CN113236491A - 一种风力发电数字孪生系统 - Google Patents
一种风力发电数字孪生系统 Download PDFInfo
- Publication number
- CN113236491A CN113236491A CN202110583517.8A CN202110583517A CN113236491A CN 113236491 A CN113236491 A CN 113236491A CN 202110583517 A CN202110583517 A CN 202110583517A CN 113236491 A CN113236491 A CN 113236491A
- Authority
- CN
- China
- Prior art keywords
- model
- generator
- torque
- wind
- rotating speed
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000005489 elastic deformation Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012795 verification Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010008 shearing Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 description 3
- 229960005375 lutein Drugs 0.000 description 3
- ORAKUVXRZWMARG-WZLJTJAWSA-N lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C ORAKUVXRZWMARG-WZLJTJAWSA-N 0.000 description 3
- 235000012680 lutein Nutrition 0.000 description 3
- 239000001656 lutein Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 description 3
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241001130943 Phyllanthus <Aves> Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
- F05B2270/327—Rotor or generator speeds
-
- 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)
- 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)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风力发电数字孪生系统,涉及风力发电技术领域,具有较好的保真度和实时性,能够显著提高风电机组数字化运维效率和水平;该系统包括:实物风电机组;数字孪生平台,从实物风电机组中获取运行数据进行处理和分析,传输给人机交互单元进行显示,并根据人机交互单元的控制命令对实物风电机组进行控制;人机交互单元,用于显示风机的运行状态并发出控制命令;数字孪生平台包括:孪生模型,用于实现与实物风机的精准映射并获得不可测参数的数值;孪生模型包括基于叶素动量理论建立的叶片机理模型、基于有限元分析建立的塔架机理模型、双质块传动模型、闭环控制模型和数据驱动模型。本发明提供的技术方案适用于风电运维的过程中。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种风力发电数字孪生系统。
背景技术
随着我国大型海上风电建设规划相继启动和现运行的大部分风电机组质保期逐渐超出或邻近超出,高故障发生率和高运维成本的现状越来越引起广泛关注。相比陆地风电机组,海上风电机组将面临更恶劣的运行环境和更高的运行维护成本。据统计,海上风电机组的维护成本至少为陆上风电机组的2倍,运维成本高达经济收入的30%~35%,其中约25%~35%为定期维护费用,65%~75%为事后维修费用。随着单机容量不断增加,大功率风电机组的复杂性程度增加,将会面临更高的故障率和运维费用。为了降低故障率和减少维修费用,开展风电机组的状态监测和故障诊断研究,对及时掌握风电机组运行状态,及早发现潜在故障征兆,降低故障率,减少运维成本,从而保证风电机组安全高效发电运行有着重要学术研究意义和工程应用价值。
如中国专利CN211230718U公开了一种风机运行状态在线监测装置,主要是采用多种数据采集装置同时协同工作,共同提供监测数据,对风力发电机组运行状态进行及时掌握并做一个完整的反馈,能够提前发现故障隐患。该专利主要通过多类型、多测点的在线传感器布置及协同实现风机运行状态的实时感知,但主要局限于数据实时获取方面,并未对数据作进一步的信息提,更没有基于运行数据的实时仿真模型为风机智能运维提供更直接、有效的信息.
现有的技术方案主要集中在关键设备的状态监测与故障诊断上:基于物理模型的风力发电机齿轮箱的故障诊断方法;一种数据驱动的时空融合神经网络,用于风电机组传感器故障诊断;有学者基于多自由度的风机齿轮箱动力学模型,研究了不确定风载对齿轮箱动力学特性的影响。但是,目前用于风机状态监测研究的大部分模型是针对特定设备开发的,多用于机组设计和静态性能分析,往往不具备实时运行能力,即使可以模拟机组动态性能,其仿真精度也很难满足工程标准。
同时现有风机状态监测系统可视化呈现能力也较为欠缺。
随着各大发电集团风电场监控中心的建设和运营,上百个风电场几千台风机的海量生产运行数据被获得并存储下来,如何利用好这些紧密关联的数据,建立多领域、多尺度融合的“机理+数据”模型,并形成高效的模型应用模式,为多场景下风电机组的动态实时监测和智能化运维提供强有力的支持是当前迫切需要解决的问题。
因此,有必要研究一种风力发电数字孪生系统来应对现有技术的不足,以解决或减轻上述一个或多个问题。
发明内容
有鉴于此,本发明提供了一种风力发电数字孪生系统,采用“机理+数据”的孪生模型,具有较好的保真度和实时性,能够显著提高风电机组数字化运维效率和水平。
一方面,本发明提供一种风力发电数字孪生系统,其特征在于,所述系统包括:
实物风电机组,用于捕获风能;
数字孪生平台,用于从所述实物风电机组中获取风电机组的运行数据进行处理和分析,传输给人机交互单元进行显示,并根据人机交互单元的控制命令对实物风电机组进行控制;
人机交互单元,用于显示实物风电机组的运行状态并发出控制命令;
所述数字孪生平台包括:孪生模型,用于实现与实物风电机组的精准映射并获得不可测参数的数值(如叶片摆震方向剪切力、叶片摆震方向应力、叶根挥舞方向弯矩和塔筒顶端前后方向偏移量等);
所述孪生模型包括基于叶素动量理论建立的叶片机理模型、基于有限元分析建立的塔架机理模型、双质块传动模型、闭环控制模型和数据驱动模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于叶素动量理论建立叶片机理模型的过程包括:根据叶片的不同段翼型不同的特点,将整段叶片划分为若干气动特性区域再进行有限元分析建模。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,进行叶片机理模型的有限元分析时还根据叶尖叶根损失、塔影效应、尾流影响、风切变影响和叶片弹性形变对模型进行修正,以获得准确的风机动态载荷。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于有限元分析建立塔架机理模型的过程包括:
采用积分的方式计算出风轮捕获风能时产生的轴向推力;再根据拉格朗日动力学方程得到风轮轴向推力与塔架之间的耦合振动;根据风轮轴向推力和耦合振动在塔架上的分布特性将塔架划分为若干特性区域再进行有限元分析建模。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,塔架机理模型的有限元分析内容包括:通过计算塔架上结构动力学载荷,获得塔架各特性区域的动态平移量、加速度以及塔基前后方向剪切力。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,双质块传动模型建立时将低速轴设为柔性,将高速轴设为刚性,得到的双质块传动模型具体为:
其中,
Jr和Jg分别为风轮、发电机转子等效转动惯量;
Qshaft和Qg分别为齿轮箱中间轴机械转矩和发电机电磁转矩;
Qr为风轮转矩;
Ng为齿轮箱变速比;
Ks和Bd分别为低速轴刚度系数、阻尼系数;
θr和θg分别为风轮转子、发电机转子的角位移
ωr、ωg分别为风轮转速和发电机转速。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述闭环控制模型包括发电机转矩控制子模型;
所述发电机转矩控制子模型的内容包括:设定第一转速阈值、第二转速阈值、第一转矩阈值和第二转矩阈值,将发电机转矩控制划分成五个阶段;
第一阶段:发电机转速小于第一转速阈值,此阶段判定发电机转矩为零;
第二阶段:发电机转速不小于第一转速阈值,且发电机转矩小于第一转矩阈值,此阶段通过虚拟PI控制器升转矩并维持发电机转速在第一转速阈值附近;
第三阶段:发电机转速不小于第一转速阈值,且发电机转矩不小于第一转矩阈值,此阶段停止虚拟PI控制器升转矩,由实时转速确定转矩;
第四阶段:发电机转速不小于第二转速阈值,且发电机转矩小于第二转矩阈值,此阶段通过虚拟PI控制器升转矩并维持转速在第二转速阈值附近;
第五阶段:发电机转速不小于第二转速阈值,且发电机转矩不小于第二转矩阈值,此阶段进行转矩限幅并维持发电机转速在额定值附近。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述闭环控制模型包括叶片变桨控制子模型;
所述叶片变桨控制子模型根据上一时刻发电机转速、转矩数据进行变桨控制,同时根据实际风速数据进行辅助控制。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述数据驱动模型包括机舱温度监测模型;所述机舱温度监测模型采集实物风电机组各部件(也可以是一些关键部件而非全部)处的温度,预测出机舱温度,识别机舱内部温度异常升温趋势并减少机舱内设备在极端温度下的运行时长。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述数字孪生平台分为边缘侧和平台侧,将部分内容(可以是:部分仿真和计算)置于靠近实物风电机组的边缘侧进行处理,以便加快所述数字孪生平台的整体计算速度;边缘侧和平台侧通信连接。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述叶片变桨控制子模型的具体控制内容包括:在额定转速以下,叶片桨距角保持为0°;停机或风速大于切出风速时,调整桨距角至90°停机位置;同时参照实物风机偏航控制策略,用60s风向滤波后的平均值与机舱方向作差,当偏差大于12°时,通过虚拟PID反馈控制回路进行对风操作。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,极端温度的具体数值或范围根据历史数据以及机舱内各设备的性能确定。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于最大信息系数(MIC)的变量筛选方法,选取与机舱温度相关性较高的变量作为输入变量,然后基于长短期记忆网络建立了多变量机舱温度单点预测模型;基于神经网络模型的预测结果及其误差数据集,采用条件核密度估计(CKDE)法建立不同置信度下机舱温度值波动区间;通过模型的在线部署,实现机舱关键点温度的预测、识别、超温和/或异常报警。
与现有技术相比,上述技术方案中的一个技术方案具有如下优点或有益效果:本发明构建的风机数字孪生系统具备更好的实时性;
上述技术方案中的另一个技术方案具有如下优点或有益效果:本发明构建的“机理+数据”的风机数字孪生模型具有更好的保真度,同时数字孪生平台确保模型的不断优化能力;
上述技术方案中的另一个技术方案具有如下优点或有益效果:实时动态展示数字孪生风机和实物风机运行画面,生动展示实物风机与孪生风机的动态响应过程;
上述技术方案中的另一个技术方案具有如下优点或有益效果:显著提高了风电机组数字化运维效率和水平。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的风机数字孪生系统的整体架构图;
图2是本发明一个实施例提供的实时数据交互框图;
图3是本发明一个实施例提供的风机机理建模原理示意图;其中,图3(a)为叶片塔架结构示意图;图3(b)为叶素受力分析图;图3(c)为塔架力学模型图;
图4是本发明一个实施例提供的控制系统的控制回路原理图;
图5是本发明一个实施例提供的数字孪生平台整体架构图;
图6是本发明一个实施例提供的风力发电数字孪生系统的可视化界面;
图7是本发明一个实施例提供的发电机转速转矩关系曲线图;
图8是本发明一个实施例提供的数字孪生模型的验证与数据修正流程图;
图9是本发明一个实施例提供的数字孪生风机系统运行参数验证结果;其中,(a)风速曲线;(b)风轮转速验证;(c)发电机转速验证;(d)发电机功率验证;(e)叶片1第2个有限元节点处摆震方向剪切力(第2个有限元节点是邻近叶根处的节点);(f)叶片1叶根摆震方向应力;(g)叶片1叶根挥舞方向弯矩;(h)塔筒顶端前后方向偏移量。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
针对现有技术的不足,本发明将数字孪生技术引入风电机组,设计了风力发电机组数字孪生系统的总体框架,针对某在役风机建立一个完整、高保真、高度融合的数字孪生模型,实现了数字孪生体与实物风机的网络连接与同步运行。
风机数字孪生系统的整体架构如图1所示。该系统以数字孪生平台为中心,数字孪生平台主要包括存储、数据交互、孪生模型及业务系统四个部分。
数字孪生平台和风机通信连接进行数据交互。与实物风机连接的目的是实时获取关键运行参数。在保证通信安全的前提下,数字孪生系统可以利用TCP/IP、UDP等通信方式,从风机的数据采集与监控系统(Supervisory Control And Data Acquisition,SCADA)及状态监测系统(Condition Monitoring System,CMS)实时获得风速、风向数据,以及相关运行参数和控制指令,实现数字孪生系统对风电机组运行状态的实时感知。在边缘治理模式下,数字孪生平台通过空中下载(Over the Air Technology,OTA)等远程升级技术保证边缘数据治理功能的在线更新。
数字孪生平台是整个数字孪生系统的核心,包括四个子系统:
(1)存储系统。接收并存储风机传来的生产运行数据,为其他三个子系统提供数据存取、文件资料检索等服务。
(2)数据交互系统。对从存储系统获得的风机运行源数据,如风速、风向等进行数据清洗等预处理;业务系统、孪生模型产生的数据、资料均通过数据交互系统与存储系统进行数据交换,结合严格的信息安全管控措施,确保整个系统数据交互的安全性。
(3)孪生模型系统。孪生模型是风机数字孪生系统的核心。建模方法通常是机理分析+数据修正,目标是获得实时高精度的仿真模型,不仅能实现从孪生模型到实物风机运行参数的精准映射,还可以衍生出一系列不可测关键状态参数;模型类型包括部件级、机组级、风场级等不同尺度,服务于不同的应用需求。模型系统中包含智能算法的API接口。
(4)业务系统。根据应用需求,完成对实物风机和孪生模型所产生数据的深度挖掘与特征提取,从而实现运行性能分析、状态监测、故障预警等功能.业务系统也是可视化交互、边缘治理的服务平台。
风机动态载荷仿真、机理模型实现:基于叶素动量理论的叶片机理建模;基于有限元分析的塔架机理建模;双质块传动系统建模。
风机控制系统仿真实现:控制系统模型在Matlab/Simulink平台上搭建,风机动态载荷仿真机理模型通过s-function方式实现在Simulink内的部署,在Real-Time模式下实现与实物风机的同步仿真,孪生模型与数字孪生平台其他子系统的数据通信通过TCP/IP协议实现。
下面对本发明系统的各个部分进行详细说明。
1、孪生模型部分
孪生模型主要包括机理模型、控制模型和数据驱动模型,同时数字孪生平台提供智能算法接口方便未来更多应用场景对应模型的开发和拓展。
1.1机理模型
整机仿真机理模型的理论依据:
从风机的关键部件机理建模出发,通过整机动态载荷实时仿真模型的搭建,展示风机子系统与多系统集成机理建模、面向整机实时状态监测场景的数字线程织锦、模型多视图交互管理等过程。
风电机组主要分为风轮、支撑系统、传动系统、电气系统及主控系统。风轮包括叶片、轮毂;支撑系统包括塔架和机舱等;电气系统包括发电机和变频器等辅助设备;主控系统包括各种传感器与数采模块、控制系统和相应的执行机构等。
本实施例基本建模方案如下:叶片、塔架采用有限元分析建模方法,高精度复现叶片、塔架动态载荷特性;传动系统采用集总参数建模方法,提供满足应用需求的低频动态载荷特性;由于电气系统快速响应能力,电气系统采用一阶惯性环节表征;主控系统采用与实物风机一直的控制策略和控制器。最终,利用Matlab&Simulink搭建完整的风机整机仿真模型,Simulink支持模型多视图交互管理、系统模型数字连接及数据信息融合服务,相关过程可映射至数字孪生风机Web可视化界面。
其中,1)基于叶素动量理论的叶片机理法建模的内容包括:
由叶片和轮毂组成的风轮是捕获风能的主要部件。叶片的翼形,即叶片剖面,具体指垂直于叶片长度方向的叶片截面的形状,直接影响风机的风能转换效率。当前的代表性翼形包括NREL,FFA-W及DU系列翼形等。实物风机叶片的设计是分段进行的,不同段可能会采用不同的翼形,例如NREL给出的基准5MW风机的叶片采用了8种翼形。
叶素动量理论适合用来对分段设计的风机叶片进行精细化机理建模。如图3(a)所示,根据叶片弦长、厚度、节距角等翼型特性参数将整段叶片划分为34个气动特性区域来进行有限元分析建模。在风轮半径r处取长度为dr的微元称为叶素;将叶片沿风轮半径划分为不同的微段,每个微段在风速作用下产生的气动升力和阻力由其翼型所决定;通过空气动力学方法计算出各微段的受力情况,则风轮叶片整体所受的气动力矩可由各微段受力叠加求得。
设风轮半径r处的叶素,弦长为l,节距角为β。如图3(b)所示,叶素在相对速度为Vtotal的风速下受到一斜向上的气动力dF,将升力沿与Vtotal垂直及平行的方向分解,得到升力dL和阻力dD。因为叶素为很小的微元,其面积可以近似表示为对应弦长与叶素长度之积,则叶素上的升力和阻力可分别表示为:
其中,Cl和Cd分别为升力系数和阻力系数,ρ为空气密度。dF按垂直及平行于风轮旋转平面可以分解为局部风轮推力dFa和转矩dFu:
风轮转矩由dFu产生,则叶素上的转矩为:
其中,R为风轮半径,Rhub为轮毂半径。
设水平轴风速为v0,风轮转速为Ω,则基于叶素动量理论得到的风轮转矩可以表示为:
为了进行更为准确的风机动态载荷计算,还需要从叶尖叶根损失、塔影效应、尾流影响、风切变影响、叶片弹性形变等方面根据具体风机参数特性进行修正,这里不再进行详细叙述。
2)基于有限元分析的塔架机理法建模
风轮在捕获风能的同时会产生轴向推力,作用到塔架上便会形成一个耦合振动系统。
风轮的轴向推力可由式(2)中的局部风轮推力dFa积分得到,设为Fshaft。根据拉格朗日动力学方程,风轮轴向推力和塔架之间的耦合振动可以表示为:
由图3(c)表示的塔架力学模型可以看出,各段所受的轴向推力由上到下逐渐减小。同样地,根据塔架的分布式属性参数将塔架划分为30个特性区域来建立有限元分析模型。通过计算塔架上结构动力学载荷,可以获得塔架各节点动态平移量、加速度,塔顶前后方向剪切力等信息。
3)基于集总参数法的传动系统机理建模
带有齿轮箱的风机的传动系统可以分为低速轴、齿轮箱、高速轴三部分。考虑低速轴的摩擦和扭转形变,设低速轴为柔性、高速轴为刚性,则从风轮到发电机的传动系统可以简化为双质块模型:
其中,Jr和Jg分别为风轮、发电机转子等效转动惯量;Qshaft和Qg分别为齿轮箱中间轴机械转矩和发电机电磁转矩;Ng为齿轮箱变速比;Ks和Bd分别为低速轴刚度系数、阻尼系数;θr、θg分别为风轮转子、发电机转子的角位移;ωr、ωg分别为风轮转速、发电机转速。由此,可建立起风轮所捕获风能到发电机电磁能转化过程的动态耦合模型。
4)模型的数据修正
为了使机理模型准确模拟实物风机的气弹特性,需要对上述有限元模型进行修正。这里主要利用风机厂商给出的设备动态载荷响应参数,如振动频率、测点位移等对有限元模型中的参数进行修正。以叶片建模为例,主要采用基于模型参数和频率响应函数两种方法对叶片有限元分析节点数及每段中心位置的确定,每段叶片的几何弦长、翼形截面刚度、叶片截面质量密度等局部参数进行了修正。
本发明的机理模型通过C++语言实现,并在simulink里的s-function模块实现调用。
1.2控制系统
控制系统主要在simulink里搭建,总体控制回路如图4所示。
为了更准确地模拟实物风机的运行状态,完整复现风机运行过程,按照如图2所示数据通讯框图搭建风机数字孪生闭环控制系统。主要包括发电机转矩控制子系统、叶片变桨控制子系统、偏航控制子系统、刹车系统及输出与通信子系统等。
图7为2.0MW风机发电机转速GS-转矩GT对应曲线,可分为5段运行区间:发电机转速小于1080rpm(A点)时,发电机转矩为零,此时发电机功率也为0;随着风速增加,发电机转速大于1080rpm时通过一组PI控制器升转矩并维持转速在1080rpm附近;当转矩大于3.265kN·m时进入BC段,该段为最优转矩控制区,对应转矩由实时转速确定:
GT=0.0028(GS)2 (8)
当GS达到1800rpm额定转速进入CD段,通过第二组PI控制器升转矩并维持转速在额定转速附近;当风速继续增加使得GT也达到额定值10.876kN·m时,进行转矩限幅,同时通过变桨系统调节叶片桨距角来维持转速在额定值附近。据此控制策略,以实时测量的风速、机理模型计算输出的上一时刻发电机转速、转矩作为输入参数,根据5个运行区域自动切换进行发电机转矩控制。
变桨控制子系统也采用一组PI控制器,主要根据传入的上一时刻发电机转速、转矩信号进行桨距角和变化速率控制,风速信号则作为辅助调节信息。在额定转速以下,叶片桨距角保持为0°,使风机处于最大吸收风能状态。停机或风速大于切出风速时,调整桨距角至90°停机位置,确保风机处于安全状态。参照实物风机偏航系统控制策略,用60s风向滤波后的平均值与机舱方向作差,当偏差大于12°时,通过一个PID反馈控制回路进行对风操作。
上述孪生模型在Simulink中的Real-Time模式下实现与实物风机的同步仿真,孪生模型与数字孪生平台其他子系统的数据通信通过TCP/IP协议实现。
1.3数据驱动模型
数据驱动模型主要通过深度学习算法来实现,通过部署TensorFlow,Pytorch等深度学习开发平台,利用智能算法拓展接口方便开发更多的“数据+机理”建模的数字孪生风机应用场景。
数据驱动的机舱温度监测模型:
温度监测作为设备状态监测的重要环节,在发电机、齿轮箱和变桨系统等关键部件处都安装有温度测点,通过对风电机组及其设备温度的监测,可以实现对设备运行状态的评估。故而实时采集到的数据,采用先进算法进行机舱温度预测,快速识别机舱内部温度异常温升趋势并减少机舱内设备在极端温度下的运行时长,对机舱的安全稳定运行及其内源部件的监测控制具有重要意义。
基于最大信息系数(MIC)的变量筛选方法,选取与机舱温度相关性较高的变量作为输入变量,然后基于长短期记忆网络建立了多变量机舱温度单点预测模型。基于神经网络模型的预测结果及其误差数据集,采用条件核密度估计(CKDE)法建立了不同置信度下机舱温度值波动区间。通过模型的在线部署,实现机舱关键点温度的预测、识别、超温或异常报警。
不同于其他现有方案之处:利用数字孪生系统实时数据可以实现在线的温度预测、报警;利用当前数据定期进行模型参数的自优化。
2、数字孪生平台
作为数字孪生系统的核心,数字孪生平台的功能主要包括实时安全的网络通信、数据清洗及存储、数据挖掘分析、人机交互动态展示以及智能算法拓展接口等。图5给出了平台的整体技术架构。
系统整体技术开发语言以Golang、Python、JavaScript、C++为主,辅以其它脚本语言。支持分布式部署及相应的高并发、高可用、安全方案,为保证运行的安全性和可靠性,平台采用linux操作系统。
数据采集和通讯方式可根据实际业务需求并结合平台部署方式选择。采用边缘计算方式可将部分仿真、计算以及实效性要求高的业务放在靠近实物风机附近的边缘侧处理,从而加快仿真计算速度,为平台侧分担压力;同时根据业务需求将处理后的数据发送到平台侧。本平台选择k3s进行边缘计算治理,同时服务端也搭配k3s Server进行云边协同,OTA等远程升级技术可以保证边缘侧的在线更新。如不采用边缘计算、云边协同方式,则原始数据及相关业务数据将通过TCP/IP等传输协议发送到平台侧。理想情况下,实物风机也可通过安全数据传输方式接收来自平台侧的调控指令。
存储系统方面,TimescaleDB被用来构建时序数据库,其优点是具备原生SQL接口,有较高的写入效率和存储可靠性;PgSQL搭建多种业务的关系型数据库;Minio则用来搭建分布式文件系统。
数据交互系统涵盖边缘侧与平台侧的数据交互、平台子系统间的数据交互以及相关业务的数据交互三个方面。本系统主要从权限管理和防范网络攻击两方面来保证数据交互及整个系统的安全。边缘侧与平台进行数据通信时需要账号密码验证,进行不同的业务交互时,平台会分配清晰的用户权限;业务侧分配具有时效性的token,所有业务及数据的访问需携带该token进行操作。本系统主要基于网站应用级入侵防御系统(WebApplication Firewall,WAF)对访问进行过滤,防止CC、SQL注入、CSRF等类型的攻击。
智能算法拓展接口是数字孪生平台中的一项重要的拓展功能,也是重点发展方向。风机状态检测与故障预警是数字孪生风机的一个重要应用场景,当前该领域已经有丰富的研究成果,如利用深度学习算法所做的针对风机特定设备的故障诊断与预警。所以该部分将从TensorFlow,Pytorch等深度学习开发平台为重点,通过智能算法拓展接口开发更多的“数据+机理”建模的数字孪生风机应用场景。同时系统会根据实时采集到数据利用深度学习算法实现无监督的自主学习和优化,更新具体模型的结构和参数。
风力发电机组数字孪生系统采用了多种数据可视化技术,将孪生风机与实物风机的运行状态和主要运行参数进行实时比对。平台治理侧采用Grafana数据可视化工具对平台负载等性能指标进行统计、监控和告警。人机交互界面采用曲线、柱状图、饼状图等多样化的方式对实物风机虚拟风机的状态进行了直观呈现。除此之外还利用Threejs、unity工具进行web端风机3D整机、关键部件模型的开发。利用3D增强渲染技术实现了互动式直观呈现。用户可以在Web端通过缩放按钮深入细致地查看设备不同位置的状态,如机舱中不同位置的热源会根据实际温度的差异呈现不同颜色。图6展示了系统的web端可视化界面,其中图6(a)为数字孪生风机3D演示主界面,图6(b)为主要运行参数界面。
作为主界面,图6(a)左上方小窗口显示的是实物风机实时运行姿态,中间为3D引擎构建的数字孪生风机,能够形象展示偏航、变桨动态效果.主界面右侧展示了一些与风机姿态相关的运行参数。
图6(b)以丰富直观的形式展示了环境信息(气温、风速、风力、风向等)、关键生产参数(风轮转速、发电机转速、发电机转矩、发电机功率等)、动态载荷参数(塔基前后方向剪切力、叶片叶根处前后方向应力)等。关键参数曲线图上叠加了风机实际运行参数和数字孪生模型的仿真参数,实现了“虚实对比”,方便运行、管理人员对风机状态进行实时监测。
系统运行时,风机数字孪生模型以每0.0125s输出一组仿真数据的频率,通过TCP/IP方式发送给数字孪生平台,平台每1s向显示页面推送一组数据进行动态展示。
孪生模型根据实时的风速、风向信息在simulink的Real-time模式下运行通过TCP/IP的形式将数字孪生风机的环境信息(风速、风力、风向等)、关键生产参数(风轮转速、发电机转速、发电机转矩、发电机功率等)、动态载荷参数(塔基前后方向剪切力、叶片叶根处前后方向应力)等参数发送给数字孪生平台,以提供数据分析和可视化展示。
本发明通过以下三个方面优化数字孪生平台,实现数据更好的实时性:
1)数据存取与管理实时性:
通过以下几个措施实现了数据存取与管理的高效率、实时性:风机运行数据中时序数据占据较大比重,Spark Streaming框架的应用针对性地实现了高吞吐量的、具备容错机制的实时流数据的处理;分布式大数据实时计算引擎Flink的应用可以保证系统数据处理时的高吞吐量和低迟延;硬件方面系统采用了固态硬盘(Solid State Disk,SSD)加上对最近时刻数据进行热缓存等方式保证了数据存取的高效率.
2)边缘治理:
采用边缘计算方式可将部分仿真、计算以及实效性要求高的业务放在靠近实物风机附近的边缘侧处理,从而加快仿真计算速度,为平台侧分担压力;同时根据业务需求将处理后的数据发送到平台侧.
3)系统实时性能指标:
经实际验证,风机状态同步仿真和虚实交互两个进程的整体时延小于200ms,符合数字孪生系统“实时物联感知”的需求。
为了实现仿真模型的高保真度,在建模阶段进行了两阶段的数据修正以及模型验证:
数字孪生模型的验证与数据修正主要分两个阶段:机理模型修正阶段和控制系统修正阶段,各阶段包含的主要内容如图8所示。
第一阶段修正主要针对风机本体模型。为了使机理模型准确模拟实物风机的气弹特性,首先利用风机厂商给出的设备属性参数建立风机初始机理模型,利用频率响应函数法对模型仿真输出(如振动频率、测点位移)进行处理,通过比较厂商给定理论响应特性和模型响应特性,对有限元模型进行参数修正,直至约束条件收敛。以叶片模型为例,首先对叶片初始设置的有限元分析节点数及每段中心位置等整体参数进行修正,再对每段叶片的几何弦长、翼形截面刚度、叶片截面质量密度等局部参数进行修正。
第二阶段修正主要针对控制系统结构和参数。在上述已修正模型的基础上,加入控制器,形成风机闭环控制系统,以现场采集到的风速、风向信息作为输入,进行风机数字孪生系统的全工况(不同风速段、不同控制区域)闭环仿真,得到风轮转速、发电机转速、发电机功率、变桨角度等关键参数的动态特性,通过与实际运行数据的对比和偏差分析,对数字孪生系统中的控制结构和控制参数进行迭代调整。
图5中的数据/信号流更好地展示了数字孪生系统的实时运行时各子系统之间的交互过程。通过图5所示的数据/信号流可以看出数字孪生系统在实时运行时各功能模块之间的数据流。从实物风机采集到的环境信息、运行参数等利用TCP/IP,MQTT等协议传输到数字孪生平台的存储系统,数字孪生模型通过数据治理模块实时订阅经过预处理的实时运行数据。以在Simulink中运行的风机数字孪生模型为例,以客户端身份通过TCP/IP协议从数据治理模块获取风速、风向等信息,并在Real-Time模式下实现与实物风机的同步仿真。孪生模型根据前一时刻实物风机的状态进行初始化,而后启动实时仿真,并以每0.0125s输出一组仿真数据的频率通过TCP/IP协议发送给数据孪生平台的存储系统,供人机交互和可视化呈现等业务使用。实物风机与孪生模型实时产生的运行参数经Web人机交互服务器处理后,每1s一组的频率向Web页面推送,进行动态展示。用户可以通过访问指定IP的方式同时监测实物风机和数字孪生风机各部件的实时运行状态。经实际验证,风机状态同步仿真和虚实交互两个进程的整体时延小于200ms,符合数字孪生系统“实时物联感知”的需求。
与现有的风电机组在线智能运维技术相比,本发明构建的风机数字孪生系统具备更好的实时性,构建的“机理+数据”的风机数字孪生模型具有更好的保真度,同时数字孪生平台确保模型的不断优化能力(在1.3中提到的数据驱动的机舱温度监测模型,其不同于其他现有方案之处就是利用数字孪生系统实时数据可以实现在线的温度预测,报警;这些基于深度学习算法开发的数据驱动模型方便进行代码化管理,利用当前数据定期进行模型参数的滚动自优化),基于3D图形引擎实时动态展示孪生风机和实际风机运行画面;通过引入数据可视化技术,生动展示实物风机与孪生风机的动态响应过程,提高了风电机组数字化运维效率和水平。
本发明构建的“机理+数据”的风机数字孪生模型具有较好的保真度和实时性,同时支持根据实时风速信息按照相应的控制回路自主推演未来运行趋势和根据实物风机运行指令运行两种模式,可以开发出丰富的应用场景。
(1)作为先进算法的测试开发平台,如给预测控制、最优变桨控制等先进控制算法提供验证环境,同时可实现与实物机组控制性能的对比分析。
(2)数字孪生风机接收来自于SCADA系统的实际控制指令或者实时风速,与实物风机并列实时运行,为风机状态监测和故障诊断提供参考。
(3)孪生风机基于短期风速、风向预测信息提前运行,为实际风场的能量管理、经营决策,以及风机关键设备的健康趋势分析和故障预警提供支撑。
利用某2.0MW风机的SCADA运行数据,对本发明所建的数字孪生模型进行验证,该风场SCADA系统的数据采集频率为1s。模型验证时须输入风速信息,包括水平方向风速、风向、湍流强度、时间戳等。除了关键运行参数外,风机数字孪生模型还可以生成丰富的风机动态载荷参数,表1提供了从本发明所构建的风机数字孪生系统可实时获取的典型参数。其中,“可测,有测点”代表该参数可通过实物风机上安装的传感器测量获取;“不可测”代表该状态参数在实物风机上不可测量;“可测,无测点”代表该参数在大多数实物风机上不安装测点,但可通过加装传感器实现参数测量。
表1仿真模型典型参数
为了验证孪生模型在实时仿真时的精度,从云南大基坡风电厂2.0MW风机的历史运行数据中选取了连续60条采样序列,如图9(a)所示,实际风速涉及了7.4m/s到9.1m/s的范围。仿真之前利用当前时刻前一秒的实际运行数据,如风轮转速、发电机转速、发电机转矩(分别为13.11rpm、1503.06rpm、6.3457kN·m)等对孪生模型进行初始化。本数字孪生系统可实现最快0.0125s/条风速+风向信息输入下的实时仿真。如图9(b)-9(h)所示,蓝色曲线代表孪生模型相关参数动态仿真曲线。根据实际参数获取情况,这里选择风轮转速、发电机转速、发电机功率等三个重要可测生产参数与实际运行数据(黄色曲线)进行对比验证。同时对数字孪生模型可模拟,但生产现场无法测量的重要参数,如叶片摆震方向剪切力、叶片摆震方向应力、叶根挥舞方向弯矩、塔筒顶端前后方向偏移量等进行展示。
从图9(b)-9(d)可以看出风机数字孪生模型在风轮转速、发电机转速、发电机功率等三个重要生产参数上都较好地接近于实际风机的运行数据,获得了较好的仿真精度。图9(e)-9(h)所展示的弹性动力学参数对机组设计分析、运行监控也具有较高的参考价值。
为了量化分析孪生模型的精度,本发明采用平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)作为量化指标:
从表2的量化指标看,孪生模型在三个重要生产参数方面均具有较好的准确性。风轮转速、发电机转速的验证上表现最好,仿真误差分别为0.7991%和0.8085%,发电机功率误差为3.4611%。
从图9(b)-9(d)可以看出孪生模型在参数变化的动态特性上与实物风机具有较高的一致性。输入风速在第25个采样时刻达到峰值,而孪生模型输出与实际运行数据中风轮转速、发电机转速、发电机功率三个参数都在第29个采样点达到峰值,具有一致的惯性特性。从图9(e)-9(h)可以看出风机弹性力学参数、位移参数变化时的惯性时间较小,与风速曲线的峰值基本同步,均于25-26时刻达到峰值,符合基本物理特性,进一步验证了孪生模型的正确性。
表2数字孪生风机系统运行参数验证
本发明中整机仿真机理模型也可以直接以纯代码的方式运行(如在MicrosoftVisual Studio环境下)、即不通过simulink里的s-function模块调用这种方式。同时控制回路部分也可以纯代码的方式实现。图5所示的数字孪生平台整体技术架构是大多基于开源工具的一个整体技术架构,也可以采用不同的技术框架或方式去实现。如边缘侧与平台的通信协议也可以自研实现;分布式文件系统本系统以minio作为首选,而Hdfs、moosefs、fastdfs等系统也可以作为替代方案。
以上对本申请实施例所提供的一种风力发电数字孪生系统,进行了详细介绍。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。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,不同制造商和场合可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,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,从而使得包括一系列要素的商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (10)
1.一种风力发电数字孪生系统,其特征在于,所述系统包括:
实物风电机组,用于捕获风能;
数字孪生平台,用于从所述实物风电机组中获取风电机组的运行数据进行处理和分析,传输给人机交互单元进行显示,并根据人机交互单元的控制命令对实物风电机组进行控制;
人机交互单元,用于显示实物风电机组的运行状态并发出控制命令;
所述数字孪生平台包括:孪生模型,用于实现与实物风电机组的精准映射;
所述孪生模型包括基于叶素动量理论建立的叶片机理模型、基于有限元分析建立的塔架机理模型、双质块传动模型、闭环控制模型和数据驱动模型。
2.根据权利要求1所述的风力发电数字孪生系统,其特征在于,基于叶素动量理论建立叶片机理模型的过程包括:根据叶片的不同段翼型不同的特点,将整段叶片划分为若干气动特性区域再进行有限元分析建模。
3.根据权利要求2所述的风力发电数字孪生系统,其特征在于,进行叶片机理模型的有限元分析时还根据叶尖叶根损失、塔影效应、尾流影响、风切变影响和叶片弹性形变对模型进行修正,以获得准确的风机动态载荷。
4.根据权利要求1所述的风力发电数字孪生系统,其特征在于,基于有限元分析建立塔架机理模型的过程包括:
采用积分的方式计算出风轮捕获风能时产生的轴向推力;再根据拉格朗日动力学方程得到风轮轴向推力与塔架之间的耦合振动;根据风轮轴向推力和耦合振动在塔架上的分布特性将塔架划分为若干特性区域再进行有限元分析建模。
5.根据权利要求4所述的风力发电数字孪生系统,其特征在于,塔架机理模型的有限元分析内容包括:通过计算塔架上结构动力学载荷,获得塔架各特性区域的动态平移量、加速度以及塔基前后方向剪切力。
7.根据权利要求1所述的风力发电数字孪生系统,其特征在于,所述闭环控制模型包括发电机转矩控制子模型;
所述发电机转矩控制子模型的内容包括:设定第一转速阈值、第二转速阈值、第一转矩阈值和第二转矩阈值,将发电机转矩控制划分成五个阶段;
第一阶段:发电机转速小于第一转速阈值,此阶段判定发电机转矩为零;
第二阶段:发电机转速不小于第一转速阈值,且发电机转矩小于第一转矩阈值,此阶段通过虚拟PI控制器升转矩并维持发电机转速在第一转速阈值附近;
第三阶段:发电机转速不小于第一转速阈值,且发电机转矩不小于第一转矩阈值,此阶段停止虚拟PI控制器升转矩,由实时转速确定转矩;
第四阶段:发电机转速不小于第二转速阈值,且发电机转矩小于第二转矩阈值,此阶段通过虚拟PI控制器升转矩并维持转速在第二转速阈值附近;
第五阶段:发电机转速不小于第二转速阈值,且发电机转矩不小于第二转矩阈值,此阶段进行转矩限幅并维持发电机转速在额定值附近。
8.根据权利要求1所述的风力发电数字孪生系统,其特征在于,所述闭环控制模型包括叶片变桨控制子模型;
所述叶片变桨控制子模型根据上一时刻发电机转速、转矩数据进行变桨控制,同时根据风速数据进行辅助控制。
9.根据权利要求1所述的风力发电数字孪生系统,其特征在于,所述数据驱动模型包括机舱温度监测模型;所述机舱温度监测模型采集实物风电机组各部件处的温度,预测出机舱温度,识别机舱内部温度异常升温趋势并减少机舱内设备在极端温度下的运行时长。
10.根据权利要求1所述的风力发电数字孪生系统,其特征在于,所述数字孪生平台分为边缘侧和平台侧,将部分仿真和计算置于靠近实物风电机组的边缘侧进行处理,以便加快所述数字孪生平台的整体计算速度;边缘侧和平台侧通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583517.8A CN113236491B (zh) | 2021-05-27 | 2021-05-27 | 一种风力发电数字孪生系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583517.8A CN113236491B (zh) | 2021-05-27 | 2021-05-27 | 一种风力发电数字孪生系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113236491A true CN113236491A (zh) | 2021-08-10 |
CN113236491B CN113236491B (zh) | 2022-04-12 |
Family
ID=77139433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583517.8A Active CN113236491B (zh) | 2021-05-27 | 2021-05-27 | 一种风力发电数字孪生系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113236491B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868803A (zh) * | 2021-10-13 | 2021-12-31 | 大连理工大学 | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 |
CN113970910A (zh) * | 2021-09-30 | 2022-01-25 | 中国电子技术标准化研究院 | 一种数字孪生装备构建方法和系统 |
CN114254414A (zh) * | 2021-12-30 | 2022-03-29 | 大连蓝雪智能科技有限公司 | 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备 |
CN114281029A (zh) * | 2021-10-29 | 2022-04-05 | 新疆金风科技股份有限公司 | 风力发电机的数字孪生系统和方法 |
CN114297947A (zh) * | 2022-03-07 | 2022-04-08 | 华北电力大学 | 基于深度学习网络的数据驱动风电系统孪生方法及系统 |
CN114320769A (zh) * | 2021-09-29 | 2022-04-12 | 新疆金风科技股份有限公司 | 风力发电机组的检测方法及风力发电机组 |
CN114427515A (zh) * | 2022-01-30 | 2022-05-03 | 南京林业大学 | 基于数字孪生的风机最大功率点跟踪控制性能优化方法 |
CN114526910A (zh) * | 2022-04-21 | 2022-05-24 | 杭州杰牌传动科技有限公司 | 一种基于数字孪生驱动的传动系统故障定位方法 |
CN114856940A (zh) * | 2022-05-18 | 2022-08-05 | 快备新能源科技(上海)有限公司 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN115730401A (zh) * | 2022-11-18 | 2023-03-03 | 中复连众风电科技有限公司 | 一种风电叶片模具参数化设计系统及方法 |
CN116090309A (zh) * | 2023-02-20 | 2023-05-09 | 华北电力大学 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
CN116341129A (zh) * | 2023-02-02 | 2023-06-27 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
KR20230153575A (ko) * | 2022-04-29 | 2023-11-07 | 한국전자기술연구원 | 실제 드론 - 가상 드론의 실시간 상호 연동을 위한 디지털트윈 시스템 및 방법 |
CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
KR20240010803A (ko) * | 2022-07-18 | 2024-01-25 | 전기은 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 |
CN117494618A (zh) * | 2024-01-03 | 2024-02-02 | 北京亚能电气设备有限公司 | 一种基于实时网络的风电场智能图像监控系统 |
CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315642A (zh) * | 2008-04-25 | 2008-12-03 | 东南大学 | 风力发电系统的虚拟现实仿真方法 |
KR20130005856A (ko) * | 2011-07-07 | 2013-01-16 | 전자부품연구원 | 이종 풍력 터빈 감시제어 방법 및 시스템 |
CN104018988A (zh) * | 2014-06-16 | 2014-09-03 | 上海交通大学 | 基于物理组件模型和实时数据的风力发电机组监测系统 |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN113343500A (zh) * | 2021-07-08 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生系统的方法及计算设备 |
-
2021
- 2021-05-27 CN CN202110583517.8A patent/CN113236491B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315642A (zh) * | 2008-04-25 | 2008-12-03 | 东南大学 | 风力发电系统的虚拟现实仿真方法 |
KR20130005856A (ko) * | 2011-07-07 | 2013-01-16 | 전자부품연구원 | 이종 풍력 터빈 감시제어 방법 및 시스템 |
CN104018988A (zh) * | 2014-06-16 | 2014-09-03 | 上海交通大学 | 基于物理组件模型和实时数据的风力发电机组监测系统 |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
CN110701002A (zh) * | 2019-10-18 | 2020-01-17 | 东方电气风电有限公司 | 一种大型风力发电机组虚拟传感实现系统 |
CN113343500A (zh) * | 2021-07-08 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生系统的方法及计算设备 |
Non-Patent Citations (2)
Title |
---|
潘晨阳,胡阳,奚芸华: "大型风机主导机械动态的智能灰箱建模及其线性状态空间表征", 《控制理论与应用》 * |
白雪剑: "智能风机的建模及控制研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114320769A (zh) * | 2021-09-29 | 2022-04-12 | 新疆金风科技股份有限公司 | 风力发电机组的检测方法及风力发电机组 |
CN113970910A (zh) * | 2021-09-30 | 2022-01-25 | 中国电子技术标准化研究院 | 一种数字孪生装备构建方法和系统 |
CN113970910B (zh) * | 2021-09-30 | 2024-03-19 | 中国电子技术标准化研究院 | 一种数字孪生装备构建方法和系统 |
CN113868803A (zh) * | 2021-10-13 | 2021-12-31 | 大连理工大学 | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 |
CN114281029A (zh) * | 2021-10-29 | 2022-04-05 | 新疆金风科技股份有限公司 | 风力发电机的数字孪生系统和方法 |
CN114254414A (zh) * | 2021-12-30 | 2022-03-29 | 大连蓝雪智能科技有限公司 | 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备 |
CN114427515B (zh) * | 2022-01-30 | 2023-03-10 | 南京林业大学 | 基于数字孪生的风机最大功率点跟踪控制性能优化方法 |
CN114427515A (zh) * | 2022-01-30 | 2022-05-03 | 南京林业大学 | 基于数字孪生的风机最大功率点跟踪控制性能优化方法 |
CN114297947B (zh) * | 2022-03-07 | 2022-05-27 | 华北电力大学 | 基于深度学习网络的数据驱动风电系统孪生方法及系统 |
CN114297947A (zh) * | 2022-03-07 | 2022-04-08 | 华北电力大学 | 基于深度学习网络的数据驱动风电系统孪生方法及系统 |
WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
CN114526910A (zh) * | 2022-04-21 | 2022-05-24 | 杭州杰牌传动科技有限公司 | 一种基于数字孪生驱动的传动系统故障定位方法 |
KR102663572B1 (ko) * | 2022-04-29 | 2024-05-07 | 한국전자기술연구원 | 실제 드론 - 가상 드론의 실시간 상호 연동을 위한 디지털트윈 시스템 및 방법 |
KR20230153575A (ko) * | 2022-04-29 | 2023-11-07 | 한국전자기술연구원 | 실제 드론 - 가상 드론의 실시간 상호 연동을 위한 디지털트윈 시스템 및 방법 |
CN114856940A (zh) * | 2022-05-18 | 2022-08-05 | 快备新能源科技(上海)有限公司 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
CN114856940B (zh) * | 2022-05-18 | 2023-02-28 | 快备新能源科技(上海)有限公司 | 一种基于vr的风电机组在线智能诊断方法以及系统 |
KR20240010803A (ko) * | 2022-07-18 | 2024-01-25 | 전기은 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 |
KR102647428B1 (ko) | 2022-07-18 | 2024-03-14 | 전기은 | 전력예측이 가능한 인공지능형 스마트 풍력 시스템 및 제어 방법 |
CN115730401B (zh) * | 2022-11-18 | 2024-05-07 | 中复连众风电科技有限公司 | 一种风电叶片模具参数化设计系统及方法 |
CN115730401A (zh) * | 2022-11-18 | 2023-03-03 | 中复连众风电科技有限公司 | 一种风电叶片模具参数化设计系统及方法 |
CN116341129B (zh) * | 2023-02-02 | 2023-09-26 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116341129A (zh) * | 2023-02-02 | 2023-06-27 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116090309B (zh) * | 2023-02-20 | 2023-08-01 | 华北电力大学 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
CN116090309A (zh) * | 2023-02-20 | 2023-05-09 | 华北电力大学 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
CN117108445B (zh) * | 2023-07-25 | 2024-05-03 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
CN117494618A (zh) * | 2024-01-03 | 2024-02-02 | 北京亚能电气设备有限公司 | 一种基于实时网络的风电场智能图像监控系统 |
CN117494618B (zh) * | 2024-01-03 | 2024-04-09 | 北京亚能电气设备有限公司 | 一种基于实时网络的风电场智能图像监控系统 |
CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
CN117608241B (zh) * | 2024-01-24 | 2024-04-05 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113236491B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113236491B (zh) | 一种风力发电数字孪生系统 | |
CN113836762B (zh) | 一种风力机及风电场数字镜像模拟展示系统 | |
CN109219782B (zh) | 用于控制动态系统的系统及方法 | |
Larsen et al. | Validation of the dynamic wake meander model for loads and power production in the Egmond aan Zee wind farm | |
EP3791060B1 (en) | Wind turbine control method | |
CN105508149B (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN104018988B (zh) | 基于物理组件模型和实时数据的风力发电机组监测系统 | |
CN106777499B (zh) | 一种双馈异步风力发电机组的整机动态建模方法 | |
WO2012125842A2 (en) | Load shape control of wind turbines | |
EP4100646B1 (en) | Wake monitoring, wake management and sensory arrangements to such | |
Selvam | Individual pitch control for large scale wind turbines | |
Amano et al. | Aerodynamics of wind turbines: emerging topics | |
CN114281029A (zh) | 风力发电机的数字孪生系统和方法 | |
CN109798226B (zh) | 一种风电机组塔筒载荷预测方法和系统 | |
Neshati et al. | Evaluation of a hardware-in-the-loop test setup using mechanical measurements with a DFIG wind turbine nacelle | |
WO2018073688A1 (en) | Determining loads on a wind turbine | |
Pitance et al. | Experimental validation of Pharwen code using data from Vertical-axis wind turbines | |
CN114528648A (zh) | 确定风力涡轮机转子平面内风速的方法 | |
Mirzaei | Wind turbine control: Robust model based approach | |
US20230026286A1 (en) | Method for computer-implemented monitoring of a wind turbine | |
Shi | Model-based detection for ice on wind turbine blades | |
da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence | |
Mahdizadeh | LIDAR-Assisted Exact Output Regulation for Multi-Megawatt Wind Turbines | |
CN117332602B (zh) | 一种风力发电机一次调频模拟方法及装置 | |
Collet | Fatigue-oriented data-driven individual pitch control strategies of wind turbines |
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 |