CN110094298A - 切出策略自适应调整的方法及装置 - Google Patents

切出策略自适应调整的方法及装置 Download PDF

Info

Publication number
CN110094298A
CN110094298A CN201810098056.3A CN201810098056A CN110094298A CN 110094298 A CN110094298 A CN 110094298A CN 201810098056 A CN201810098056 A CN 201810098056A CN 110094298 A CN110094298 A CN 110094298A
Authority
CN
China
Prior art keywords
cut
output power
wind speed
load
wind
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
CN201810098056.3A
Other languages
English (en)
Other versions
CN110094298B (zh
Inventor
方程
张鹏飞
王明辉
周桂林
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.)
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment 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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=67437129&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN110094298(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Beijing Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN201810098056.3A priority Critical patent/CN110094298B/zh
Priority to ES18852761T priority patent/ES2852826T5/es
Priority to US16/333,125 priority patent/US11486357B2/en
Priority to AU2018327223A priority patent/AU2018327223B2/en
Priority to EP18852761.8A priority patent/EP3540213B2/en
Priority to PCT/CN2018/095161 priority patent/WO2019148770A1/zh
Publication of CN110094298A publication Critical patent/CN110094298A/zh
Publication of CN110094298B publication Critical patent/CN110094298B/zh
Application granted granted Critical
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F05B2270/3201—"cut-off" or "shut-down" wind speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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)
  • 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)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本公开提供了一种切出策略自适应调整的方法，所述方法包括：使用风速预测模型来预测每个机位点的风电机组的风资源参数；根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；将预测的所述疲劳载荷和极限载荷与基准载荷进行比较；基于比较的结果来确定切出策略，其中，确定切出策略的步骤包括：确定切出风速和输出功率。本发明可以预测针对不同机位点的风电机组的风资源参数，并根据预测的风资源参数来动态地优化风电机组的切出策略以最大化利用风资源，进一步提升风电机组的使用效率。

Description

切出策略自适应调整的方法及装置
技术领域
本发明涉及风力发电技术领域，更具体地讲，涉及一种用于自适应调整切出策略的方法及其装置。
背景技术
由于风电场大多处于山野中，风电机组的运行环境恶劣，从而对风电机组的检修维护费用高昂。为了保护风电机组，避免在强风条件下承受超设计值的风载荷，风电机组在检测到当前风速大于切出风速时，会顺桨刹车停机。其中，切出风速一般由风电机组厂家设计给定的固定数值，只要当前风速达到设定的切出风速，风电机组即执行停机处理。然而，风电机组的极限载荷并非只受切出风速的约束，还受空气密度、湍流强度等因素的约束。因此，在风电机组实际工作的环境中，当风速超过切出风速时，机组承受的极限载荷并不一定会超过设计阈值，如果此时对风电机组进行停机处理，则会损失一定的发电量。
在设计风电机组的切出风速的过程中，通常要综合考虑经济性和安全性，但由于现场风资源的不确定性和传统控制方法的限制，切出风速往往只能选择某个固定且相对保守的阈值，这样虽然能够保证风电机组的安全性，却没有考虑每台风电机组的机位点的风资源差异，无法将风电机组的经济性发挥到最优。
因此，需要一种动态优化风电机组的切出策略以最大化利用风资源，进一步提升风电机组的经济性。
发明内容
为了解决上述问题和/或缺点，并至少提供下面描述的优点，本公开提供了一种切出策略自适应调整的方法及装置。
本发明的一方面在于提供一种切出策略自适应调整的方法，所述方法包括使用风速预测模型来预测每个机位点的风电机组的风资源参数；根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；将预测的所述疲劳载荷和极限载荷与基准载荷进行比较；基于比较的结果来确定切出策略，其中，确定切出策略的步骤包括：调整切出风速和输出功率。
使用风速预测模型来预测每个机位点的风电机组的风资源参数的步骤可以包括：通过应用神经网络算法根据测风塔测量的历史风资源参数来训练风速预测模型；使用由激光雷达测风设备实时测量的风速对训练出的风速预测模型进行实时校正。
使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷载荷的步骤可以包括：对测风塔测量的历史风资源参数进行抽样；通过风电机组仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真；通过使用仿真的结果根据非线性回归方法来建立载荷预测模型。
基于比较的结果来确定切出策略的步骤可以包括：如果预测的疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则将针对原始切出风速和额定功率的切出策略确定为最终切出策略，否则调整切出风速和输出功率。
调整切出风速和输出功率的步骤可以包括：根据风速的概率密度分布来确定切出风速；执行将输出功率设置为额定功率的第一设置操作；将表示在当前切出风速下可能存在最终切出策略的标志设置为0；针对当前设置的切出风速和输出功率使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；如果针对当前设置的切出风速和输出功率预测出的疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将针对当前的切出风速和输出功率的切出策略确定为最终切出策略，否则重新调整切出策略。
重新调整切出策略的步骤可以包括：调整输出功率；针对当前设置的切出风速和输出功率使用载荷预测模型来对风电机组的疲劳载荷和极限载荷进行重新预测；如果针对当前设置的切出风速和输出功率重新预测出的疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则确定是否降低切出风速并执行所述第一设置操作；如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将所述标志设置为1，并根据当前设置的输出功率是否满足收敛条件来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略。
确定是否降低切出风速并执行所述第一设置操作的步骤可以包括：如果所述标志等于0，则当当前设置的输出功率大于预定下限值时，调整输出功率并执行所述重新预测，当当前设置的输出功率小于或等于所述预定下限值时，降低切出风速并执行所述第一设置操作；如果所述标志等于1，则当当前设置的输出功率满足收敛条件时，通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略，当当前设置的输出功率未满足收敛条件时，调整输出功率并执行所述重新预测。
确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略的步骤可以包括：如果当前设置的输出功率满足收敛条件，则通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略；如果当前设置的输出功率未满足收敛条件，则调整输出功率并执行所述重新预测。
通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略的步骤可以包括：如果当前状态满足最大发电量和预设的迭代次数中的任意一个，则将针对当前的切出风速和输出功率的切出策略确定最终切出策略；如果当前状态均未满足最大发电量和预设的迭代次数，则调整输出功率并执行所述重新预测。
可以使用二分法或黄金分割法来调整输出功率。
本发明的另一方面在于提供一种切出策略自适应调整的装置，所述装置包括：风速预测模块，被配置为使用风速预测模型来预测每个机位点的风电机组的风资源参数；载荷预测模块，被配置为根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；控制器，被配置为将预测的所述疲劳载荷和极限载荷与基准载荷进行比较，并基于比较的结果来确定切出策略，其中，确定切出策略的步骤包括：确定切出风速和输出功率。
本发明的一方面在于提供一种计算机可读存储介质，存储有程序，其特征在于，所述程序可包括用于执行以上所述的切出策略自适应调整的方法的指令。
本发明的一方面在于提供一种计算机，包括存储有计算机程序的可读介质，其特征在于，所述计算机程序包括用于执行以上所述的切出策略自适应调整的方法的指令。
基于以上描述的用于自适应调整切出策略的方法和装置，能够针对不同机位点的风电机组所处环境，预测每个机位点的风电机组的风资源参数，并根据预测的风资源参数来优化切出风速和输出功率，以最大化利用风资源，并进一步提升风电机组的经济性。同时，可以显著避免风电机组在传统切出策略下以设定的切出风速切出的情况，并且减小了风电机组的变桨系统、叶片等的疲劳损伤和故障率，降低了风电机组的维护成本，提升了风电机组的使用效率。
附图说明
下面，将结合附图进行本发明的详细描述，本发明的上述特征和其他目的、特点和优点将会变得更加清楚，其中：
图1是根据本公开的示例性实施例的切出策略自适应调整的方法的流程图；
图2是根据本公开的示例性实施例的切出策略自适应调整的方法的详细流程图；
图3是根据本公开的示例性实施例的基于二分法调整切出策略的示图；
图4是根据本公开的示例性实施例的基于二分法调整切出策略的另一示图；
图5是根据本发明的示例性实施例的切出策略自适应调整装置的框图。
具体实施方式
在阐述本发明的发明构思之前，对本申请中采用的参数进行相关说明，具体参数包括：
切出风速是指风电机组并网发电的最大风速，超过此风速后风电机组将执行停机处理；
额定功率指风电机组在正常运行工作状况下，风电机组的输出功率；
疲劳载荷指用于描述风电机组在长时间运行过程中损失的累计；
极限载荷指用于描述风电机组在极端风况条件下的承受能力；
基准载荷是指针对风电机组的疲劳载荷以及极限载荷的设计值。
下面，参照附图来详细说明本发明的示例性实施例。其中，相同的标号始终表示相同的部件。应理解，根据本发明示例性实施例的切出策略自适应调整的方法及装置可被应用于各种风电机组，即，根据风电机组位置处的风资源，预测风电机组所处位置的风资源水平，结合风电机组的载荷约束来动态调整理论切出风速及输出功率，在保证风电机组安全的前提下提升风电机组经济性。
图1是根据本公开的示例性实施例的切出策略自适应调整的方法的流程图。
参照图1，在步骤S101，使用风速预测模型来预测每个机位点的风电机组的风资源参数。其中，使用风速预测模型来预测每个机位点的风电机组的风资源参数的步骤可以包括：通过应用神经网络算法根据测风塔测量的历史风资源参数来训练风速预测模型。
在本实施例中，可以应用人工神经网络算法，使用项目现场中的测风塔所测量的历史风资源参数来训练风速预测模型。将用由测风塔测量的历史风资源参数来建立关于风资源的数据库以覆盖大范围的历史风资源参数，风资源参数可以包括平均风速、湍流强度、风切变、入流角、空气密度、风速的概率密度分布等。上述提及的使用人工神经网络算法来训练风速预测模型，在现有技术中已是非常成熟的方法，在此不再赘述。然而，本发明用于训练风速预测模型的算法并不限于此。
此外，使用风速预测模型来预测每个机位点的风电机组的风资源参数的步骤还可以包括：使用由测风设备(例如：激光雷达或其他前置测风设备)实时测量的风速对训练出的风速预测模型进行实时校正。具体地，由于风电场多处于山野中，风电机组位置处的风资源参数具有很大的不确定性，因此，通过测风设备实时测量风速，使用实时测量的风速来实时地修正训练出的风预测模型，使得本发明训练出的风预测模型能够通过考虑风速的随机性和间歇性来适应不同的环境。
由于每台风电机组的机位点不同，因此每台风电机组的机位点处的风资源存有差异，通过使用训练出的风速预测模型，可以具有针对性地预测在未来某特定时刻或者某特定时段内的相应机位点处的平均风速值(例如，10分钟的平均风速值)、湍流强度、风剪切等风资源参数。
在步骤S102，根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷。在风电领域中，风电机组的疲劳载荷和极限载荷一般指预测针对风电机组的至少一个大部件中的每一个大部件的疲劳载荷和极限载荷。其中，风电机组的大部件可以包括：塔底、塔顶、旋转轮毂、固定轮毂、叶根装置、偏航装置等。对此，本发明不做特别限定。
使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷的步骤可以包括：对测风塔测量的历史风资源参数进行抽样。具体来说，对项目现场中的测风塔测量的历史风资源参数进行统计(即针对项目现场的特定区域中的各个风参数的范围或分布情况进行划分，建立风资源参数数据库)，采用蒙特卡洛抽样方法，从建立的风资源参数数据库中对风资源参数进抽样。例如，通过对测风塔测量的风资源参数进行统计，以得到各个风资源参数的范围以及与之相应的概率，采用蒙特卡洛抽样方法对风资源参数进行抽样，这样可以减少输入的样本量，并且不改变其原覆盖范围，保证了风资源信息的全面性。
使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷的步骤还包括：通过风电机组仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真。在对风资源参数进行抽样之后，将采样的风资源参数作为载荷计算的输入，使用风电机组仿真系统(例如，风电机组仿真软件)来仿真风电机组的载荷数据。例如，本发明可以使用bladed或HACW2等仿真系统来仿真风电机组的载荷数据，利用仿真的结果来建立高保真的载荷数据库。对于上述提及的bladed或HACW2等仿真软件在风电领域已被广泛使用，这里不再赘述其具体操作。
使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷的步骤还包括：通过使用仿真的结果根据非线性回归方法来建立载荷预测模型。使用风电机组仿真软件的仿真结果，采用非线性回归方法来建立载荷预测模型以预测风电机组大部件的等效疲劳载荷和极限载荷。具体地，在使用bladed或HACW2等风电机组仿真软件进行载荷计算之后，可以得到不同风资源参数对应的风电机组的载荷，使用仿真出的载荷数据作为建立载荷预测模型的样本，采用非线性回归方法来训练预测载荷模型。其中，非线性回归方法为建立模型的现有技术，这里不再进行赘述。在本发明中，载荷预测模型为Wind2load模型，以预测风资源参数作为输入，通过建立的Wind2load模型来输出针对风电机组各大部件的载荷水平。然而，本发明不限于此。
在步骤S103，将预测的疲劳载荷和极限载荷与相应的基准载荷进行比较。风电机组的每一个大部件都具有各自与之相应的基准载荷，例如，在风电机组的出厂设置中，该风电机组的塔顶具有该塔顶的基准载荷，风电机组的塔底具有该塔底的基准载荷。将预测的每一个大部件的疲劳载荷和极限载荷分别与该大部件相应的基准载荷进行比较，例如，将预测的塔顶的疲劳载荷和极限载荷分别与塔顶的基准载荷进行比较。
在步骤S104，基于在步骤S103中进行比较的结果来确定切出策略，其中，确定切出策略的步骤包括：调整切出风速和输出功率。
根据预测的每一个大部件的疲劳载荷和极限载荷与该部件的基准载荷的比值，来动态地调整切出风速和输出功率，即优化切出策略，使得能够最大化地利用风资源，进一步提升风电机组的经济性。下面，将参照图2来详细地描述如何根据预测的每一个大部件的疲劳载荷和极限载荷与该部件的基准载荷的比较结果来确定切出策略。
图2是根据本公开的示例性实施例的切出策略自适应调整的方法的详细流程图。
参照图2，在步骤S201，使用风速预测模型来预测每个机位点的风电机组所处环境的风资源参数。风速预测模型可以根据风电机组所在环境的历史风资源参数，应用神经网络算法进行训练，但本公开中用于训练风速预测模型的算法不限于此。此外，根据实时测量的风速对风速预测模型进行校正，使得训练出的风速预测模型能够具有较好的预测精度。可以使用激光雷达测风设备来实时地测量风电机组所处环境的风速。
在步骤S202，使用在步骤S201中预测的风资源参数，结合测风塔测量的空气密度，来预测风电机组的疲劳载荷和极限载荷。通过对覆盖大范围的风资源参数建立数据库，采用蒙特卡洛的抽样方法对风资源参数进行采样。利用bladed/HACW2等风电机组仿真软件，以上述采样后的风资源参数作为载荷计算的输入进行仿真计算，使用仿真的结果建立高保真的载荷数据库，采用非线性回归算法来建立Wind2load模型，通过将预测的风资源参数以及测量的空气密度输入到Wind2load模型来快速输出预测的风电机组大部件的等效疲劳载荷和极限载荷。在本发明中，使用非线性回归方法来建立载荷预测模型，但本公开并不限于此。
在步骤S203，将预测的风电机组的疲劳载荷和极限载荷与基准载荷进行比较，在下文中，将本次比较称为第一次比较。如果预测的所述疲劳载荷和极限载荷分别与基准载荷的比值中的任意一个比值大于或等于1，则将针对原始切出风速和额定功率的切出策略确定为最终切出策略，否则调整切出风速和输出功率。
具体来说，在步骤S203，如果预测的所述每一个大部件的疲劳载荷和极限载荷分别与所述每一个大部件的相应的基准载荷的比值中的任意一个比值大于或等于1，则进行到步骤S217，即，将具有原始切出风速的切出策略确定为最终切出策略，并根据最终切出策略执行风电机组的停机处理。
在步骤S203，如果预测的所述每一个大部件的疲劳载荷和极限载荷分别与所述每一个大部件的相应的基准载荷的比值均小于1，则在步骤S204，可以根据风速的概率密度分布来重新确定切出风速。具体地，在风电领域，一般认为风速的概率密度分布为weibull分布，例如，假设风电机组所处位置的风速概率密度的weibull参数为A＝7，K＝1.6，则该风电机组的切入风速到切出风速的概率密度分布如表1所示。
在原切出风速到现切出风速的概率密度需大于0.0005，即在一年所占小时数需要大于4.3小时的需求下，从表1中可以看出，当风速为23m/s时，此时的概率密度为0.000574，在一年中所占的小时数为5.028319，即满足上述需求，则可以将原切出风速延长至23m/s。
表1
在调整切出风速之后，在步骤S205，将输出功率设置为额定功率，并将表示在当前切出风速下可能存在最终切出策略的标志设置为0，其中，当所述标志等于0时，表示在当前设置的切出风速下未曾出现过预测的所述每一个大部件的疲劳载荷和极限载荷分别与所述每一个大部件的相应的基准载荷的比值均小于1的情况，即在当前设置的切出风速下可能并不存在最终切出策略。可以通过改变风电机组的叶轮的转速和风电机组的转矩来改变输出功率。
在步骤S206，在根据风速的概率密度分布重新确定切出风速并将输出功率设置为额定功率之后，针对当前设置的切出风速和输出功率使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷。例如，假设在步骤S204将切出风速设置为23m/s，并在步骤S205将输出功率设置为2000Kw，此后使用改变后的切出风速来重新预测风资源参数，并使用重新预测的风资源参数来重新预测风电机组的每一个大部件的疲劳载荷和极限载荷。
在步骤S207，针对预测出的疲劳载荷和极限载荷分别与相应的基准载荷进行比较。下面，将本次比较称为第二次比较。在步骤S207，如果针对当前设置的切出风速和输出功率预测出的疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将针对当前的切出风速和输出功率的切出策略确定为最终切出策略，否则重新调整切出策略。
具体来说，在步骤S207，如果针对当前设置的切出风速和输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值均小于1，则进行到步骤S217，将具有当前的切出风速和输出功率的切出策略确定为最终切出策略，并根据最终切出策略执行风电机组的停机处理。
在步骤S207，如果针对当前设置的切出风速和输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值中的任意一个比值大于或等于1，则在后续操作中继续调整切出策略，即进行到步骤S208。
在步骤S208，重新调整输出功率，此时，可采用二分法和黄金分割法来调整输出功率，但是本发明不限于此，可采用其他任何方法来调整输出功率。例如，当根据步骤S207的判断结果而进行到步骤S208时，在采用二分法来调整输出功率时，可将输出功率设置为当前设置的输出功率的1/2，即，1000Kw。然后，进行到步骤S209。
在步骤S209，针对当前设置的切出风速和输出功率使用载荷预测模型来对风电机组的疲劳载荷和极限载荷进行重新预测，应注意，在每一次重新预测风电机组的每一个大部件的疲劳载荷和极限载荷的过程中，由于风电机组所处环境实时地变化，因此，需要再次预测风资源参数，然后使用再次预测的风资源参数来预测风电机组的大部件的疲劳载荷和极限载荷。这样可以实时地跟踪当前风况以及更准确的预测所述疲劳载荷和极限载荷。此后，进行到步骤S210。
在步骤S210，针对预测出的疲劳载荷和极限载荷与相应的基准载荷进行比较。如果针对当前设置的切出风速和输出功率重新预测出的疲劳载荷和极限载荷分别与基准载荷的比值中的任意一个比值大于或等于1，则确定是否降低切出风速并返回步骤S205；如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷与所述基准载荷的比值均小于1，则将所述标志设置为1，并根据当前设置的输出功率是否满足收敛条件来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略。
具体来说，如果针对当前设置的切出风速和输出功率重新预测出的每一个大部件的疲劳载荷和极限载荷分别与每一个大部件的相应的基准载荷的比值中的任意一个比值大于或等于1，则执行确定是否降低切出风速，即，当所述任意一个比值大于或等于1时，进行到步骤S211判断所述标志是否等于0，如果所述标志等于0，则进行到步骤S212判断当前设置的输出功率是否小于或等于预定下限值。
在步骤S212，当当前设置的输出功率大于预定下限值时，这说明还可以进一步地降低输出功率来确定在当前切出风速下的最佳切出策略，因此返回到步骤S208重新调整输出功率，并进行到步骤S209(即执行重新预测)。当在步骤S212，当前设置的输出功率小于或等于所述预定下限值时，这说明没有必要针对当前设置的切出风速再进一步降低输出功率，而需要降低切出风速来确定切出策略，因此进行到步骤S213，在步骤S213，降低切出风速，例如，将切出风速设置为当前设置的切出风速减去1m/s，但是本发明不限于此，可将切出风速降低任何合理数值。下面，将参照图3来详细说明如何调整切出策略。
图3是根据本公开的示例性实施例的基于二分法调整切出策略的示图。如图3所示，在步骤S207进行了所述第二次比较时，如果针对当前设置的切出风速和输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值均小于1，则将切出风速确定为当前设置的切出风速23m/s，并按照额定功率进行功率输出，即将图3中的模式1确定为最终的切出策略，并根据最终切出策略执行风电机组的停机处理。
在步骤S207，如果针对当前设置的切出风速和输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值中的任意一个比值大于或等于1，则可基于二分法将输出功率设置为额定功率的1/2,即1000Kw，即模式2。然后，在步骤S209，根据当前设置的切出风速(23m/s)和输出功率(1000Kw)来再次预测风电机组的每一个部件的疲劳载荷和极限载荷，并在步骤S210，将再次预测的每一个部件的疲劳载荷和极限载荷分别与所述每一个部件的基准载荷进行比较，根据比较结果确定是执行步骤S211还是执行步骤S214。如果在步骤S210根据重新设置的输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值中的任意一个比值大于或等于1，在步骤S211，所述标志等于0，并且在步骤S212，当前设置的输出功率大于下限值，则返回到步骤S208继续采用二分法来设置输出功率，即将输出功率设置为500Kw，即模式3。如果在后续的处理中，确定出在当前设置的切出风速下每次预测出的疲劳载荷和极限载荷分别与基准载荷的比值都大于或等于1，即在步骤S207之后始终未出现过预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值均小于1的情况，则当在模式n时设置的输出功率小于或等于预设的下限值时，进行到步骤S213，降低当前设置的切出风速，即在本实施例中，将切出风速设置为22m/s,然后返回到步骤S205，将输出功率设置为额定功率，继续预测风电机组的每一个大部件的疲劳载荷和极限载荷。
应注意，当根据二分法将输出功率调整到预设的下限值时(即非零最小值)时，在使用当前设置的切出风速的情况下，无论如何设置输出功率，预测的每一个大部件的疲劳载荷或极限载荷会大于基准载荷，此时，只能降低切出风速。在本实施例中，采用将当前设置的切出风速减1m/s的方式来降低切出风速，并且在每一次降低切出风速后，将输出功率设置为额定功率进行输出，重新从步骤S206开始进行处理。
返回图2，在步骤S210，如果针对当前设置的切出风速和输出功率重新预测出的所述每一个大部件的疲劳载荷和极限载荷分别与所述每一个大部件的相应的基准载荷的比值均小于1，则进行到步骤S214，将所述标志设置为1(即，表示在当前设置的切出风速下可能存在最终切出策略)，然后需要根据当前设置的输出功率是否满足收敛条件来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略，即进行到步骤S215。
此外，在步骤S211，如果所述标志等于1，则说明在步骤S207之后出现过预测的疲劳载荷和极限载荷分别与基准载荷的比值均小于1的情况，即，在当前切出风速下可能存在最终的切出策略，因此需要根据当前设置的输出功率是否满足收敛条件来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略，即，进行到步骤S215。
在步骤S215，当当前设置的输出功率未满足收敛条件时，则进行到步骤S208重新调整输出功率，即，进一步地进行迭代操作。当当前设置的输出功率满足收敛条件时，则需要通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略，即，进行到步骤S216。以下将参照图4对此进行描述。
图4是根据本公开的示例性实施例的基于二分法调整切出策略的另一示图。如图4所示，在步骤S207进行了所述第二次比较时，如果针对当前设置的切出风速和输出功率预测出的每一个大部件的疲劳载荷和极限载荷分别与相应的一个大部件的基准载荷的比值中的任意一个比值大于或等于1，则在根据风速概率密度分布将切出风速设置为23m/s并且输出功率被设置为额定功率(即，2000Kw)的情况下，可在步骤S208，基于二分法将输出功率设置为额定功率的1/2,即1000Kw，即模式2。
然后在步骤S209，根据当前设置的起初风速(23m/s)和输出功率(1000Kw)来再次预测风电机组的每一个部件的疲劳载荷和极限载荷，并在步骤S210，将再次预测的每一个部件的疲劳载荷和极限载荷分别与所述每一个部件的基准载荷进行比较。在步骤S210，如果针对当前设置的切出风速和输出功率重新预测出的所述每一个大部件的疲劳载荷和极限载荷分别与所述每一个大部件的相应的基准载荷的比值均小于1，则进行到步骤S214将标志设置为1，即，表示在当前设置的切出风速(23m/s)的情况下可能存在最终的切出策略。此后，在步骤S215，确定当前设置的输出功率是否满足预设的收敛条件，进而确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略。在本实施例中，所述预设的收敛条件是指满足一定的收敛精度，即当前设置的输出功率与前一次设置的输出功率的差值的绝对值，这里可以将收敛精度设置为50Kw，然而，本公开中的预设的收敛条件并不限于此。
在步骤S215，如果当前设置的输出功率(1000Kw)未满足预设的收敛条件，例如，区间[1000Kw,2000Kw]的两个端值1000Kw和2000Kw之间的差值大于预定阈值，则说明需要在区间[1000Kw,2000Kw]之间继续查找最终的输出功率，因此返回到步骤S208，继续使用二分法来设置输出功率，具体地讲，在图4中，使用二分法的前向查找来重新设置输出功率(将输出功率设置为当前设置的输出功率1000Kw和前一次设置的输出功率2000Kw的中间值)，也就是说，将输出功率设置为1500Kw，即模式3。然后执行步骤S209，再次预测每一个大部件的疲劳载荷和极限载荷，并在步骤S210对预测的每一个大部件的疲劳载荷和极限载荷分别与相应的大部件的基准载荷进行比较。在步骤S210，如果再次进行比较的比值小于1，则进行步骤S214将标志设置为1，然后进行到步骤S215，确定输出功率是否满足收敛条件(即，判断区间[1000Kw,1500Kw]的两个端值1000Kw和1500Kw之间的差值是否小于或等于预定阈值)，如果差值大于预定阈值，则说明应该在区间[1000Kw,1500Kw]之间继续查找最终的输出功率，即采用二分法的向后查找的方式来重新设置输出功率(将输出功率设置为当前设置的输出功率1500Kw和前一次设置的输出功率1000Kw的中间值)，也就是说，将输出功率设置为1250Kw,即模式4；相反，在步骤S210，如果再次进行比较的比值中的任意一个比值大于等于1，则在步骤S211确定标志是否等于0，由于在输出功率被设置为1000Kw的情况下标志已被设置为1，因此，仍然会进行到步骤S215。此过程是一个循环迭代的过程，直到满足预设的收敛条件。如果在步骤S215，确定出当前设置的输出功率满足收敛条件，则进行到步骤S216。其中，收敛条件可以是在当前需要进行进一步确定输出功率时所使用的区间[an,bn]的两个端值an和bn之间的差值小于或等于预定阈值(例如，35Kw)的情况，但是本发明不限于此。
在步骤S216，如果当前状态满足最大发电量和预设的迭代次数中的至少一个，则在步骤S217，将具有当前的切出风速和输出功率的切出策略确定最终切出策略，并根据所述最终切出策略来执行风电机组的停机处理。如果当前状态均未满足最大发电量和预设的迭代次数，则进行到步骤S208重新调整输出功率，即，进行进一步地迭代操作。
在确定当前状态满足最大发电量的过程中，可以采用运筹学中的线性方法及非线性方法来设置关于发电量的函数作为约束条件，也可以采用智能算法，诸如粒子群算法、遗传算法等来实现，然而，本公开不限于此。
图5是根据本发明的示例性实施例的切出策略自适应调整装置10的框图。如图1所示，所述切出策略调整装置10包括风速预测模块100、载荷预测模块200以及控制器300，其中，控制器300控制风速预测模块100和载荷预测模块200。其中，风速预测模块100被配置为使用风速预测模型来预测每个机位点的风电机组的风资源参数。载荷预测模块200被配置为根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷。控制器300被配置为将预测的所述疲劳载荷和极限载荷与基准载荷进行比较，并基于比较的结果来确定切出策略。
在本发明中，在收集现场的历史风资源参数的基础上，通过使用历史风资源参数来建立风速预测模型以预测未来一段时间内的风资源参数，以及建立载荷预测模型来预测当前风电机组的破疲劳载荷和极限载荷，实现了根据预测的风资源条件来优化切出策略的目的。
风速预测模块100可以通过应用神经网络算法根据测风塔测量的历史风资源参数来训练风速预测模型，并使用由激光雷达测风设备实时测量的风速对训练出的风速预测模型进行实时校正。风速预测模型的训练过程与步骤S101中的训练过程相同，这里不再赘述。
载荷预测模块200可被配置为对测风塔测量的历史风资源参数进行抽样，通过风电机组仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真，并通过使用仿真的结果根据非线性回归方法来建立载荷预测模型。例如，载荷预测模块200可以使用蒙特卡洛抽样方法对测风塔测量的历史风资源参数进行抽样，通过使用bladed或HACW2等仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真，并通过使用仿真的结果根据非线性回归方法来建立Wind2load模型，然后使用建立的Wind2load模型来预测风电机组的疲劳载荷和极限载荷。
在预测完风电机组的疲劳载荷和极限载荷之后，控制器300将预测的疲劳载荷和极限载荷分别与相应的基准载荷进行比较，如果预测的疲劳载荷和极限载荷分别与相应的基准载荷的比值中的任意一个比值大于或等于1，则将针对原始切出风速和额定功率的切出策略确定为最终切出策略，并因此控制器300可根据最终切出策略执行风电机组的停机处理；如果预测的所述疲劳载荷和极限载荷与所述基准载荷的比值均小于1，则可调整切出风速和输出功率。
具体地讲，控制器300可根据风速的概率密度分布来重新确定切出风速。
在调整切出风速之后，控制器300将输出功率设置为额定功率，并将表示在当前切出风速下可能存在最终切出策略的标志设置为0，其中，当所述标志等于0时，表示在当前设置的切出风速下可能并不存在最终切出策略。控制器300可以通过改变风电机组的叶轮的转速和风电机组的转矩来改变输出功率。
在根据风速的概率密度分布重新确定的切出风速并将输出功率设置为额定功率之后，载荷预测模块200针对当前设置的切出风速和输出功率使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷。
在预测完风电机组的疲劳载荷和极限载荷之后，控制器300针对预测出的疲劳载荷和极限载荷与相应的基准载荷进行比较。如果针对当前设置的切出风速和输出功率预测出的疲劳载荷和极限载荷分别与相应的基准载荷的比值均小于1，则控制器300将具有当前的切出风速和输出功率的切出策略确定为最终切出策略，并根据最终切出策略执行风电机组的停机处理。
如果针对当前设置的切出风速和输出功率预测出的疲劳载荷和极限载荷分别与相应的基准载荷的比值中的任意一个比值大于或等于1，则控制器300可重新调整切出策略，例如，通过改变风电机组的叶轮的转速和风电机组的转矩来继续改变输出功率。具体地讲，控制器300可以通过使用二分法来调整输出功率。
此时，控制器300针对当前设置的切出风速和输出功率使用载荷预测模型来对风电机组的疲劳载荷和极限载荷进行重新预测。此后，控制器300针对预测出的疲劳载荷和极限载荷分别与相应的基准载荷进行比较，下面，将本次比较称为第三次比较。如果针对当前设置的切出风速和输出功率重新预测出的疲劳载荷和极限载荷分别与相应的基准载荷的比值中的任意一个比值大于或等于1，则控制器300执行确定是否降低切出风速，即，当所述任意一个比值大于或等于1时，判断所述标志是否等于0，如果所述标志等于0，则控制器300判断当前设置的输出功率是否小于或等于预定下限值。
当当前设置的输出功率大于预定下限值时，这说明还可以进一步地降低输出功率来确定在当前切出风速下的最佳切出策略，此时控制器300重新调整输出功率，并执行重新预测。当前设置的输出功率小于或等于所述预定下限值时，这说明没有必要针对当前设置的切出风速再进一步降低输出功率，而需要降低切出风速来确定切出策略，因此，控制器300降低切出风速，例如，将切出风速设置为当前设置的切出风速减去1m/s，但是本发明不限于此，可将切出风速降低任何合理数值。
在确定是否降低切出风速的过程中，如果所述标志等于1，则说明在当前切出风速下可能存在最终的切出策略，因此，控制器300需要根据当前设置的输出功率是否满足收敛条件来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略。
在第三次比较中，如果针对当前设置的切出风速和输出功率重新预测出的所述每一个大部件的疲劳载荷和极限载荷与所述每一个大部件的相应的基准载荷的比值均小于1，则控制器300将所述标志设置为1(即，表示在当前设置的切出风速下可能存在最终切出策略)，然后需要根据当前设置的输出功率是否满足收敛条件来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略。
当当前设置的输出功率未满足收敛条件时，则控制器300重新调整输出功率，即，进行进一步地迭代操作。当当前设置的输出功率满足收敛条件时，则控制器300需要通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定具有当前的切出风速和输出功率的切出策略是否是最终切出策略。
如果当前状态满足最大发电量和预设的迭代次数中的至少一个，则控制器300将具有当前的切出风速和输出功率的切出策略确定最终切出策略，并根据所述最终切出策略来执行风电机组的停机处理。如果当前状态均未满足最大发电量和预设的迭代次数，则控制器300重新调整输出功率，即，进行进一步地迭代操作。通过以上过程实现了动态地调整切出策略的方法。
根据本发明公开的实施例的一种切出风速自适应调整的方法可被实现为计算机可读记录介质上的计算机可读指令，或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取的数据的任意数据存储装置。计算机可读记录介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、光盘(CD)-ROM、数字多功能盘(DVD)、磁带、软盘、光学数据存储装置，但不限于此。传输介质可包括通过网络或各种类型的通信信道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读指令以分布方式被存储和执行。
基于以上描述的用于动态地调整切出风速以及切出策略的方法和装置，可利用风资源预测模型预测每一个机位点的风电机组的风资源水平，结合载荷约束，动态优化风电机组的切出风速和切出策略，避免了以下情况：在风速超过原始切出风速，风电机组能够承受的极限载荷并不一定会超过设计阈值，此时停机，会损失一定的发电量。
尽管已经参照其示例性实施例，具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (22)

1.一种切出策略自适应调整的方法，所述方法包括：
使用风速预测模型来预测每个机位点的风电机组的风资源参数；
根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；
将预测的所述疲劳载荷和极限载荷与基准载荷进行比较；
基于比较的结果来确定切出策略，
其中，确定切出策略的步骤包括：确定切出风速和输出功率。
2.如权利要求1所述的方法，其特征在于，使用风速预测模型来预测每个机位点的风电机组的风资源参数的步骤包括：
通过应用神经网络算法根据测风塔测量的历史风资源参数来训练风速预测模型；
使用由测风设备实时测量的风速对训练出的风速预测模型进行实时校正。
3.如权利要求1所述的方法，其特征在于，使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷的步骤包括：
对测风塔测量的历史风资源参数进行抽样；
通过风电机组仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真；
通过使用仿真的结果根据非线性回归方法来建立载荷预测模型。
4.如权利要求1所述的方法，其特征在于，基于比较的结果来确定切出策略的步骤包括：
如果预测的所述疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则将针对原始切出风速和额定功率的切出策略确定为最终切出策略，否则调整切出风速和输出功率。
5.如权利要求4所述的方法，其特征在于，调整切出风速和输出功率的步骤包括：
根据风速的概率密度分布来确定切出风速；
执行将输出功率设置为额定功率的第一设置操作；
将表示在当前切出风速下可能存在最终切出策略的标志设置为0；
针对当前设置的切出风速和输出功率使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；
如果针对当前设置的切出风速和输出功率预测出的疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将针对当前的切出风速和输出功率的切出策略确定为最终切出策略，否则重新调整切出策略。
6.如权利要求5所述的方法，其特征在于，重新调整切出策略的步骤包括：
调整输出功率；
针对当前设置的切出风速和输出功率使用载荷预测模型来对风电机组的疲劳载荷和极限载荷进行重新预测；
如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则确定是否降低切出风速并执行所述第一设置操作；
如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将所述标志设置为1，并根据当前设置的输出功率是否满足收敛条件来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略。
7.如权利要求6所述的方法，其特征在于，确定是否降低切出风速并执行所述第一设置操作的步骤包括：
如果所述标志等于0，则当当前设置的输出功率大于预定下限值时，调整输出功率并执行所述重新预测，当当前设置的输出功率小于或等于所述预定下限值时，降低切出风速并执行所述第一设置操作；
如果所述标志等于1，则当当前设置的输出功率满足收敛条件时，通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略，当当前设置的输出功率未满足收敛条件时，调整输出功率并执行所述重新预测。
8.如权利要求6所述的方法，其特征在于，确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略的步骤包括：
如果当前设置的输出功率满足收敛条件，则通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略；
如果当前设置的输出功率未满足收敛条件，则调整输出功率并执行所述重新预测。
9.如权利要求7和8中的任意一项所述的方法，其特征在于，通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略的步骤包括：
如果当前状态满足最大发电量和预设的迭代次数中的任意一个，则将针对当前的切出风速和输出功率的切出策略确定最终切出策略；
如果当前状态均未满足最大发电量和预设的迭代次数，则调整输出功率并执行所述重新预测。
10.如权利要求1所述的方法，其特征在于，调整输出功率的步骤包括：使用二分法或黄金分割法来调整输出功率。
11.一种切出策略自适应调整的装置，所述装置包括：
风速预测模块，被配置为使用风速预测模型来预测每个机位点的风电机组的风资源参数；
载荷预测模块，被配置为根据预测的风资源参数和空气密度使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；
控制器，被配置为将预测的所述疲劳载荷和极限载荷与基准载荷进行比较，并基于比较的结果来确定切出策略，
其中，确定切出策略的步骤包括：确定切出风速和输出功率。
12.如权利要求11所述的装置，其特征在于，风速预测模块被配置为通过应用神经网络算法根据测风塔测量的历史风资源参数来训练风速预测模型，并使用由测风设备实时测量的风速对训练出的风速预测模型进行实时校正。
13.如权利要求11所述的装置，其特征在于，载荷预测模块被配置为对测风塔测量的历史风资源参数进行抽样，通过风电机组仿真系统将抽样出的风资源参数作为载荷计算的输入来进行仿真，并通过使用仿真的结果根据非线性回归方法来建立载荷预测模型。
14.如权利要求11所述的装置，其特征在于，控制器被配置为：
如果预测的所述疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则将针对原始切出风速和额定输出的切出策略确定为最终切出策略，否则调整切出风速和输出功率。
15.如权利要求14所述的装置，其特征在于，控制器还被配置为：
根据风速的概率密度分布来确定切出风速；
执行将输出功率设置为额定功率的第一设置操作；
将表示在当前切出风速下可能存在最终切出策略的标志设置为0；
控制载荷预测模块针对当前设置的切出风速和输出功率使用载荷预测模型来预测风电机组的疲劳载荷和极限载荷；
如果针对当前设置的切出风速和输出功率预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将针对当前的切出风速和输出功率的切出策略确定为最终切出策略，否则重新调整切出策略。
16.如权利要求15所述的装置，其特征在于，控制器还被配置为：
调整输出功率；
控制载荷预测模块针对当前设置的切出风速和输出功率使用载荷预测模型来对风电机组的疲劳载荷和极限载荷进行重新预测；
如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值中的任意一个比值大于或等于1，则确定是否降低切出风速并执行所述第一设置操作；
如果针对当前设置的切出风速和输出功率重新预测出的所述疲劳载荷和极限载荷分别与所述基准载荷的比值均小于1，则将所述标志设置为1，并根据当前设置的输出功率是否满足收敛条件来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略。
17.如权利要求16所述的装置，其特征在于，控制器还被配置为：
如果所述标志等于0，则当当前设置的输出功率大于预定下限值时，调整输出功率并控制载荷预测模块执行所述重新预测，当当前设置的输出功率小于或等于所述预定下限值时，降低切出风速并执行所述第一设置操作；
如果所述标志等于1，则当当前设置的输出功率满足收敛条件时，通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略，当当前设置的输出功率未满足收敛条件时，调整输出功率并控制载荷预测模块执行所述重新预测。
18.如权利要求16所述的装置，其特征在于，控制器还被配置为：
如果当前设置的输出功率满足收敛条件，则通过判断当前状态是否达到最大发电量或达到预设的迭代次数来确定针对当前的切出风速和输出功率的切出策略是否是最终切出策略；
如果当前设置的输出功率未满足收敛条件，则调整输出功率并控制载荷预测模块执行所述重新预测。
19.如权利要求17和18中的任意一项所述的装置，其特征在于，控制器还被配置为：
如果当前状态满足最大发电量和预设的迭代次数中的任意一个，则将针对当前的切出风速和输出功率的切出策略确定最终切出策略；
如果当前状态均未满足最大发电量和预设的迭代次数，则调整输出功率并控制载荷预测模块执行所述重新预测。
20.如权利要求11所述的装置，其特征在于，控制器还被配置为使用二分法或黄金分割法来调整输出功率。
21.一种计算机可读存储介质，存储有程序，其特征在于，所述程序包括用于执行如权利要求1-10中的任一项所述操作的指令。
22.一种计算机，包括存储有计算机程序的可读介质，其特征在于，所述程序包括用于执行如权利要求1-10中的任一项所述操作的指令。
CN201810098056.3A 2018-01-31 2018-01-31 切出策略自适应调整的方法及装置 Active CN110094298B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810098056.3A CN110094298B (zh) 2018-01-31 2018-01-31 切出策略自适应调整的方法及装置
EP18852761.8A EP3540213B2 (en) 2018-01-31 2018-07-10 Cut-out strategy adaptive adjustment method and apparatus
US16/333,125 US11486357B2 (en) 2018-01-31 2018-07-10 Method and apparatus for self-adaption of a cut-out strategy
AU2018327223A AU2018327223B2 (en) 2018-01-31 2018-07-10 Method and apparatus for self-adaption of a cut-out strategy
ES18852761T ES2852826T5 (es) 2018-01-31 2018-07-10 Método y aparato de ajuste adaptativo de estrategia de desconexión
PCT/CN2018/095161 WO2019148770A1 (zh) 2018-01-31 2018-07-10 切出策略自适应调整的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810098056.3A CN110094298B (zh) 2018-01-31 2018-01-31 切出策略自适应调整的方法及装置

Publications (2)

Publication Number Publication Date
CN110094298A true CN110094298A (zh) 2019-08-06
CN110094298B CN110094298B (zh) 2020-05-26

Family

ID=67437129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810098056.3A Active CN110094298B (zh) 2018-01-31 2018-01-31 切出策略自适应调整的方法及装置

Country Status (6)

Country Link
US (1) US11486357B2 (zh)
EP (1) EP3540213B2 (zh)
CN (1) CN110094298B (zh)
AU (1) AU2018327223B2 (zh)
ES (1) ES2852826T5 (zh)
WO (1) WO2019148770A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112502899A (zh) * 2020-11-30 2021-03-16 东方电气风电有限公司 一种风力发电机组降耗的方法
CN112528504A (zh) * 2020-12-14 2021-03-19 中国船舶重工集团海装风电股份有限公司 一种基于湍流分布的风电机组疲劳载荷计算方法
CN113153637A (zh) * 2021-04-28 2021-07-23 中车株洲电力机车研究所有限公司 兆瓦级风电机组切出风速柔性拓展控制方法及系统
CN113591359A (zh) * 2021-08-17 2021-11-02 华能华家岭风力发电有限公司 一种风电机组切入/切出风速调优方法、系统及设备介质
CN113868935A (zh) * 2020-06-30 2021-12-31 北京金风科创风电设备有限公司 湍流强度计算方法、模型训练方法、装置、设备及介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110486225A (zh) * 2019-09-05 2019-11-22 国电联合动力技术有限公司 风电机组功率曲线的计算方法及装置
CN112052604B (zh) * 2020-09-29 2024-06-14 上海电气风电集团股份有限公司 风机等效疲劳载荷的预测方法、系统、设备及可读介质
WO2024099527A1 (en) * 2022-11-09 2024-05-16 Vestas Wind Systems A/S Determining wind speed at a wind turbine

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008064081A (ja) * 2006-09-08 2008-03-21 Yoshito Hirata 任意の観測地点数に対応した風況予測制御による地域型風力発電システム
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム
CN101832230A (zh) * 2010-05-14 2010-09-15 广西银河艾万迪斯风力发电有限公司 强风下风力发电机组的控制方法
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
CN102709908A (zh) * 2012-06-05 2012-10-03 华北电力大学 大规模风电接入电网后的网损预测方法
CN103915855A (zh) * 2014-04-10 2014-07-09 华北电力大学 一种降低风电机组机械损耗的风电场内优化调度方法
US20150003983A1 (en) * 2012-01-12 2015-01-01 Romax Technology Limited Method for operating a wind turbine generator
CN105354620A (zh) * 2014-08-19 2016-02-24 中国科学院上海高等研究院 一种风机发电功率的预测方法
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法
CN106812658A (zh) * 2015-11-27 2017-06-09 中船重工(重庆)海装风电设备有限公司 一种风力发电机组的控制方法及装置

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430534B2 (en) 2001-06-15 2008-09-30 Abb Ab System, method and computer program product for risk-minimization and mutual insurance relations in meteorology dependent activities
US6975925B1 (en) * 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
US8649911B2 (en) 2005-06-03 2014-02-11 General Electric Company System and method for operating a wind farm under high wind speed conditions
EP1911968A1 (en) * 2006-10-10 2008-04-16 Ecotecnia Energias Renovables S.L. Control system for a wind turbine and method of controlling said wind turbine
JP5244502B2 (ja) * 2008-08-25 2013-07-24 三菱重工業株式会社 風車の運転制限調整装置及び方法並びにプログラム
BR112012016868A2 (pt) 2010-01-11 2018-05-15 Siemens Ag turbina eólica de acionamento direto com um sistema de resfriamento.
CN102782318B (zh) * 2010-02-05 2016-04-27 维斯塔斯风力系统集团公司 运行风力发电站的方法
DK201170539A (en) * 2011-09-30 2013-03-31 Vestas Wind Sys As Control of wind turbines
CN103244354B (zh) 2012-02-08 2015-02-18 北京能高自动化技术股份有限公司 风力发电机组功率曲线自适应优化方法
US20130320674A1 (en) * 2012-05-30 2013-12-05 Clipper Windpower, Llc Net Present Value Optimized Wind Turbine Operation
CN103573550A (zh) * 2012-07-27 2014-02-12 华锐风电科技(集团)股份有限公司 一种风力发电机组的控制方法与系统
EP2799711B1 (en) * 2013-05-03 2017-07-12 Alstom Renovables España, S.L. Method of operating a wind turbine
DK2840257T3 (en) 2013-08-23 2018-07-16 Alstom Renovables Espana Sl Method of Determining a Switching Wind Speed
JP2016079965A (ja) 2014-10-22 2016-05-16 株式会社東芝 風力発電用の風車の向きを調整する装置および方法
CN107110121B (zh) 2014-11-24 2020-04-07 维斯塔斯风力系统集团公司 对风力涡轮机构造的确定
JP2016136001A (ja) 2015-01-23 2016-07-28 中国電力株式会社 予測装置
US20160215759A1 (en) * 2015-01-28 2016-07-28 Alliance For Sustainable Energy, Llc Methods and systems for wind plant power optimization
CN104806448A (zh) 2015-05-15 2015-07-29 长沙理工大学 基于风速预测的风力发电机再切入控制方法
CN105275742B (zh) 2015-11-09 2018-03-16 国家电网公司 一种风电机组自适应环境的控制方法
JP2017141747A (ja) 2016-02-10 2017-08-17 富士電機株式会社 風力発電量予測方法、風力発電量予測装置及びプログラム
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
US10330081B2 (en) * 2017-02-07 2019-06-25 International Business Machines Corporation Reducing curtailment of wind power generation
CN107061158B (zh) 2017-06-27 2019-03-19 星际（重庆）智能装备技术研究院有限公司 一种低风速下风力发电机的预测与跟踪控制方法
DK3499022T3 (da) * 2017-12-12 2023-06-06 Gen Electric Fremgangsmåder til drift af en vindmølle
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008064081A (ja) * 2006-09-08 2008-03-21 Yoshito Hirata 任意の観測地点数に対応した風況予測制御による地域型風力発電システム
JP2009167848A (ja) * 2008-01-11 2009-07-30 Chugoku Electric Power Co Inc:The 風力発電量予測システム、方法及びプログラム
CN101832230A (zh) * 2010-05-14 2010-09-15 广西银河艾万迪斯风力发电有限公司 强风下风力发电机组的控制方法
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
US20150003983A1 (en) * 2012-01-12 2015-01-01 Romax Technology Limited Method for operating a wind turbine generator
CN102709908A (zh) * 2012-06-05 2012-10-03 华北电力大学 大规模风电接入电网后的网损预测方法
CN103915855A (zh) * 2014-04-10 2014-07-09 华北电力大学 一种降低风电机组机械损耗的风电场内优化调度方法
CN105354620A (zh) * 2014-08-19 2016-02-24 中国科学院上海高等研究院 一种风机发电功率的预测方法
CN106812658A (zh) * 2015-11-27 2017-06-09 中船重工(重庆)海装风电设备有限公司 一种风力发电机组的控制方法及装置
CN106058941A (zh) * 2016-07-29 2016-10-26 武汉大学 一种基于场景分析的风电场随机优化调度方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113868935A (zh) * 2020-06-30 2021-12-31 北京金风科创风电设备有限公司 湍流强度计算方法、模型训练方法、装置、设备及介质
CN112502899A (zh) * 2020-11-30 2021-03-16 东方电气风电有限公司 一种风力发电机组降耗的方法
CN112528504A (zh) * 2020-12-14 2021-03-19 中国船舶重工集团海装风电股份有限公司 一种基于湍流分布的风电机组疲劳载荷计算方法
CN112528504B (zh) * 2020-12-14 2022-07-05 中国船舶重工集团海装风电股份有限公司 一种基于湍流分布的风电机组疲劳载荷计算方法
CN113153637A (zh) * 2021-04-28 2021-07-23 中车株洲电力机车研究所有限公司 兆瓦级风电机组切出风速柔性拓展控制方法及系统
CN113591359A (zh) * 2021-08-17 2021-11-02 华能华家岭风力发电有限公司 一种风电机组切入/切出风速调优方法、系统及设备介质
WO2023020524A1 (zh) * 2021-08-17 2023-02-23 华能华家岭风力发电有限公司 一种风电机组切入/切出风速调优方法、系统及设备介质
CN113591359B (zh) * 2021-08-17 2023-11-17 华能华家岭风力发电有限公司 一种风电机组切入/切出风速调优方法、系统及设备介质

Also Published As

Publication number Publication date
ES2852826T3 (es) 2021-09-14
EP3540213B1 (en) 2020-12-09
US11486357B2 (en) 2022-11-01
AU2018327223A1 (en) 2019-08-15
US20210372370A1 (en) 2021-12-02
EP3540213B2 (en) 2023-11-15
WO2019148770A1 (zh) 2019-08-08
ES2852826T5 (es) 2024-06-05
AU2018327223B2 (en) 2020-08-06
CN110094298B (zh) 2020-05-26
EP3540213A1 (en) 2019-09-18
EP3540213A4 (en) 2020-04-22

Similar Documents

Publication Publication Date Title
CN110094298A (zh) 切出策略自适应调整的方法及装置
Abubakr et al. Adaptive frequency regulation strategy in multi-area microgrids including renewable energy and electric vehicles supported by virtual inertia
Attya et al. A review on frequency support provision by wind power plants: Current and future challenges
Ramírez et al. Placement and sizing of battery energy storage for primary frequency control in an isolated section of the Mexican power system
CN112459965B (zh) 考虑风电场尾流的偏航优化控制方法、装置、设备及介质
ElDesouky Security and stochastic economic dispatch of power system including wind and solar resources with environmental consideration
CN113591359B (zh) 一种风电机组切入/切出风速调优方法、系统及设备介质
CN109494768A (zh) 集中式光伏电站及其参与电网调频的控制方法、控制系统
Abir et al. Pitch angle control of the variable speed wind turbine
El-Bahay et al. Effective participation of wind turbines in frequency control of a two-area power system using coot optimization
CN108988381A (zh) 风力发电机组低电压穿越控制方法、装置及系统
Yang et al. Individual pitch control for wind turbine load reduction including wake modeling
KR20150018060A (ko) 풍력단지 내 터빈의 최적 발전 요구량 산출 방법 및 시스템
Zgarni et al. Design of optimal control of DFIG-based wind turbine system through linear quadratic regulator
S. Dhiman et al. Fundamentals of Wind Turbine and Wind Farm Control Systems
Praveen et al. Genetic Algorithm Based Power Control Strategies of a Grid Integrated Hybrid Distributed Generation System
CN111030180A (zh) 基于无线传感器网络的双馈风电机组风能集成控制方案
CN112884262A (zh) 一种风电机组载荷适应性确定方法和系统
Tiwari et al. Implementation of active and reactive power control in a novel solar power plant controller solution
Chen et al. Application of grid-level battery energy storage system to wind power fluctuation smoothing
LU505191B1 (en) Wind turbine power control method, device, equipment and storage medium
Yoon et al. An economic ESS design method based on wind system capacity factor for island power grid
Sivakumar et al. Machine Learning-based LFC Modelling for Solar and Wind Power Plant
Najjar et al. Coordinated generation and transmission expansion planning with optimal wind and thermal power integration
Stephens et al. Wind lulls and slews; consequences for the stability of future UK electricity systems

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