CN109340062A - 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 - Google Patents
一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 Download PDFInfo
- Publication number
- CN109340062A CN109340062A CN201811549637.0A CN201811549637A CN109340062A CN 109340062 A CN109340062 A CN 109340062A CN 201811549637 A CN201811549637 A CN 201811549637A CN 109340062 A CN109340062 A CN 109340062A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind turbines
- model
- twins
- fatigue damage
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种低风速风电机组数字双胞胎式的疲劳损伤预测方法，采用数字化双胞胎模型实现机组疲劳损伤预测。方法包括：建立虚拟风电机组的风轮仿真模型，通过关键部件频率、振型、质量、刚度、几何尺寸等修正，使风轮仿真模型和实际运行机组在模型参数和运行特征上一致；建立载荷数据库，计算风场疲劳模型；再结合实际运行数据、实际建设环境条件、机位分布信息，建立数字化双胞胎模型，估计出实际运行机组载荷数据；最后预测出风电机组疲劳寿命和疲劳损伤情况，并且对风电机组关键部件监测。本发明通过数字化双胞胎模型技术，实现真实模拟机组现实环境中的运行行为，预测机组疲劳损伤，为检修和风场优化提供依据，保证机组最优的发电性能。
Description
技术领域
本发明涉及风电机组领域，特别是涉及一种低风速风电机组数字双胞胎式的疲劳损伤预测方法。
背景技术
随着风力发电机组装机数量不断扩大，单机容量和风轮直径不断增大，对风力发电机组的适应性和可靠性提出了更高的要求。风电行业现主要存在的问题是无法用数字化的方式了解当前机组运行状态和精准预测和评估风电机组的运行状态。
本申请就是要创设一种低风速风电机组数字双胞胎式的疲劳损伤预测方法，使其将数字化双胞胎(Digital twin)技术应用于风电机组中，以数字化方式模拟仿真风电机组在现实环境中的运行行为，实现整个过程的虚拟化和数字化，以实现对低风速风电机组的疲劳损伤预测。
发明内容
本发明要解决的技术问题是提供一种低风速风电机组数字双胞胎式的疲劳损伤预测方法，使其通过数字化双胞胎模型达到对风电机组疲劳寿命和疲劳损伤的准确预测，从而克服现有的风电机组寿命评估的不足。
为解决上述技术问题，本发明提供了一种低风速风电机组数字双胞胎式的疲劳损伤预测方法，所述方法采用数字化双胞胎模型实现所述风电机组的疲劳损伤预测。
作为本发明的一种改进，所述方法包括如下步骤：
(1)建立风电机组的风轮仿真模型，并根据所述风电机组的实际运行特征、各部件的特征频率以及风电机组运行的环境条件对所述风电机组的风轮仿真模型进行修正，使所述风轮仿真模型和实际运行风电机组的模型参数和运行特征一致；
(2)所述修正后的风轮仿真模型结合风场环境条件，建立载荷数据库，并计算风场疲劳模型；
(3)所述风场疲劳模型结合所述风电机组的实际运行低频、高频数据，以及所述风电机组的实际建设环境条件、机位分布信息，建立所述风电机组的数字化双胞胎模型，所述数字化双胞胎模型从标准控制信号实时估计机组结构载荷数据，所述估计的载荷数据包括所述风电机组的塔筒底部前后弯矩、左右弯矩、叶根面内弯矩、叶根面外弯矩，以及轮毂中心推力Fx、扭矩Mx、弯矩My、弯矩Mz，再推断出所述风电机组的湍流条件和尾流效应；
(4)所述数字化双胞胎模型根据其所估计出的载荷数据，结合所述风场疲劳模型以及所述风电机组的实际风况条件、实际运行工况和SCADA系统跟踪数据，预测所述风电机组的疲劳寿命和疲劳损伤情况。
进一步改进，所述步骤(1)中对所述风轮仿真模型的修正包括所述风电机组的运行环境条件，叶片的模态信息、阻尼信息，传动链的模态信息、刚度、阻尼信息，塔筒的模态信息、阻尼信息。
进一步改进，所述步骤(2)中风场疲劳模型考虑的风场环境条件包括不同的湍流、空气密度、风速和风剪切特性。
进一步改进，所述步骤(3)中风电机组的实际运行低频数据为所述风电机组的SCADA系统数据，所述实际运行高频数据为所述风电机组的风机控制数据，所述数字化双胞胎模型的标准控制信号包括风轮转速、发电机转速、桨距角、发电机设定转矩、机舱前后加速度和机舱左右加速度信号。
进一步改进，所述步骤(4)中风电机组的实际风况条件包括紊流、风切变、入流角度、空气密度和威布尔分布条件，实际运行工况包括瞬变次数、偏航不对中、长期停机工况、覆冰载荷和表面清洁度条件。
进一步改进，所述风电机组的疲劳寿命预测方法为：
采用以下公式，
剩余寿命＝20-x
其中，L20：运行时间段的等效载荷；LD：标准设计载荷；m：为S-N曲线的斜率，x:已运行的等效时间；L20载荷在LD载荷水平下的等效运行时间；计算所述风电机组的剩余寿命。
进一步改进，所述风电机组的疲劳损伤预测包括对风电机组的风场控制预测、成本预测和延寿分析预测。
进一步改进，所述疲劳损伤预测方法还包括将预测出的所述风电机组的疲劳寿命和疲劳损伤情况加入所述风场疲劳模型中的迭代分析步骤。
进一步改进，所述数字化双胞胎模型还包括验证系统，所述验证系统为增设在所述风电机组各部件中的若干个传感器。
采用这样的设计后，本发明至少具有以下优点：
1、本发明低风速风电机组数字双胞胎式的疲劳损伤预测方法通过数字化双胞胎模型技术，实现真实模拟风电机组在现实环境中的运行行为，并预测风电机组的运行状态，预防风电机组各部件的故障发生，为检修和风场优化提供依据，还预测风电机组的疲劳损伤，为风电机组延长寿命提供依据，进一步保证风电机组最优的发电性能。
2、本发明还通过对风电机组疲劳损伤情况的预测，实现对风电机组的风场控制预测、成本预测以及新机型设计和制造的指导。
3、本发明还通过不断地迭代分析步骤，进一步的利于风场疲劳模型和数字化双胞胎模型的精准性。
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是本发明低风速风电机组数字双胞胎式的疲劳损伤预测方法流程图。
具体实施方式
本实施例就是将数字化双胞胎技术应用在风电机组控制系统中，以数字化方式模拟仿真风电机组在现实环境中的运行行为，实现整个过程的虚拟化和数字化，用以对风电机组寿命评估、性能优化、风机故障预测等工作。具体方法详细介绍如下。
参照附图1所示，本实施例低风速风电机组数字双胞胎式的疲劳损伤预测方法，包括如下步骤：
(1)建立风电机组的风轮仿真模型，并根据所述风电机组的实际运行特征、各部件的特征频率以及风电机组运行的环境条件对所述风电机组的风轮仿真模型进行修正，修正内容包括风电机组的运行环境条件，叶片的模态信息、阻尼信息，传动链的模态信息、刚度、阻尼信息，塔筒的模态信息、阻尼信息。使风轮仿真模型和实际运行风电机组的模型参数和运行特征一致。
(2)所述修正后的风轮仿真模型结合风场环境条件，如不同的湍流、空气密度、风速和风剪切等特性，建立载荷数据库，并计算风场疲劳模型。
(3)所述风场疲劳模型结合所述风电机组的实际运行低频、高频数据，以及所述风电机组的实际建设环境条件、机位分布信息，建立所述风电机组的数字化双胞胎模型，其中，实际运行低频数据为风电机组的SCADA系统数据，实际运行高频数据为风电机组的风机控制数据。
所述数字化双胞胎模型从标准控制信号，如风轮转速、发电机转速、桨距角、发电机设定转矩、机舱前后加速度和机舱左右加速度信号，实时估计机组结构载荷数据，估计的载荷数据包括风电机组的塔筒底部前后弯矩、左右弯矩、叶根面内弯矩、叶根面外弯矩，以及轮毂中心推力Fx、扭矩Mx、弯矩My、弯矩Mz，再推断出所述风电机组的湍流条件和尾流效应。
(4)所述数字化双胞胎模型根据其所估计出的载荷数据，结合所述风场疲劳模型，所述风电机组的实际风况条件，如紊流、风切变、入流角度、空气密度和威布尔分布等，实际运行工况，如瞬变次数、偏航不对中、长期停机工况、覆冰载荷和表面清洁度等条件，以及SCADA系统跟踪数据，预测出所述风电机组的疲劳寿命和疲劳损伤情况。
其中，风电机组的疲劳寿命预测方法为：
采用以下公式，
剩余寿命＝20-x
其中，L20：运行时间段的等效载荷；LD：标准设计载荷；m：为S-N曲线的斜率，x:已运行的等效时间；L20载荷在LD载荷水平下的等效运行时间；计算所述风电机组的剩余寿命。
风电机组的疲劳损伤预测包括对风电机组的风场控制预测、成本预测和延寿分析预测。如预测到某个机组的某部件在一段时间内损伤较大，可选择此风电机组处于停机状态。
并且，该疲劳损伤预测方法还包括将预测出的所述风电机组的疲劳寿命和疲劳损伤情况加入所述风场疲劳模型中的迭代分析步骤，利于所述风场疲劳模型和数字化双胞胎模型的精确性。
本发明低风速风电机组的疲劳损伤预测方法预测出的所述风电机组的疲劳寿命和疲劳损伤情况还可以结合风电机组的实际检测数据，对风电机组进行整体结构的检修和维修优化，以及对新机型设计和制造的指导。
另外，该数字化双胞胎模型还包括验证系统，所述验证系统为增设在风电机组各部件中的若干个传感器，用以验证模型的仿真性。
本发明基于对风电机组数字化双胞胎模型实现机组塔架振动加速度与采集的机组振动加速度的输出值比较，发现该数字化双胞胎模型具有较高的预测精度，能准确的提前发现故障征兆，从而使得工作人员能够提前确定维护方案和维护时间，避免和减轻严重的设备损坏，缩短维护时间，降低维护成本，提高风电机组运行的经济性。
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 (10)
1.一种低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述方法采用数字化双胞胎模型实现所述风电机组的疲劳损伤预测。
2.根据权利要求1所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述方法包括如下步骤：
(1)建立风电机组的风轮仿真模型，并根据所述风电机组的实际运行特征、各部件的特征频率以及风电机组运行的环境条件对所述风电机组的风轮仿真模型进行修正，使所述风轮仿真模型和实际运行风电机组的模型参数和运行特征一致；
(2)所述修正后的风轮仿真模型结合风场环境条件，建立载荷数据库，并计算风场疲劳模型；
(3)所述风场疲劳模型结合所述风电机组的实际运行低频、高频数据，以及所述风电机组的实际建设环境条件、机位分布信息，建立所述风电机组的数字化双胞胎模型，所述数字化双胞胎模型从标准控制信号实时估计机组结构载荷数据，所述估计的载荷数据包括所述风电机组的塔筒底部前后弯矩、左右弯矩、叶根面内弯矩、叶根面外弯矩，以及轮毂中心推力Fx、扭矩Mx、弯矩My、弯矩Mz，再推断出所述风电机组的湍流条件和尾流效应；
(4)所述数字化双胞胎模型根据其所估计出的载荷数据，结合所述风场疲劳模型以及所述风电机组的实际风况条件、实际运行工况和SCADA系统跟踪数据，预测所述风电机组的疲劳寿命和疲劳损伤情况。
3.根据权利要求2所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述步骤(1)中对所述风轮仿真模型的修正包括所述风电机组的运行环境条件，叶片的模态信息、阻尼信息，传动链的模态信息、刚度、阻尼信息，塔筒的模态信息、阻尼信息。
4.根据权利要求2所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述步骤(2)中风场疲劳模型考虑的风场环境条件包括不同的湍流、空气密度、风速和风剪切特性。
5.根据权利要求2所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述步骤(3)中风电机组的实际运行低频数据为所述风电机组的SCADA系统数据，所述实际运行高频数据为所述风电机组的风机控制数据，所述数字化双胞胎模型的标准控制信号包括风轮转速、发电机转速、桨距角、发电机设定转矩、机舱前后加速度和机舱左右加速度信号。
6.根据权利要求2所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述步骤(4)中风电机组的实际风况条件包括紊流、风切变、入流角度、空气密度和威布尔分布条件，实际运行工况包括瞬变次数、偏航不对中、长期停机工况、覆冰载荷和表面清洁度条件。
7.根据权利要求2至6任一项所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述风电机组的疲劳寿命预测方法为：
采用以下公式，
剩余寿命＝20-x
其中，L20：运行时间段的等效载荷；LD：标准设计载荷；m：为S-N曲线的斜率，x:已运行的等效时间；L20载荷在LD载荷水平下的等效运行时间；计算所述风电机组的剩余寿命。
8.根据权利要求7所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述风电机组的疲劳损伤预测包括对风电机组的风场控制预测、成本预测和延寿分析预测。
9.根据权利要求8所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述疲劳损伤预测方法还包括将预测出的所述风电机组的疲劳寿命和疲劳损伤情况加入所述风场疲劳模型中的迭代分析步骤。
10.根据权利要求2所述的低风速风电机组数字双胞胎式的疲劳损伤预测方法，其特征在于，所述数字化双胞胎模型还包括验证系统，所述验证系统为增设在所述风电机组各部件中的若干个传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811549637.0A CN109340062B (zh) | 2018-12-18 | 2018-12-18 | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811549637.0A CN109340062B (zh) | 2018-12-18 | 2018-12-18 | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109340062A true CN109340062A (zh) | 2019-02-15 |
| CN109340062B CN109340062B (zh) | 2020-01-31 |
Family
ID=65304717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811549637.0A Active CN109340062B (zh) | 2018-12-18 | 2018-12-18 | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109340062B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109870119A (zh) * | 2019-03-14 | 2019-06-11 | 中国科学院国家天文台 | 一种基于数字双胞胎技术的fast主动反射面面型精度实时监测方法 |
| CN110070603A (zh) * | 2019-03-21 | 2019-07-30 | 江苏东方国信工业互联网有限公司 | 一种基于数字双胞胎的炉体仿真系统及其方法 |
| CN110397553A (zh) * | 2019-07-26 | 2019-11-01 | 山东中车风电有限公司 | 一种不基于模型的风电场尾流管理方法及系统 |
| CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
| 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 |
| 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 |
| CN111855383A (zh) * | 2020-07-29 | 2020-10-30 | 石河子大学 | 一种风力机叶片覆冰载荷下疲劳寿命预测方法 |
| CN111985104A (zh) * | 2020-08-20 | 2020-11-24 | 上海电气风电集团股份有限公司 | 风力发电机等效疲劳载荷的估算方法及装置及计算机可读存储介质 |
| CN112084569A (zh) * | 2019-06-14 | 2020-12-15 | 通用电气公司 | 基于性能的多变量分布模型的增材制造耦接数字孪生生态系统 |
| CN112906236A (zh) * | 2021-03-09 | 2021-06-04 | 龙源（北京）风电工程技术有限公司 | 风电机组关键结构位置剩余寿命预测方法及装置 |
| CN112943557A (zh) * | 2019-12-10 | 2021-06-11 | 北京金风科创风电设备有限公司 | 风电场、风力发电机组及其运行状态的预测方法和设备 |
| WO2021122865A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zum bestimmen von betriebsdaten einer windenergieanlage |
| CN113374652A (zh) * | 2021-06-10 | 2021-09-10 | 中国三峡建工(集团)有限公司 | 一种风力发电机组寿命评估方法 |
| CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
| CN113868880A (zh) * | 2021-09-30 | 2021-12-31 | 西安热工研究院有限公司 | 一种基于风电机组的疲劳寿命评估预测装置和方法 |
| CN114033630A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种基于边缘计算的风电机寿命组智能检测系统 |
| CN114692369A (zh) * | 2020-12-30 | 2022-07-01 | 新疆金风科技股份有限公司 | 风电机组运行控制方法、装置、控制器及存储介质 |
| CN114934880A (zh) * | 2022-06-29 | 2022-08-23 | 华能集团技术创新中心有限公司 | 一种海上风电机组的寿命预测方法及装置 |
| WO2022270025A1 (ja) * | 2021-06-22 | 2022-12-29 | 株式会社日立製作所 | 風力発電装置の余寿命診断方法および余寿命診断装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010007214A1 (de) * | 2010-02-09 | 2011-08-11 | Weh, Herbert, Prof. Dr.-Ing. Dr. h.c., 87534 | Ringgenerator bei Windkraftanlagen mit Doppelpropeller |
| CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 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 |
| CN106815771A (zh) * | 2015-12-02 | 2017-06-09 | 中国电力科学研究院 | 一种风电场载荷的长期评估方法 |
| CN108150360A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
| CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
-
2018
- 2018-12-18 CN CN201811549637.0A patent/CN109340062B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010007214A1 (de) * | 2010-02-09 | 2011-08-11 | Weh, Herbert, Prof. Dr.-Ing. Dr. h.c., 87534 | Ringgenerator bei Windkraftanlagen mit Doppelpropeller |
| CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 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 |
| CN106815771A (zh) * | 2015-12-02 | 2017-06-09 | 中国电力科学研究院 | 一种风电场载荷的长期评估方法 |
| CN108150360A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
| CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
Non-Patent Citations (1)
| Title |
|---|
| 荆世博: "基于PLC直驱风力发电机有效值建模与仿真研究", 《新疆大学》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109870119A (zh) * | 2019-03-14 | 2019-06-11 | 中国科学院国家天文台 | 一种基于数字双胞胎技术的fast主动反射面面型精度实时监测方法 |
| CN109870119B (zh) * | 2019-03-14 | 2020-10-02 | 中国科学院国家天文台 | 一种基于数字双胞胎技术的fast主动反射面面型精度实时监测方法 |
| CN110070603A (zh) * | 2019-03-21 | 2019-07-30 | 江苏东方国信工业互联网有限公司 | 一种基于数字双胞胎的炉体仿真系统及其方法 |
| CN112084569B (zh) * | 2019-06-14 | 2024-05-10 | 通用电气公司 | 基于性能的多变量分布模型的增材制造耦接数字孪生生态系统 |
| CN112084569A (zh) * | 2019-06-14 | 2020-12-15 | 通用电气公司 | 基于性能的多变量分布模型的增材制造耦接数字孪生生态系统 |
| CN110397553A (zh) * | 2019-07-26 | 2019-11-01 | 山东中车风电有限公司 | 一种不基于模型的风电场尾流管理方法及系统 |
| CN110397553B (zh) * | 2019-07-26 | 2020-09-25 | 山东中车风电有限公司 | 一种不基于模型的风电场尾流管理方法及系统 |
| CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
| CN112943557A (zh) * | 2019-12-10 | 2021-06-11 | 北京金风科创风电设备有限公司 | 风电场、风力发电机组及其运行状态的预测方法和设备 |
| WO2021122865A1 (de) * | 2019-12-20 | 2021-06-24 | fos4X GmbH | Verfahren zum bestimmen von betriebsdaten einer windenergieanlage |
| 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 |
| 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 |
| CN111855383B (zh) * | 2020-07-29 | 2023-09-05 | 石河子大学 | 一种风力机叶片覆冰载荷下疲劳寿命预测方法 |
| CN111855383A (zh) * | 2020-07-29 | 2020-10-30 | 石河子大学 | 一种风力机叶片覆冰载荷下疲劳寿命预测方法 |
| CN111985104A (zh) * | 2020-08-20 | 2020-11-24 | 上海电气风电集团股份有限公司 | 风力发电机等效疲劳载荷的估算方法及装置及计算机可读存储介质 |
| CN114692369A (zh) * | 2020-12-30 | 2022-07-01 | 新疆金风科技股份有限公司 | 风电机组运行控制方法、装置、控制器及存储介质 |
| CN112906236A (zh) * | 2021-03-09 | 2021-06-04 | 龙源（北京）风电工程技术有限公司 | 风电机组关键结构位置剩余寿命预测方法及装置 |
| CN113374652A (zh) * | 2021-06-10 | 2021-09-10 | 中国三峡建工(集团)有限公司 | 一种风力发电机组寿命评估方法 |
| WO2022270025A1 (ja) * | 2021-06-22 | 2022-12-29 | 株式会社日立製作所 | 風力発電装置の余寿命診断方法および余寿命診断装置 |
| CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
| CN113868880A (zh) * | 2021-09-30 | 2021-12-31 | 西安热工研究院有限公司 | 一种基于风电机组的疲劳寿命评估预测装置和方法 |
| CN113868880B (zh) * | 2021-09-30 | 2024-02-23 | 西安热工研究院有限公司 | 一种基于风电机组的疲劳寿命评估预测装置和方法 |
| CN114033630A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种基于边缘计算的风电机寿命组智能检测系统 |
| CN114033630B (zh) * | 2021-11-04 | 2024-06-04 | 西安热工研究院有限公司 | 一种基于边缘计算的风电机寿命组智能检测系统 |
| CN114934880B (zh) * | 2022-06-29 | 2023-05-02 | 华能集团技术创新中心有限公司 | 一种海上风电机组的寿命预测方法及装置 |
| CN114934880A (zh) * | 2022-06-29 | 2022-08-23 | 华能集团技术创新中心有限公司 | 一种海上风电机组的寿命预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109340062B (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109340062A (zh) | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 | |
| JP5448822B2 (ja) | 風力タービンの制御システム | |
| CN105041572B (zh) | 用于优化风电场操作的系统和方法 | |
| CN110088463B (zh) | 风力涡轮电场级载荷管理控制 | |
| EP3791060B1 (en) | Wind turbine control method | |
| CN102454544B (zh) | 调整风力涡轮机功率参数的系统和方法 | |
| EP3121442B1 (en) | Operating wind turbines | |
| EP3575985B1 (en) | Method for determining the life of components of a wind turbine or similar according to its location | |
| US20180100488A1 (en) | Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives | |
| CN105673322B (zh) | 实现风力机mppt控制的变参数非线性反馈控制方法 | |
| Hafidi et al. | Wind speed estimation for wind turbine control | |
| Frost et al. | Integrating structural health management with contingency control for wind turbines | |
| CN117108445B (zh) | 一种串列式双风轮风电机组数字孪生仿真方法 | |
| Golnary et al. | Novel sensorless fault-tolerant pitch control of a horizontal axis wind turbine with a new hybrid approach for effective wind velocity estimation | |
| Boulamatsis et al. | Active control of wind turbines through varying blade tip sweep | |
| Poushpas | Wind farm simulation modelling and control | |
| Knudsen et al. | Multi-rotor wind turbine control challenge-a benchmark for advanced control development | |
| Vijayakumar et al. | Enhancement of unsteady and 3D aerodynamics models using machine learning | |
| Felix et al. | Degradation analysis in a controlled flexible drive train subject to torsional phenomena under different wind speed conditions | |
| Choi et al. | Active yaw control of MW class wind turbine | |
| Suryanarayanan et al. | On the dynamics of the pitch control loop in horizontal-axis large wind turbines | |
| Liu et al. | Adaptive fault accommodation of pitch actuator stuck type of fault in floating offshore wind turbines: a subspace predictive repetitive control approach | |
| Soleimanzadeh et al. | A wind farm controller for load and power optimization in a farm | |
| Abdelouahad et al. | wind farms power estimation based on the different wake models and their optimization | |
| Chauvin et al. | Nonlinear two stage control strategy of a wind turbine for mechanical load and extreme moment reduction |
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 |