CN104537424A - 一种建立基于风电机组载荷数据库的预测响应系统的方法 - Google Patents
一种建立基于风电机组载荷数据库的预测响应系统的方法 Download PDFInfo
- Publication number
- CN104537424A CN104537424A CN201410589784.6A CN201410589784A CN104537424A CN 104537424 A CN104537424 A CN 104537424A CN 201410589784 A CN201410589784 A CN 201410589784A CN 104537424 A CN104537424 A CN 104537424A
- Authority
- CN
- China
- Prior art keywords
- load
- analysis
- wind
- scheme
- turbine generator
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004044 response Effects 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000611 regression analysis Methods 0.000 claims abstract description 6
- 238000011068 loading method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000013461 design Methods 0.000 description 15
- 230000006978 adaptation Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种建立基于风电机组载荷数据库的预测响应系统的方法，所述方法包括：(1)建立载荷数据库；(2)探索载荷数据库的处理方案，包括首选方案和次选方案，所述首选方案为回归分析法；(3)通过对首选方案和次选方案的处理结果分析比较，建立合适的载荷预测响应系统。本发明通过结合现有技术的优缺点，快速建立合适的预测响应系统，建立的预测响应系统能够解决载荷适应性分析或预判方法对选型需求的响应速度偏缓的问题，通过该预测响应系统快速的“风资源-载荷-强度-适应性判定”的响应模式，实现风电机组选型和微观选址的快速响应，以及能够快速预测得到各个点位的载荷情况，基本实现载荷适用性分析的“精细化”。
Description
技术领域
本发明涉及风电机组载荷适用性分析领域，特别是涉及一种建立基于风电机组载荷数据库的预测响应系统的方法。
背景技术
通常风电机组是按照国际标准GL或IEC规定的各种外部条件进行设计的，但实际风电场的外部条件与标准中规定的外部条件往往存在较大的差异，而这些外部条件(尤其是风况条件)的差异情况主要影响着风电机组的载荷安全，所以目前风电场项目在前期进行风电机组选型时需要仔细评估其外部条件。狭义上讲，对实际风况条件下预选用的风电机组的载荷安全性评估，称为载荷适用性评估。具体而言，风电机组的载荷适用性评估是为了确定风电机组在实际风况下各关键部位所受的载荷是否满足风电场的载荷安全需求。在风电场前期设计过程中，风力发电机组的合理选型就是要最大限度的利用风能，在确保风电机组安全运行的前提下，选择综合指标更佳的风电机组，实现风电机组型号与风能资源的最佳匹配。
影响风电机组的载荷主要分为极限载荷和疲劳载荷。其中，影响疲劳载荷的主要风况参数有：空气密度、湍流强度、风切变、入流角、平均风速和风频分布等；影响极限载荷的主要风况参数有：空气密度、湍流强度、风切变、入流角、50年一遇极大风速和50年一遇最大风速等。
载荷适用性评估主要评估风电机组在上述实际风况参数条件下的极限载荷和疲劳载荷的安全适用性。为了计算或预测得到实际风况参数下的机组载荷，目前行业或研究领域中，主要有以下3种方法：
第一种是直接仿真法，目前工程上最常用和最直接的方法。它主要是依据GL或IEC标准定义的工况要求，结合机位点实际风况，进行载荷仿真计算分析，需要对每一种工况都进行气弹性模拟，然后根据仿真所得的各种结果进行统计得到极限或疲劳载荷，使用的仿真软件主要有Bladed、Adams、YawDyn等等。董礼、廖明夫等在《风力机等效载荷的评估》一文中提到的风力机设计阶段对疲劳载荷的计算就是利用载荷仿真软件Bladed进行直接计算，通过雨流法和Weibull分布进行处理后而得到风力机寿命。陈严、王楠则通过《水平轴风力机极限载荷预测方法的研究》介绍了直接仿真法求解风力机运行时极限载荷的理论方法和结果的准确性。Kenneth Thomsen等则通过《Fatigue loads for wind turbines operating in wakes》介绍了风机在不同尾流情况下机组疲劳载荷的仿真理论和操作方法。目前这种方法的优点主要是：依据权威的仿真软件和国际标准规范直接计算，相对来说最为准确和权威，因此这也是机组总体设计时的主要方法。但是这种方法也有它固有的缺点：由于风电机组工作风速范围非常广，实际工况组合非常复杂，这种直接仿真方法非常复杂耗时，适合用于设计阶段，而用在载荷适应性评估时存在一定的局限。
目前在金风集团风电场项目机组适应性分析时也主要采取这种直接仿真法，就是在仿真计算前，先对项目风电场风况参数进行全场包络或分区域包络(认为包络点最危险)，提取载荷最为恶劣的一个或多个虚拟机位(即虚拟包络风况点位)，进行仿真计算分析，依此结论进而判断全场点位机组的适应性。这种方法的好处是能够相对快速而且较为准确地判定整个风电场机组载荷是否安全适用。但是这种全场包络或分区域包络风况参数需要载荷工程师对包络风况的载荷评估有个预判，比较依赖于工程师的直观经验，而且这种方法不能得到项目各点位的载荷定量分析结果，不够细化。而如果逐机位点直接仿真则工作量又巨大，因此现有人力和手段无法满足业主日益增长的想要知晓各点位载荷定量分析数据的需求。
第二种方法是基于载荷数据库的统计或插值预测方法。这种方法目前在国内外几大风电公司如GE、远景、歌美飒等都有采用，但是由于各个公司设计工况组合并不一样，风机载荷数据具有一定的独立性，所以其选用的风况因子、目标载荷和数据模型设计的情况也不相同。并且目前还没有将该方法用于机组载荷适应性分析这方面的文献报道。不过，在LeRoyM.Fitzwater等的文章《Predicting design wind turbine loads fromlimited data-Comparing random process and random peak models》中，介绍了如何由短期载荷分布得到机组长期的设计载荷，但这种方法的难点在于如何为已知数据找到合适的概率分布，因此局限在机组设计优化阶段的载荷预估。目前这种应用数据库的方法在适用性分析中的一大优点就是能得到各点定量分析数据，并达到快速响应的需求。这种方法的缺陷是在载荷数据库样本的合理性、扩充性、结果的不确定度控制方面都存在问题，相对直接仿真法牺牲了一定的载荷结果精度。
这种方法的优点还在于可以通过数据统计得到各种外界因子(风况、电网、控制等)与风机各种载荷的影响关系。这种方法得到的关系，与Ratrick J.Moriarty在《Effect of turbulence variation on extreme loadsprediction for wind turbines》一文中对湍流的阐述可能一致，并且更加便捷和全面。
第三种方法是建立合适的外部自由变量，建立风机各种载荷与变量的关系，通过优化算法完成载荷求解。这是最理想的方法，如专利CN102708266A《一种水平轴风力机叶片的极限载荷预测计算方法》，它提出了采用智能优化算法进行极限载荷求解。它选取风机的转速、桨距角、来流风速、偏航角和方位角为自由变量，建立叶片各截面各方向的载荷同上述自由变量的关系，根据风场的类型和设计需要，对各自由变量进行约束，以叶片界面上的载荷为目标函数，使用智能优化算法来求解极限载荷。这种方法的优点快速而准确，可以用于基于主要运行参数的风机某些部件的结构设计优化，但是目前还没有关于所有风况条件都能考虑进去针对适应性载荷的预测方法，在载荷适应性分析的工程应用上还难以实现。简单地说，目前工程上还没有一种直接基于风况输入机组适应性载荷输出的算法来代替仿真软件如Bladed，Adams，YawDyn等等。如前述专利所述，它考虑的主要是运行控制参数，而且没有体现出GL和IEC国际标准规范定义的工况，所以在适应性分析的时候是不能采用的。董礼、廖明夫等在《风力机等效载荷的评估》一文中，还提到过通过神经网络模型模拟已建成风机的运行数据(如风速、风向、转速、功率、桨距角等)和载荷之间的非线性关系，类似这种方法主要应用在运行后的评估中。
由此可见，上述现有的在实际风况参数下的风电机组载荷计算或预测的方法在使用上，显然仍存在有各种不便与缺陷，而亟待加以进一步改进。如何能创设一种建立快速精确的基于风电机组载荷数据库的预测响应系统的方法，实属当前重要研发课题之一。
发明内容
本发明要解决的技术问题是提供一种建立快速、精确的基于风电机组载荷数据库的预测响应系统的方法，使其建立的预测响应系统针对风电机组载荷适用性分析能够快速精确的作出预测响应，从而克服现有的风电机组载荷计算或预测方法的不足。
为解决上述技术问题，本发明提供一种建立基于风电机组载荷数据库的预测响应系统的方法，所述方法包括：
(1)建立载荷数据库；
(2)探索载荷数据库的处理方案，包括首选方案和次选方案，所述首选方案为回归分析法；
(3)通过对首选方案和次选方案的处理结果分析比较，建立合适的载荷预测响应系统。
作为本发明的进一步改进，所述首选方案包括疲劳载荷预测和极限载荷预测。
所述疲劳载荷预测处理方法可直接分析等效疲劳载荷，具体步骤包括：
(a)首先进行风况单因子疲劳分析，得到风电机组各关键部位疲劳载荷随风况单因子影响的变化趋势，判断该风况单因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行所述次选方案，若该回归模型可靠则进入步骤(b)；
(b)进行风况联合因子疲劳分析，得到风电机组各关键部位疲劳载荷分别随风况多种因子影响的变化趋势，判断该联合因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行所述次选方案，若该回归模型可靠，则以该联合因子回归模型建立风电机组各关键部位疲劳载荷的预测响应系统。
所述极限载荷预测处理方法可直接分析极限载荷，或按实际工况分析极限载荷后再整合分析极限载荷。
所述次选方案为插值法、神经网络算法和PSO算法中的一种或多种。
采用上述的技术方案，本发明至少具有以下优点：
(1)本发明通过结合现有技术的优缺点，快速建立合适的预测响应系统，建立的预测响应系统能够解决载荷适应性分析或预判方法对选型需求的响应速度偏缓的问题，通过该预测响应系统快速的“风资源-载荷-强度-适应性判定”的响应模式，实现风电机组选型和微观选址的快速响应。
(2)本发明建立的预测响应系统能够快速预测得到各个点位的载荷情况，基本实现载荷适用性分析的“精细化”。
(3)本发明建立的预测响应系统引入了载荷预测不确定度(或误差)的控制条件，增强了该预测响应系统的可信赖性。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明风电机组载荷适用性分析的预测响应方法的示意图；
图2是本发明中各点位叶根主要疲劳载荷Mx对比设计载荷的结果柱形图；
图3是本发明中各点位固定轮毂中心主要疲劳载荷My对比设计载荷的结果柱形图；
图4是本发明中各点位塔顶主要疲劳载荷My对比设计载荷的结果柱形图；
图5是本发明中各点位塔底主要疲劳载荷My对比设计载荷的结果柱形图；
图6是本发明中风电机组载荷适应性分析中所用叶片载荷计算坐标系的示意图；
图7是本发明中风电机组载荷适应性分析中所用固定轮毂载荷计算坐标系的示意图；
图8是本发明中风电机组载荷适应性分析中所用塔底载荷计算坐标系的示意图；
图9是本发明中风电机组载荷适应性分析中所用塔顶载荷计算坐标系的示意图；
图10是本发明中叶根等效疲劳载荷My与单风况因子特征湍流强度I15的回归示例图。
具体实施方式
本发明依托大量风电场项目的适应性分析数据，并考虑现有方法的优缺点，以上述背景技术中第二种方法：“基于载荷数据库的统计或插值预测方法”为基础，结合上述第一和第三种方法的优点，建立起基于风电机组载荷适用性分析数据库的预测响应系统。
参照附图1所示，建立风电机组载荷适应性分析预测响应系统的方法包括：(1)建立载荷数据库，可通过选取典型的风电机组模型和控制参数，按照现有风电机组收集或生成载荷数据库；(2)探索载荷数据库的处理方案，首选方案为回归分析法，为拓展载荷预测的渠道和效果对比，在首选方案不可靠的情况下，引入次选方案进行处理；(3)通过对首选方案和次选方案的处理结果分析比较，选用合适模型建立载荷预测响应系统。
步骤(2)中在首选方案中包括疲劳载荷预测和极限载荷预测。以疲劳载荷回归预测作为一具体实施例，其具体的处理方法如下：
首先根据GL2003标准和实际风资源情况，设定各风况单因子的变化范围，在此基础上利用Bladed仿真软件进行疲劳载荷计算，并结合Origin、Excel和SPSS等数值分析软件对大量载荷结果进行数据分析，得到风电机组各关键部位疲劳载荷随风况单因子影响的变化趋势，并判断单因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行次选方案，若该回归模型可靠则进入下一流程，即在该风电机组载荷数据库中提取该风电机组的多组实际风况，利用Bladed仿真软件计算得到多组风况对应的疲劳载荷结果，结合Origin、Excel和SPSS等数据分析软件对多组实际风况的疲劳载荷结果进行回归分析，判断联合因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行次选方案，若该回归模型可靠，则可以此回归模型建立风电机组各关键部位疲劳载荷的预测响应系统。本领域的技术人员针对上述回归模型可靠与否的判断是严格按照数理统计的相关理论进行分析判别的。其中单因子回归模型的可靠性通过其决定系数和标准误差来判定；而联合因子回归模型的可靠性则以检验多元回归模型的整体性评价指标——决定系数、F统计量、标准误差等——为主要判定依据，并辅助参考局部性评价指标如回归系数的评价指标β值、t值等。本实施例仅以重要指标之一决定系数为例，决定系数在0.7-0.8之间，认为模型可靠性一般；在0.8-0.9之间，认为模型质量较好；而在0.9-1.0之间，则认为模型质量非常好。
极限载荷的预测响应系统建立过程与疲劳载荷预测响应系统的建立类似，不过需要特别注意极端风速时的工况，基于各种极端风速工况应该分类考虑建立回归模型。同时，由于极限载荷考虑的工况非常复杂多变，在模型分析时可以通过直接分析极限载荷结果，或按工况分析极限载荷后再整合结果，两种方案通过比较不确定度进行选择。
作为备用的次选方案为其他预测方法，如插值法、神经网络算法或PSO算法等。另外，次选方案还可以采取“灰色动态模型”作为备用处理方案。
以疲劳载荷回归预测响应系统作为具体实施例，该回归预测响应系统的效果如下：该回归预测响应系统实现载荷快速预测，即“输入-输出”模式。该系统的“输入”如表1所示。
表1影响风电机组疲劳载荷的各点位风况情况
| 入流角λ | 风切变α | 空气密度ρ | 湍流强度I15 | 平均风速V | 威布尔分布k | 点位 |
| 2.3 | 0.15 | 1.024 | 0.119 | 5.54 | 1.905 | K7 |
| 5.2 | 0.13 | 1.025 | 0.133 | 5.60 | 1.911 | K8 |
| 2.8 | 0.12 | 1.023 | 0.137 | 5.68 | 1.947 | K9 |
| 2.5 | 0.14 | 1.025 | 0.153 | 5.53 | 1.974 | K10 |
| 3.3 | 0.09 | 1.026 | 0.176 | 5.25 | 1.992 | K11 |
| 6.0 | 0.08 | 1.023 | 0.137 | 6.01 | 2.037 | K12 |
| 3.6 | 0.09 | 1.015 | 0.169 | 6.20 | 2.054 | K13 |
| 2.9 | 0.09 | 1.014 | 0.163 | 6.30 | 2.017 | K14 |
| 4.3 | 0.11 | 1.013 | 0.154 | 6.36 | 2.038 | K15 |
| 3.5 | 0.10 | 1.014 | 0.146 | 6.30 | 1.947 | K16 |
| 3.0 | 0.12 | 1.012 | 0.142 | 6.34 | 2.000 | K17 |
| 4.0 | 0.09 | 1.014 | 0.174 | 5.82 | 2.051 | K18 |
| 3.2 | 0.11 | 1.024 | 0.186 | 5.66 | 2.010 | K19 |
| 4.0 | 0.08 | 1.023 | 0.147 | 5.88 | 2.019 | K20 |
| 1.7 | 0.08 | 1.018 | 0.146 | 6.30 | 2.007 | K21 |
| 2.5 | 0.12 | 1.022 | 0.156 | 5.92 | 1.987 | K22 |
| 2.9 | 0.09 | 1.025 | 0.183 | 5.58 | 1.994 | K23 |
| 6.0 | 0.16 | 1.028 | 0.186 | 6.36 | 2.038 | 包络 |
该回归预测响应系统的“输出”结果之一如表2所示：
表2各点位等效疲劳载荷预测值对比设计载荷值后的百分比值
该回归预测响应系统的“输出”结果之二如附图2至5所示：各点位关键部位载荷预测值对比设计载荷值的结果，从附图2至5中我们很容易看到K11、K13、K14和K19点位是载荷最为恶劣的几个点位。从而业主或选型人员可以依据这些附图通览各点位载荷的优劣情况，并以此做出对自身有利的选型决策。
此外，该回归预测响应系统还可以给出模型的不确定度判断。如表3和表4所示不同点位的叶根和塔底部位载荷预测值对比载荷计算值(即仿真值)的结果。
表3不同点位的叶根处载荷预测值对比载荷计算值的结果
表4不同点位的塔底处载荷预测值对比载荷计算值的结果
在表3和表4中,用Mx、My和Mz表示各回归点位机组关键部位对应方向力矩的预测值和计算值之比，用Fx、Fy和Fz表示各回归点位机组关键部位对应方向力的预测值和计算值之比。机组强度分析的结果表明，对于叶根，Mx、My和Mz是主要载荷；对于塔底，My是主要载荷；其余则是次要载荷。根据适用性分析的工程实际，若主要载荷回归预测值不超出5％，次要载荷不超出10％，则可判定模型预测精度满足工程需求。此外，若主要载荷的预测精度越高，且次要载荷不超出上述要求，则可认为模型的预测精度越高。从表3和表4结果可见，该回归预测响应系统预测的载荷预测值精度很高。
还需要说明的是：风电机组载荷适应性分析所用载荷计算坐标系如附图6至图9。图6为叶片部位坐标系图，图中XB为叶轮轴向，对于上风向时指向叶轮塔架，ZB为叶片长度方向，指向叶尖，YB为垂直于叶片轴和主轴，符合右手坐标系；图7为固定轮毂部位坐标系图，图中XN为叶轮轴向，对于上风向时指向叶轮塔架，ZN为向上垂直于XN，YN为垂直于XN和ZN，符合右手坐标系；图8为塔底部位坐标系图，图中XF为水平方向，ZF为塔架轴向方向，垂直向上，YF为垂直于XF和ZF，符合右手坐标系；图9为塔顶部位坐标系图，图中XK为机舱轴向方向，ZK为塔架轴向方向，垂直向上，YK为垂直于XK和ZK，符合右手坐标系。
本申请以下表5所示的实际风况作为一具体实施例：
表5风电机组的实际风况示例
疲劳载荷单因子回归分析示例，如附图10所示某风电机组叶根等效疲劳载荷My与风况单因子特征湍流强度I15的回归关系图。
疲劳载荷联合因子回归分析示例，如下表6所示某风电机组叶根部位疲劳载荷My与多种风况因子特征的回归分析结果。
表6某风电机组叶根部位疲劳载荷My与多种风况因子特征的回归分析结果
Coefficientsa
a.DependentVariable：Blades_My
从表6可知，某风电机组叶根部位疲劳载荷My与湍流强度、空气密度和风切变的回归效果较好。
综上，在上述示例中，表5、表6和图10展示了基于风况单因子和联合因子的疲劳载荷回归分析的方法和模型效果，初步判定模型的可靠性；表3和表4是在此基础上开展的模型检验的不确定度分析，进一步确定模型的可靠性；而表1、表2和图2-图5则是在上述基础上建立的预测响应系统的应用成果展示。显然，上述示例的结果成功地展示了本发明实施例所选模型方法可靠、精度较高，而以此建立的疲劳载荷预测响应系统则可用于指导相关工程实践。
本发明应用于风电机组载荷适用性评估和微观选址方面，满足业主要求逐点位分析的需求，稳步推进项目的进度。
本发明构建整体性技术方案和应用方案系统，“精益化”载荷适应性分析方法和相应的报告，既应用了第二种方法的快速响应性和逐点分析的特点，也保留了第一种方案的精度控制，加强对外报告分析的严谨性。同时还结合第三种方法，形成一个完备的方案系统，并丰富了相应的对外载荷报告，加强了服务产品的技术化。
本发明把以往的载荷适应性分析数据形成载荷数据库，利用多种数据处理方法和经典的算法，完成把经验数据化、系统化，实现技术积累的量变和质变，并为未来的业务支持提供强有力的服务(如实现高质的载荷适用性分析报告等)，甚至为未来开发出相关精益化服务产品(如载荷适应性分析精细化产品，或以支持微观选址方式形成整体性的选址精细化分析产品)做出贡献。
本发明建立的预测响应系统具有以下优点：
1.快速响应，通过该预测响应系统实现载荷快速预测(即“输入-输出”模式)，进一步实现点位机组适应性的快速预判，从而快速响应风资源和微观选址的需求，提高整体效率；
2.逐点分析，通过该预测响应系统快速实现逐点位分析，不仅克服了现有方法的不足，还得以满足业主在这方面日益强烈的需求；
3.实现载荷适应性分析的经验数据化、系统化，且具有可持续性优化的可能，增强风电机组前期服务支持的技术竞争力。
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，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (5)
1.一种建立基于风电机组载荷数据库的预测响应系统的方法，其特征在于，所述方法包括：
(1)建立载荷数据库；
(2)探索载荷数据库的处理方案，包括首选方案和次选方案，所述首选方案为回归分析法；
(3)通过对首选方案和次选方案的处理结果分析比较，建立合适的载荷预测响应系统。
2.根据权利要求1所述的方法，其特征在于，所述首选方案包括疲劳载荷预测和极限载荷预测。
3.根据权利要求2所述的方法，其特征在于，所述疲劳载荷预测处理方法可直接分析等效疲劳载荷，具体步骤包括：
(a)首先进行风况单因子疲劳分析，得到风电机组各关键部位疲劳载荷随风况单因子影响的变化趋势，判断该风况单因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行所述次选方案，若该回归模型可靠则进入步骤(b)；
(b)进行风况联合因子疲劳分析，得到风电机组各关键部位疲劳载荷分别随风况多种因子影响的变化趋势，判断该联合因子回归模型的可靠性，若该回归模型不可靠则终结该类分析，开始执行所述次选方案，若该回归模型可靠，则以该联合因子回归模型建立风电机组各关键部位疲劳载荷的预测响应系统。
4.根据权利要求2所述的方法，其特征在于，所述极限载荷预测处理方法可直接分析极限载荷，或按实际工况分析极限载荷后再整合分析极限载荷。
5.根据权利要求1所述的方法，其特征在于，所述次选方案为插值法、神经网络算法和PSO算法中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410589784.6A CN104537424B (zh) | 2014-10-28 | 2014-10-28 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410589784.6A CN104537424B (zh) | 2014-10-28 | 2014-10-28 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104537424A true CN104537424A (zh) | 2015-04-22 |
| CN104537424B CN104537424B (zh) | 2017-07-28 |
Family
ID=52852943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410589784.6A Active CN104537424B (zh) | 2014-10-28 | 2014-10-28 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104537424B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105422391A (zh) * | 2015-12-22 | 2016-03-23 | 南车株洲电力机车研究所有限公司 | 一种风力发电机组极限载荷辨识方法 |
| CN105701337A (zh) * | 2015-12-31 | 2016-06-22 | 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 |
| CN106503316A (zh) * | 2016-10-12 | 2017-03-15 | 广东明阳风电产业集团有限公司 | 一种风机载荷高效评估系统 |
| CN106644372A (zh) * | 2016-12-28 | 2017-05-10 | 北京金风科创风电设备有限公司 | 检测风电机组的流体气动数据的方法和设备 |
| CN107230161A (zh) * | 2017-05-17 | 2017-10-03 | 国网北京市电力公司 | 电力系统仿真算法的评价方法和装置 |
| CN107563041A (zh) * | 2017-08-29 | 2018-01-09 | 山东中车风电有限公司 | 一种风电机组大部件静强度快速评估方法 |
| CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
| CN110207871A (zh) * | 2018-02-28 | 2019-09-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
| CN111027217A (zh) * | 2019-12-11 | 2020-04-17 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组载荷计算方法、装置、设备及存储介质 |
| CN111291514A (zh) * | 2020-02-03 | 2020-06-16 | 华北电力大学 | 一种风电机组疲劳寿命的快速预测的方法 |
| CN111310292A (zh) * | 2018-11-27 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种风电机组载荷适应性快速评估方法和系统 |
| CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 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 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607831A (zh) * | 2012-02-25 | 2012-07-25 | 中国科学院工程热物理研究所 | 一种水平轴风力机叶片疲劳损伤与寿命评估方法 |
| CN102622458A (zh) * | 2011-01-30 | 2012-08-01 | 华锐风电科技(集团)股份有限公司 | 一种风力发电机组振动与载荷综合评估系统及评估方法 |
| CN102831317A (zh) * | 2012-08-24 | 2012-12-19 | 国电联合动力技术有限公司 | 一种风力发电机组载荷计算的方法和装置 |
| US20140148963A1 (en) * | 2009-01-14 | 2014-05-29 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
| CN104019000A (zh) * | 2014-06-23 | 2014-09-03 | 宁夏银星能源股份有限公司 | 风力发电机组的载荷谱测定与前瞻性维护系统 |
-
2014
- 2014-10-28 CN CN201410589784.6A patent/CN104537424B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140148963A1 (en) * | 2009-01-14 | 2014-05-29 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
| CN102622458A (zh) * | 2011-01-30 | 2012-08-01 | 华锐风电科技(集团)股份有限公司 | 一种风力发电机组振动与载荷综合评估系统及评估方法 |
| CN102607831A (zh) * | 2012-02-25 | 2012-07-25 | 中国科学院工程热物理研究所 | 一种水平轴风力机叶片疲劳损伤与寿命评估方法 |
| CN102831317A (zh) * | 2012-08-24 | 2012-12-19 | 国电联合动力技术有限公司 | 一种风力发电机组载荷计算的方法和装置 |
| CN104019000A (zh) * | 2014-06-23 | 2014-09-03 | 宁夏银星能源股份有限公司 | 风力发电机组的载荷谱测定与前瞻性维护系统 |
Non-Patent Citations (1)
| Title |
|---|
| 何伟: "湍流风场模拟与风力发电机组载荷特性研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105422391A (zh) * | 2015-12-22 | 2016-03-23 | 南车株洲电力机车研究所有限公司 | 一种风力发电机组极限载荷辨识方法 |
| CN105422391B (zh) * | 2015-12-22 | 2018-02-02 | 南车株洲电力机车研究所有限公司 | 一种风力发电机组极限载荷辨识方法 |
| CN105701337A (zh) * | 2015-12-31 | 2016-06-22 | 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 |
| 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 |
| CN106503316B (zh) * | 2016-10-12 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风机载荷高效评估系统 |
| CN106503316A (zh) * | 2016-10-12 | 2017-03-15 | 广东明阳风电产业集团有限公司 | 一种风机载荷高效评估系统 |
| CN106644372A (zh) * | 2016-12-28 | 2017-05-10 | 北京金风科创风电设备有限公司 | 检测风电机组的流体气动数据的方法和设备 |
| CN107230161A (zh) * | 2017-05-17 | 2017-10-03 | 国网北京市电力公司 | 电力系统仿真算法的评价方法和装置 |
| CN107563041A (zh) * | 2017-08-29 | 2018-01-09 | 山东中车风电有限公司 | 一种风电机组大部件静强度快速评估方法 |
| CN107563041B (zh) * | 2017-08-29 | 2020-12-04 | 山东中车风电有限公司 | 一种风电机组大部件静强度快速评估方法 |
| CN110207871A (zh) * | 2018-02-28 | 2019-09-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
| CN110207871B (zh) * | 2018-02-28 | 2021-04-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
| CN111310292A (zh) * | 2018-11-27 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种风电机组载荷适应性快速评估方法和系统 |
| CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 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 |
| 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 |
| CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
| CN111027217A (zh) * | 2019-12-11 | 2020-04-17 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组载荷计算方法、装置、设备及存储介质 |
| CN111027217B (zh) * | 2019-12-11 | 2023-03-24 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组载荷计算方法、装置、设备及存储介质 |
| CN111291514A (zh) * | 2020-02-03 | 2020-06-16 | 华北电力大学 | 一种风电机组疲劳寿命的快速预测的方法 |
| CN111291514B (zh) * | 2020-02-03 | 2024-04-05 | 华北电力大学 | 一种风电机组疲劳寿命的快速预测的方法 |
| 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 |
|---|---|
| CN104537424B (zh) | 2017-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104537424A (zh) | 一种建立基于风电机组载荷数据库的预测响应系统的方法 | |
| US10364796B2 (en) | Control method for a wind turbine | |
| US10352973B2 (en) | Method of computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant | |
| Dubarić et al. | Patent data as indicators of wind power technology development | |
| Shabbir et al. | Forecasting short term wind energy generation using machine learning | |
| CN112347611B (zh) | 一种风力机远场尾流流向湍流度计算方法 | |
| CN104632521A (zh) | 一种基于偏航校正的风电功率优化系统及其方法 | |
| EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
| Garcia‐Sanz | A Metric Space with LCOE Isolines for Research Guidance in wind and hydrokinetic energy systems | |
| Ouammi et al. | Optimal planning with technology selection for wind power plants in power distribution networks | |
| CN114021382A (zh) | 一种基于数学规划的风电场布局优化方法 | |
| Sakib et al. | Parked and operating loads analysis in the aerodynamic design of multi-megawatt-scale floating vertical axis wind turbines | |
| Krishan | Frequency regulation in a standalone wind-diesel hybrid power system using pitch-angle controller | |
| Ma et al. | Bi-objective layout optimization for multiple wind farms considering sequential fluctuation of wind power using uniform design | |
| CN113536694A (zh) | 综合能源系统鲁棒优化运行方法、系统、装置及存储介质 | |
| Yao et al. | New design of a wind farm frequency control considering output uncertainty and fatigue suppression | |
| Kong et al. | Blowing hard is not all we want: Quantity vs quality of wind power in the smart grid | |
| JP2018133035A (ja) | 設備設計支援方法、設備設計支援装置、およびプログラム | |
| Kazemi et al. | A novel method for estimating wind turbines power output based on least square approximation | |
| CN115455731A (zh) | 一种海上风电场风电机组微观选址与电缆布局联合优化设计方法 | |
| Liang et al. | A wind turbine control method based on Jensen model | |
| Tong et al. | Multi-objective wind farm design: Exploring the trade-off between capacity factor and land use | |
| Akhtulov et al. | The technique of optimal choice of energy sources in the electrical systems with distributed generation | |
| Liu et al. | Active power dynamic interval control based on operation data mining for wind farms to improve regulation performance in AGC | |
| Rivera-Arreba et al. | Effect of the vertical wake deflection on the response of a 12MW semisubmersible FWT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |