CN110594106B - 一种风电机组载荷在线预测方法、装置、设备、介质 - Google Patents

一种风电机组载荷在线预测方法、装置、设备、介质 Download PDF

Info

Publication number
CN110594106B
CN110594106B CN201910980767.8A CN201910980767A CN110594106B CN 110594106 B CN110594106 B CN 110594106B CN 201910980767 A CN201910980767 A CN 201910980767A CN 110594106 B CN110594106 B CN 110594106B
Authority
CN
China
Prior art keywords
data
load
target
unit operation
prediction model
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.)
Active
Application number
CN201910980767.8A
Other languages
English (en)
Other versions
CN110594106A (zh
Inventor
孙勇
陈棋
应有
李照霞
余清清
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.)
Zhejiang Windey Co Ltd
Original Assignee
Zhejiang Windey 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
Application filed by Zhejiang Windey Co Ltd filed Critical Zhejiang Windey Co Ltd
Priority to CN201910980767.8A priority Critical patent/CN110594106B/zh
Publication of CN110594106A publication Critical patent/CN110594106A/zh
Application granted granted Critical
Publication of CN110594106B publication Critical patent/CN110594106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

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

本申请公开了一种风电机组载荷在线预测方法、装置、设备、介质，该方法包括：获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。可见，本申请先利用获取到的目标位置载荷数据和相应的第一机组运行数据，以得到目标载荷预测模型，利用所得到模型确定其他风电机组相应位置的实时载荷数据，实现风电机组的载荷数据的虚拟镜像，以减低风电机组的成本，实现风电机组平价化。

Description

一种风电机组载荷在线预测方法、装置、设备、介质
技术领域
本申请涉及风电发电技术领域，特别涉及一种风电机组载荷在线预测方法、装置、设备、介质。
背景技术
随着风电发电技术的不断发展与创新，我国风电技术逐渐成熟，风电行业逐渐向着大容量、长叶片以及高塔架机组方向发展。随着风电机组轻量化、大型化的发展，在风电机组的运行过程中，需要关注风电机组的实时载荷，以更好地监测风电机组的运行情况和优化风电机组的运行策略等。
在现有技术中，需要在风电机组上安装载荷测量传感器以及采样设备来获得风电机组各部位的实时载荷数据，每台风电机组安装一套载荷测量设备方可获得各风电机组相应部分的实时载荷数据，增大了风电机组的成本，增加了风电机组价格。
发明内容
有鉴于此，本申请的目的在于提供一种风电机组载荷在线预测方法、装置、设备、介质，能够降低风电机组的成本，实现风电机组平价化。其具体方案如下：
第一方面，本申请公开了一种风电机组载荷在线预测方法，包括：
获取目标风电机组的第一机组运行数据和目标位置载荷数据；
利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；
当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
可选的，所述获取目标风电机组的第一机组运行数据和目标位置载荷数据，包括：
获取目标风电机组的，包括风速、转速、转矩、桨距角、叶轮方位角、偏航误差、机舱前后加速度、机舱左右加速度、第一桨叶挥舞加速度、第一桨叶摆振加速度、第二桨叶挥舞加速度、第二桨叶摆振加速度、第三桨叶挥舞加速度、第三桨叶摆振加速度的第一机组运行数据；
获取目标风电机组的塔顶、塔底、主轴以及叶根的载荷数据。
可选的，所述载荷预测模型为：
Figure BDA0002234670220000021
X表示所述第一机组运行数据，xm表示所述第一机组运行数据中的第m个数据，Y表示所述目标位置载荷数据，ywj表示第w个目标位置的第j个空间维度对应的载荷数据，φ表示所述载荷预测模型的模型参数，且w×j＝n。
可选的，所述利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，包括：
利用所述第一机组运行数据确定出第一目标输入数据；
利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型。
可选的，所述利用所述第一机组运行数据确定出第一目标输入数据，包括：
对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据；
对所述第二目标输入数据进行第二预处理，得到第一目标输入数据。
可选的，所述对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据，包括：
利用第一预设时间间隔，将所述第一机组运行数据进行分段；
利用第二预设时间间隔，对每段所述第一机组运行数据进行采样，得到每段所述第一机组运行数据对应的N组采样数据，其中，N为正整数，且大于或等于1，每组所述采样数据均包括所述风速、所述转速、所述转矩、所述桨距角、所述叶轮方位角、所述偏航误差、所述机舱前后加速度、所述机舱左右加速度、所述第一桨叶挥舞加速度、所述第一桨叶摆振加速度、所述第二桨叶挥舞加速度、所述第二桨叶摆振加速度、所述第三桨叶挥舞加速度、所述第三桨叶摆振加速度；
确定每段所述第一机组运行数据中每组所述采样数据对应的插值函数的第一插值函数值；
确定每段所述第一机组运行数据中的所述第一插值函数值的平均值，得到每段所述第一机组运行数据对应的第二插值函数值；
根据所述第二插值函数值，从所述第一机组运行数据确定出M段第二目标输入数据，其中，M为正整数，且大于或等于1；
所述插值函数为：λ(t)＝T(t)+β(t)，T表示所述转矩，β表示所述桨距角，t表示时间。
可选的，所述对所述第二目标输入数据进行第二预处理，得到第一目标输入数据，包括：
利用高斯小波函数将每段所述第二目标输入数据分成高频部分和低频部分，得到每段所述第二目标输入数据对应的第一目标输入数据；
其中，所述高斯小波函数为：
Figure BDA0002234670220000031
则Xi-LF＝Xi*f，Xi-HF＝[Xi*(f×cosθ)Xi*(f×sinθ)]，X′i＝[XLF XHF]；
a表示预设系数，σ表示标准差，Xi表示第i段所述第二目标输入数据，Xi-LF表示第i段所述第二目标输入数据的低频部分，Xi-HF表示第i段所述第二目标输入数据的高频部分，θ表示所述目标风电机组的固有频率，X′i表示第i段所述第二目标输入数据对应的第一目标输入数据，且i≤M。
可选的，所述利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，包括：
利用各段所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型
利用梯度校正参数估计法确定所述载荷预测模型的模型参数，得到参数数量与所述第一目标输入数据段数相同的模型参数；
利用所述插值函数对所述模型参数进行插值，得到目标模型参数，以得到目标载荷预测模型；
其中，所述梯度校正参数估计法为：
Figure BDA0002234670220000041
X′i表示第i段所述第一目标输入数据，Yi表示第i段所述第一目标输入数据对应的所述目标位置载荷数据，
Figure BDA0002234670220000042
表示第i段所述第一目标输入数据和对应的所述目标位置载荷数据确定出的所述载荷预测模型的模型参数，X′i(k)表示通过矩阵表示的第i段所述第一目标输入数据中的第k组采样数据，X′i T(k)表示Xi′(k)的转置，c和d为预设系数，且0<c<2，d>0，k≤N。
第二方面，本申请公开了一种风电机组载荷预测装置，包括：
数据获取模块，用于获取目标风电机组的第一机组运行数据和目标位置载荷数据；
模型构建模块，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；
载荷确定模块，用于当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
第三方面，本申请公开了一种风电机组载荷预测设备，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现前述公开的风电机组载荷在线预测方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的风电机组载荷在线预测方法。
可见，本申请先获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。由此可见，本申请先在一个风电机组上安装一套载荷测量设备，以获取所述风电机组的目标位置载荷数据，并获取所述风电机组的第一机组运行数据，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，再利用所述目标载荷预测模型确定未安装载荷测量设备的风电机组相应位置的实时载荷数据，以减低风电机组的成本，实现风电机组平价化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种风电机组载荷在线预测方法流程图；
图2为本申请公开的一种风电机组结构示意图；
图3为本申请公开的一种具体的风电机组载荷在线预测方法流程图；
图4为本申请公开的一种具体的风电机组载荷在线预测方法流程图；
图5为本申请公开的一种风电机组的测量载荷数据与估算载荷数据比对图；
图6为本申请公开的一种风电机组的测量载荷与估算载荷线性相关性图；
图7为本申请公开的一种风电机组载荷预测装置结构示意图；
图8为本申请公开的一种风电机组载荷预测设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，需要在风电机组上安装载荷裁量传感器以及采样设备来获得风电机组各部位的实时载荷数据，每台风电机组安装一套载荷测量设备方可获得各风电机组相应部分的实时载荷数据，增大了风电机组的成本，增加了风电机组价格。
本申请实施例公开了一种风电机组载荷在线预测方法，参见图1所示，该方法包括：
步骤S11：获取目标风电机组的第一机组运行数据和目标位置载荷数据。
本实施例中，先在目标风电机组上安装载荷测量设备，获取所述目标风电机组的第目标位置载荷数据，并从所述目标风电机组的风控系统中获取所述目标风电机组的一机组运行数据，以构建载荷预测模型。
在实施例中，所述第一机组运行数据包括但不限于风速、转速、转矩、桨距角、叶轮方位角、偏航误差、机舱前后加速度、机舱左右加速度、第一桨叶挥舞加速度、第一桨叶摆振加速度、第二桨叶挥舞加速度、第二桨叶摆振加速度、第三桨叶挥舞加速度、第三桨叶摆振加速度的第一机组运行数据。所述目标位置载荷数据包括塔顶、塔底、主轴以及叶根的载荷数据，其中，每个目标位置的载荷数据均包括三个空间维度的载荷数据，也即x、y、z三个空间维度上的载荷数据，相应地，部分目标位置的结构示意图如图2所示，Mx、My、Mz分别表示叶根部分三个空间维度的载荷，Mxt、Myt、Mzt分别表示塔顶部分三个空间维度的载荷，Mxb、Myb、Mzb分别表示塔底部分三个空间维度的载荷。
步骤S12：利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型。
本实施例中，所述载荷预测模型为：
Figure BDA0002234670220000061
X表示所述第一机组运行数据，xm表示所述第一机组运行数据中的第m个数据，Y表示所述目标位置载荷数据，ywj表示第w个目标位置的第j个空间维度对应的载荷数据，φ表示所述载荷预测模型的模型参数，且w×j＝n。
可以理解的是，构建出所述载荷预测模型后，要确定出所述载荷预测模型的模型参数，以得到目标载荷预测模型，再利用所述第一机组运行数据和所述目标位置载荷数据验证所述目标载荷预测模型的估算结果。
步骤S13：当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
具体的，在得到所述目标载荷预测模型后，将所述目标载荷预测模型植入到未安装载荷测量设备的风电机组中，便得到所述风电机组的相应位置的实时载荷数据。
可见，本申请先获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。由此可见，本申请先在一个风电机组上安装一套载荷测量设备，以获取所述风电机组的目标位置载荷数据，并获取所述风电机组的第一机组运行数据，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，再利用所述目标载荷预测模型确定未安装载荷测量设备的风电机组相应位置的实时载荷数据，以减低风电机组的成本，实现风电机组平价化。
参见图3所示，本申请实施例公开了一种具体的风电机组载荷在线预测方法，该方法包括：
步骤S21：获取目标风电机组的第一机组运行数据和目标位置载荷数据。
步骤S22：利用所述第一机组运行数据确定出第一目标输入数据。
本实施例中，所诉第一机组运行数据具有很强的非线性，所以先对所述第一机组运行数据进行预处理，得到第一目标输入数据。利用所述第一机组运行数据确定出第一目标输入数据，包括：对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据；对所述第二目标输入数据进行第二预处理，得到第一目标输入数据。
步骤S23：利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型。
本实施例中，利用所述第一机组运行数据确定出所述第一目标输入数据后，利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，以便用于估计风电机组的相应位置的实时载荷。
步骤S24：当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
参见图4所示，本申请实施例公开了一种具体的风电机组载荷在线预测方法，该方法包括
步骤S31：获取目标风电机组的第一机组运行数据和目标位置载荷数据。
步骤S32：对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据。
可以理解的是，所述对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据，包括：利用第一预设时间间隔，将所述第一机组运行数据进行分段；利用第二预设时间间隔，对每段所述第一机组运行数据进行采样，得到每段所述第一机组运行数据对应的N组采样数据，其中，N为正整数，且大于或等于1，每组所述采样数据均包括所述风速、所述转速、所述转矩、所述桨距角、所述叶轮方位角、所述偏航误差、所述机舱前后加速度、所述机舱左右加速度、所述第一桨叶挥舞加速度、所述第一桨叶摆振加速度、所述第二桨叶挥舞加速度、所述第二桨叶摆振加速度、所述第三桨叶挥舞加速度、所述第三桨叶摆振加速度；确定每段所述第一机组运行数据中每组所述采样数据对应的插值函数的第一插值函数值；确定每段所述第一机组运行数据中的所述第一插值函数值的平均值，得到每段所述第一机组运行数据对应的第二插值函数值；根据所述第二插值函数值，从所述第一机组运行数据确定出M段第二目标输入数据，其中，M为正整数，且大于或等于1；所述插值函数为：λ(t)＝T(t)+β(t)，T表示所述转矩，β表示所述桨距角，t表示时间。
具体的，获取到所述第一机组运行数据后，先利用第一预设时间间隔，将所述第一机组运行数据进行分段，得到多段所述第一机组运行数据；再利用第二预设时间间隔，对每段所述第一机组运行数据进行采样，得到每段所述第一机组运行数据对应的N组采样数据，其中，N为正整数，且大于或等于1，接着确定每段所述第一机组运行数据中的每组采样数据对应的插值函数的第一插值函数值，计算每段所述第一机组运行数据中的所述第一插值函数值的平均值，得到每段所述第一机组运行数据对应的第二插值函数值，再将所述第二插值函数值满足预设函数值的各段所述第一机组运行数据挑选出来，得到M段第二目标输入数据，其中，M为正整数，且大于或等于1。其中，所述预设函数值包括M个预设函数值。若有多段所述第一机组运行数据对应的所述第二插值函数值等于同一个预设函数值，则任选其中的一段第一机组运行数据便可。例如，将获取到的所述第一机组运行数据按照每10分钟分段，在将每段所述第一机组运行数据按每20秒进行一次采样，再确定所述第一插值函数值和所述第二插值函数值，将所述第二插值函数值等于0、2、4、6的各段所述第一机组运行数据挑选出来，得到4段第二目标输入数据。
步骤S33：对所述第二目标输入数据进行第二预处理，得到第一目标输入数据。
本实施例中，所述对所述第二目标输入数据进行第二预处理，得到第一目标输入数据，包括：利用高斯小波函数将每段所述第二目标输入数据分成高频部分和低频部分，得到每段所述第二目标输入数据对应的第一目标输入数据；
其中，所述高斯小波函数为：
Figure BDA0002234670220000091
则Xi-LF＝Xi*f，Xi-HF＝[Xi*(f×cosθ)Xi*(f×sinθ)]，X′i＝[XLF XHF]；
a表示预设系数，σ表示标准差，Xi表示第i段所述第二目标输入数据，Xi-LF表示第i段所述第二目标输入数据的低频部分，Xi-HF表示第i段所述第二目标输入数据的高频部分，θ表示所述目标风电机组的固有频率，X′i表示第i段所述第二目标输入数据对应的第一目标输入数据，且i≤M。具体的，将每段所述第二目标输入数据分成高频部分和低频部分，得到每段所述第二目标输入数据对应的第一目标输入数据。
步骤S34：利用各段所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型。
步骤S35：利用梯度校正参数估计法确定所述载荷预测模型的模型参数，得到参数数量与所述第一目标输入数据段数相同的模型参数。
步骤S36：利用所述插值函数对所述模型参数进行插值，得到目标模型参数，以得到目标载荷预测模型。
其中，所述梯度校正参数估计法为：
Figure BDA0002234670220000101
X′i表示第i段所述第一目标输入数据，Yi表示第i段所述第一目标输入数据对应的所述目标位置载荷数据，
Figure BDA0002234670220000102
表示第i段所述第一目标输入数据和对应的所述目标位置载荷数据确定出的所述载荷预测模型的模型参数，X′i(k)表示通过矩阵表示的第i段所述第一目标输入数据中的第k组采样数据，X′i T(k)表示X′i(k)的转置，c和d为预设系数，且0<c<2，d>0，k≤N。
可以理解的是，利用各段所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型；再利用梯度校正参数估计法确定所述载荷预测模型的模型参数，得到参数数量与所述第一目标输入数据段数相同的模型参数，也即得到多组模型参数；接着利用所述插值函数对所述模型参数进行插值，再进行拟合，得到目标模型参数，以得到目标载荷模型。所述利用所述插值函数所述模型参数进行插值具体包括，通过预设公式完成插值操作；其中，所述预设公式为：
Figure BDA0002234670220000103
λi表示第i所述第二目标输入数据对应的所述第二插值函数值，λi+1表示第i+1所述第二目标输入数据对应的所述第二插值函数值。
步骤S37：当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
如图5所示为利用所述目标载荷预测模型确定出的载荷数据与实际测量得到的载荷数据的比对图，图5(a)为一个风电机组3个目标位置的测量载荷数据，以及相应的用所述目标载荷预测模型确定出的载荷数据的时域比对图，横坐标表示时间，单位为秒，纵坐标表示载荷，图5(b)中的3幅图为图5(a)中3幅图对应的频域图，横坐标表示频率，单位为Hz，纵坐标表示载荷数据。如图6所示为所述塔底位置的测量载荷数据与利用所述目标载荷预测模型确定的载荷数据的线性相关性图，由图中可以看出，所述塔底位置的测量载荷数据与利用所述目标载荷预测模型确定的载荷数据的线性相关性为0.984，可知利用所述目标载荷预测模型确定出的载荷数据与实际测量得到载荷数据很接近，可以用于估算风电机组的实时载荷。
参见图7所示，本申请实施例公开了一种风电机组载荷预测装置，包括：
数据获取模块11，用于获取目标风电机组的第一机组运行数据和目标位置载荷数据；
模型构建模块12，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；
载荷确定模块13，用于当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。
可见，本申请先获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。由此可见，本申请先在一个风电机组上安装一套载荷测量设备，以获取所述风电机组的目标位置载荷数据，并获取所述风电机组的第一机组运行数据，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，再利用所述目标载荷预测模型确定未安装载荷测量设备的风电机组相应位置的实时载荷数据，以减低风电机组的成本，实现风电机组平价化。
具体的，所述数据获取模块11，包括：
第一数据获取模块，用于获取目标风电机组的第一机组运行数据；
第二数据获取模块，用于获取所述目标风电机组的目标位置载荷数据。
进一步的，参见图6所示，本申请实施例公开了一种风电机组载荷预测设备，包括处理器21和存储器22；
其中，所述存储器22，用于存储计算机程序；
所述处理器21，用于执行所述计算机程序，以实现前述实施例中公开的风电机组载荷在线预测方法。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现以下步骤：
获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷
可见，本申请先获取目标风电机组的第一机组运行数据和目标位置载荷数据；利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷。由此可见，本申请先在一个风电机组上安装一套载荷测量设备，以获取所述风电机组的目标位置载荷数据，并获取所述风电机组的第一机组运行数据，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，再利用所述目标载荷预测模型确定未安装载荷测量设备的风电机组相应位置的实时载荷数据，以减低风电机组的成本，实现风电机组平价化。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：获取目标风电机组的，包括风速、转速、转矩、桨距角、叶轮方位角、偏航误差、机舱前后加速度、机舱左右加速度、第一桨叶挥舞加速度、第一桨叶摆振加速度、第二桨叶挥舞加速度、第二桨叶摆振加速度、第三桨叶挥舞加速度、第三桨叶摆振加速度的第一机组运行数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：获取目标风电机组的塔顶、塔底、主轴以及叶根的载荷数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：载荷预测模型为：
Figure BDA0002234670220000131
X表示所述第一机组运行数据，xm表示所述第一机组运行数据中的第m个数据，Y表示所述目标位置载荷数据，ywj表示第w个目标位置的第j个空间维度对应的载荷数据，φ表示所述载荷预测模型的模型参数，且w×j＝n。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用所述第一机组运行数据确定出第一目标输入数据；利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据；对所述第二目标输入数据进行第二预处理，得到第一目标输入数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用第一预设时间间隔，将所述第一机组运行数据进行分段；利用第二预设时间间隔，对每段所述第一机组运行数据进行采样，得到每段所述第一机组运行数据对应的N组采样数据，其中，N为正整数，且大于或等于1，每组所述采样数据均包括所述风速、所述转速、所述转矩、所述桨距角、所述叶轮方位角、所述偏航误差、所述机舱前后加速度、所述机舱左右加速度、所述第一桨叶挥舞加速度、所述第一桨叶摆振加速度、所述第二桨叶挥舞加速度、所述第二桨叶摆振加速度、所述第三桨叶挥舞加速度、所述第三桨叶摆振加速度；确定每段所述第一机组运行数据中每组所述采样数据对应的插值函数的第一插值函数值；确定每段所述第一机组运行数据中的所述第一插值函数值的平均值，得到每段所述第一机组运行数据对应的第二插值函数值；根据所述第二插值函数值，从所述第一机组运行数据确定出M段第二目标输入数据，其中，M为正整数，且大于或等于1；所述插值函数为：λ(t)＝T(t)+β(t)，T表示所述转矩，β表示所述桨距角，t表示时间。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用高斯小波函数将每段所述第二目标输入数据分成高频部分和低频部分，得到每段所述第二目标输入数据对应的第一目标输入数据；
其中，所述高斯小波函数为：
Figure BDA0002234670220000141
则Xi-LF＝Xi*f，Xi-HF＝[Xi*(f×cosθ)Xi*(f×sinθ)]，X′i＝[XLF XHF]；
a表示预设系数，σ表示标准差，Xi表示第i段所述第二目标输入数据，Xi-LF表示第i段所述第二目标输入数据的低频部分，Xi-HF表示第i段所述第二目标输入数据的高频部分，θ表示所述目标风电机组的固有频率，X′i表示第i段所述第二目标输入数据对应的第一目标输入数据，且i≤M
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用各段所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型；利用梯度校正参数估计法确定所述载荷预测模型的模型参数，得到参数数量与所述第一目标输入数据段数相同的模型参数；利用所述插值函数对所述模型参数进行插值，得到目标模型参数，以得到目标载荷预测模型；
其中，所述梯度校正参数估计法为：
Figure BDA0002234670220000142
X′i表示第i段所述第一目标输入数据，Yi表示第i段所述第一目标输入数据对应的所述目标位置载荷数据，
Figure BDA0002234670220000143
表示第i段所述第一目标输入数据和对应的所述目标位置载荷数据确定出的所述载荷预测模型的模型参数，X′i(k)表示通过矩阵表示的第i段所述第一目标输入数据中的第k组采样数据，X′i T(k)表示X′i(k)的转置，c和d为预设系数，且0<c<2，d>0，k≤N。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种风电机组载荷在线预测方法、装置、设备、介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种风电机组载荷在线预测方法，其特征在于，包括：
获取目标风电机组的第一机组运行数据和目标位置载荷数据；
利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；
当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷；
其中，所述载荷预测模型为：
Y＝Xφ，Y＝(y11 y12…ywj)，X＝(x1 x2…xm)，
Figure FDA0002660424930000011
X表示所述第一机组运行数据，xm表示所述第一机组运行数据中的第m个数据，Y表示所述目标位置载荷数据，ywj表示第w个目标位置的第j个空间维度对应的载荷数据，φ表示所述载荷预测模型的模型参数，且w×j＝n。
2.根据权利要求1所述的风电机组载荷在线预测方法，其特征在于，所述获取目标风电机组的第一机组运行数据和目标位置载荷数据，包括：
获取目标风电机组的，包括风速、转速、转矩、桨距角、叶轮方位角、偏航误差、机舱前后加速度、机舱左右加速度、第一桨叶挥舞加速度、第一桨叶摆振加速度、第二桨叶挥舞加速度、第二桨叶摆振加速度、第三桨叶挥舞加速度、第三桨叶摆振加速度的第一机组运行数据；
获取目标风电机组的塔顶、塔底、主轴以及叶根的载荷数据。
3.根据权利要求2所述的风电机组载荷在线预测方法，其特征在于，所述利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，包括：
利用所述第一机组运行数据确定出第一目标输入数据；
利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型。
4.根据权利要求3所述的风电机组载荷在线预测方法，其特征在于，所述利用所述第一机组运行数据确定出第一目标输入数据，包括：
对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据；
对所述第二目标输入数据进行第二预处理，得到第一目标输入数据。
5.根据权利要求4所述的风电机组载荷在线预测方法，其特征在于，所述对所述第一机组运行数据进行第一预处理，并确定出满足预设条件的第二目标输入数据，包括：
利用第一预设时间间隔，将所述第一机组运行数据进行分段；
利用第二预设时间间隔，对每段所述第一机组运行数据进行采样，得到每段所述第一机组运行数据对应的N组采样数据，其中，N为正整数，且大于或等于1，每组所述采样数据均包括所述风速、所述转速、所述转矩、所述桨距角、所述叶轮方位角、所述偏航误差、所述机舱前后加速度、所述机舱左右加速度、所述第一桨叶挥舞加速度、所述第一桨叶摆振加速度、所述第二桨叶挥舞加速度、所述第二桨叶摆振加速度、所述第三桨叶挥舞加速度、所述第三桨叶摆振加速度；
确定每段所述第一机组运行数据中每组所述采样数据对应的插值函数的第一插值函数值；
确定每段所述第一机组运行数据中的所述第一插值函数值的平均值，得到每段所述第一机组运行数据对应的第二插值函数值；
根据所述第二插值函数值，从所述第一机组运行数据确定出M段第二目标输入数据，其中，M为正整数，且大于或等于1；
所述插值函数为：λ(t)＝T(t)+β(t)，T表示所述转矩，β表示所述桨距角，t表示时间。
6.根据权利要求5所述的风电机组载荷在线预测方法，其特征在于，所述对所述第二目标输入数据进行第二预处理，得到第一目标输入数据，包括：
利用高斯小波函数将每段所述第二目标输入数据分成高频部分和低频部分，得到每段所述第二目标输入数据对应的第一目标输入数据；
其中，所述高斯小波函数为：
Figure FDA0002660424930000021
则Xi-LF＝Xi*f，Xi-HF＝[Xi*(f×cosθ)Xi*(f×sinθ)]，X′i＝[XLF XHF]；
a表示预设系数，σ表示标准差，Xi表示第i段所述第二目标输入数据，Xi-LF表示第i段所述第二目标输入数据的低频部分，Xi-HF表示第i段所述第二目标输入数据的高频部分，θ表示所述目标风电机组的固有频率，X′i表示第i段所述第二目标输入数据对应的第一目标输入数据，且i≤M。
7.根据权利要求6所述的风电机组载荷在线预测方法，其特征在于，所述利用所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型，包括：
利用各段所述第一目标输入数据和所述第一目标输入数据对应的所述目标位置载荷数据构造载荷预测模型；
利用梯度校正参数估计法确定所述载荷预测模型的模型参数，得到参数数量与所述第一目标输入数据段数相同的模型参数；
利用所述插值函数对所述模型参数进行插值，得到目标模型参数，以得到目标载荷预测模型；
其中，所述梯度校正参数估计法为：
Figure FDA0002660424930000031
X′i表示第i段所述第一目标输入数据，Yi表示第i段所述第一目标输入数据对应的所述目标位置载荷数据，
Figure FDA0002660424930000032
表示第i段所述第一目标输入数据和对应的所述目标位置载荷数据确定出的所述载荷预测模型的模型参数，X′i(k)表示通过矩阵表示的第i段所述第一目标输入数据中的第k组采样数据，
Figure FDA0002660424930000033
表示X′i(k)的转置，c和d为预设系数，且0<c<2，d>0，k≤N。
8.一种风电机组载荷预测装置，其特征在于，包括：
数据获取模块，用于获取目标风电机组的第一机组运行数据和目标位置载荷数据；
模型构建模块，利用所述第一机组运行数据和所述目标位置载荷数据构造载荷预测模型，并确定所述载荷预测模型的模型参数，以得到目标载荷预测模型；
载荷确定模块，用于当获取到未确定载荷的第二机组运行数据时，利用所述目标载荷预测模型，确定所述第二机组运行数据对应的载荷；
其中，所述载荷预测模型为：
Y＝Xφ，Y＝(y11 y12…ywj)，X＝(x1 x2…xm)，
Figure FDA0002660424930000041
X表示所述第一机组运行数据，xm表示所述第一机组运行数据中的第m个数据，Y表示所述目标位置载荷数据，ywj表示第w个目标位置的第j个空间维度对应的载荷数据，φ表示所述载荷预测模型的模型参数，且w×j＝n。
9.一种风电机组载荷预测设备，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现权利要求1至7任一项所述的风电机组载荷在线预测方法。
10.一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风电机组载荷在线预测方法。
CN201910980767.8A 2019-10-15 2019-10-15 一种风电机组载荷在线预测方法、装置、设备、介质 Active CN110594106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910980767.8A CN110594106B (zh) 2019-10-15 2019-10-15 一种风电机组载荷在线预测方法、装置、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910980767.8A CN110594106B (zh) 2019-10-15 2019-10-15 一种风电机组载荷在线预测方法、装置、设备、介质

Publications (2)

Publication Number Publication Date
CN110594106A CN110594106A (zh) 2019-12-20
CN110594106B true CN110594106B (zh) 2020-11-13

Family

ID=68867481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910980767.8A Active CN110594106B (zh) 2019-10-15 2019-10-15 一种风电机组载荷在线预测方法、装置、设备、介质

Country Status (1)

Country Link
CN (1) CN110594106B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111720271B (zh) * 2020-06-30 2022-01-25 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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1748183A2 (de) * 2005-07-28 2007-01-31 W2E Wind to Energy GmbH Elektrische Einrichtung zur Verstellung der Rotorblätter einer Windenergieanlage
DE102011121544A1 (de) * 2011-12-20 2013-06-20 Voith Patent Gmbh Windenergieanlage
KR101318124B1 (ko) * 2013-06-24 2013-10-16 전북대학교산학협력단 풍력발전단지의 관성 제어 방법
CN105569923A (zh) * 2016-01-13 2016-05-11 湖南世优电气股份有限公司 一种大型风电机组的雷达辅助载荷优化控制方法
CN109268213A (zh) * 2018-08-22 2019-01-25 明阳智慧能源集团股份公司 一种风力发电机组载荷在线监测及主动降载控制方法
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
CN110210044A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1748183A2 (de) * 2005-07-28 2007-01-31 W2E Wind to Energy GmbH Elektrische Einrichtung zur Verstellung der Rotorblätter einer Windenergieanlage
DE102011121544A1 (de) * 2011-12-20 2013-06-20 Voith Patent Gmbh Windenergieanlage
KR101318124B1 (ko) * 2013-06-24 2013-10-16 전북대학교산학협력단 풍력발전단지의 관성 제어 방법
CN105569923A (zh) * 2016-01-13 2016-05-11 湖南世优电气股份有限公司 一种大型风电机组的雷达辅助载荷优化控制方法
CN110210044A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置
CN109268213A (zh) * 2018-08-22 2019-01-25 明阳智慧能源集团股份公司 一种风力发电机组载荷在线监测及主动降载控制方法
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

Also Published As

Publication number Publication date
CN110594106A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN103384764B (zh) 风轮机的控制方法
EP3221582B1 (en) A method for estimating a wind speed including calculating a pitch angle adjusted for blade torsion
CN105844361B (zh) 风电机组风功率预测方法、解缆方法和装置
Bottasso et al. Multi-layer control architecture for the reduction of deterministic and non-deterministic loads on wind turbines
CN108431404B (zh) 用于控制多个风力涡轮机的方法和系统
Bottasso et al. Calibration of wind turbine lifting line models from rotor loads
CN110374804B (zh) 一种基于深度确定性策略梯度补偿的变桨距控制方法
CA3191404A1 (en) Load control method and apparatus for wind turbine generator system
Simley et al. Evaluation of a wind speed estimator for effective hub‐height and shear components
CN110594106B (zh) 一种风电机组载荷在线预测方法、装置、设备、介质
Schlipf et al. Systems engineering for lidar-assisted control: a sequential approach
CN113361100B (zh) 一种风速估算方法、装置、设备及计算机可读存储介质
CN117251995A (zh) 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法
CN111997833A (zh) 基于激光测风前馈的风电机组复合智能变桨控制方法
CN111502913B (zh) 风力发电机组、变桨控制方法以及装置
CN116181573A (zh) 一种风电机组激光雷达的控制方法、装置及介质
KR101280764B1 (ko) 풍속 피드포워드 제어를 이용한 풍력 터빈 제어 방법 및 그 장치
CN110210167B (zh) 基于多面体滤波的风力发电机的系统参数估计方法
Munteanu et al. Identification-based prediction of wind park power generation
JP6976899B2 (ja) ウィンドファーム並びにその運転方法及び制御装置
US12044212B2 (en) Controlling a wind turbine with an updated power coefficient adjusted by a degradation function
Noppe et al. High frequent scada-based thrust load modeling of wind turbines
CN114215687B (zh) 风电机组最大功率跟踪控制方法、装置、设备和存储介质
CN112412698B (zh) 基于轮毂不平衡载荷特征量的独立变桨控制方法
CN113177702B (zh) 一种气象输入数据匹配方法及系统

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