误差参数特性，建立误差估计和误差补偿方法。