CN101737257A - 通过神经网络估计风力涡轮机的可实现发电量 - Google Patents

通过神经网络估计风力涡轮机的可实现发电量 Download PDF

Info

Publication number
CN101737257A
CN101737257A CN200910224974A CN200910224974A CN101737257A CN 101737257 A CN101737257 A CN 101737257A CN 200910224974 A CN200910224974 A CN 200910224974A CN 200910224974 A CN200910224974 A CN 200910224974A CN 101737257 A CN101737257 A CN 101737257A
Authority
CN
China
Prior art keywords
wind turbine
network
neuron network
generated energy
control system
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.)
Granted
Application number
CN200910224974A
Other languages
English (en)
Other versions
CN101737257B (zh
Inventor
P·埃格达尔
A·G·努德森
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.)
Siemens Gamesa Renewable Energy
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN101737257A publication Critical patent/CN101737257A/zh
Application granted granted Critical
Publication of CN101737257B publication Critical patent/CN101737257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)

Abstract

本发明描述了一种方法，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量。该方法包括：确定表示风力涡轮机(100)运行状况的至少两个参数的值，将该至少两个参数的值输入到神经网络(132，232)中，以及从神经网络(232)输出输出值。因此，输出值是对风力涡轮机(100)的可实现发电量的估计。进一步描述了一种控制系统(130)，其适于执行所述功率估计方法。此外，描述了风力涡轮机(100)和用于控制所述功率估计方法的计算机程序。

Description

通过神经网络估计风力涡轮机的可实现发电量
技术领域
本发明涉及用于产生电力的风力涡轮机领域。特别地，本发明涉及用于估计以降低的功率设定点运行的风力涡轮机的可实现发电量的方法及控制系统。此外，本发明设计风力涡轮机以及用于控制上述功率估计方法的计算机程序。
背景技术
风能逐渐被认识是一种用于补充甚至是代替其他能源(例如矿物燃料)的可行选择。在风能的早期发展中，将大多数风力涡轮机构造成以恒定速度运行。然而，最近的趋势是朝着使用可变速风力涡轮机来更好的捕获有效风力发展。在多数情况下，可调节风力涡轮机叶片俯仰角以控制可变速风力涡轮机的运行。
当供到供电网络的电力大于从供电网络中提取的电力时，整个供电网络的频率将会增加。这基于连接到供电网络的风力涡轮机不能将它们产生的所有的功率传输到供电网络的事实。因此，所产生电力的所产生交流电流(AC)的频率将增加。典型地，不仅一台风力涡轮机表现这种行为，而是风力涡轮机场的多个风力涡轮机。因此，产生的功率大于使用者功率的功率不平衡可引起供电网络的频率的整体提高。
为了避免这种频率变化，已知的是以降低的功率设定点来运行风力涡轮机使得供给到供电网络的电力将减小，并且可至少近似地实现在传输到供电网络的电力和从供电网络移除的电力之间的功率平衡。为了保证稳定的供电网络，甚至法律规定要求这种降低的功率设定点。
风力涡轮机以降低的功率设定点运行的原因典型地不在风力涡轮机操作者的影响范围内。因此，风力涡轮机的操作者典型地将会得到与可实现发电量有关但跟实际发电量无关的收益。因此，对风力涡轮机的操作者来说非常希望能够总是准确可靠地了解其风力涡轮机的可实现发电量。当然，可实现发电量极大地取决于实际风况。
已知的是通过测量风速(例如风力涡轮机外罩顶端的风速)来估计风力涡轮机的可实现发电量，并且基于测量的风速来计算可实现发电量。这个众所周知的用于估计可实现发电量的程序具有结果通常并不十分准确的缺点。
因此需要促进以降低的功率设定点运行的风力涡轮机的可实现发电量的估计的准确性。
发明内容
根据独立权利要求的主题将会满足此种需要。本发明的有益实施例通过从属权利要求描述。
根据本发明的第一方面，提供了用于估计以降低的功率设定点运行的风力涡轮机的可实现发电量的方法。提供的方法包括：(a)确定表示风力涡轮机的运行状况的至少两个参数的值；(b)将该至少两个参数的值输入到神经网络中；和(c)从神经网络输出输出值，其中，输出值是对风力涡轮机的可实现发电量的估计。
本发明的第一方面是基于下列想法：通过利用神经网络，可极大地降低计算以降低的功率设定点运行的风力涡轮机的可实现发电量所必需的计算功率。换句话说，估计过程可由具有相对小的计算功率的简单处理装置执行。这可提供下述优点：该简单处理装置可安装在每个由能源公司操作的风力涡轮机上而不会增加风力涡轮机的初始成本。特别地，该简单处理装置可设在风力涡轮机的控制单元内，该装置总用于控制对应风力涡轮机的运行。
如果例如提供的电力的交流电流(AC)频率太高，对风力涡轮机使用降低的功率设定点可能是必要的。这种情况可能是例如风力涡轮机供到供电网络的电力大于由也连接到供电网络的终端用户消耗的电力。换句话说，如果供给到供电网络的电力未使用，供电网络的交流电流频率将增加。如果至少一个连接到电网的风力涡轮机以降低的功率设定点运行以维持供到供电网络的电力(a)与从供电网络移除的电力(b)之间的平衡，那么这种频率增加可避免。因此，具有要求风力涡轮机的所有人相应地适应风力涡轮机的功率设定点的法律规定。然而，由于功率设定点的降低不在风力涡轮机的操作者的影响范围内的这样的情况，因此，操作者会得到与可实现发电量有关但跟实际发电量无关的收益。因此，对风力涡轮机的操作者来说非常希望能够总是可靠地了解可能具有最佳功率设定点的可实现发电量。当然，可实现发电量极大地取决于实际风况。
根据本发明的实施例，三个表示风力涡轮机的运行状况的参数值被确定并输入进神经网络。因此，第一参数为风力涡轮机的实际发电量，第二参数为风力涡轮机的转子的叶片俯仰角，第三参数为转子速度。这可提供以下优点：基于三个输入参数，即实际发电量，俯仰角和转子速度，可保证高精度的功率估计。高精度的功率估计基于整个转子平面，并不是简单基于用于已知功率估计程序的单一风速测量值。
根据本发明的进一步实施例，神经网络为已经在测量数据方面受过训练的神经网络。这可提供以下优点：非常可靠的实验数据可用于训练神经网络。
例如，实验数据可通过叶片俯仰角在一个时期内的变化获得，在此时期内，风况不会改变或只是可忽略的改变。因此，叶片俯仰角可从最佳角度变到次最佳角度，这导致与风力涡轮机的降低的功率设定点相对应的降低的发电量。当然，当改变叶片俯仰角时，多个不同的降低的发电量可被确定，其中，每个降低的发电量与次最佳角度位置和/或降低一定量的功率设定点相对应。
根据本发明的进一步实施例，神经网络为已经在计算数据方面受过训练的神经网络。特别地，计算数据可从详细的数值计算中获得，这些详细的数值计算考虑了风力涡轮机的整个空气动力学行为，尤其是风力涡轮机的转子的空气动力学行为。因此，在其它事项中，转子的叶片尺寸和形状应被考虑进去。
根据本发明的进一步实施例，神经网络包括多个网络节点，该网络节点布置在神经网络的三个层中。因此，第一层被称为输入层，第二层被称为隐藏层，第三层被称为输出层。
所述的具有三层的神经网络结构可提供以下优点：功率估计可通过相当简单的结构来执行，其允许对神经网络进行快速训练。这意味着在已经完成了一些训练顺序以后，对于功率估计过程，神经网络可产生合理的结果。
根据本发明的进一步实施例，(a)被分配到神经网络的第一层的所有第一网络元件连接到被分配到神经网络第二层的所有第二网络元件，并且(b)被分配到神经网络第二层的所有第二网络元件连接到被分配到神经网络第三层的所有第三网络元件。这可提供以下优点：神经网络呈现高度对称结构，该结构可进一步促进神经网络的训练程序。
根据本发明的进一步方面，提供了用于估计以降低的功率设定点运行的风力涡轮机的可实现发电量的控制系统。所提供的控制系统包括：(a)用于确定表示风力涡轮机的运行状况的至少两个参数的值的确定单元；(b)适于接受该至少两个参数的值的神经网络；以及(c)用于从神经网络输出输出值的输出单元，其中，输出值为风力涡轮机的可实现发电量的估计。
本发明的该进一步方面基于如下想法：上述用于估计以降低的功率设定点运行的风力涡轮机的可实现发电量的方法可通过所述控制系统执行或控制，该方法可在已知的风力涡轮机内很容易地实施。因此，可容易地将已知类型的风力涡轮机转换成新型风力涡轮机，该新型风力涡轮机可适于执行上述方法的任何实施例。
分别通过软件类的计算机程序可实现所述控制系统。然而，也可通过一个或多个分别为硬件类的特殊的电子电路来实现控制系统。此外，控制系统也可以两种混合的形式被实现，例如，软件模块和硬件模块的结合。
根据本发明的进一步方面，提供了用于产生电力的风力涡轮机。所提供的风力涡轮机包括：(a)具有至少一个叶片的转子，其中转子可绕旋转轴线旋转且该至少一个叶片相对于旋转轴线径向延伸；(b)机械地联接转子的发电机；以及(c)如上所述的控制系统。
本发明的该进一步方面是基于下列想法：通过在普通风力涡轮机内嵌入上述控制系统，该风力涡轮机可具有实现上述用于估计可实现发电量的方法的功能。
根据本发明的进一步实施例，风力涡轮机进一步包括：(a)用于测量风力涡轮机的实际发电量的功率传感器；(b)用于测量该至少一个叶片的叶片俯仰角的角度传感器；以及(c)用于测量转子的实际旋转速度的旋转速度传感器。功率传感器，角度传感器以及旋转速度传感器联接到控制系统。此外，控制系统适于基于风力涡轮机的实际发电量，该至少一个叶片的叶片俯仰角以及转子的旋转速度估计风力涡轮机的可实现发电量。
正如上面所提到的，三个输入参数，即实际发电量，俯仰角和旋转速度的使用可提供以下优点：因为功率估计基于整个转子平面而不是简单地基于单一风速测量值，因而可保证高精度功率估计。这种单一风速测量值可在已知风力涡轮机的一定的空间点与已知的风力涡轮机结合进行，例如在涡轮机外罩顶部。
根据本发明的进一步方面，提供了用于估计以降低的功率设定点运行的风力涡轮机的可实现发电量的计算机程序。当由控制系统执行时，该计算机程序适于控制上述可实现发电量方法。
如此处所使用的，提及计算机程序旨在等同于提及程序元件和/或包含用于控制计算机系统以协调上述方法执行的指令的计算机可读媒介。
计算机程序元件可以任何合适的程序语言作为计算机可读指令代码执行，例如JAVA，C++，并且可被存储在计算机可读媒介上(移动磁盘，易失性或非易失性存储器，嵌入式存储器/处理器，等等)。指令代码可操作以编程计算机或其他可编程装置以执行预期功能。计算机程序可从网络中获得，例如可从万维网下载。
应注意的是已通过参考不同主题描述了本发明的实施例。特别地，通过参考方法类型权利要求描述了一些实施例，而通过参考装置类型权利要求描述了其他实施例。然而，本领域的技术人员可从上述以及下面的描述中推断出(除非另有说明)属于一类主题的特征的任何结合以及关于不同的主题的特征之间的任何结合，特别是方法类型权利要求的特征和装置类型权利要求的特征之间的任何结合，将被认为是由本申请公开。
本发明的上述限定的方面和其他方面通过下文中描述的实施方式的例子中将是显而易见的，并且参考实施方式的例子对它们进行了解释。接下来通过参考实施方式的例子来更加详细的描述本发明，但是本发明并不受限于此。
附图说明
图1显示了风力涡轮机，该风力涡轮机包括当风力涡轮机以降低的功率设定点运行时用于估计风力涡轮机的可实现发电量的控制系统。
图2显示了用于控制系统的神经网络，其中该控制系统用于当风力涡轮机以降低的功率设定点运行时估计风力涡轮机的可实现发电量。
图3显示了描述图2中显示的神经网络的神经网络节点传递函数的图表。
图4显示了描述图2中显示的神经网络相比于可实现发电量计算的误差分布的图表，其中该计算基于风力涡轮机的完全空气动力学模式。
具体实施方式
附图中所示为示意性的。应注意的是，在不同的图里，相似或相同元件具有相同的附图标记或具有仅第一位数与相应附图标记不同的附图标记。
附图中所示为示意性的。应注意的是，在不同的图里，相似或相同元件具有相同的附图标记或具有仅第一位数与相应附图标记不同的附图标记。
图1显示了根据本发明的实施例的风力涡轮机100。该风力涡轮机100包括安装在未示出的基座上的塔柱120。在塔柱120顶部布置有外壳122。在塔柱120和外壳之间设有转子角度调节装置121，该转子角度调节装置能够使外壳122绕未示出的竖直轴线旋转，该竖直轴线与塔柱120的纵向延伸对齐。通过以适当的方式控制转子角度调节装置121可确定：在风力涡轮机100运行期间外壳122总是与当前风向适当对齐。
风力涡轮机100进一步包括具有三个叶片114的转子110。在图1的透视图中，只有两个叶片114是可见的。转子110可绕旋转轴线110a旋转。安装在驱动圈(collar)112上的叶片114关于旋转轴线110a径向延伸。
在驱动圈112和叶片114之间分别具有叶片调节装置116以便通过使对应叶片114绕与叶片114的纵向延伸平行对齐的未示出的轴线旋转来调节每个叶片114的叶片俯仰角。通过控制叶片调节装置116，对应叶片114的叶片俯仰角可以下面方式被调节：依靠当前风况，可从可用风力中收回最大风力。
正如从图1中可见，在外壳内具有传动箱124以便将转子110的转数转换为轴125的更高的转数，轴线125以已知的方式联接到发电机128。此外还提供了制动器126以便停止风力涡轮机100的运行，例如在可能损坏风力涡轮机100的突发事件情况下和/或强风况情况下。
风力涡轮机100进一步包括用于以高效率的方式运行风力涡轮机100的控制系统130。除了控制例如转子角度调节装置121，所述的控制系统130也用于以优化方式调节转子叶片114的叶片俯仰角。
根据这里描述的实施例，如果风力涡轮机100以降低的功率设定点运行，控制系统130也用于估计风力涡轮机100的可实现发电量。因此，控制系统130包括用于确定表示风力涡轮机100的实际运行状况的三个参数值的确定单元131。
第一参数为风力涡轮机100的实际发电量。确定单元131从功率传感器141获得第一参数的值，该功率传感器141连接到发电机128。第二参数为叶片114的叶片俯仰角。确定单元131从角度传感器142获得第二参数的值，根据这里描述的实施例，角度传感器142连接到对应的叶片调节装置116。第三参数为转子110的旋转速度。确定单元131可从旋转速度传感器143获得第三参数的值，旋转速度传感器143连接到传动箱124。
控制系统130进一步包括神经网络132，该神经网络132适于接收表示风力涡轮机100的实际运行状况的三个参数值，且已经为基于三个参数值估计风力涡轮机100的可实现发电量进行了训练。此外，控制系统130包括用于从神经网络132输出输出值的输出单元133，其中，输出值代表风力涡轮机100的可实现发电量的估计。
图2显示了神经网络232，该神经网络232用于图1中描述的控制系统130。根据这里描述的实施例，神经网络232包括多个布置在神经网络的三层内的网络节点。5个输入网络节点251，252，253，254和255被分配在第一层250，第一层250也被称为输入层。两个网络节点261和262被分配在第二层260，第二层也被称为隐藏层。输出节点271代表第三层270，第三层也被称为输出层。
正如从图2中可见，将四个输入值提供给每个输入网络节点251-255。这四个值包括实际功率，实际叶片俯仰角，实际旋转速度以及补偿值。为了在神经网络232中具有更好的权重比例，在被提供给神经网络232的输入层250之前，功率值可除以例如100。
根据神经网络的基本原理，权重因子INxW分配给每个输入网络节点251-255。因此，参数“x”与输入网络节点25“x”相对应。正如从图2中能够进一步可见，每个输入网络节点251-255包括加法器单元，该加法器单元将所有单独的输入相加，该单独的输入已经提供给各自的输入节点251-255。因此，得到“u”值。
“u”值代表用于传递函数ft的输入。传递函数ft表示每个网络节点251-255到每个网络节点261和262之间的耦接强度。根据这里描述的实施例，接下来的传递函数ft用于第一层250的所有网络节点：
f t = 2 1 + exp { - 2 u } - 1
图3显示了描述了用于神经网络节点251，252，253，254和255的传递函数ft的图表。
正如图2中能够进一步可见，两个网络节点261和262具有和网络节点251-255相同的结构。权重因子L1N1W分配到网络节点261，权重因子L1N2W分配到网络节点262。
每个输入网络节点251-255的输出值，以及已经用于输入网络节点251-255的输入的补偿值都提供给网络节点261以及网络节点262。在用各自的权重因子L1N1W或L1N2W加权所有这些值之后，合计这些值。为了分别将网络节点261和262的输出信号值耦接到输出节点271，使用与上面描述相同的传递函数ft。
每个网络节点261和262的输出值，以及已经用于输入网络节点251-255的输入和网络节点261和262的输入的补偿值都提供给输出网络节点271。在用权重因子out1W加权所有这些值之后，合计这些值。产生的总值表示整个神经网络232的输出。此输出为当风力涡轮机以降低的功率设定点运行时估计的可实现发电量。
需提及的是根据神经网络的原理，通过训练序列来确定权重因子IN1W，IN2W，IN3W，IN4W，IN5W，L1N1W，L1N2W和out1W。因此，将通过每个训练程序改进权重因子值。
进一步需提及的是神经网络232仅代表可行神经网络的多种不同布局中的一种布局。特别地，仅通过2个或3个或以上的网络层来实现可实现发电量的估计也是可能的。此外，神经网络的结构不是必须对称的。特别地，不是分配到特定层的节点的所有输出都连接到分配到相邻更高网络层的所有节点的神经网络也可使用。而且，分配到某一网络层的网络节点数量可偏离此处所述的实施例。
图4显示了描述图2中显示的神经网络232相比于可实现发电量的完全空气动力学计算的误差分布的图表。在横坐标(x轴)上描绘有单位为kW的估计的可实现发电量的误差。在纵坐标(y轴)上描绘有具有小于x轴上的对应值的绝对误差的数据点百分比。
因此，已经以计算数据训练了神经网络232，计算数据可通过应用具有3600kW额定功率的风力涡轮机的完全空气动力学模式来获得。图4中显示的误差分布包括870000个数据点。
正如图4中可见，当能接受150kW或是更大的误差时，依靠神经网络232的可实现功率估计的准确性至少为几乎完美。当然，可允许误差越小，数据点百分比越大，数据点具有比横坐标上描绘的可接受误差更大的绝对误差。
应该注意的是术语“包括”并不排除其他元件或步骤，并且术语“一”，“一种”并不排除多个。而且描述的与不同实施例有关联的元件可被组合。还应该注意的是权利要求中的附图标记不应解释成限制权利要求的范围。

Claims (10)

1.一种方法，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量，所述方法包括：
●确定表示风力涡轮机(100)运行状况的至少两个参数的值，
●将所述至少两个参数的值输入到神经网络(132，232)中，以及
●从所述神经网络(132，232)输出输出值，其中，所述输出值是对所述风力涡轮机(100)的可实现发电量的估计。
2.根据前述权利要求所述的方法，其特征在于，表示风力涡轮机运行状况的三个参数值被确定并被输入所述神经网络(132，232)，其中：
-第一参数为所述风力涡轮机的实际发电量，
-第二参数为风力涡轮机的转子的叶片俯仰角，以及
-第三参数为转子速度。
3.根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132，232)为已经在测量数据方面受过训练的神经网络。
4.根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132，232)为已经在计算数据方面受过训练的神经网络。
5.根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132，232)包括多个网络节点(251，252，253，254，255，261，262，272)，所述网络节点布置在所述神经网络(132，232)的三层(250，260，270)中。
6.根据前述权利要求任一项所述的方法，其特征在于，
●被分配到所述神经网络(232)的第一层(250)的所有第一网络元件(251，252，253，254，255)连接到被分配到所述神经网络(132，232)的第二层(260)的所有第二网络元件(261，262)，以及
●被分配到所述神经网络(232)的第二层(260)的所有第二网络元件(261，262)连接到被分配到所述神经网络(132，232)的第三层(270)的所有第三网络元件(271)。
7.一种控制系统，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量，所述控制系统(130)包括：
●用于确定表示风力涡轮机(100)的运行状况的至少两个参数的值的确定单元(131)，
●适于接受所述至少两个参数的值的神经网络(132，232)，以及
●用于从所述神经网络(132，232)输出输出值的输出单元(133)，其中，所述输出值为风力涡轮机(100)的可实现发电量的估计。
8.一种用于产生电力的风力涡轮机，所述风力涡轮机(100)包括：
●具有至少一个叶片(114)的转子(110)，其中：
-所述转子(110)可绕旋转轴线(110a)旋转，以及
-所述至少一个叶片(114)相对于所述旋转轴线(110a)径向延伸，
●机械地联接所述转子(110)的发电机(128)，以及
●如前述权利要求所述的控制系统(130)。
9.根据前述权利要求任一项所述的风力涡轮机，其特征在于，进一步包括：
●用于测量风力涡轮机(100)的实际发电量的功率传感器(141)，
●用于测量所述至少一个叶片(114)的叶片俯仰角的角度传感器(142)，以及
●用于测量所述转子(110)的实际旋转速度的旋转速度传感器(143)
其中：
所述功率传感器(141)，所述角度传感器(142)以及所述旋转速度传感器(143)联接到所述控制系统(130)，以及
所述控制系统(130)适于基于所述风力涡轮机(100)的实际发电量、所述至少一个叶片(114)的叶片俯仰角以及所述转子(110)的旋转速度估计所述风力涡轮机(100)的可实现发电量。
10.一种用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量的计算机程序，当由控制系统(130)执行时，该计算机程序适于控制如权利要求1-6任一项所述的方法。
CN200910224974.7A 2008-11-26 2009-11-26 通过神经网络估计风力涡轮机的可实现发电量的方法 Active CN101737257B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP08020579.2A EP2192456B1 (en) 2008-11-26 2008-11-26 Estimation an achievable power production of a wind turbine by means of a neural network
EP08020579.2 2008-11-26

Publications (2)

Publication Number Publication Date
CN101737257A true CN101737257A (zh) 2010-06-16
CN101737257B CN101737257B (zh) 2014-01-29

Family

ID=40568359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910224974.7A Active CN101737257B (zh) 2008-11-26 2009-11-26 通过神经网络估计风力涡轮机的可实现发电量的方法

Country Status (7)

Country Link
US (1) US8587140B2 (zh)
EP (1) EP2192456B1 (zh)
JP (1) JP2010127283A (zh)
CN (1) CN101737257B (zh)
CA (1) CA2686269A1 (zh)
DK (1) DK2192456T3 (zh)
NZ (1) NZ580893A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102926930A (zh) * 2012-11-12 2013-02-13 东南大学 一种风力发电系统的独立变桨控制方法
CN103161668A (zh) * 2013-02-21 2013-06-19 上海交通大学 智能风电机组工况辨识系统及方法
CN103362741A (zh) * 2013-07-12 2013-10-23 浙江运达风电股份有限公司 基于adaline技术的风力发电机组系统辨识方法
CN103733210A (zh) * 2011-08-18 2014-04-16 西门子公司 用于对技术系统进行计算机辅助的建模的方法
CN104115166B (zh) * 2011-12-21 2016-12-14 西门子公司 发电厂的电能使用的计算机辅助确定的方法和装置
CN109667717A (zh) * 2017-10-16 2019-04-23 三菱重工业株式会社 风力发电装置的控制系统、风力发电装置及控制方法
CN113906353A (zh) * 2019-06-11 2022-01-07 西门子歌美飒可再生能源公司 用于对风力涡轮机的阻力系数进行计算机实现确定的方法

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872165A (zh) * 2010-06-13 2010-10-27 西安交通大学 一种基于遗传神经网络的风电机组故障诊断方法
US20120104753A1 (en) 2010-10-29 2012-05-03 Mitsubishi Heavy Industries, Ltd. Control system of wind power generator, wind farm, and method for controlling wind power generator
CA2728788A1 (en) * 2010-10-29 2012-04-29 Mitsubishi Heavy Industries, Ltd. Control system of wind power generator, wind farm, and method for controlling wind power generator
KR101215503B1 (ko) * 2011-02-21 2012-12-26 삼성중공업 주식회사 풍력발전기의 나셀 풍속 보정 시스템 및 그 방법
TWI481780B (zh) * 2011-08-02 2015-04-21 Univ Nat Sun Yat Sen 具有旋角控制之風力發電系統及其方法
TWI445276B (zh) * 2011-10-04 2014-07-11 Iner Aec Executive Yuan 一種整合自動電壓調整器之控制系統和方法
ES2764826T3 (es) * 2012-08-07 2020-06-04 Korea Inst Energy Res Método para predecir la densidad de energía eólica
US9347430B2 (en) 2013-04-12 2016-05-24 King Fahd University Of Petroleum And Minerals Adaptive pitch control system for wind generators
KR101400338B1 (ko) 2013-05-03 2014-05-28 삼성중공업 주식회사 풍력 발전 단지의 풍력 발전기 제어 시스템 및 방법
CN103711645B (zh) * 2013-11-25 2016-03-30 北京能高自动化技术股份有限公司 基于建模参数特征分析的风力发电机组状态评估方法
CN104699994A (zh) * 2015-04-02 2015-06-10 刘岩 一种基于fbf神经网络的电机气隙偏心故障诊断方法
CN104700148A (zh) * 2015-04-02 2015-06-10 刘岩 一种基于行为的电机故障诊断方法
CN105545595B (zh) * 2015-12-11 2018-02-27 重庆邮电大学 基于径向基神经网络的风力机反馈线性化功率控制方法
WO2017108044A1 (en) * 2015-12-23 2017-06-29 Vestas Wind Systems A/S Controlling wind turbines according to reliability estimates
CN105626378A (zh) * 2016-01-13 2016-06-01 湖南世优电气股份有限公司 基于rbf神经网络的大型风电机组独立变桨控制方法
CN105673325A (zh) * 2016-01-13 2016-06-15 湖南世优电气股份有限公司 基于rbf神经网络pid的风电机组独立变桨控制方法
DE102018008700A1 (de) * 2018-11-06 2020-05-07 Senvion Gmbh Windpark-Energieparameterwert-Prognose
US10815972B2 (en) 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
EP3751135A1 (en) * 2019-06-14 2020-12-16 Siemens Gamesa Renewable Energy A/S Wind turbine replacement schedule
US20220407352A1 (en) * 2019-09-13 2022-12-22 Rensselaer Polytechnic Institute Spatio-temporal probabilistic forecasting of wind power output
US10954919B1 (en) 2019-10-02 2021-03-23 General Electric Company Machine-learning model-based analytic for monitoring wind farm power performance
CN111091236B (zh) * 2019-11-27 2023-06-20 长春吉电能源科技有限公司 一种按桨距角分类的多分类深度学习短期风功率预测方法
EP3889423A1 (en) 2020-04-02 2021-10-06 Siemens Gamesa Renewable Energy A/S Method and system for controlling operation of wind turbines
US11231012B1 (en) 2020-09-22 2022-01-25 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
US11649804B2 (en) 2021-06-07 2023-05-16 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
US11585322B1 (en) * 2022-05-26 2023-02-21 King Fahd University Of Petroleum And Minerals Wind turbine control apparatus and method therefor

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5023045A (en) * 1989-02-07 1991-06-11 Doryokuro Kakunenryo Kaihatsu Jigyodan Plant malfunction diagnostic method
US5798631A (en) * 1995-10-02 1998-08-25 The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University Performance optimization controller and control method for doubly-fed machines
GB2405492A (en) * 2003-08-30 2005-03-02 Distant Control Ltd System for remote monitoring and control of power generating plant
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2515750B2 (ja) * 1986-07-31 1996-07-10 ヤマハ発動機株式会社 風力発電装置の制御方法
US20020084655A1 (en) 2000-12-29 2002-07-04 Abb Research Ltd. System, method and computer program product for enhancing commercial value of electrical power produced from a renewable energy power production facility
JP4347030B2 (ja) * 2003-12-02 2009-10-21 株式会社四国総合研究所 風力発電出力予測方法
US7228235B2 (en) 2005-02-01 2007-06-05 Windlogics, Inc. System and method for enhanced measure-correlate-predict for a wind farm location
JP5022102B2 (ja) * 2007-05-25 2012-09-12 三菱重工業株式会社 風力発電装置、風力発電システムおよび風力発電装置の発電制御方法
CN101919134B (zh) * 2007-12-19 2013-04-24 维斯塔斯风力系统集团公司 用于风力涡轮发电机的基于事件的控制系统及控制方法
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
WO2010136042A1 (en) * 2009-05-25 2010-12-02 Vestas Wind Systems A/S One global precise time and one maximum transmission time

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5023045A (en) * 1989-02-07 1991-06-11 Doryokuro Kakunenryo Kaihatsu Jigyodan Plant malfunction diagnostic method
US5798631A (en) * 1995-10-02 1998-08-25 The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University Performance optimization controller and control method for doubly-fed machines
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
GB2405492A (en) * 2003-08-30 2005-03-02 Distant Control Ltd System for remote monitoring and control of power generating plant

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103733210A (zh) * 2011-08-18 2014-04-16 西门子公司 用于对技术系统进行计算机辅助的建模的方法
CN103733210B (zh) * 2011-08-18 2016-07-06 西门子公司 用于对技术系统进行计算机辅助的建模的方法
US10133981B2 (en) 2011-08-18 2018-11-20 Siemens Aktiengesellschaft Method for the computer-assisted modeling of a wind power installation or a photovoltaic installation with a feed forward neural network
CN104115166B (zh) * 2011-12-21 2016-12-14 西门子公司 发电厂的电能使用的计算机辅助确定的方法和装置
US10352973B2 (en) 2011-12-21 2019-07-16 Siemens Aktiengesellschaft Method of computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant
CN102926930A (zh) * 2012-11-12 2013-02-13 东南大学 一种风力发电系统的独立变桨控制方法
CN103161668A (zh) * 2013-02-21 2013-06-19 上海交通大学 智能风电机组工况辨识系统及方法
CN103362741A (zh) * 2013-07-12 2013-10-23 浙江运达风电股份有限公司 基于adaline技术的风力发电机组系统辨识方法
CN103362741B (zh) * 2013-07-12 2015-07-08 浙江运达风电股份有限公司 基于adaline技术的风力发电机组系统辨识方法
CN109667717A (zh) * 2017-10-16 2019-04-23 三菱重工业株式会社 风力发电装置的控制系统、风力发电装置及控制方法
CN113906353A (zh) * 2019-06-11 2022-01-07 西门子歌美飒可再生能源公司 用于对风力涡轮机的阻力系数进行计算机实现确定的方法

Also Published As

Publication number Publication date
DK2192456T3 (en) 2017-12-11
CN101737257B (zh) 2014-01-29
US20100127495A1 (en) 2010-05-27
NZ580893A (en) 2010-11-26
JP2010127283A (ja) 2010-06-10
EP2192456A1 (en) 2010-06-02
EP2192456B1 (en) 2017-11-01
US8587140B2 (en) 2013-11-19
CA2686269A1 (en) 2010-05-26

Similar Documents

Publication Publication Date Title
CN101737257B (zh) 通过神经网络估计风力涡轮机的可实现发电量的方法
Van Kuik et al. Long-term research challenges in wind energy–a research agenda by the European Academy of Wind Energy
Xu et al. Robust dispatch of high wind power-penetrated power systems against transient instability
Bayati et al. Scale model technology for floating offshore wind turbines
JP2010127283A6 (ja) 風力発電機のタービンで得られる電力生産量を予測する方法、風力発電機のタービンで得られる電力生産量を予測する制御装置、風力発電機のタービン、および、風力発電機のタービンで得られる電力生産量を予測するためのコンピュータプログラム
CN101919134B (zh) 用于风力涡轮发电机的基于事件的控制系统及控制方法
Moussa et al. New wind turbine emulator based on DC machine: hardware implementation using FPGA board for an open‐loop operation
KR101933720B1 (ko) 최소 하중에 의한 풍력터빈의 출력 제어방법
CN105404720A (zh) 一种基于硬件在环仿真的风电机组建模方法
CN103527406A (zh) 风电厂控制系统
CN102385377A (zh) 一种用于风力发电机主控系统测试的硬件在环实验系统和方法
CN103344437A (zh) 一种风力发电机组半物理实时仿真平台
CN102819221B (zh) 风电机组低电压穿越特性联合仿真模型及其联合仿真方法
CN106777499A (zh) 一种双馈异步风力发电机组的整机动态建模方法
Khalil et al. Enhanced generic nonlinear and linearized models of wind power plants
CN116467877A (zh) 漂浮式风电机组平台动态响应确定方法、装置及电子设备
CN202257263U (zh) 一种用于风力发电机主控系统测试的硬件在环实验系统
CN102288159A (zh) 用于确定塔的偏转的方法和装置
Mahmoud et al. Integrated optimal active and reactive power control scheme for grid connected permanent magnet synchronous generator wind turbines
Pao et al. Control co-design of wind turbines
Kurian et al. Real time implementation of artificial neural networks‐based controller for battery storage supported wind electric generation
EP3771819A1 (en) A method for computer-implemented determination of a wind speed profile information of a wind field
Lin et al. Frequency modeling of wind power fluctuation and the application on power systems
Rudion et al. MaWind-tool for the aggregation of wind farm models
Velino et al. Machine learning control for floating offshore wind turbine individual blade pitch control

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190725

Address after: Tango barley

Patentee after: Siemens Gamesa Renewable Energy

Address before: Munich, Germany

Patentee before: Siemens AG

TR01 Transfer of patent right