CN111291514B - 一种风电机组疲劳寿命的快速预测的方法 - Google Patents

Abstract

本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据实际工况下可能出现的风参数条件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。

Description

一种风电机组疲劳寿命的快速预测的方法

技术领域

本发明属于风电机组等大型机械设备领域，涉及上述机械设备的疲劳强度校核、疲劳寿命计算、状态诊断及健康管理，具体涉及一种风电机组疲劳损伤预计算与机器学习耦合的疲劳寿命快速预测方法

背景技术

作为一种典型大型机械设备，风电机组长期运行于自然气候条件极端恶劣、承受载荷交变、运行工况复杂的环境下，风速的频繁波动会对机组部件产生疲劳损伤。在风电机组20年的设计寿命内，机组各部件极易发生疲劳失效，对风电场运营经济性造成极大影响与威胁。准确的疲劳寿命预测对于风电机组部件结构设计及运行维护安全性至关重要。通过准确评估机组各部件疲劳寿命，可在部件发生灾难性故障或失效前进行维修或更换，确保风电机组长期安全稳定运行。现有的风电机组部件疲劳寿命计算方法主要分为详细计算方法和等效疲劳载荷计算方法。详细计算方法主要根据测风数据通过GH Bladed软件或有限元分析软件对每台机组的零部件进行动力学建模仿真得到总疲劳损伤量，每次预测都需要耗费大量的计算资源及时间；等效疲劳载荷计算方法通过对各运行工况下部件的疲劳损伤进行近似等效，能够极大提升疲劳寿命计算速度，但计算误差较大难以运用于工程实际当中。

发明的目的

针对现有疲劳寿命预测方法存在无法同时兼顾计算精度与效率的问题，本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据风电机组实际工况下可能出现的风参数条件通过GH Bladed和有限元分析软件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。本发明提出的疲劳寿命预测方法将复杂繁琐的疲劳损伤详细计算放在疲劳寿命预测之前完成，并耦合具有强大非线性拟合能力的机器学习模型，合理的解决了现有方法存在的计算精度与效率无法兼顾的问题，为风电机组部件疲劳强度校核、疲劳寿命计算、状态诊断及健康管理等领域的研究提供可靠的方法基础。

发明内容

本发明提供了一一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合，包括以下步骤：

步骤S1：基于离散风电机组部件可能面临的风参数条件，构建在不同风参数条件下机组部件每分钟疲劳损伤的数据库；

步骤S2：通过LightGBM机器学习模型，建立空气密度、风切变、入流角、平均风速、湍流强度这些风参数与每分钟疲劳损伤量之间的非线性映射关系；

步骤S3：将风电机组SCADA数据中的风参数数据或测风塔数据输入至步骤 2中所训练好的LightGBM模型中，得到风电机组部件的疲劳损伤时间序列数据，根据Miner疲劳损伤累计理论计算得到机组部件的疲劳寿命。

优选地，上述步骤1进一步包括如下子步骤：

子步骤S11：将轮毂高度处空气密度、风切变、入流角、平均风速、湍流强度这些风参数分别离散成多个取值，每个空气密度、风切变、入流角、平均风速、湍流强度的组合构成一个风电机组来流条件，共离散成n个来流条件；湍流强度按照IEC61400-1标准中的正常湍流模型得到，将平均风速和参考湍流代入公式(1)中，得到平均风速和参考湍流对应的湍流强度值，

式(1)中，I_ref为参考湍流强度，V_hub为轮毂高度处平均风速，I_real为平均风速V_hub和参考湍流对应的I_ref对应的湍流强度值，b为计算系数；

子步骤S12：使用GH Bladed软件对风电机组部件进行动力学建模仿真，对机组部件分别设置如子步骤S11所述的n个来流条件，得到n段在不同来流条件下风电机组部件每分钟载荷的时间序列数据；

子步骤S13：使用有限元分析软件对机组部件进行有限元分析，得到机组部件在不同方向上的单位载荷作用下的节点应力，并制成节点应力表；

子步骤S14：将子步骤S12中得到的n段载荷时序数据与子步骤S13中制成的节点应力表进行矩阵相乘，求得各方向的正应力及切应力，利用公式(2)计算得到风电机组部件在每分钟内的等效应力时间序列数据；

式(2)中，为等效应力，σ_x、σ_y、σ_y为分别为各方向的正应力，τ_xy、τ_yz、τ_zx分别为各方向切应力；

子步骤S15：使用雨流计数法对子步骤S15中得到的等效应力时序数据进行雨流计数，得到各应力幅及其对应循环次数；

子步骤S16：根据风电机组部件的S-N曲线，得到各应力幅对应的许用循环次数，根据公式(3)计算得到部件在每分钟内的总疲劳损伤量，

式(3)中，D为每分钟内总疲劳损伤，m为雨流计数法得到的应力幅个数，n_i为第i个应力幅对应的循环次数，N_i根据S-N曲线得到的第i个应力幅对应的许用循环次数；

进一步优选地，上述步骤2进一步包括如下子步骤：

子步骤S21：对步骤1中得到的风电机组部件每分钟疲劳损伤数据集顺序进行随机打乱；

子步骤S22：将子步骤S21中随机打乱后的数据按照a:b:c的比例切分成训练集、验证集、测试集；其中训练集用于拟合模型以及确定模型权重；验证集用于确定网络结构以及调整模型超参数；测试集用于检验模型泛化能力以及是否过拟合；

子步骤S23：利用Python编程语言构建LightGBM模型，并在此基础上加入Hyperopt方法进行LightGBM模型参数的自动调优；

子步骤S24：将子步骤S22中确定的训练集及验证集样本输入至S23中已搭建好的LightGBM模型中，通过多次迭代训练实现模型权重参数的确定以及超参数的自动调整；

子步骤S25：将子步骤S22中确定的测试集输入至子步骤S24中已训练好的模型，得到预测结果；分别计算预测值与实际值的RMSE、MAE、MRE，如式(4)、(5)、(6)所示，

MAE＝max(|f(x_i)-y_i|) (4)

式(4)、(5)、(6)中，i为样本编号，N为样本总数，f(x_i)为样本疲劳损伤预测值，y_i为样本疲劳损伤仿真值。

附图说明

图1是疲劳损伤预计算与机器学习耦合的疲劳寿命快速预测流程图

图2是服从c＝8,k＝2威布尔分布测试集预测结果

图3是服从c＝9,k＝2.5威布尔分布测试集预测结果

图4是服从c＝10,k＝3威布尔分布测试集预测结果

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明涉及一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合详细步骤如下：

(1)以风电机组机舱底座为例，离散机舱底座可能面临的风参数条件，建立在不同风参数条件下机舱底座每分钟疲劳损伤数据库。具体步骤如下：

1)将轮毂高度处空气密度、风切变、入流角、平均风速、湍流强度等风参数按照表1的所述风参数取值范围进行离散，每个空气密度、风切变、入流角、平均风速、湍流的组合构成一个风电机组来流条件，共得到112320组不同来流条件。其中，湍流强度按照IEC61400-1标准中的正常湍流模型得到，将平均风速和参考湍流代入公式(1)中，得到平均风速和参考湍流对应的湍流强度值；

式(1)中，I_ref为参考湍流强度；V_hub为轮毂高度处平均风速；I_real为平均风速V_hub和参考湍流对应的I_ref对应的湍流强度值；b为计算系数，根据IEC61400-1标准要求取5.6m/s。

表1风参数设置

2)使用GH Bladed软件对机舱底座进行动力学建模仿真，分别设置如步骤 1)所述112320个来流条件，可得到112320段在不同来流条件下机舱底座每分钟载荷时间序列数据；

3)使用有限元分析软件对机舱底座进行有限元分析，得到机舱底座在不同方向上的单位载荷作用下的节点应力并制成节点应力表；

4)将112320段载荷时序数据与节点应力表进行矩阵相乘可求得各方向的正应力及切应力，利用公式(2)可以得到机舱底座在每分钟内的等效应力时间序列数据；

式(2)中，为等效应力；σ_x、σ_y、σ_y为分别为各方向的正应力；τ_xy、τ_yz、τ_zx分别为各方向切应力；

5)使用雨流计数法对等效应力时序数据进行雨流计数，得到各应力幅及其对应循环次数；

6)根据机舱底座的S-N曲线，可以得到各应力幅对应的许用循环次数，根据公式(3)得到机舱底座在每分钟内的总疲劳损伤量；

式(3)中，D为每分钟内总疲劳损伤；m为雨流计数法得到的应力幅个数；n_i为第i个应力幅对应的循环次数；N_i根据S-N曲线得到的第i个应力幅对应的许用循环次数；

(2)通过LightGBM机器学习模型建立空气密度、风切变、入流角、平均风速、湍流强度等风参数与每分钟疲劳损伤量之间的非线性映射关系。具体步骤如下：

1)首先对机舱底座每分钟疲劳损伤数据集顺序进行随机打乱；

2)将随机打乱后的数据按照4：1：1的比例切分成训练集、验证集、测试集。其中训练集用于拟合模型以及确定模型权重；验证集用于确定网络结构以及调整模型超参数；测试集用于检验模型泛化能力以及是否过拟合等；

3)利用Python编程语言构建LightGBM模型，在此基础上加入Hyperopt 方法进行模型参数自动调优；

4)将训练集及验证集样本输入至已搭建好的LightGBM模型中，通过多次迭代训练实现模型权重参数的确定以及超参数的自动调整；

5)将测试集输入至已训练好的模型，得到预测结果进行结果及误差对比分析；

(3)为验证本发明所提模型在实际风速分布下的有效性、准确性及鲁棒性，本发明使用三组平均风速服从不同威布尔分布的测试集进行验证。三组测试集分别服从c＝8,k＝2、c＝9,k＝2.5、c＝10,k＝3等不同威布尔分布，威布尔分布公式如式(4)所示。三个测试集样本总数都为5460，每个风速区间内的样本数量如表 2所示。

式(4)中：P(v)为风速对应的风频；k为形状系数；c为尺度系数；v为平均风速。

表2各风速区间样本数量

分别计算预测值与实际值的RMSE、MAE、MRE，公式分别如式(4)、(5)、 (6)所示。各测试集具体误差结果如表3和附图2、3、4所示。

MAE＝max(|f(x_i)-y_i|) (5)

式中，i为样本编号；N为样本总数；f(x_i)为样本疲劳损伤预测值，y_i为样本疲劳损伤仿真值。

表3误差结果

与现有技术相比，本发明提出的风电机组疲劳寿命的快速预测方法，将复杂繁琐的疲劳损伤计算放在疲劳寿命预测之前完成，并耦合具有强大非线性拟合能力的LightGBM机器学习模型，合理的解决了现有方法存在的计算精度与效率无法兼顾的问题。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种步骤调整和器件更换，所有等同的技术方案也属于本发明的范畴和保护范围之内。

Claims (2)

1.一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合，其特征在于，包括以下步骤：

步骤S1：基于离散风电机组部件可能面临的风参数条件，构建在不同风参数条件下机组部件每分钟疲劳损伤的数据库，包括如下子步骤：

子步骤S11：将轮毂高度处空气密度、风切变、入流角、平均风速、湍流强度这些风参数分别离散成多个取值，每个空气密度、风切变、入流角、平均风速、湍流强度的组合构成一个风电机组来流条件，共离散成n个来流条件；湍流强度按照IEC61400-1标准中的正常湍流模型得到，将平均风速和参考湍流代入公式(1)中，得到平均风速和参考湍流对应的湍流强度值，

式(1)中，I_ref为参考湍流强度，V_hub为轮毂高度处平均风速，I_real为平均风速V_hub和参考湍流对应的I_ref对应的湍流强度值，b为计算系数；

子步骤S12：使用GH Bladed软件对风电机组部件进行动力学建模仿真，对机组部件分别设置如子步骤S11所述的n个来流条件，得到n段在不同来流条件下风电机组部件每分钟载荷的时间序列数据；

子步骤S13：使用有限元分析软件对机组部件进行有限元分析，得到机组部件在不同方向上的单位载荷作用下的节点应力，并制成节点应力表；

子步骤S14：将子步骤S12中得到的n段载荷时序数据与子步骤S13中制成的节点应力表进行矩阵相乘，求得各方向的正应力及切应力，利用公式(2)计算得到风电机组部件在每分钟内的等效应力时间序列数据；

式(2)中，为等效应力，σ_x、σ_y、σ_y为分别为各方向的正应力，τ_xy、τ_yz、τ_zx分别为各方向切应力；

子步骤S15：使用雨流计数法对子步骤S14中得到的等效应力时序数据进行雨流计数，得到各应力幅及其对应循环次数；

子步骤S16：根据风电机组部件的S-N曲线，得到各应力幅对应的许用循环次数，根据公式(3)计算得到部件在每分钟内的总疲劳损伤量：

式(3)中，D为每分钟内总疲劳损伤，m为雨流计数法得到的应力幅个数，n_i为第i个应力幅对应的循环次数，N_i根据S-N曲线得到的第i个应力幅对应的许用循环次数；

步骤S2：通过LightGBM机器学习模型，建立空气密度、风切变、入流角、平均风速、湍流强度这些风参数与每分钟疲劳损伤量之间的非线性映射关系；

步骤S3：将风电机组SCADA数据中的风参数数据或测风塔数据输入至步骤S2中所训练好的LightGBM模型中，得到风电机组部件的疲劳损伤时间序列数据，根据Miner疲劳损伤累计理论计算得到机组部件的疲劳寿命。

2.根据权利要求1所述的一种风电机组疲劳寿命的快速预测方法，其特征在于，其中，步骤S2进一步包括如下子步骤：

子步骤S21：对步骤S1中得到的风电机组部件每分钟疲劳损伤数据集顺序进行随机打乱；

子步骤S22：将子步骤S21中随机打乱后的数据按照a:b:c的比例切分成训练集、验证集、测试集；其中训练集用于拟合模型以及确定模型权重；验证集用于确定网络结构以及调整模型超参数；测试集用于检验模型泛化能力以及是否过拟合；

子步骤S23：利用Python编程语言构建LightGBM模型，并在此基础上加入Hyperopt方法进行LightGBM模型参数的自动调优；

子步骤S24：将子步骤S22中确定的训练集及验证集样本输入至S23中已搭建好的LightGBM模型中，通过多次迭代训练实现模型权重参数的确定以及超参数的自动调整；

子步骤S25：将子步骤S22中确定的测试集输入至子步骤S24中已训练好的模型，得到预测结果；分别计算预测值与实际值的误差对比参数MAE、RMSE、MRE，如式(4)、(5)、(6)所示，

MAE＝max(|f(x_i)-y_i|) (4)，

式(4)、(5)、(6)中，i为样本编号，N为样本总数，f(x_i)为样本疲劳损伤预测值，y_i为样本疲劳损伤仿真值。