CN113239608B - 浮式风电结构非线性效应评估方法 - Google Patents

浮式风电结构非线性效应评估方法 Download PDF

Info

Publication number
CN113239608B
CN113239608B CN202110682582.6A CN202110682582A CN113239608B CN 113239608 B CN113239608 B CN 113239608B CN 202110682582 A CN202110682582 A CN 202110682582A CN 113239608 B CN113239608 B CN 113239608B
Authority
CN
China
Prior art keywords
nonlinear
floating
wind power
power structure
kernel function
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
CN202110682582.6A
Other languages
English (en)
Other versions
CN113239608A (zh
Inventor
占晓明
刘强
吴文超
郑涛
金波
刘玉帅
陈浙新
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 Huadong Mapping And Engineering Safety Technology Co ltd
Original Assignee
Zhejiang Huadong Mapping And Engineering Safety Technology 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 Huadong Mapping And Engineering Safety Technology Co ltd filed Critical Zhejiang Huadong Mapping And Engineering Safety Technology Co ltd
Priority to CN202110682582.6A priority Critical patent/CN113239608B/zh
Publication of CN113239608A publication Critical patent/CN113239608A/zh
Application granted granted Critical
Publication of CN113239608B publication Critical patent/CN113239608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种浮式风电结构非线性效应评估方法。本发明的技术方案为：S1、建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；S2、运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；S3、使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；S4、基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。

Description

浮式风电结构非线性效应评估方法
技术领域
本发明涉及一种浮式风电结构非线性效应评估方法。适用于风电领域。
背景技术
浮式风机是海洋工程领域面向远海的重要设备，确保其安全和稳定运行具有重要意义。然而，由于非线性波浪力的作用，浮式风机的共振频率带宽附近存在大幅度的慢漂移运动，严重影响结构、系泊和立管系统的安全，成为保障其安全的难点和重点。因此掌握浮式风机的非线性特征，可以很大程度上确保风机平台的安全和稳定。传统分析非线性的方法往往采用线性化的思想，忽略了非线性因素的影响，无法满足对安全和稳定准确分析的要求。
目前有两种方法研究结构的非线性响应，即数值分析方法和经验模型方法。经验模型方法是基于测量输入输出数据的非线性数学模型的经验求解过程，该算法需要测量系统输入和输出，以及选择合适的非线性模型进行建模、求解和分析。经验模型是基于系统识别的方法，以数据驱动对系统的动态行为进行相对精确的建模，实现对线性或者非线性系统的动态描述。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种浮式风电结构非线性效应评估方法。
本发明所采用的技术方案是：一种浮式风电结构非线性效应评估方法，其特征在于：
S1、建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；
S2、运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；
S3、使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；
S4、基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
所述浮式风机的二阶沃尔特拉非线性模型方程表示为：
Figure BDA0003121123400000021
式中，y0代表常数项，当系统输出仅由系统输入引起时，那么系统将在其平衡点附近运动，在计算过程中就可以舍弃系统的常数项，即认为y0＝0；h1(m1)和h2(m1，m2)为系统的一阶、二阶核函数，x(n-m1)和x(n-m1)x(n-m2)为系统的回归向量；M代表系统的记忆深度。
步骤S1还包括:
采用相空间重构理论，由平均互信息方法提取延迟时间，结合改进的伪邻近点方法确定二阶沃尔特拉非线性模型方程的记忆深度。
在m维相空间中，相点X(i)＝{x(i)，x(i+τ)…，x(i+(m-1)τ)}的最临近点为
Figure BDA0003121123400000022
定义：
Figure BDA0003121123400000023
式中，其中||.||表示欧氏距离；Xm+1(i)为嵌入维数为m+1时相空间中的点；
Figure BDA0003121123400000024
是Xm+1(i)的最临近点；a(i,m)表征的是嵌入维数从m到m+1，相空间中邻近点对之间距离的变化；
定义
Figure BDA0003121123400000031
Figure BDA0003121123400000032
将a(i,m+1)在相空间吸引子尺度上取平均值，E1(m)反映了嵌入维数从m到m+1，相空间中最邻近点之间距离的平均变化程度；
定义
Figure BDA0003121123400000033
E2(m)反映了嵌入维数从m到m+1，相空间中最临近点的数值变化的平均程度；
采用改进的伪邻近点方法估计相空间重构的最小嵌入维数，E1(m)需满足逐渐趋于稳定值，E2(m)不为常数，且满足曲线逐渐趋于饱和。
步骤S2还包括：
运用粒子群算法优化卡尔曼滤波的初始参数，提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度。
所述步骤S2还包括：运用卡尔曼平滑算法来进一步提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度。
一种浮式风电结构非线性效应评估装置，其特征在于，包括：
模型建立模块，用于建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；
核函数辨识模块，用于运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；
成分提取模块，用于使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；
评估模块，用于基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述浮式风电结构非线性效应评估方法的步骤。
一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述浮式风电结构非线性效应评估方法的步骤。
本发明的有益效果是：
1)本发明基于沃尔特拉级数模型天然包含线性项和非线性项的独特优势，建立了浮式风机在莫里森荷载作用下的沃尔特拉非线性模型，忽略模型的高阶卷积影响，并在相空间重构理论的框架下，基于平均互信息方法提取了浮式风机参考位置处波高时间历程数据的时间延迟，又结合采用改进的伪邻近点方法建立了浮式风机在波浪作用下的纵荡响应的模型。
2)本发明中运用粒子群算法优化了卡尔曼滤波算法，由粒子群算法估计卡尔曼滤波算法的初始状态参数，使卡尔曼滤波算法在估算沃尔特拉非线性模型核函数的过程中，不易于滤波发散或精度下降，避免了传统卡尔曼滤波算法辨识核函数因初始参数不明而带来的误差问题。
3)卡尔曼滤波估计方程中的状态θ(n∣n)和协方差矩阵C(n∣n)时，从时间步长n＝2到n＝n，因此在状态估计中将会出现延迟响应，本发明运用平滑方程可以在减小状态估计方差的同时减少延迟，在辨识沃尔特拉模型核函数的过程中具有更好的准确性。
4)本发明通过使用辨识出的核函数提取出浮式风机纵荡响应中的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得了的能量概率分布和能量熵，引入能量熵值指标成功地捕捉到响应成分相对发生变化的趋势，实现了能量熵值对响应成分的量化，进一步研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
附图说明
图1为实施例的风机结构试验布置简图。
图2为实施例中Spar型浮式风机在莫里森荷载作用下参考位置处波浪的时程图和频谱图，其中(a)为时程图，(b)为频谱图。
图3为实施例中Spar型浮式风机在莫里森荷载作用下纵荡响应的时程图和频谱图，其中(a)为纵荡响应的为时程图，(b)为纵荡响应的为频谱图。
图4为实施例中纵荡响应核函数的2范数。
图5为实施例中辨识出来的核函数，其中(a)为一阶核函数，(b)为二阶核函数。
图6为实施例中由辨识出来的核函数与由波高时间历程数据组成的回归向量卷积得到的纵荡响应的线性成分和非线性成分，其中(a)为线性成分与总响应的对比，(b)为非线性成分与总响应的对比，(c)为重构响应与总响应的对比。
图7为实施例中纵荡响应成分的能量概率分布图和能量熵图，其中(a)为能量概率分布，(b)为能量熵。
具体实施方式
本实施例为一种浮式风电结构非线性效应评估方法，包含以下具体步骤：
S1、基于沃尔特拉非线性模型理论，忽略了模型三阶及以上高阶核函数的影响，建立了Spar型浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出。基于相空间重构理论，基于改进的伪邻近点方法(Cao法)确定二阶沃尔特拉非线性模型方程的记忆深度，表征波高时间历程数据的相关性。
浮式风机的二阶沃尔特拉非线性模型方程表示为：
Figure BDA0003121123400000061
式中，y0代表常数项，当系统输出仅由系统输入引起时，那么系统将在其平衡点附近运动，在计算过程中就可以舍弃系统的常数项，即认为y0＝0，h1(m1)和h2(m1，m2)是系统的一阶、二阶核函数，x(n-m1)和x(n-m1)x(n-m2)是系统的回归向量。
M代表系统的记忆深度，记忆深度范围的动态关联性，往往蕴含在系统的输入和输出时间序列中，在式(1)中，为了选取合适的记忆深度M，采用相空间重构理论，由平均互信息方法提取延迟时间，结合采用改进的伪邻近点方法求嵌入维度(记忆深度)。
改进的伪邻近点方法求嵌入维度(记忆深度)：
在m维相空间中，相点X(i)＝{x(i)，x(i+τ)…，x(i+(m-1)τ)}的最临近点为
Figure BDA0003121123400000062
定义：
Figure BDA0003121123400000063
式中,其中||.||表示欧氏距离，本文由最大模值估计；Xm+1(i)为嵌入维数为m+1时相空间中的点，
Figure BDA0003121123400000071
是Xm+1(i)的最临近点。a(i,m)表征的是嵌入维数从m到m+1，相空间中邻近点对之间距离的变化。
定义：
Figure BDA0003121123400000072
Figure BDA0003121123400000073
将a(i,m+1)在相空间吸引子尺度上取平均值，E1(m)反映了嵌入维数从m到m+1，相空间中最邻近点之间距离的平均变化程度。为了判断时间序列是否是随机，另定义
Figure BDA0003121123400000074
E2(m)反映了嵌入维数从m到m+1，相空间中最临近点的数值变化的平均程度。
采用改进的伪邻近点方法估计相空间重构的最小嵌入维数，E1(m)需满足逐渐趋于稳定值，E2(m)不为常数，且满足曲线逐渐趋于饱和。由式(2)-(5)即可得系统的记忆深度。
本实施例基于沃尔特拉级数理论，假设不考虑流荷载，只考虑了波浪荷载，且入射波浪满足单一方向传播长峰波的条件，建立了浮式风机的非线性模型。同时从多方面考虑了环境、设备等对于测试的浮式风机纵荡运动响应的影响，包括复杂海洋环境的噪声影响以及位移传感器自身基线漂移误差引起的影响。通过利用浮式风机参考位置的波高时程作为系统输入，以风机纵荡运动响应数据作为系统输出来构造沃尔特拉模型。
S2、运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数，运用粒子群算法优化卡尔曼滤波的初始参数，提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度，并运用卡尔曼平滑算法来进一步提高辨识精度。
考虑传统卡尔曼滤波的使用需要知道系统误差和观测误差，并且在应用过程中易于滤波发散或精度下降，故运用粒子群算法优化卡尔曼滤波的初始参数，提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度。
粒子群算法如下所示：
速度变换公式：
Vid＝ωVid+C1rand1(0,1)(Pid-Xid)+C2rand2(0,1)(Pgd-Xid) (6)
位置变换公式：
Xid＝Xid+Vid (7)
上式中：ω为惯性因子，一般取1；C1，C2为学习因子，一般取2；rand1，rand2为(0，1)之间的随机数；Xid，Vid分别表示第i粒子在第d维的位置和速度；Pid，Pgd分别表示某个粒子最好位置第d维的值，整个种群最好位置第d维的值。
为了方便估算过程的推演，将上述公式(1)简写为系统状态空间模型
Figure BDA0003121123400000081
卡尔曼滤波算法公式为：
θ(n∣n-1)＝Aθ(n-1∣n-1) (9)
C(n∣n-1)＝AC(n-1∣n-1)AT+Q (10)
Figure BDA0003121123400000082
Figure BDA0003121123400000083
Figure BDA0003121123400000084
式中，θ(n∣n)为n时刻的状态参数；A为状态向量θ(n-1∣n-1)从时间步n-1到时间步n的状态转移矩阵，采用随机游走族模型；
Figure BDA0003121123400000091
是系统回归向量，由系统当前和历史输入组成；G(n)为卡尔曼增益；w(n)是过程误差，其误差协方差矩阵可表示为Q；v(n)是测量误差，其测量误差协方差矩阵可表示为R。
公式(9)-(13)表示的卡尔曼滤波算法可以实现状态参数的估计过程。在使用以上算法进行状态估计时，对A，Q，R，C(1∣1)，θ(1∣1)几个参数的值要预先确定。故公式(6)-(7)表示的粒子群算法可以实现卡尔曼滤波算法初始状态参数的估计过程。
考虑卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的过程中，在状态估计中将会出现延迟响应。运用卡尔曼平滑算法可以在减小状态估计方差的同时减少这种延迟，故运用了卡尔曼平滑算法来进一步提高辨识精度。
卡尔曼滤波估计方程中的状态θ(n∣n)和协方差矩阵C(n∣n)，从时间步长n＝2到n＝n，因此在状态估计中将会出现延迟响应。平滑方程可以在减小状态估计方差的同时减少这种延迟，在数学上，平滑方程以一种倒向的方式运行，将未来的信息从时间步n＝n-1传播到n＝M过去。卡尔曼平滑算法，公式如下：
J(n)＝C(n∣n)ATC(n+1∣n) (14)
θ(n∣N)＝θ(n∣n)+J(n)(θ(n+1∣N)-θ(n+1∣n)) (15)
P(n∣N)＝P(n∣n)+J(n)(θ(n+1∣N)-θ(n+1∣n))J(n)T (16)
平滑卡尔曼滤波器是一个选择，如果进行在线估计，由于卡尔曼滤波器只在测量完成后才给出估计，因此不能应用平滑方程；反之，如果离线处理估计，可以利用平滑方程，并推荐固定区间型平滑器。
本实施例中对于Spar型浮式风机在莫里森荷载作用下的沃尔特拉非线性模型，运用粒子群算法优化了卡尔曼滤波算法，由粒子群算法估计卡尔曼滤波算法的初始状态参数，使卡尔曼滤波算法在估算沃尔特拉非线性模型核函数的过程中，不易于滤波发散或精度下降。除了优卡尔曼滤波算法，还应用了卡尔曼平滑算法，平滑方程可以在减小状态估计方差的同时减少延迟。
S3、使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分。
基于计算出的核函数，通过已经建立的沃尔特拉模型，使用回归向量(即x(n-m1)和x(n-m1)x(n-m2))，以及估计过程中获得的一阶、二阶核函数(即h1(m1)和h2(m1，m2))，可实现系统输出的线性成分和非线性成分的提取和整体响应重构：
Figure BDA0003121123400000101
Figure BDA0003121123400000102
y(n)＝y0+y1(n)+y2(n) (19)
通过核函数和回归向量的卷积，即可得到纵荡响应中的线性成分y1(n)(式17)和非线性成分(式17)y2(n)。
S4、基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
为了定量评价所提取的两个分量，提出了利用信息熵对两个分量的能量值进行定量评价，也称为能量熵，并将其表示为：
计算各个分量的能量分布
Figure BDA0003121123400000103
计算各分量所占总能量的比重
pi＝Ei/E (21)
计算系统的能量熵值
Figure BDA0003121123400000111
通过公式(20)-(22)统计响应中线性和非线性分量的瞬时能量值及各自的所占总能量的比例，对两种工况下响应过程的能量分布展开研究，捕捉到响应成分相对发生变化的趋势，实现了能量熵值对响应成分的量化目标，对浮式风电结构做有效准确的非线性效应评估。
本实施例引入能量熵的概念，对非线性振动模型的响应过程进行能量评估，量化了响应中线性与非线性成分的相对变化，然后进一步研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
本实施例还提供一种浮式风电结构非线性效应评估装置，包括模型建立模块、核函数辨识模块、成分提取模块和评估模块。
本例中模型建立模块用于建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；核函数辨识模块用于运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；成分提取模块用于使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；评估模块用于基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中浮式风电结构非线性效应评估方法的步骤。
本实施例还提供一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中浮式风电结构非线性效应评估方法的步骤。
以下以一个具体实例进行说明：选取5MW OC3 Hywind Spar型浮式风机为研究对象，风机模型如图1所示，其主要参数列在了表1中。
表1基础平台主要参数
Figure BDA0003121123400000121
本实施例选取的模型是一个简单的受莫里森荷载的Spar型浮式风机，作用于结构上的环境荷载为波浪诱导的拖曳力和惯性力。采用水动力软件AQWA联合动力学分析软件Orcaflex对风机在关机状态下的动力响应进行数值模拟，获得用于研究分析的数据集。
在假设波浪高程服从高斯分布的情况下，利用Jonswap谱，依据随机波浪理论，可以生成波浪高程的时间序列。在利用工程软件进行动力响应分析时，生成和导出了波浪的时程数据，获得此工况下的波浪时程图和FFT频谱图如图2所示。由图可知，波浪FFT频谱的最低频率大约为0.08Hz，波浪频谱的峰值对应的频率约为0.1Hz左右。图3为风机平台纵荡响应的时程图和FFT频谱图。
在分析中，对递推过程中的核函数进行了追踪，统计出整个时段内核函数的2范数如图4所示，从图中可以得知，最终实现的核函数的2范数局部有微幅波动，在整体表现出具有收敛性。在图5中显示了纵荡响应中提取的一阶、二阶核函数，由图可知，核函数的增益表现出随着时延逐渐衰减的特性。
通过沃尔特拉模型的表达式y(n)＝y0+y1(n)+y2(n)，其中y0＝0，将纵荡响应信号表征为y1(n)与y2(n)和的形式，其中y1(n)是纵荡响应的线性项，y2(n)是纵荡响应的非线性项。一旦使用卡尔曼滤波算法获得了沃尔特拉模型的核函数，就可以依据沃尔特拉模型的表达式对纵荡响应信号重构，从而提取出纵荡响应信号的线性成分和非线性成分，进一步研究两项成分对整体运动响应的贡献，如图6所示，由图可知，线性响应在系统响应中占主导地位，非线性位移明显小于线性位移，当线性和非线性位移综合考虑时，重构响应与实际响应吻合的较好，这个结果证明了沃尔特拉模型可以以较高的精度重构系统的响应。
本实施例通过使用基于粒子群算法优化卡尔曼平滑加滤波综合算法辨识沃尔特拉非线性模型核函数来分离响应中线性与非线性成分的方法，一旦获得了沃尔特拉模型的核函数，就可以依据沃尔特拉模型的表达式对纵荡响应信号重构，从而提取出纵荡响应信号的线性成分和非线性成分，进一步研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。其中纵荡运动响应分离出的线性成分与纵荡运动总响应时域对比的结果如图6(a)所示，纵荡运动响应分离出的非线性成分与纵荡运动总响应时域对比的结果如图6(b)，重构的响应与纵荡运动响应时域对比的结果如图6(c)。基于分离出的线性成分和非线性成分，计算出相对能量概率分布，获得了响应成分的能量概率分布图7(a)和能量熵如图7(b)。图中显示，纵荡响应都由线性成分主导，非线性成分处于次要地位，可以清楚的得到两项成分对整体运动响应的贡献，以线性成分和非线性成分的能量比为信息概率，对浮式风机的能量信息进行了测量。研究表明，在信息事件一定时，信息熵将检测出信息事件概率的相对变化，从而实现监测响应中线性和非线性成分的相对变化过程。综上，通过获得了的能量概率分布和能量熵，捕捉到响应成分相对发生变化的趋势，实现了能量熵值对响应成分的量化，进一步研究两项成分对整体运动响应的贡献，对浮式风电结构做出了有效准确的非线性效应评估。

Claims (7)

1.一种浮式风电结构非线性效应评估方法，其特征在于：
S1、建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；
S2、运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；
S3、使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；
S4、基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
2.根据权利要求1所述的浮式风电结构非线性效应评估方法，其特征在于，步骤S1还包括:
采用相空间重构理论，由平均互信息方法提取延迟时间，结合改进的伪邻近点方法确定二阶沃尔特拉非线性模型方程的记忆深度。
3.根据权利要求1所述的浮式风电结构非线性效应评估方法，其特征在于，步骤S2还包括：
运用粒子群算法优化卡尔曼滤波的初始参数，提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度。
4.根据权利要求3所述的浮式风电结构非线性效应评估方法，其特征在于，所述步骤S2还包括：运用卡尔曼平滑算法来进一步提高卡尔曼滤波算法辨识沃尔特拉非线性模型核函数的精度。
5.一种浮式风电结构非线性效应评估装置，其特征在于，包括：
模型建立模块，用于建立浮式风机二阶沃尔特拉非线性模型方程，其中浮式风机参考位置处波高时间历程数据作为系统的输入，浮式风机的纵荡运动响应数据作为系统的输出；
核函数辨识模块，用于运用卡尔曼滤波算法辨识沃尔特拉非线性模型核函数；
成分提取模块，用于使用辨识出来的核函数与沃尔特拉非线性模型的输入数据卷积，重构浮式风机的运动响应信号，提取出响应信号的线性成分和非线性成分；
评估模块，用于基于提取出的线性成分和非线性成分，计算出相对能量概率分布，再将相对能量概率分布代入信息熵公式，获得能量概率分布和能量熵，研究两项成分对整体运动响应的贡献，对浮式风电结构做有效准确的非线性效应评估。
6.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述浮式风电结构非线性效应评估方法的步骤。
7.一种计算机设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述浮式风电结构非线性效应评估方法的步骤。
CN202110682582.6A 2021-06-18 2021-06-18 浮式风电结构非线性效应评估方法 Active CN113239608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682582.6A CN113239608B (zh) 2021-06-18 2021-06-18 浮式风电结构非线性效应评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682582.6A CN113239608B (zh) 2021-06-18 2021-06-18 浮式风电结构非线性效应评估方法

Publications (2)

Publication Number Publication Date
CN113239608A CN113239608A (zh) 2021-08-10
CN113239608B true CN113239608B (zh) 2022-04-12

Family

ID=77140394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682582.6A Active CN113239608B (zh) 2021-06-18 2021-06-18 浮式风电结构非线性效应评估方法

Country Status (1)

Country Link
CN (1) CN113239608B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120107116A1 (en) * 2010-11-03 2012-05-03 Obrecht John M System and method for damping motion of a wind turbine
DK2882960T3 (en) * 2012-08-07 2017-01-30 Mhi Vestas Offshore Wind As Liquid wind turbine safety system
EP3366567B1 (en) * 2013-05-20 2019-12-18 Principle Power, Inc. System and method for controlling offshore floating wind turbine platforms
CN106930898A (zh) * 2017-05-19 2017-07-07 重庆大学 一种基于自适应扰动补偿的漂浮式风力机功率控制方法
CN110502778B (zh) * 2019-07-02 2021-06-22 江苏大学 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法
CN112649747A (zh) * 2019-10-10 2021-04-13 西南科技大学 一种分数阶扩展卡尔曼的锂电池soc估算方法
CN112733411B (zh) * 2020-12-18 2022-09-30 武汉大学 基于二阶差分粒子滤波的锂电池soc估计方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种海上浮式风电基础频域动力响应分析新技术;罗金平等;《振动工程学报》;20190415(第02期);全文 *
半潜浮式风机非线性运动大幅倍周期响应研究;孟昭翰等;《中国海洋大学学报(自然科学版)》;20191215;全文 *
深海浮式风机在波浪上的运动响应分析;陈曦等;《水动力学研究与进展(A辑)》;20180730(第04期);全文 *

Also Published As

Publication number Publication date
CN113239608A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Avendaño-Valencia et al. Stationary and non-stationary random vibration modelling and analysis for an operating wind turbine
Lio et al. Real-time rotor effective wind speed estimation using Gaussian process regression and Kalman filtering
Xiao et al. Online machine health prognostics based on modified duration-dependent hidden semi-Markov model and high-order particle filtering
CN111062533A (zh) 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法
CN104992164B (zh) 一种动态振荡信号模型参数辨识方法
Daroogheh et al. A hybrid prognosis and health monitoring strategy by integrating particle filters and neural networks for gas turbine engines
Zhao et al. Model-based fault diagnosis methods for systems with stochastic process–a survey
Omitaomu et al. Online support vector regression with varying parameters for time-dependent data
CN110377921A (zh) 一种基于中心对称多胞体的故障检测阈值计算方法
JP2007240464A (ja) 沸騰水型原子炉炉心状態監視装置
Li et al. Classification of time–frequency representations based on two-direction 2DLDA for gear fault diagnosis
Abdelrahman et al. Observer-based unknown input estimator of wave excitation force for a wave energy converter
Wu et al. An improved adjoint-based ocean wave reconstruction and prediction method
CN113239608B (zh) 浮式风电结构非线性效应评估方法
JP2017219361A (ja) 歪み推定装置、診断装置、及び歪み推定方法
WO2016098250A1 (ja) 波形推定装置及び波形推定方法
Guzmán-Iñigo et al. Data-based, reduced-order, dynamic estimator for reconstruction of nonlinear flows exhibiting limit-cycle oscillations
Shetty et al. Power Spectral Density based Identification of Low frequency‎ Oscillations in Multimachine Power system
JP2021047100A (ja) 診断装置および診断方法
Ling Development of a model predictive controller for the wave energy converter control competition
EP3385804A1 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
Nordsjö et al. On estimation of errors caused by non-linear undermodelling in system identification
CN111289275A (zh) 旋转机械稳定性辨识方法、装置、计算机设备及存储介质
Demircan Vibration based condition monitoring of pumping systems in textile dyehouses
Wu et al. Deterministic learning-based neural identification and knowledge fusion

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