CN112888853A - 风能设施的控制 - Google Patents

风能设施的控制 Download PDF

Info

Publication number
CN112888853A
CN112888853A CN201980070238.2A CN201980070238A CN112888853A CN 112888853 A CN112888853 A CN 112888853A CN 201980070238 A CN201980070238 A CN 201980070238A CN 112888853 A CN112888853 A CN 112888853A
Authority
CN
China
Prior art keywords
parameter
wind energy
rotor
wind
generator
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
Application number
CN201980070238.2A
Other languages
English (en)
Inventor
延斯·盖斯勒
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.)
Siemens Comesa Renewable Energy Services Co ltd
Senvion GmbH
Original Assignee
Siemens Comesa Renewable Energy Services 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 Siemens Comesa Renewable Energy Services Co ltd filed Critical Siemens Comesa Renewable Energy Services Co ltd
Publication of CN112888853A publication Critical patent/CN112888853A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • 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
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/804—Optical devices
    • F05B2270/8042—Lidar systems
    • 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

Abstract

根据本发明的用于控制风能设施的方法，该风能设施具有绕转子轴线(R)可旋转的转子(10)和与该转子联接的发电机(20)，该转子具有至少一个转子叶片(11)，所述方法具有以下步骤：‑借助至少一个传感器(40)检测(S10)前部地带参数的值、特别是前部地带风参数的值，该值在第一时刻存在于第一区域(A)中，该第一区域具有与风能设施、特别是与转子叶片的第一距离(a)，特别是检测前部地带参数直至第一时刻的值序列；‑基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列以及预测的在所述风能设施上的近场参数、特别是近场风参数和/或风能设施的对之后的第二时刻预测的运行参数和/或执行器和/或发电机的控制变量给前部地带参数或前部地带参数序列的机器学习的配置来控制(S30)风能设施的发电机和/或至少一个执行器(12、32)。

Description

风能设施的控制
技术领域
本发明涉及用于控制风能设施的方法和系统以及用于实施该方法的计算机程序产品。
背景技术
通过控制发电机以及各种执行器使得具有转子以及与该转子联接的发电机的风能设施可以适配变化的环境条件、特别是变动的风速，所述执行器例如使转子叶片绕其纵向轴线旋转或使支承转子的吊舱绕偏航轴扭转。
发明内容
本发明的目的是，改善风能设施的运行、特别是改善风能设施的性能。
所述目的通过具有权利要求1的特征的方法得以实现。权利要求11、12保护用于执行在此描述的方法的系统或计算机程序产品。从属权利要求涉及有利的改进方案。
根据本发明的实施例，风能设施包括绕转子轴线可旋转(支承)的转子和发电机，所述转子具有一个或多个、在实施例中至少两个和/或至多五个转子叶片，所述发电机在实施例中经由传动机构与所述转子联接。
在一实施例中，转子(可旋转地)支承在吊舱处、特别是支承在吊舱中，该吊舱自己在一改进方案中特别是可旋转地支承在塔架处、特别是支承在塔架上。
在一实施例中，转子轴线与竖直线或重力方向围成至少60°和/或至多120°的角，在一改进方案中，该转子轴线至少基本上是水平的。
在一实施例中，转子或吊舱绕偏航轴可旋转地支承特别是在塔架上，其中，所述偏航轴在一实施例中与转子轴线围成至少60°和/或至多120°的角，在一改进方案中，该偏航轴至少基本上是竖直的。
根据风能设施的环境条件和运行状态，本发明可以特别有利地用于这种风能设施。
根据本发明的实施例，用于控制风能设施的方法具有以下步骤：借助一个或多个传感器检测一维或多维前部地带(Vorfeld)参数的值、特别是一维或多维前部地带地带风参数的值，所述值在第一时刻存在或者说普遍存在于第一区域中，该第一区域特别是沿转子轴线的方向具有与风能设施、特别是与一个或多个转子叶片的大于零的特别是最小的或者平均的第一距离，该第一区域特别是(沿转子轴线的方向)设置在一个或多个转子叶片的上游或前方，在一实施例中，借助所述一个或多个传感器检测前部地带参数直至第一时刻的值序列。
根据本发明的实施例，所述方法具有以下步骤：基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列和机器学习的配置(Zuordnung)来控制风能设施的发电机和/或一个或多个执行器。
根据本发明的实施例，这种机器学习的配置将在风能设施上的特别是对之后的第二时刻预测的一维或多维近场参数(值)、特别是一维或多维近场风参数(值)(分别)配置(zuordnet)给(多个)前部地带参数的或前部地带参数(值)序列的一个或多个值。
换而言之，机器学习前部地带参数或者前部地带参数序列与近场参数之间的关系，所述前部地带参数或者前部地带参数序列(直至)在第一时刻存在于与风能设施间隔开第一距离的第一区域中、特别是设置在一个或多个转子叶片前方的第一区域中或者借助一个或多个传感器得到检测，所述近场参数在第二时刻或所述之后的第二时刻预计在风能设施上出现或产生。
由此，所述近场参数在一实施例中特别是基于在数学上或理论上对所述关系进行建模的困难性可以特别有利地、特别是(更)快速地、(更)可靠地和/或(更)精确地得到预测，并且因此可以有利地预见性地控制一个或多个执行器和/或发电机，这特别是基于在这种控制中固有的或出现的特别是机械的、液压的、电的和/或信号技术的和/或计算技术的惯性、特别是静止时间等可以是特别有益的。
附加地或可选地，根据本发明的一实施例，机器学习的配置将风能设施的对之后的第二时刻预测的一维或多维运行参数(值)(分别)配置给(多个)前部地带参数或者前部地带参数(值)序列的一个或多个值。
换而言之，机器学习前部地带参数或者前部地带参数序列与运行参数之间的关系，所述前部地带或者前部地带参数序列(直至)在第一时刻存在于从风能设施间隔开第一距离的第一区域中或者借助一个或多个传感器得到检测，所述运行参数在所述之后的第二时刻预计在风能设施中出现或产生。
由此，所述运行参数在一实施例中特别是基于在数学上或理论上对所述关系进行建模的困难性可以特别有利地、特别是(更)快速地、(更)可靠地和/或(更)精确地得到预测，并且因此可以有利地预见性地控制一个或多个执行器和/或发电机，这特别是基于在这种控制中固有的或出现的特别是机械的、液压的、电的和/或信号技术的和/或计算技术的惯性、特别是静止时间等可以是特别有益的。
在一实施例中，所述方法包括以下步骤：
-基于检测到的前部地带参数值或者检测到的前部地带参数值序列和机器学习的配置来预测近场参数(值)和/或运行参数(值)；
-在一实施例中借助调节器、基于所预测的近场参数和/或运行参数来确定一个或多个执行器和/或发电机的一维或多维控制变量；以及
-基于所确定的控制变量来控制一个或多个执行器和/或发电机。
换而言之，在一实施例中多阶段地、首先基于机器学习的配置来为第二时刻预测近场参数或者说运行参数，然后特别是借助必要情况下常规的调节器来(预见性)控制一个或多个执行器或发电机。
由此可以在一实施例中使用基于近场参数或者说运行参数的工作的常规的调节器并且/或者可以提高在风能设施运行中的安全性。
同样，该调节也可以集成到机器学习的配置中，或者可以被(一起)机器学习。由此可以在一实施例中(进一步)改善一个或多个执行器或发电机的控制。为了更简洁地表示，将在考虑返回的实际变量的情况下的调节或者说控制概括地称为控制。
特别是为此目的，根据本发明的一实施例，机器学习的配置将一个执行器的或多个执行器的或者用于一个/多个执行器的和/或发电机的或用于发电机的一维或多维控制变量(分别)配置给(多个)前部地带参数的值或者说前部地带参数(值)序列的一个或多个值。
换而言之，机器学习在前部地带参数或者说前部地带参数序列与控制变量之间的关系，所述前部地带参数或者说前部地带参数序列(直至)在第一时刻存在于与风能设施间隔开第一距离的第一区域中或者借助一个或多个传感器得到检测，基于所述控制变量控制一个或多个执行器和/或发电机。
由此，特别是基于在数学上或理论上对所述关系进行建模的困难可以在一实施例中特别有利地、特别是(更)快速地、(更)可靠地和/或(更)精确地预测控制变量，并且因此可以有利地预见性地控制一个或多个执行器和/或发电机，这特别是基于在该控制中固有的或出现的特别是机械的、液压的、电的和/或信号技术的和/或计算技术的惯性、特别是静止时间等可以是特别有利的。
在一实施例中，一个传感器或多个传感器中的一个或多个传感器(分别)线性地或沿着所谓的“视线”和/或无接触地、特别是光学地、声学地和/或电磁地进行测量，在一改进方案中，一个传感器或多个传感器中的一个或多个传感器是LIDAR(激光雷达)传感器、SODAR(声雷达)传感器、RADAR(雷达)传感器等。
由此在一实施例中，一方面可以特别有利地、特别是(更)快速地、(更)可靠地和/或(更)精确地检测前部地带参数(值)或前部地带参数(值)序列。另一方面，在这些传感器或测量的情况下可以特别有利地使用本发明，特别是基于沿着视线对风速分量的限制。
附加地或可选地，在一实施例中，所述传感器或所述传感器中的一个或多个传感器(各自)设置在风能设施上、特别是转子、吊舱或塔架上。
通过吊舱侧的设置，检测的前部地带可以在一实施例中有利地分别随转子一起运动或旋转，通过转子侧的设置可以在实施例中有利地避免转子叶片的视野干扰，通过塔架侧的设置可以在一实施例中有利地附接一个或多个传感器。
在一实施例中，前部地带风参数取决于在第一区域中的一个或多个部位上的风速、特别是风向和/或风级，并且所述前部地带风参数特别可以对应或者说明它们。附加地或可选地，在一个或多个转子叶片的实施例中，近场风参数取决于在风能设施上、特别是在转子上的一个或多个部位上的风速、特别是风向和/或风级，并且该近场风力参数特别可以对应或说明它们。
由于前部地带中(直至)在第一时刻的风场很大程度上决定了在第二时刻在转子上的风场，并且该风场自己很大程度上决定了风能设施的、特别是一个或多个执行器和/或发电机的运行参数和控制，因此在一实施例中，可以特别有利地通过考虑在前部地带中的风速来控制风能设施。
在一实施例中，运行参数取决于转子的、特别是一个或多个转子叶片的和/或吊舱的速度、加速度和/或载荷，和/或发电机的功率、特别是转速和/或扭矩。吊舱的载荷特别是可以包括、特别可以是作用到该吊舱上的剪力和/或作用到其上的俯仰力矩和/或偏航力矩，转子的载荷特别可以包括、特别可以是作用到该转子上的扭矩和/或在一个或多个转子叶片中的力和/或力矩或者由此引起的变形。
由于前部地带中(直至)在第一时刻的风场很大程度上决定了在第二时刻的运行参数，因此在一实施例中可以特别有利地由此预测所述运行参数并且由此特别有利地控制风能设施。
在一实施例中，一个执行器或者多个执行器中的一个或多个执行器围绕一个转子叶片或者多个转子叶片中的一个或多个转子叶片的纵向轴线或叶片轴线对其进行调节，或者设置用于此，或者应用于此。换而言之，一个或多个执行器在一个实施例中调节所谓的俯仰角、在一个实施例中共同地调节所谓的俯仰角、在另一实施例中(单个)叶片特定地调节所谓的俯仰角，或者设置用于此或应用于此。
附加地或可选地，一个执行器或者多个执行器中的一个或多个执行器围绕一偏航轴或所述偏航轴调节转子、特别是吊舱，或者设置用于此或者应用于此。换而言之，在一实施例中，一个或多个执行器调节所谓的方位角。
已经得到证实的是：除了发电机控制之外，共同的或(单个)叶片(特定)的俯仰角调节和方位角调节对使用本发明而言是特别有利的。
在一实施例中，借助风能设施将机器学习或已机器学习所述配置，随后基于该配置来控制该风能设施或其(多个)执行器和/或发电机。
由此可以有利地风能设施特定地或针对受控的风能设施中普遍存在的条件地优化所述配置。
附加地或可选地，在一实施例中借助至少一个另外的风能设施将机器学习或已机器学习所述配置。
由此可以有利地(也)使用在其它风能设施上的经验。由此，在一实施例中已经可以根据本发明直接控制风能设施，并且/或者可以借助该风能设施改善(进一步的)机器学习。
附加地或可选地，在一实施例中借助特别是风能设施和/或其环境的至少一个特别是数学的模拟模型来机器学习所述配置。
由此在一实施例中已经可以根据本发明直接控制风能设施，并且/或者可以借助该风能设施(进一步)改善(进一步的)机器学习。
在一实施例中，还在控制风能设施期间进一步机器学习所述配置。相应地，一个或多个执行器的控制和/或发电机的控制在一实施例中是(机器)自学的。由此在一实施例中可以改善配置、特别是可以适配变化的条件。
在一实施例中，借助人工神经网络已实施或将实施所述配置，在改进方案中借助特别适于此的循环(rekurrent)或反馈的人工神经网络和/或LSTM(“长短期记忆”)网络已实施或将实施所述配置。由此在一实施例中可以特别有利地机器学习和/或评估所述配置。
在一实施例中，基于对近场参数和/或运行参数的检测值和预测值的比较已机器学习或将机器学习所述配置。在此在一实施例中，为至少一个第二时刻预测近场参数的值和/或运行参数的值，在该第二时刻检测、特别是测量相应的近场参数或者说运行参数并且相互比较这些值，其中，机器学习所述配置、特别是因此训练人工神经网络，从而优化取决于在这些检测值和预测值之间的这种差的质量评定标准。在一实施例中，第一时刻和第二时刻之间的时间间隔可以基于在第一时刻的风速、特别是平均风速来估算，该风速可以由前部地带风参数的检测值来确定。同样，也可以机器学习时间间隔。
由此在一实施例中可以(进一步)改善所述配置。
如已经提到的那样，所述配置可以分别将近场参数或运行参数或控制变量Y的值特别是根据
Figure BDA0003035046340000071
配置给前部地带参数X的各个值，其中t1为第一时刻，t2为第二时刻。
同样如已经提到的那样，所述配置也可以分别将近场参数或运行参数或控制变量Y的值特别是根据
Figure BDA0003035046340000072
Figure BDA0003035046340000073
配置给多个时间上的、特别是紧邻的、连续的值序列X(t1-n·Δt)，X(t1-(n-1)·Δt)，…X(t1)，其中Δt为各前部地带参数值之间的时间间隔。换而言之，所述配置还可以将时间空档(直至第一时刻)映射到近场参数或运行参数或控制变量。由此在一实施例中还可以特别有利地同时考虑在第一时刻和第二时刻之间的动力学、特别是空气动力学。
在一实施例中，第一距离是转子叶片长度的至少10％、特别是至少50％、在一实施例中至少90％，并且/或者是转子叶片长度的至多1000％、特别是至多800％、在一实施例中是至多600％，在具有(最大)直径D的多叶片转子的情况下，第一距离是至少0.05D、特别是至少0.25D、在一实施例中是至少0.45D，并且/或者是至多5D、特别是至多4D、在一实施例中是至多3D。如已经提到的那样，它在一实施例中是平均距离或最小距离和/或在转子轴线方向上的距离和/或在转子叶片的上游边棱或者说前边棱或者说迎流边棱与第一区域、特别是其转子侧边界之间的距离。
已经令人惊讶地证实，基于这个与风能设施的距离、特别是与一个或多个转子叶片(前方)的距离检测到的前部地带参数，可以特别有利地控制风能设施或其(多个)执行器和/或发电机。
在一实施例中，一个执行器或者多个执行器中的一个或多个执行器和/或发电机连续地或准连续地基于(分别或实时)检测到的前部地带参数值、特别是基于(分别或实时)检测到的前部地带参数值序列和机器学习的配置被控制(操控)。已经证明这特别对俯仰角调节和发电机(扭矩)力矩的控制是特别有利的，而不限于此。
在一实施例中，一个执行器或多个执行器中的一个或多个执行器和/或发电机当超过基于(分别或实时)检测到的前部地带参数值、特别是基于(分别或实时)检测到的前部地带参数值序列和机器学习的配置的预设极限值时才被控制(操控)。已经证明这特别对于方位角调节是特别有利的，而不限于此。
根据本发明的一实施例，用于特别是硬件技术地和/或软件技术地、特别是编程技术地控制风能设施以执行在此描述的方法的系统设置有和/或具有：
-一个或多个传感器，所述传感器检测前部地带参数的值、特别是前部地带风参数的值，所述值在第一时刻存在于第一区域中，该第一区域具有与风能设施、特别是转子叶片的第一距离，所述传感器特别是检测前部地带参数的直至第一时刻的值序列，或者设置用于此，或者为此目的设立所述传感器，或者为此目的使用所述传感器。
-用于基于该检测到的前部地带参数值、特别是该检测到的前部地带参数值序列以及预测的在风能设施上的近场参数、特别是近场风参数和/或风能设施的为之后的第二时刻预测的运行参数和/或执行器和/或发电机的控制变量与前部地带参数或前部地带参数序列的机器学习的配置来控制风能设施和/或发电机的一个或多个执行器的器件。
在一实施例中，所述系统或其(多个)器件具有：
-用于基于检测到的前部地带参数值或者说检测到的前部地带参数值序列和机器学习的配置来预测近场参数和/或运行参数的器件；
-用于基于这个预测的近场参数和/或运行参数、特别是借助调节器确定执行器和/或发电机的控制变量的器件；以及
-用于基于这个确定的控制变量来控制执行器和/或发电机的器件。
附加地或可选地，在一实施例中，所述系统或其(多个)器件具有：
-用于借助所述风能设施和/或至少一个另外的风能设施来机器学习所述配置的器件；
-用于还在控制风能设施期间机器学习所述配置的器件；和/或
-人工神经网络，借助该人工神经网络已实施或将实施所述配置或者设置用于此、特别是为此目的设置或应用于此。
附加地或可选地，在一实施例中，所述系统或其(多个)器件具有：
-用于基于对近场参数和/或运行参数的检测值和预测值的比较来机器学习所述配置的器件；和/或
-用于连续地或准连续地或者当基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列和机器学习的配置的预设极限值被超过时才操控一个执行器或者多个执行器中的一个或多个执行器和/或发电机的器件。
本发明意义中的器件可以硬件技术和/或软件技术地构造、特别是具有优选与存储器系统和/或总线系统数据连接或者信号连接的特别是数字的处理单元、特别是微处理单元(CPU)、显卡(GPU)或类似物、和/或具有一个或多个程序或程序模块。处理单元可以为此构造为，对作为保存在存储器系统中的程序得到执行的命令进行处理、检测来自数据总线的输入信号和/或将输出信号发给数据总线。存储系统可以具有一个或多个特别是不同的存储媒介、特别是光学的、磁性的固态和/或其它非易失性媒介。所述程序可以设计成，使得所述程序能够体现或执行此处所述的方法，使得处理单元可以执行这种方法的步骤并且因此特别可以控制风能设施。在一实施例中，计算机程序产品可以具有用于存储程序的特别是非易失性的存储媒介或特别可以是具有存储在其上的程序的存储媒介，其中，所述程序的执行促使系统或控制器、特别是计算机执行在此描述的方法或其一个或多个步骤。
在一实施例中，所述方法的一个或多个、特别是所有步骤全部地或部分地特别是通过所述系统或其(多个)器件自动执行。
在一实施例中，所述系统具有风能设施。
附图说明
从从属权利要求和实施例中得出其它优点和特征。附图对此部分示意性地示出了：
图1示出了根据本发明实施例的用于控制风能设施的系统；
图2示出了根据本发明实施例的用于控制风能设施的方法。
具体实施方式
图1示出了根据本发明实施例的用于控制风能设施的系统。
风能设施具有转子10，该转子具有多个(在本实施例中为三个)转子叶片11，该转子叶片绕基本水平的转子轴线R可旋转地支承在吊舱30中，该吊舱绕基本竖直的偏航轴G可旋转地支承在风能设施的塔架31上。
在吊舱30中设置有与转子10联接的发电机20，该发电机将电能供给到电网21中。在一实施例中，发电机20为此具有传动机构或者经由传动机构与转子10联接。
执行器12调节转子叶片11绕其纵向轴线或叶片轴线B的俯仰角。执行器32调节吊舱30相对塔架31的偏航角或方位角。
在吊舱30上设置有激光雷达传感器、声雷达传感器、雷达传感器或类似的传感器40，该传感器检测(图2：步骤S10)在第一区域A中的风速形式的多维的前部地带参数，该第一区域设置在转子10前方的第一距离a中。
控制器43具有人工神经网络41和调节器42。
神经网络41从传感器40获得原始数据，并在步骤S20(参见图2)中基于机器学习的配置将该原始数据映射到转子上的风速和/或运行参数值、例如空气动力诱导的转子转速、空气动力诱导的发电机力矩等，它们针对在时间上比检测原始数据的第一时刻晚的第二时刻被预测。检测值和预测值之间的时间偏差可以基于对检测到的风速求平均的(平均)风速来估算，或者也可以由神经网络41机器学习。
为此至少在训练阶段中并且优选还在设施工作运行期间将转子上的由神经网络41预测的风速和/或运行参数值与在转子上检测的风速或者在风能设施中检测到的运行参数值进行比较，其中，神经网络41通过机器学习寻求使预测数据和检测数据之间的差异最小化。
在步骤S30中，神经网络41将预测的转子上的风速或者运行参数值输出到调节器42上，该调节器基于这些变量确定用于发电机20、俯仰角执行器12和方位角执行器32的控制变量并将其输出到它们上。此外，如已经提到的，在运行期间或者说在步骤S20或S30中，神经网络41可以分别通过(其它)机器学习进一步改善通过传感器40在第一时刻检测到的在第一区域A中的风速以及由此对之后的第二时刻预测的在转子上的风速或运行参数值的配置。
尽管在前面的描述中解释了示例性实施例，但是在这里要指出的是，许多改变是可能的。
因此特别地，代替具有对转子上的风速的或运行参数值的预测以及基于这些预测的变量预见性(工作)的调节器42的两阶段方法(图2：S20、S30)，神经网络41还可以直接基于通过传感器40在第一时刻检测到的在第一区域A中的风速以及前部地带参数值给用于发电机20和俯仰角执行器12的控制变量的机器学习的配置分别确定这些控制变量，并因此(操控)控制发电机20、俯仰角执行器12和方位角执行器32。
此外，在这里要指出的是：示例性实施例仅是示例，它们不应以任何方式限制保护范围、应用和结构。更确切地说，通过前面的描述给予本领域技术人员用于转化至少一个示例性实施例的指南，其中，可以进行各种改变、特别是鉴于所描述的组成部分的功能和设置，而不会背离通过权利要求以及其等效的特征组合获得的保护范围。
附图标记列表
10 转子
11 转子叶片
12 俯仰角执行器
20 发电机
21 电网
30 吊舱
31 塔架
32 方位角执行器
40 传感器
41 人工神经网络
42 调节器
43 控制器
A 第一区域
a 第一距离
B 叶片轴线
G 偏航轴
R 转子轴线

Claims (12)

1.用于控制风能设施的方法，该风能设施具有绕转子轴线(R)可旋转的转子(10)和与该转子联接的发电机(20)，所述转子具有至少一个转子叶片(11)，所述方法具有以下步骤：
-借助至少一个传感器(40)检测(S10)前部地带参数的值、特别是前部地带风参数的值，所述值在第一时刻存在于第一区域(A)中，该第一区域具有与所述风能设施、特别是所述转子叶片的第一距离(a)，特别是借助至少一个传感器检测前部地带参数的直至第一时刻的值序列；
-基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列以及预测的在所述风能设施上的近场参数、特别是近场风参数和/或风能设施的对之后的第二时刻预测的运行参数和/或执行器和/或发电机的控制变量与所述前部地带参数或前部地带参数序列的机器学习的配置来控制(S30)所述风能设施的发电机(20)和/或至少一个执行器(12、32)。
2.根据权利要求1所述的方法，其特征在于，所述传感器设置为线性地和/或无接触地，特别是光学测量、声学测量和/或电磁测量的传感器并且/或者设置在所述风能设施上、特别是设置在转子上或设置在支承该转子的特别是可旋转的吊舱(30)上或支承该吊舱的塔架(31)上。
3.根据前述权利要求中任一项所述的方法，其特征在于，所述前部地带风参数取决于在所述第一区域的至少一个部位上的风速、特别是风向和/或风级，并且/或者所述近场风参数取决于在所述风能设施上的至少一个部位上的风向和/或风级。
4.根据前述权利要求中任一项所述的方法，其特征在于，所述运行参数取决于所述转子的、支承该转子的特别是可旋转的吊舱的速度、加速度和/或载荷和/或所述发电机的功率。
5.根据前述权利要求中任一项所述的方法，其特征在于，所述执行器绕所述转子叶片的纵向轴线(B)调节该转子叶片，并且/或者绕偏航轴(G)调节所述转子、特别是支承该转子的吊舱(30)。
6.根据前述权利要求中任一项所述的方法，其特征在于以下步骤：
-基于所述检测到的前部地带参数值或检测到的前部地带参数值序列和机器学习的配置来预测(S20)所述近场参数和/或运行参数；
-基于这个预测的近场参数和/或运行参数、特别借助调节器(42)来确定(S30)所述执行器和/或所述发电机的控制变量；以及
-基于这个确定的控制变量来控制(S30)所述执行器和/或所述发电机。
7.根据前述权利要求中任一项所述的方法，其特征在于，借助所述风能设施和/或至少一个另外的风能设施和/或模拟模型来机器学习所述配置，并且/或者在控制所述风能设施期间也继续机器学习所述配置，并且/或者借助人工神经网络(41)来实施所述配置。
8.根据前述权利要求中任一项所述的方法，其特征在于，基于对所述近场参数和/或运行参数的检测值和预测值的比较来机器学习所述配置。
9.根据前述权利要求中任一项所述的方法，其特征在于，所述第一距离是所述转子叶片的长度的至少10％和/或至多1000％。
10.根据前述权利要求中任一项所述的方法，其特征在于，所述执行器和/或所述发电机连续地或准连续地被操控，或者当基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列和机器学习的配置的预定极限值被超过时才被操控。
11.用于控制风能设施的系统(40-43)，该风能设施具有绕转子轴线(R)可旋转的转子(10)和与该转子联接的发电机(20)，所述转子具有至少一个转子叶片(11)，其中，所述系统设置为用于实施根据前述权利要求中任一项所述的方法并且/或者具有：
-至少一个传感器(40)，该传感器用于检测前部地带参数的值、特别是前部地带风参数的值，所述值在第一时刻存在于第一区域(A)中，该第一区域具有与所述风能设施、特别是所述转子叶片的第一距离(a)，所述传感器特别是检测前部地带参数的直至第一时刻的值序列；以及
-器件(41-43)，所述器件用于基于检测到的前部地带参数值、特别是检测到的前部地带参数值序列以及预测的在所述风能设施上的近场参数、特别是近场风参数和/或所述风能设施的对之后的第二时刻预测的运行参数和/或执行器和/或发电机的控制变量与所述前部地带参数或前部地带参数序列的机器学习的配置来控制所述风能设施的发电机和/或至少一个执行器(12、32)。
12.具有程序代码的计算机程序产品，该程序代码存储在计算机可读媒介上，所述计算机程序产品用于实施根据前述权利要求中任一项所述的方法。
CN201980070238.2A 2018-10-25 2019-10-10 风能设施的控制 Pending CN112888853A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102018008391.9A DE102018008391A1 (de) 2018-10-25 2018-10-25 Steuerung einer Windenegaieanlage
DE102018008391.9 2018-10-25
PCT/EP2019/077508 WO2020083656A1 (de) 2018-10-25 2019-10-10 Steuerung einer windenergieanlage

Publications (1)

Publication Number Publication Date
CN112888853A true CN112888853A (zh) 2021-06-01

Family

ID=68234005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980070238.2A Pending CN112888853A (zh) 2018-10-25 2019-10-10 风能设施的控制

Country Status (5)

Country Link
US (1) US20210340957A1 (zh)
EP (1) EP3870849A1 (zh)
CN (1) CN112888853A (zh)
DE (1) DE102018008391A1 (zh)
WO (1) WO2020083656A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102213143A (zh) * 2010-04-01 2011-10-12 Ssb风系统两合公司 用于风力发电设备的控制装置及相应的风力发电设备
US20130129508A1 (en) * 2010-04-09 2013-05-23 Vestas Wind Systems A/S Wind turbine
EP2667022A2 (en) * 2012-05-22 2013-11-27 Siemens Aktiengesellschaft Method and system for wind velocity field measurements on a wind farm
EP3009670A1 (en) * 2014-10-15 2016-04-20 Siemens Aktiengesellschaft Method to control the operation of a wind energy installation, including generating a 3d wind speed model, and wind energy installation

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10746901B2 (en) * 2008-06-12 2020-08-18 Ophir Corporation Systems and methods for predicting arrival of wind event at aeromechanical apparatus
US8178986B2 (en) * 2009-03-18 2012-05-15 General Electric Company Wind turbine operation system and method
DK2251543T3 (en) * 2009-05-14 2017-02-27 Alstom Renewable Technologies Method and system for predicting the occurrence of a gust at a wind turbine
AU2009351338A1 (en) * 2009-08-21 2012-03-08 Bluescout Technologies, Inc. Wind and power forecasting using LIDAR distance wind sensor
GB2515578A (en) * 2013-06-30 2014-12-31 Wind Farm Analytics Ltd Wind Turbine Nacelle Based Doppler Velocimetry Method and Apparatus
DE102014223853A1 (de) * 2014-11-24 2016-05-25 Siemens Aktiengesellschaft Verwendung eines LIDAR-Systems zurKurzzeitvorhersage erwarteter Windverhältnisse und alsBasis für ein Kraftwerksmanagement sowieKraftwerksmanagementverfahren auf Basis eines voneinem LIDAR-System erhältlichen und erwarteteWindverhältnisse kodierenden Signals
DE102015209109A1 (de) * 2015-05-19 2016-11-24 Wobben Properties Gmbh Messanordnung an einer Windenergieanlage
JP6058229B1 (ja) * 2016-03-01 2017-01-11 三菱電機株式会社 風車起動アシスト装置
DK179221B1 (en) * 2016-03-18 2018-02-12 Mita Teknik As High Yaw Error and Gust Ride Through
US11098698B2 (en) * 2016-04-07 2021-08-24 General Electric Company System and method for auto-calibrating a load sensor system of a wind turbine
FR3068139B1 (fr) * 2017-06-21 2019-12-20 IFP Energies Nouvelles Procede d'acquisition et de modelisation par un capteur lidar d'un champ de vent incident
DE102017129299B4 (de) * 2017-12-08 2022-12-08 Institut Für Luft- Und Kältetechnik Gemeinnützige Gmbh Verfahren zur lokalen Wetterprognose
US10774811B2 (en) * 2018-05-01 2020-09-15 General Electric Company Induction controlled wind turbine

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102213143A (zh) * 2010-04-01 2011-10-12 Ssb风系统两合公司 用于风力发电设备的控制装置及相应的风力发电设备
US20130129508A1 (en) * 2010-04-09 2013-05-23 Vestas Wind Systems A/S Wind turbine
EP2667022A2 (en) * 2012-05-22 2013-11-27 Siemens Aktiengesellschaft Method and system for wind velocity field measurements on a wind farm
EP3009670A1 (en) * 2014-10-15 2016-04-20 Siemens Aktiengesellschaft Method to control the operation of a wind energy installation, including generating a 3d wind speed model, and wind energy installation

Also Published As

Publication number Publication date
EP3870849A1 (de) 2021-09-01
DE102018008391A1 (de) 2020-04-30
WO2020083656A1 (de) 2020-04-30
US20210340957A1 (en) 2021-11-04

Similar Documents

Publication Publication Date Title
EP3303834B1 (en) Control of a wind turbine taking fatigue measure into account
EP3274584B1 (en) Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives
CN109185054B (zh) 风力发电机桨距角控制方法、系统、装置及可读存储介质
US9784241B2 (en) System and method for controlling a wind turbine
EP3359811B1 (en) Power boost of a wind turbine using model predictive control
EP2481921B1 (en) Improved wind turbine control methods and systems
US20150337802A1 (en) System and method for pitch fault detection
EP3440346B1 (en) Control of a wind turbine taking noise into account
EP2784303A1 (en) Method of operating a wind turbine
CN102011700A (zh) 风轮机控制方法和系统
US20150132128A1 (en) Wind turbine with a load controller
KR20120018331A (ko) 윈드 터빈에서 윈드 거스트의 발생을 예측하기 위한 방법 및 시스템
EP3682110B1 (en) Individual pitch control for wind turbines
US9341159B2 (en) Methods for controlling wind turbine loading
EP3862561B1 (en) Systems and methods for continuous machine learning based control of wind turbines
EP3452877B1 (en) Controlling a wind turbine during a low voltage grid event using mpc
EP4112919A1 (en) Control of a multi-rotor wind turbine system using local mpc controllers
CN113685314B (zh) 变桨控制方法、系统和可读存储介质
JP6581435B2 (ja) 風力発電システム
EP3009670B1 (en) Method to control the operation of a wind energy installation, including generating a 3D wind speed model, and wind energy installation
US20200072192A1 (en) Method for controlling a wind turbine
EP3054152B1 (en) Wind power generation apparatus
US20220056882A1 (en) Method and system for parameterization of a controller for a wind energy installation and/or operation of a wind energy installation
CN112888853A (zh) 风能设施的控制
US11313353B2 (en) Controlling a wind turbine using control outputs at certain time stages over a prediction horizon

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210601