CN110168220A - 一种评估风力涡轮机发电机性能的方法和系统 - Google Patents
一种评估风力涡轮机发电机性能的方法和系统 Download PDFInfo
- Publication number
- CN110168220A CN110168220A CN201780081758.4A CN201780081758A CN110168220A CN 110168220 A CN110168220 A CN 110168220A CN 201780081758 A CN201780081758 A CN 201780081758A CN 110168220 A CN110168220 A CN 110168220A
- Authority
- CN
- China
- Prior art keywords
- wtg
- specific
- group
- wind turbine
- power production
- 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
- 238000004519 manufacturing process Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
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
-
- 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
- F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
-
- 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
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- 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
- F05B2270/328—Blade pitch angle
-
- 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
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (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)
Abstract
本发明公开了一种评估(100)风力涡轮机发电机(WTG)组(23)中特定风力涡轮机发电机(WTG)(11)的性能的方法。该方法可包括以下动作：测量(110)所述特定WTG(11)的实际功率生产(31)；接收(120)来自所述特定WTG(11)的包括控制设置(50)的数据(40、41)组和来自所述WTG组(23)中的其他多个WTG(12)中的至少一个的包括控制设置(50)的至少一个数据(40、42)组；将特定WTG的功率生产(33)作为从多个特定WTG接收的数据组以及从多个其他WTG中的至少一个接收的至少一个数据组的函数进行估算(130)；比较(140)实际功率生产与估算的功率生产。估算估算的功率生产的动作基于由计算机实现的评估(200)。还公开了一种风力涡轮机评估系统。
Description
技术领域
本发明涉及一种评估风力涡轮机发电机(WTG)组中特定风力涡轮机发电机(WTG)的性能的方法。该方法可包括以下动作中的一个或多个。可存在测量特定WTG的实际功率生产的动作。可存在从该特定WTG接收数据组以及从该WTG组中的多个其他WTG中的至少一个接收至少一个数据组的动作。可存在将该特定WTG的功率生产作为从多个特定WTG接收的数据组以及从多个其他WTG中的至少一个接收的至少一个数据组的函数进行估算的动作。可存在将实际功率生产与估算的功率生产进行比较的动作。估算功率生产的动作可基于由计算机实现的评估。
本发明还涉及一种系统，用于评估WTG组中的WTG的性能。
背景技术
传统的预测风力涡轮机发电机(WTG)功率性能的方法是基于“功率曲线”进行的，“功率曲线”描绘出作为测得的风速以及其他大气特性，如密度甚至可能湿度和温度等的函数的期望功率生产，通过安装在机舱或气象塔的风速计测量风速。然后将实际功率与从功率曲线中查找的值进行比较，以评估WTG性能。这样的方法会遇到与风速计测量相关的各种问题。
通过比较WTG对的实际功率生产，进行了改进。大概的想法是从该WTG对的功率，通常是比率或差异，产生性能度量标准。可以预先选取WTG对，以在一定程度上考虑位置差异。
这种方法存在一些问题。首先，当唤醒多个WTG中的一个时，该度量标准将出现偏离。其次，在复杂地形中，该度量标准非常依赖于风向和风切变，且这种度量标准(例如功率比率)的标准偏差通常很大。
US 2011/0270450描述了一种用于评估风电场中特定风力涡轮机的风力涡轮机性能的方法和系统。在该WTG对中，对特定风力涡轮机和类似风力涡轮机的实际功率生产(风力涡轮机性能)进行测量。然而，所建议的配对和对配对的风力涡轮机的处理已经显示出是有问题的。
通常，需要替代方法和更加稳健的方法。特别是需要减轻或克服偏度问题。
专利申请US20160084233公开了使用来自WTG子组的数据作为输入变量，应用分段回归来模拟整个风电场所产生的功率。
发明目的
本发明的目的在于克服或改进上述问题或缺陷中的一个或多个。
本发明的目的在于提供简单且稳健的方式来评估风力涡轮机中的功率性能。甚至不必直接访问所有风力涡轮机的控制或操作。
发明内容
发明目的通过连续评估风力涡轮机发电机(WTG)组中的特定风力涡轮机发电机(WTG)的性能实现。该方法可包括以下动作中的一个或多个。
可以存在测量特定WTG的实际功率生产的动作。
可以存在从该特定WTG接收数据组以及从该WTG组中的多个其他WTG中的至少一个接收至少一个数据组的动作。
可以存在将该特定WTG的功率生产作为从多个特定WTG接收的数据组以及从多个其他WTG中的至少一个接收的至少一个数据组的函数进行估算的动作。
可存在将实际功率生产与估算功率生产比较的动作。
估算功率生产的动作可基于由计算机实现的评估。
这种方法允许多个WTG相对彼此进行连续比较，从而通过使用获得的经验数据，向操作者或生产商提供关于一个或多个风力涡轮机性能的有价值的信息。
在本发明的一个方面，计算机实现的评估可以实现为代表以下类型模型中的一个或多个的计算机指令。
可以存在回归模型的实现。可以存在支持向量回归模型的实现。可以存在机器学习，例如神经网络的实现。机器学习可以归入称为“监督学习”的一类模型中。
可能需要对数据进行预处理、标准化和一般准备，并且数据的预处理、标准化和一般准备依赖于实际的模型实现。
本领域技术人员应当理解在所提到的模型类型中选取的各种模型。本领域技术人员还应该理解模型的各种命名。在更高层面，可以在被称为监督学习或回归的模型中找到模型。实现这样的模型将给出特定WTG的功率。本领域技术人员以及熟悉这种类别的算法的人员容易知晓去哪里找到文献或软件库来实现这些方法。
监督学习方法的一个起点可以是所谓的“随机森林回归”[Ho,Tin Kam(1998).“The Random Subspace Method for Constructing Decision Forests”。
另一个起点可以是“IEEE Transactions on Pattern Analysis and MachineIntelligence.20(8):832-844]”。
“k-最近邻算法(k-Nearest Neighbors)”的起点可以是Altman,N.S.(1992)的“Anintroduction to kernel and nearest-neighbor nonparametric regression”,American Statistician.46(3):175-185.
“支持向量回归”的起点可以是Drucker,Harris；Burges,Christopher J.C.；Kaufman,Linda；Smola,Alexander J.；和Vapnik,Cladimir N.(1997)在Advances inNeural Information Processing Systems 9,NIPS 1996,155-161,MIT Press中的"Support Vector Regression Machines"。
实现这样的模型将需要一些调整。例如，当实现决策树模型时。对于随机森林回归，可以使用20棵树，每个叶节点最少2个样本，最大树深度为20。根据实际数据，可以使用1-50棵树。
对于k-最近邻算法，需要距离度量标准且对于本领域技术人员来说，这将是一个选择问题，但是出于此目的，可以使用加权欧几里德距离度量标准。
模型输入是除了特定WTG的功率以外的来自特定WTG和多个其他WTG的数据。模型输出是该特定WTG的功率。使用包括输入和输出的历史数据训练该模型，然后在训练后，使用输入预测输出。
在本发明的一个方面，还可以存在如果实际功率生产低于估算的功率生产，则触发警报的动作。
警报可以基于更广义的标准，例如如果最后N小时的平均功率低于预计最后N小时的平均功率特定的百分比，警报可以被激活。或者，可以使用置信区间触发警报。
在本发明的一个方面，还可以存在识别为何实际功率生产低于估算功率生产的原因的动作。
该识别动作可以基于功率生产的不佳性能如何发生的时间特性。性能缓慢地逐渐降低可能是由叶片污染导致。
如果在温度低于0度的情况下，不佳性能在较快的时间尺度上发生，原因可能是结冰。如果观察到实际功率生产陡降，原因可能是软件(控制器)更新、叶片更换或断裂。
这可以联合其他算法一起使用，例如桨距和扭矩调度变化的检测，并且可以用于评估例如其他变化对年度能量生产的影响。
在本发明的一个方面，从特定WTG收到的数据至少包括特定WTG的实际桨距设置。
然后选取的模型可以使用特定WTG的桨距设置为参数，并基于多个其他WTG的桨距设置及实际功率输出产生估算的功率输出。因此，该方法允许将实际功率生产与基于多个其他WTG的功率生产通过拟合、建模或预测估算的功率生产进行比较。
在一个实施方式中，模型输入数据包括来自除了特定WTG之外的多个其他WTG的桨距。
选取的模型因此可选地包括特定WTG和/或多个其他WTG的桨距角设置。
特定WTG的其他设置可包括在所接收的数据中。例如，扭矩设置。在此情况下，选取的模型随后可使用多个其他WTG的扭矩设置。
在一个实施方式中，模型输入数据包括来自除了特定WTG之外的多个其他WTG的扭矩。
选取的模型因此可选地包括特定WTG和/或多个其他WTG的扭矩设置。
在本发明的一个方面，从多个其他WTG接收的数据至少包括多个其他WTG中的一个或多个的桨距设置和对应的实际功率生产。
在本发明的一个方面，接收数据的动作还可包括接收与每个WTG相关的气象条件组，并且其中估算的动作还是该气象条件组的函数。
从各种WTG和其他装置，例如提供风电场中气象条件或数据的气象站中收集的参数或数据(除了实际WTG功率)，能够作为独立变量传送。这些参数在各个时间点的值可以用在函数或模型中，例如用于产生回归函数，其针对特定WTG上的功率。
这已经证明比使用功率比和功率曲线的传统方法更可靠；因为已经观察到依赖于功率曲线的方法对于评估大多数类型的变化是无用的。功率比在某些情况下可能是好的，但是对所比较的WTG的风切变、风向、削减是敏感的。在本文所概述的方法中使用气象数据或条件克服了大部分这些问题。
在本发明的一个方面，执行比较动作后，还存在更新或调整计算机实现评估的动作。
评估或模型可以调节或细化。加权或自由参数可以根据输出或能够提高评估可靠性的其他可用的真实信息进行调节。
例如，回归模型可示出，一个或多个特定WTG在某个统计阈值之外，且在以下评估或模型中，该特定WTG的加权更少或被消除。
在另一情况下，使用更多的模型或评估，且证实在这些特定模型或评估中，一些比另一些更精确。随后，模型的使用可调节为更多地依赖于更精确的模型。一个模型可示出“欠拟合”的指征，然后自由参数的数量、层或复杂度可升高。同样地，模型可示出“过拟合”的指征，然后自由参数的数量、层或复杂度可降低。
在本发明的一个方面，风力涡轮机发动机(WTG)组包括至少一个参考WTG。
可以认定或凭经验观察到多个其他WTG中的一个特定WTG，其表现比其余WTG更可靠。这种特定的WTG可以被认为是参考WTG并且以比其他WTG更高的权重使用。
如果功率输出与一些WTG的关系比与其余的WTG的关系更密切，模型或算法，如随机森林，也可以自动学习，例如尝试预测有两个相邻的WTG—WTG-B和WTG-C的WTG-A的功率；并且如果WTG-B的功率与WTG-A的功率完美匹配，而WTG-C的功率完全不相关，那么算法将自动学习这些，并使用WTG-B的功率并彻底或大部分忽略WTG-C的功率。
在本发明的一个方面，可以用风力涡轮机发电机(WTG)组中的多个或每一个WTG作为特定风力涡轮机发电机(WTG)来进行性能评估。
这样的动作可用于校准模型或评估。此外，这样的动作可用于将WTG相对彼此分类或排序。
在WTG子组，例如一对WTG彼此更相关的特定情况下，可识别这个子组或对，并形成更好更精确的评估的基础。同样地，该动作可用于通过识别其他WTG的最合适的组来降低复杂度，并随后减少所需数据或计算工作量。
在本发明的一个方面，该特定WTG与多个其他风力涡轮机发电机(WTG)相比，包括一个或多个附加WTG特征，例如涡流发生器、格尼装置(Gurney devices)和锯齿。
这允许对WTG附件的性能评估和操作效果进行评估。
在本发明的一个方面，特定风力涡轮机发电机(WTG)具有不同于多个其他风力涡轮机发电机(WTG)的一个或多个控制设置。
这允许对WTG的操作或控制设置的变化的性能评估和操作效果进行评估。
一个目的可通过计算机程序产品实现，该计算机程序产品包括根据概述的方法或动作执行一个或多个评估性能的动作的指令。
一个目的可通过风力涡轮机评估系统实现，该系统包括一个或多个以下特征。
可存在功率生产测量系统，其设置为测量特定WTG的实际功率生产。
可存在数据接收系统，其设置为从特定WTG接收数据组，并从该WTG组中的多个其他WG中的至少一个接收至少一个数据组。
可存在计算机，其设置为将特定WTG的功率生产作为从多个特定WTG接收的数据组和从多个其他WTG中的至少一个接收的至少一个数据组的函数进行估算，并将实际功率生产与估算的功率生产相比较。
存在计算机程序产品，其包括使计算机执行所公开的方法和动作的指令。
定义：
“连续”理解为不只一次，并且优选地理解为定期地或规律性地进行。原则上，可存在第一(前)评估以及随后的第二(后)评估。实际上，本领域技术人员应当了解如何调整规律性，但是评估可以按10分钟的间隔定期执行。
“数据”应理解为关于WTG运行的参数或值。
“组”应理解为项目或客体的集合。组可以是非空集合。一“组”可以是共享一些分组特征或相似之处的一组WTG，但是一“组”也可以是收集的一个或多个WTG，以形成用于分析的其他WTG的组。组可以随着时间变化，或者“WTG组”中的多个WTG可以变化或被改变。
因此，一组风力涡轮机可以是位于相同区域的风电场。一组风力涡轮机也可以是位于不同位置具有相似模型的风力涡轮机。一组风力涡轮机还可以是具有不同模型的风力涡轮机。
此处，一组“WTG”包括至少一个特定WTG，即将相对多个其他WTG进行比较或评估的WTG。因此，一组可以包括WTG“A、B、C”。“A”可以是特定WTG，“B和C”是其他“WTG”。“B”也可以是特定WTG，且“A和C”是其他“WTG”。同样地，一组可以是“A、B”，且“A”或“B”的任一个可以是相对其他WTG，即“B”或“A”进行评估的特定WTG，反之亦然。
“模型”应理解为原理，其表达为公式、动作或在一个或多个算法中执行的步骤。模型也可以被认为是神经网络。
示例
所公开的方法、动作和系统可用作评估如图1所大致示出的风力涡轮机性能的方法。该方法可使用回归模型，基于特定或目标风力涡轮机发电机，以及相对目标风力涡轮机发动机定位的一个或多个其他风力涡轮机发电机的一些参数，来计算风力涡轮机发电机的功率输出。该特定风力涡轮机和其他风力涡轮机也可以如图2所大致示出的。
回归模型可包括以下模型中的任一个：包括神经网络的机器学习或统计方法、决策树、支持向量回归、最近邻算法等。
参数包括来自其他风力涡轮机发电机的功率输出、来自其他风力涡轮机发电机的叶片桨距、来自其他风力涡轮机发电机的扭矩、大气特性、风向、温度、风向标、当日时间、降水或密度测量、或风力涡轮机发电机状态代码等。数据和评估可以如图2所示。
如图3所示出的，可以处理、评估并比较所收集的数据，目标风力涡轮机发电机的计算功率与目标风力涡轮机发电机的实际(测量)功率相比较，以评估目标风力涡轮机发电机的性能。性能度量标准基于计算功率和实际功率的比较进行计算，比较形式为功率之间的差别或功率的比率。因此能够基于比较，识别出性能不佳的风力涡轮机。此外，该方法可用于检测风力涡轮机上的任意差错，包括偏航误差或风力涡轮机叶片破裂或断裂等。此外，此方法可用于对任意升级或向风力涡轮机发电机添加的附件或风力涡轮机发动机的控制设置的任意改变的性能影响进行评估。
已经基于本发明的要素识别了以下指标。搜索中识别的所有相关和/或有关的结果都映射在这些关键特征上，以正确描述其意义。
一种评估风力涡轮机发电机性能的方法，可包括使用回归模型评估风力涡轮机发电机的性能，其中回归模型与作为风电场中测得的一个或多个其他参数的函数风力涡轮机发电机功率进行拟合。
该方法可以将测得的风力涡轮机发电机功率与从参数计算的值进行比较，该参数在该风力涡轮机发电机以及相对该风力涡轮机发电机定位的一个或多个其他风力涡轮机发电机上测得。
该数据可包括来自其他风力涡轮机发电机的功率输出、来自所有风力涡轮机发电机的叶片桨距、或来自其他风力涡轮机发电机的扭矩输出。
该数据可包括大气特性、风向、温度、风向标、当日时间、降水或密度测量。
还可存在风力涡轮机发电机性能的指征，其包括实际功率相对回归功率，以性能度量标准形式表现，包括：
a.实际功率与回归值的比率，或
b.实际功率与回归值的差别，
c.风力涡轮机发电机状态代码可用作参数。
可以使用周期的总量(例如，每日或每小时的平均值或中位数，可能具有置信区间或标准偏差)来提供结论的附加的统计确定性。
对于一些控制器类型，转子RPM可以代替功率，用于降低统计的不确定性。
此方法可以用在软件产品中，以在性能过差时生成警报。
此方法可用于评估风力涡轮机发电机附件的性能影响，例如涡流发生器，格尼装置和锯齿。
如果在监控性能时，相关事物变化，即操作风向标、桨距或扭矩调度不同，该方法可用于检测偏航误差或次佳控制设置。
此方法可用于确定叶片几何形状何时被无意损害(例如叶片污染、前缘腐蚀、破裂/断裂等)。
所公开的动作或系统描述了用于评估WTG的性能的改进方法论。在实例中，该方法或原理基于将测得的WTG功率与从该WTG和一个或多个其他WTG上测得的参数计算的值/多个值的比较。其他WTG可以相对此WTG定位。
数据或参数通常包括来自多个其他WTG的功率输出、来自所有WTG的叶片桨距、和大气特性如风向、温度、TI等。
其他数据或参数可包括但不限于扭矩、风向标、当日时间、降水或密度测量。
此外，数据可包括WTG状态代码。
这些参数中的一部分如叶片桨距和扭矩可以从数个WTG收录。
在实例中，该方法包括与作为在风电场中测得的一个或多个其他参数的函数的WTG功率进行拟合的回归模型。实际功率相对回归功率，是WTG性能的指征。性能度量标准可包括，例如实际功率与回归功率的比率或实际功率与回归功率之间的差异。
周期总量，例如每日或每小时的平均值或中位数，可能具有置信区间或标准偏差，可用于提供结论的附加的统计确定性。
对于一些控制器类型，转子RPM可以替换功率，用于降低统计的不确定性。
此方法可以用在软件产品中，以在表现过差时生成警报。
此方法可用于评估风力涡轮机发电机附件的性能影响，例如其中的涡流发生器，格尼装置和锯齿。
如果在监控性能时，相关事物变化(即操作风向标、桨距或扭矩调度不同)，该方法可用于检测偏航误差或次佳控制设置。
此概述的方法或动作可用于确定叶片几何形状何时被无意损害(例如叶片污染、前缘腐蚀、破裂/断裂等)。
该方法可应用于真实数据并检测软件更新何时改变WTG扭矩调度，显著影响发电量。
该方法还可应用于检测数个WTG上的偏航误差。可用于检测何时叶片破裂或断裂；通常，能够检测引发WTG发电量降低的任意事物。
该方法还可用于研究变化的影响。这样的变化可包括但不限于，偏航、扭矩、或桨距的变化甚至叶片几何形状的变化，例如VG、格尼装置、叶尖延长、边界层翼刀、或其他几何形状变化。
从风电场中的各个WTG以及其他装置(例如气象塔)收集的数据或参数(除了目标WTG功率)是独立变量。这些参数在各个时间点的值用于产生回归函数，其目标在于目标WTG上的功率。
可以使用任意机器学习或统计方法，包括神经网络、决策树、或最近邻算法来执行回归。这样的回归模型可选地使用历史数据预加载。回归模型可以随着接收到新数据更新或不更新(即持续学习)。回归可以定期更新，例如每天或每月。回归模型可根据用户的输入更新，例如在一些情况下，用户可以命令模型停止更新一段时间，以防学习到已知的不良数据。
选择使用哪个独立变量取决于应用。一个系统可具有多个回归函数，例如一个用于检测叶片几何形状问题，一个用于检测扭矩问题，还有一个用于检测偏航误差问题。例如，如果扭矩调查是目的，那么不可以使用目标机器上的扭矩。在此情况下，随后能够研究作为扭矩的函数的性能来检测潜在的问题。
附图说明
将在附图中对本发明的实施例进行描述，其中
图1示出了一般的风力涡轮机发电机(WTG)；
图2示出了具有特定WTG和多个其他WTG的多个WTG的示范性布置；
图3示出了随着时间比较实际性能与估算的性能的结果；
图4示出了具有特定WTG和多个其他WTG的WTG组；
图5示出了一种评估WTG性能的方法；
图6示出了基于一个或多个模型的计算机实现的评估；
图7示出了评估WTG性能时的其他动作；
图8示出了将计量数据进一步包括在评估WTG性能中；以及
图9示出了更新模型的动作。
具体实施方式
图1示出了一般的风力涡轮机发电机，WTG，10，其具有支撑机舱3的塔架2，机舱3具有转子4，转子4具有叶片5。该WTG10代表下文所指的典型的风力涡轮机发电机。
该WTG10具有控制器6，用于控制WTG10。控制器6将通常设置用于外部通信。各种操作数据将通常基于监控系统为可用的。可存在监视控制和数据采集(SCADA)的实现。
图2示出了风力涡轮机评估系统1000，其包括功率生产测量系统1100，该生产测量系统1100设置为测量110特定WTG11和多个其他WTG12的实际功率生产。
还设有数据接收系统1200，其设置为从特定WTG11接收数据40、41组，以及从WTG组23中的多个其他WTG12中的至少一个接收至少一个数据40、42组。数据可包括控制设置50，例如桨距设置52。存在计算机2000(具有计算机程序产品2200)，设置为估算130特定WTG11的功率生产，作为从特定WTG11所接收的数据40、41组和从多个其他WTG12中的至少一个接收的至少一个数据40、42组的计算机实现的评估200函数或模型，并用于将实际功率生产31与估算的功率生产33进行比较140。
如果特定WTG11的实际功率生产31是“正常”或处于估算的功率生产33的水平内，那么不需要动作。如果实际功率生产不正常，或者例如低于估算的功率生产33，那么执行进一步的动作。存在识别150原因的动作或/且存在触发警报160的动作，这也是通知操作者的动作。
图3示出了评估如图2所示的WTG组的实例，以及随时间估算130，并将实际功率生产31和估算的功率生产33进行比较140的结果。点代表特定WTG11的实际功率生产31，其与通过模型如回归模型获得的估算130的WTG功率进行比较。如图，存在特定WTG11的实际功率生产相比估算的功率生产33性能不佳的时期。性能不佳可以定义为，比较140的动作的结果是测量的实际功率31统计上或显著低于某一值。在性能不佳的情况下，存在多个进一步的动作。可以触发警报。可以存在调查或评估，以识别潜在问题。可生成通知，通知可包括潜在问题列表，且生成的通知可发送至操作者或生产商。
图4示出了风力涡轮机发电机WTG组23中的一个特定风力涡轮机发电机WTG11。该WTG组包括特定WTG11和多个其他WTG12。
特定WTG的选取或选择可以改变或循环。在任意组合中，所公开的性能评估可以用更多WTG或者用风力涡轮发电机WTG组中的每个WTG作为特定风力涡轮发电机WTG11来执行。
图5参照前文的附图示出了，一种连续评估100风力涡轮机发电机WTG组23中的特定风力涡轮机WTG11的性能的方法。该方法包括测量110特定WTG11的实际功率生产31的动作。
存在从特定WTG11接收120数据40、41组和从WTG组23中的多个其他WTG12中的至少一个接收至少一个数据40、42组的动作。
存在将特定WTG11的估算的功率生产33作为从多个特定WTG11接收的数据组40、41和从多个其他WTG12中的至少一个接收的至少一个数据组40、12的函数进行估算130的动作。
存在将实际功率生产31与估算的功率生产44进行比较140的动作。
估算130估算的功率生产33的动作是基于计算机实现的评估200的。
参照图2和4，从特定WTG11接收的数据40至少包括多个特定WTG11的实际桨距设置51。例如，从多个其他WTG12接收的数据40至少包括多个其他WTG12中的一个或多个的桨距设置51和相应的实际功率生产31。
所概述的方法还可在特定WTG11相比多个其他风力涡轮机发电机WTG12包括一个或多个附加WTG特征，例如包括涡流发生器、格尼装置和锯齿的情况下执行。此外，特定风力涡轮机WTG11可具有相比多个其他风力涡轮机发电机WTG12的控制设置50变化或调整的一个或多个控制设置50。
图6示出了计算机实现的评估200实现为计算机指令，该计算机指令代表回归模型210、支持向量回归模型215、机器学习220例如神经网络225、决策树模型230、和/或最近邻算法模型240中的一个或多个.
图7示出了图5中概述的方法并且还包括识别150为何实际功率生产31低于估算的功率生产33的原因的动作。
还示出了如果实际功率生产31低于估算的功率生产33，则触发警报160的动作。
图8参照图2示出了接收120的动作还包括接收122与各个WTG10相关的气象条件60组的方法，且其中估算130的动作还是该气象条件60组的函数。
图9示出了执行比较140动作后，更新或调节400计算机实现的评估200的动作。
Claims (15)
1.一种连续评估(100)风力涡轮机发电机(WTG)组(23)中的特定风力涡轮机发电机(WTG)(11)的性能的方法，所述方法包括以下动作：
-测量(110)所述特定WTG(11)的实际功率生产(31)；
-接收(120)来自所述特定WTG(11)的包括控制设置(50)的数据(40、41)组和来自所述WTG组(23)中的多个其他WTG(12)中的至少一个的包括控制设置(50)的至少一个数据(40、42)组；
-将所述特定WTG(11)的估算的功率生产(33)作为从多个所述特定WTG(11)接收的数据(40、41)组以及从其他WTG(12)中的至少一个接收的至少一个数据(40、42)组的函数估算(130)；
-比较(140)实际功率生产(31)与估算的功率生产(33)；以及
-其中估算(130)估算的功率生产(33)的动作基于由计算机实现的评估(200)。
2.根据权利要求1所述的方法，其特征在于，所述计算机实现的评估(100)实现为计算机指令，所述计算机指令代表：
-回归模型(210)；
-支持向量回归模型(215)；
-机器学习(220)，如神经网络(225)；
-决策树模型(230)；和/或
-最近邻算法模型(240)。
3.根据权利要求1或2所述的方法，还包括如果实际功率生产(31)低于估算的功率生产(33)，则触发警报的动作。
4.根据权利要求1-3中任意一项或多项所述的方法，还包括识别(150)为何实际功率生产(31)低于估算的功率生产(33)的原因的动作。
5.根据权利要求1-4中任意一项或多项所述的方法，其特征在于，从特定WTG(11)接收的数据(40)至少包括特定WTG(11)的实际桨距设置(51)。
6.根据权利要求1-5中任意一项或多项所述的方法，其特征在于，从多个其他WTG(12)接收的数据(40)至少包括所述多个其他WTG(12)中的一个或多个的实际桨距设置(51)和相应的实际功率生产(31)。
7.根据权利要求1-6中任意一项或多项所述的方法，其特征在于，接收(120)的动作还包括接收(122)与各个WTG(10)相关的气象条件(60)组，而且其中估算(130)的动作还是所述气象条件(60)组的函数。
8.根据权利要求1-7中任意一项或多项所述的方法，还包括执行比较(140)动作后，更新或调节(400)所述计算机实现的评估(200)的动作。
9.根据权利要求1-8中任意一项或多项所述的方法，其特征在于，所述风力涡轮机发动机(WTG)组(23)包括至少一个参考WTG(25)。
10.根据权利要求1-9中任意一项或多项所述的方法，其特征在于，可以用风力涡轮发电机(WTG)组中的多个或者每个WTG作为特定风力涡轮发电机(WTG)(11)来执行性能评估。
11.根据权利要求1-10中任意一项或多项所述的方法，其特征在于，所述特定WTG(11)与多个所述其他风力涡轮机发电机(WTG)(12)相比，包括一个或多个附加WTG特征，例如涡流发生器、格尼装置和锯齿。
12.根据权利要求1-11中任意一项或多项所述的方法，其特征在于，所述特定风力涡轮机发电机(WTG)(11)具有相比多个所述其他风力涡轮机发电机(WTG)(12)的控制设置(50)变化或被改变的一个或多个控制设置(50)。
13.一种计算机程序产品(200)，包括指令，根据权利要求1-12中任意一项或多项所述的方法来执行性能评估的一个或多个动作。
14.一种风力涡轮机评估系统(1000)，包括：
-功率生产测量系统(1100)，设置为测量特定WTG(11)的实际功率生产；
-数据接收系统(1200)，设置为从所述特定WTG(11)接收包括控制设置(50)的数据(40、41)组，以及从WTG组(23)中的多个其他WTG(12)中的至少一个接收包括控制设置(50)的至少一个数据(40、42)组；
-计算机(2000)，设置为将所述特定WTG(11)的功率生产(30)作为从特定WTG(11)接收的数据(40、41)组和从多个其他WTG(12)中的至少一个接收的至少一个数据(40、42)组的函数进行估算，用于将所述实际功率生产(31)与估算的功率生产(33)相比较。
15.一种计算机程序产品(2200)，包括使根据权利要求14的所述计算机(2000)执行根据权利要求1-13中一项或多项的方法或动作的指令。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DKPA201671064 | 2016-12-30 | ||
| DKPA201671064 | 2016-12-30 | ||
| PCT/CN2017/119358 WO2018121668A1 (en) | 2016-12-30 | 2017-12-28 | A method and system for evaluating wind turbine generator performance |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110168220A true CN110168220A (zh) | 2019-08-23 |
| CN110168220B CN110168220B (zh) | 2021-03-26 |
Family
ID=62707904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780081758.4A Active CN110168220B (zh) | 2016-12-30 | 2017-12-28 | 一种评估风力涡轮机发电机性能的方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110168220B (zh) |
| WO (1) | WO2018121668A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10605228B2 (en) | 2018-08-20 | 2020-03-31 | General Electric Company | Method for controlling operation of a wind turbine |
| US11639711B2 (en) | 2018-08-31 | 2023-05-02 | Siemens Aktiengesellschaft | Methods and systems for performance loss estimation of single input systems |
| US10954919B1 (en) | 2019-10-02 | 2021-03-23 | General Electric Company | Machine-learning model-based analytic for monitoring wind farm power performance |
| US11060504B1 (en) | 2020-02-07 | 2021-07-13 | General Electric Company | Systems and methods for continuous machine learning based control of wind turbines |
| US11428212B2 (en) | 2020-02-11 | 2022-08-30 | Inventus Holdings, Llc | Wind turbine drivetrain wear detection using azimuth variation clustering |
| EP3922842A1 (en) * | 2020-06-11 | 2021-12-15 | Vestas Wind Systems A/S | Method of controlling a wind turbine |
| US11231012B1 (en) | 2020-09-22 | 2022-01-25 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
| FR3117175B1 (fr) * | 2020-12-03 | 2022-12-23 | Electricite De France | Procede de determination de l’etat de fonctionnement d’une eolienne |
| US11649804B2 (en) * | 2021-06-07 | 2023-05-16 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208050A (zh) * | 2010-03-31 | 2011-10-05 | 通用电气公司 | 对风力涡轮机进行性能监测和识别升级的系统和方法 |
| CN102444553A (zh) * | 2010-09-30 | 2012-05-09 | 通用电气公司 | 用于确认风力涡轮机性能不足的系统和方法 |
| CN103629046A (zh) * | 2012-08-20 | 2014-03-12 | 新疆金风科技股份有限公司 | 一种风力发电机性能的评估方法、装置和风力发电机 |
| CN104454380A (zh) * | 2013-09-18 | 2015-03-25 | 西门子公司 | 风力涡轮机性能监视 |
| EP2942744A1 (en) * | 2014-03-31 | 2015-11-11 | Vestas Wind Systems A/S | A method for evaluating a performance prediction for a wind farm |
| CN105894391A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于scada运行数据提取的风电机组转矩控制性能评估方法 |
| US20160265513A1 (en) * | 2015-03-11 | 2016-09-15 | General Electric Company | Systems and methods for validating wind farm performance improvements |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101145049A (zh) * | 2006-09-14 | 2008-03-19 | 新疆金风科技股份有限公司 | 风力发电机组功率曲线验证系统 |
| US7509190B2 (en) * | 2007-04-03 | 2009-03-24 | Tenaska Power Services Co. | Method for administering an intermittent uncontrollable electric power generating facility |
| CN104915747B (zh) * | 2015-02-03 | 2019-02-01 | 远景能源（江苏）有限公司 | 一种发电机组的发电性能评估方法及设备 |
-
2017
- 2017-12-28 WO PCT/CN2017/119358 patent/WO2018121668A1/en active Application Filing
- 2017-12-28 CN CN201780081758.4A patent/CN110168220B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208050A (zh) * | 2010-03-31 | 2011-10-05 | 通用电气公司 | 对风力涡轮机进行性能监测和识别升级的系统和方法 |
| CN102444553A (zh) * | 2010-09-30 | 2012-05-09 | 通用电气公司 | 用于确认风力涡轮机性能不足的系统和方法 |
| CN103629046A (zh) * | 2012-08-20 | 2014-03-12 | 新疆金风科技股份有限公司 | 一种风力发电机性能的评估方法、装置和风力发电机 |
| CN104454380A (zh) * | 2013-09-18 | 2015-03-25 | 西门子公司 | 风力涡轮机性能监视 |
| EP2942744A1 (en) * | 2014-03-31 | 2015-11-11 | Vestas Wind Systems A/S | A method for evaluating a performance prediction for a wind farm |
| US20160265513A1 (en) * | 2015-03-11 | 2016-09-15 | General Electric Company | Systems and methods for validating wind farm performance improvements |
| CN105894391A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于scada运行数据提取的风电机组转矩控制性能评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018121668A1 (en) | 2018-07-05 |
| CN110168220B (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110168220A (zh) | 一种评估风力涡轮机发电机性能的方法和系统 | |
| Schlechtingen et al. | Using data-mining approaches for wind turbine power curve monitoring: A comparative study | |
| Yi et al. | Imbalanced classification based on minority clustering synthetic minority oversampling technique with wind turbine fault detection application | |
| JP5832644B2 (ja) | 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法 | |
| CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| US7930260B2 (en) | System and method for real time pattern identification | |
| Chen et al. | Multi-fault diagnosis study on roller bearing based on multi-kernel support vector machine with chaotic particle swarm optimization | |
| EP3186514B1 (en) | Monitoring of a pump | |
| US8489247B1 (en) | Agent-based chaotic control of wind turbines | |
| CN105046045B (zh) | 一种基于贝叶斯组合的Web服务QoS预测方法 | |
| CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
| Toubakh et al. | Hybrid dynamic data-driven approach for drift-like fault detection in wind turbines | |
| WO2018059259A1 (en) | Method and system of yaw control of wind turbines in a wind turbine farm | |
| CN116401536A (zh) | 一种风电机组风速计的故障诊断方法、装置及系统 | |
| Zhang et al. | Applying big data analytics into network security: Challenges, techniques and outlooks | |
| CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| Li et al. | Prediction of wind turbine blades icing based on CJBM with imbalanced data | |
| Macabiog et al. | Rainfall predictive approach for La Trinidad, Benguet using machine learning classification | |
| CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
| Zhang et al. | Supervised Kohonen network with heterogeneous value difference metric for both numeric and categorical inputs | |
| Toubakh et al. | Advanced data mining approach for wind turbines fault prediction | |
| Malakhov et al. | Testing machine learning approaches for wind plants power output | |
| Zhao et al. | Detection of impending ramp for improved wind farm power forecasting | |
| Song et al. | Section division and multi-model method for early detection of icing on wind turbine blades | |
| Xiong et al. | Research on Icing Status Forecasting of Wind Turbine Blades Based on Machine Learning |
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 | ||
| CB02 | Change of applicant information |
Address after: 214443 3 Shen Zhuang Road, Shen Gang street, Jiangyin, Wuxi, Jiangsu Applicant after: Vision Energy Co.,Ltd. Address before: 214443 3 Shen Zhuang Road, Shen Gang street, Jiangyin, Wuxi, Jiangsu Applicant before: Envision Energy (Denmark) APS |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |