CN112131753A - 风机疲劳寿命的评估方法、系统、设备及可读介质 - Google Patents
风机疲劳寿命的评估方法、系统、设备及可读介质 Download PDFInfo
- Publication number
- CN112131753A CN112131753A CN202011051645.XA CN202011051645A CN112131753A CN 112131753 A CN112131753 A CN 112131753A CN 202011051645 A CN202011051645 A CN 202011051645A CN 112131753 A CN112131753 A CN 112131753A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- fan
- evaluation
- load
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 108
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000002045 lasting effect Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 10
- 238000013178 mathematical model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风机疲劳寿命的评估方法、系统、设备及可读介质，评估方法包括：生成风机适用风场的包括环境参数组合及控制参数组合的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据；根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用第一载荷样本数据训练疲劳载荷模型；利用第二载荷样本数据验证训练后的疲劳载荷模型；以评估周期内的环境参数和控制参数作为输入，通过验证后的疲劳载荷模型进行评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。本发明提升了风机疲劳寿命的评估效率，而且无需增加硬件，从而降低了硬件成本。
Description
技术领域
本发明涉及风电评估技术领域，特别涉及一种通过风机监测数据在线实时评估风机疲劳寿命的方法、系统、设备及可读介质。
背景技术
目前，现有的风机疲劳寿命评估需要利用风机被评估部件的疲劳载荷时间历程数据，通过雨流统计的方式，获取部件载荷在不同振幅区间的振动次数，通过miner累积损伤工程模型，计算风机的累积损伤百分比，从而评估风机的疲劳寿命。
目前的方法主要针对每个被评估的部件载荷，需要在相应的位置安装相应的载荷传感器，如果需要对多个部件进行测试，安装的传感器数量庞大，传感器和采集器的成本增加；在实际操作中，若需要增加一个载荷通道，需要在硬件上重新准备一套装置；疲劳寿命的评估需要采集一定时间段的载荷数据，每个载荷通道需要配置一定容量的数据存储装置，在进行大量载荷通道评估时，需要有较大的存储介质完成每个周期的数据存储；采集的载荷时间历程数据，需要经过雨流处理和累积损伤的计算，可获取等效疲劳寿命的估计，而且针对每一个载荷通道均需要经过上述计算。
发明内容
本发明要解决的技术问题是为了克服现有技术中风机疲劳寿命的评估效率低，硬件成本高的缺陷，提供一种风机疲劳寿命的评估方法、系统、设备及可读介质。
本发明是通过下述技术方案来解决上述技术问题：
一种风机疲劳寿命的评估方法，包括：
生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合；
根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
可选地，所述以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估的步骤包括：
采集评估周期内的环境参数和控制参数；
对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值；
以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
可选地，所述通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命的步骤包括：
通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
可选地，获取风机疲劳寿命之后，所述评估方法还包括：
对历史周期的风机疲劳寿命进行累加，以获取风机的累积疲劳寿命。
可选地，所述生成风机适用风场的参数组合的步骤包括：
选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数离散组合。
可选地，所述环境参数包括但不仅限于风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种；和/或，
所述控制参数包括降容比例。
一种风机疲劳寿命的评估系统，包括：
数据生成模块，被配置为生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合；
模型训练模块，被配置为根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
模型验证模块，被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
疲劳寿命评估模块，被配置为以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
可选地，所述疲劳寿命评估模块被配置为：
采集评估周期内的环境参数和控制参数；
对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值；
以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
可选地，所述疲劳寿命评估模块被配置为：通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
可选地，所述疲劳寿命评估模块还被配置为：对历史周期的风机疲劳寿命进行累加，以获取风机的累积疲劳寿命。
可选地，所述数据生成模块被配置为：选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数离散组合。
可选地，所述环境参数包括但不仅限于风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种；和/或，
所述控制参数包括降容比例。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现如上述的风机疲劳寿命的评估方法的步骤。
一种计算机可读介质，其上存储有计算机指令，所述计算机指令在由处理器执行时实现如上述的风机疲劳寿命的评估方法的步骤。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：
本发明提供的风机疲劳寿命的评估方法及系统，利用训练和验证后的疲劳载荷模型，可有效地实现所需的风机部件疲劳载荷评估，极大地缩短了计算耗时，提升了评估效率，而且无需对每个需要估计的载荷都安装传感器、采集器和存储器等，从而极大地降低了硬件成本。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的所述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1为根据本发明的一实施例的风机疲劳寿命的评估方法的流程示意图。
图2为疲劳载荷模型的分布示意图。
图3为根据本发明的另一实施例的风机疲劳寿命的评估系统的结构示意图。
图4为根据本发明另一实施例的实现风机疲劳寿命的评估系统的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
为了克服目前存在的上述缺陷，本实施例提供一种风机疲劳寿命的评估方法，所述评估方法包括：生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合；根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
在本实施例中，利用训练和验证后的疲劳载荷模型，可有效地实现所需的风机部件疲劳载荷评估，极大地缩短了计算耗时，提升了评估效率，而且无需对每个需要估计的载荷都安装传感器、采集器和存储器等，从而极大地降低了硬件成本。
优选地，作为一实施例，本实施例提供的风机疲劳寿命的在线实时评估方法，所述评估方法主要分为风机等效疲劳载荷数学模型建立和在线实时疲劳寿命评估等两个环节。
通过上述两个环节，有效地提供了实时的参数变量，实现了风机疲劳寿命的快速评估。
具体地，如图1所示，所述评估方法主要包括以下步骤：
步骤101、生成风机适用风场的参数组合。
在本步骤中，选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数组合，所述参数组合包括环境参数组合和控制参数组合。
在本实施例中，风机全生命周期疲劳载荷模型的建立主要分为机组疲劳载荷数据库生成，疲劳载荷模型训练，疲劳载荷模型准确性校验等过程。
步骤102、形成第一载荷样本数据和第二载荷样本数据。
在本步骤中，获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据。
参数离散组合形成输入参数样本，使用载荷仿真软件进行仿真形成与输入参数样本对应的全生命周期等效疲劳载荷样本。
在本实施例中，所述环境参数主要包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度，所述环境参数可根据实际情况增加变量，但至少包括如上述的变量。
在本实施例中，所述控制参数包括降容比例，但并不具体限定所述控制参数，可根据实际需求进行相应的调整及选择。
根据实际需要，可以增加偏航误差变量。环境参数变量离散按照以下思路进行：选用真实的风机适用的典型风电场环境参数，对各点位各扇区的环境参数组合进行筛选，形成离散的样本，要求样本点的风速变化区间为切入风速到切出风速，间隔1m/s或者2m/s，每个风速下，样本点的风速标准差应尽可能均匀分布，且包含该风速下的风速标准差最小值附近点位至最大值附近点位，垂直风剪切，水平风剪切和入流角参数应尽量均匀分布，每个风速下的样本点的数量不少于40个。对于每个样本点，偏航误差按照机组设计的范围，离散为等间距的10个点；空气密度以设计值为中心，往减小方向和增大方向各设定4个点，间距为0.1kg/m3。
步骤103、建立疲劳载荷模型。
在本步骤中，根据参数组合和等效疲劳载荷样本建立疲劳载荷模型。
建立参数样本和全生命周期疲劳载荷样本之间的映射关系，形成回归数学模型。
在本实施例中，通过仿真获取风机全生命周期等效疲劳载荷，需要考虑不同部件的wholer参数。对于风机全生命周期等效疲劳载荷模型，针对每个风速，每个空气密度，每个降容比例和每个载荷类型，设定全生命周期等效疲劳载荷数学模型，数学模型为多元一次线性模型，包含常数项，自变量包括风速标准差，垂直风剪切，水平风剪切，入流角和偏航误差。所述疲劳载荷模型可适用于叶根，旋转轮毂，固定轮毂，偏航轴承，塔顶截面和塔底截面的正交坐标系下的三个力矩和三个力的载荷类型。
步骤104、利用第一载荷样本数据训练疲劳载荷模型。
在本步骤中，以环境变量和控制变量为自变量，风机全生命周期等效疲劳载荷为因变量，利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型。
步骤105、利用第二载荷样本数据验证疲劳载荷模型。
在本步骤中，利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型。
在本实施例中，以所述第二载荷样本数据作为输入，通过疲劳载荷模型预测疲劳载荷，同时也采用风机仿真软件，获取仿真的全生命周期等效疲劳载荷结果，通过两者对比，验证和调整所述疲劳载荷模型。经过训练和验证的所述疲劳载荷模型可用于疲劳寿命的快速评估。
参考图2所示，显示了全生命周期疲劳载荷数学模型的分布。全生命周期疲劳载荷评估过程，利用环境参数和控制参数，计算在该参数组合下的风机各部件全生命周期疲劳载荷。
步骤106、采集评估周期内的环境参数和控制参数以及周期持续时间。
在本步骤中，采集评估周期内的环境变量时间历程数据，风机偏航误差时序数据，该周期内风机运行的降容比例和周期持续时间。
步骤107、获取环境参数和控制参数的代表值。
在本步骤中，对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值。
具体地，在本实施例中，对采集的参数进行处理时，评估周期应当小于或等于10分钟(当然并不仅限于此)，参考疲劳载荷模型中风速的离散值，对风速和降容比例进行分仓处理，与之对应的风速标准差，垂直风剪切，水平风剪切，入流角，偏航误差和空气密度只能应用于该风速下该降容比例的疲劳载荷模型。针对每个风速和每个降容比例，对风速标准差，垂直风剪切，水平风剪切，入流角和偏航误差求平均值，以平均值作为代表值。
步骤108、以代表值为输入，利用疲劳载荷模型，获取风机疲劳寿命。
在本步骤中，以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
具体地，在本步骤中，通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
步骤109、对历史周期的风机疲劳寿命进行累加，获取风机的累积疲劳寿命。
在本实施例中，针对每个风速和每个降容比例，选取最接近空气密度测量值的2组疲劳载荷模型，利用这2组疲劳载荷模型计算全生命周期疲劳载荷，对空气密度做线性内插，获取该点位的全生命周期疲劳载荷22。
对每个风速每个降容比例所占的时间进行统计，考虑wholer系数(m值)，将各个风速和各个降容比例的全生命周期疲劳载荷按照时间进行加权求和，求和公式如下所示。
TDEL：等效疲劳寿命
Fi，j：第i个风速区间，第j个降容比例的全生命周期等效疲劳载荷
Ti，j：第i个风速区间，第j个降容比例的时间
Fd：疲劳载荷设计值
m：材料Wholer系数
步骤107中进行风机疲劳载荷评估中wholer系数需要和步骤103中的wholer系数保持一致。所述评估方法可通过编程嵌入风机监控系统，从而每间隔一定的周期进行风机各个部件关键位置的疲劳寿命估计。
在本实施例中，在线实时疲劳寿命评估环节，采集评估周期内的环境参数和记录时间周期，通过全生命周期疲劳载荷数学模型结合该评估周期的时间，计算该评估周期所占的疲劳寿命，对所有周期的疲劳寿命进行累加，风机的安全服役需要满足累加的疲劳寿命小于风机的设计疲劳寿命。
本实施例提供的风机疲劳寿命的评估方法，具有以下有益效果：
1)风机全生命周期等效疲劳载荷模型为显式数学模型，无需进行迭代寻优计算，计算耗时极短，从而极大地提升了评估效率。
2)所述评估方法只需要采集评估周期内的环境参数变量，无需对每个需要估计的载荷都安装传感器、采集器和存储器等，从而及大地节省了硬件成本。
3)所述评估方法通过算法扩展，可实现所需的风机部件疲劳载荷评估，无需增加硬件。
4)所述评估方法可应用至风机监测系统，运行速度快，计算精度高，可实现在线实时的风机疲劳寿命评估。
5)所述评估方法可用于陆上风机和海上风机的疲劳寿命实时估计。
为了克服目前存在的上述缺陷，本实施例提供一种风机疲劳寿命的评估系统，所述评估系统利用如上述的风机疲劳寿命的评估方法。
具体地，作为一实施例，如图3所示，所述评估系统主要包括数据生成模块21、模型训练模块22、模型验证模块23及疲劳寿命评估模块24。
数据生成模块21被配置为生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合。
优选地，在本实施例中，数据生成模块21被配置为选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数离散组合。
模型训练模块22被配置为根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型。
模型验证模块23被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型。
疲劳寿命评估模块24被配置为以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
疲劳寿命评估模块24还被配置为对历史周期的风机疲劳寿命进行累加，以获取风机的累积疲劳寿命。
优选地，在本实施例中，疲劳寿命评估模块24被配置为：采集评估周期内的环境参数和控制参数；对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值；以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
具体地，疲劳寿命评估模块24被配置为通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
在本实施例中，所述环境参数主要包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度，所述环境参数可根据实际情况增加变量，但至少包括如上述的变量。
在本实施例中，所述控制参数包括降容比例，但并不具体限定所述控制参数，可根据实际需求进行相应的调整及选择。
本实施例提供的风机疲劳寿命的评估系统，具有以下有益效果：
1)风机全生命周期等效疲劳载荷模型为显式数学模型，无需进行迭代寻优计算，计算耗时极短，从而极大地提升了评估效率。
2)所述评估系统只需要采集评估周期内的环境参数变量，无需对每个需要估计的载荷都安装传感器、采集器和存储器等，从而及大地节省了硬件成本。
3)所述评估系统通过算法扩展，可实现所需的风机部件疲劳载荷评估，无需增加硬件。
4)所述评估系统可应用至风机监测系统，运行速度快，计算精度高，可实现在线实时的风机疲劳寿命评估。
5)所述评估系统可用于陆上风机和海上风机的疲劳寿命实时估计。
图4为根据本发明另一实施例提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上实施例中的风机疲劳寿命的评估方法。图4显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明如上实施例中的风机疲劳寿命的评估方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上实施例中的风机疲劳寿命的评估方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现如上实施例中的风机疲劳寿命的评估方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种风机疲劳寿命的评估方法，其特征在于，包括：
生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合；
根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
2.如权利要求1所述的评估方法，其特征在于，所述以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估的步骤包括：
采集评估周期内的环境参数和控制参数；
对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值；
以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
3.如权利要求2所述的评估方法，其特征在于，所述通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命的步骤包括：
通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
4.如权利要求3所述的评估方法，其特征在于，获取风机疲劳寿命之后，所述评估方法还包括：
对历史周期的风机疲劳寿命进行累加，以获取风机的累积疲劳寿命。
5.如权利要求1所述的评估方法，其特征在于，所述生成风机适用风场的参数组合的步骤包括：
选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数离散组合。
6.如权利要求1～5中任意一项所述的评估方法，其特征在于，所述环境参数包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种；和/或，
所述控制参数包括降容比例。
7.一种风机疲劳寿命的评估系统，其特征在于，包括：
数据生成模块，被配置为生成风机适用风场的参数组合，并且获取风机在不同参数组合下的全生命周期的等效疲劳载荷样本，以形成用于模型训练的第一载荷样本数据及用于模型验证的第二载荷样本数据，所述参数组合包括环境参数组合及控制参数组合；
模型训练模块，被配置为根据参数组合和等效疲劳载荷样本建立疲劳载荷模型，并且利用所述第一载荷样本数据训练所述疲劳载荷模型，以形成训练后的所述疲劳载荷模型；
模型验证模块，被配置为利用所述第二载荷样本数据验证训练后的所述疲劳载荷模型，以形成验证后的所述疲劳载荷模型；以及，
疲劳寿命评估模块，被配置为以评估周期内的环境参数和控制参数作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估，以获取风机疲劳寿命。
8.如权利要求7所述的评估系统，其特征在于，所述疲劳寿命评估模块被配置为：
采集评估周期内的环境参数和控制参数；
对所述环境参数和所述控制参数进行处理，以获取所述环境参数和所述控制参数的代表值；
以所述环境参数和所述控制参数的代表值作为输入，通过验证后的所述疲劳载荷模型进行所述评估周期所占的疲劳寿命评估。
9.如权利要求8所述的评估系统，其特征在于，所述疲劳寿命评估模块被配置为：通过验证后的所述疲劳载荷模型进行计算疲劳载荷，考虑wholer系数，将计算的风机全生命周期疲劳载荷按照所述评估周期持续的时间概率进行计算，以获取所述评估周期的风机疲劳寿命。
10.如权利要求9所述的评估系统，其特征在于，所述疲劳寿命评估模块还被配置为：对历史周期的风机疲劳寿命进行累加，以获取风机的累积疲劳寿命。
11.如权利要求9所述的评估系统，其特征在于，所述数据生成模块被配置为：选取需进行载荷评估的机组，并且根据机组设计的场址条件设定参数的变化区间，在变化区间内进行参数离散，以生成风机适用风场的参数离散组合。
12.如权利要求7～11中任意一项所述的评估系统，其特征在于，所述环境参数包括风速、风速标准差、垂直风剪切、水平风剪切、入流角及空气密度中的任意一种或多种；和/或，
所述控制参数包括降容比例。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1～6中任意一项所述的风机疲劳寿命的评估方法的步骤。
14.一种计算机可读介质，其上存储有计算机指令，其特征在于，所述计算机指令在由处理器执行时实现如权利要求1～6中任意一项所述的风机疲劳寿命的评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051645.XA CN112131753A (zh) | 2020-09-29 | 2020-09-29 | 风机疲劳寿命的评估方法、系统、设备及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051645.XA CN112131753A (zh) | 2020-09-29 | 2020-09-29 | 风机疲劳寿命的评估方法、系统、设备及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112131753A true CN112131753A (zh) | 2020-12-25 |
Family
ID=73844814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011051645.XA Pending CN112131753A (zh) | 2020-09-29 | 2020-09-29 | 风机疲劳寿命的评估方法、系统、设备及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131753A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611584A (zh) * | 2020-05-18 | 2021-04-06 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
| CN117077273A (zh) * | 2023-10-18 | 2023-11-17 | 中国船舶集团风电发展有限公司 | 风电机组的塔筒承重平台的疲劳强度计算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109139366A (zh) * | 2018-09-26 | 2019-01-04 | 北京金风科创风电设备有限公司 | 风电场的控制系统 |
| CN111291514A (zh) * | 2020-02-03 | 2020-06-16 | 华北电力大学 | 一种风电机组疲劳寿命的快速预测的方法 |
| CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 北京金风科创风电设备有限公司 | 基于扇区的风电机组的预定部件的载荷预估方法和装置 |
-
2020
- 2020-09-29 CN CN202011051645.XA patent/CN112131753A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109139366A (zh) * | 2018-09-26 | 2019-01-04 | 北京金风科创风电设备有限公司 | 风电场的控制系统 |
| CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 北京金风科创风电设备有限公司 | 基于扇区的风电机组的预定部件的载荷预估方法和装置 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611584A (zh) * | 2020-05-18 | 2021-04-06 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
| CN117077273A (zh) * | 2023-10-18 | 2023-11-17 | 中国船舶集团风电发展有限公司 | 风电机组的塔筒承重平台的疲劳强度计算方法 |
| CN117077273B (zh) * | 2023-10-18 | 2024-02-20 | 中国船舶集团风电发展有限公司 | 风电机组的塔筒承重平台的疲劳强度计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10815972B2 (en) | System and method for assessing and validating wind turbine and wind farm performance | |
| US10253758B2 (en) | System and method for optimizing wind farm performance | |
| JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
| CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
| WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
| EP3791060A1 (en) | Wind turbine control method | |
| CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
| CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
| Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
| CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| CN116467972A (zh) | 一种风机能效评估方法及系统 | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| Azzam et al. | Development of a wind turbine gearbox virtual load sensor using multibody simulation and artificial neural networks | |
| CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
| CN110139983B (zh) | 实证评估风力涡轮机发电机运行的方法和系统 | |
| CN113609622A (zh) | 风力发电机组的塔架载荷建模方法和装置 | |
| CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
| CN115434870B (zh) | 风力发电组振动数据的处理方法、装置、设备及存储介质 | |
| Slot et al. | Importance of shear in site assessment of wind turbine fatigue loads | |
| CN111985104B (zh) | 风力发电机等效疲劳载荷的估算方法及装置及计算机可读存储介质 | |
| CN114547967A (zh) | 基于多通道可分离残差神经网络的风机剩余寿命预测方法 | |
| CN116933570B (zh) | 风电场再开发过程中的发电量评估方法和装置 |
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 |