CN113250904A - 用于基于连续机器学习的风力涡轮控制的系统和方法 - Google Patents

用于基于连续机器学习的风力涡轮控制的系统和方法 Download PDF

Info

Publication number
CN113250904A
CN113250904A CN202110175528.2A CN202110175528A CN113250904A CN 113250904 A CN113250904 A CN 113250904A CN 202110175528 A CN202110175528 A CN 202110175528A CN 113250904 A CN113250904 A CN 113250904A
Authority
CN
China
Prior art keywords
wind turbine
measurement data
processor
control system
control 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
Application number
CN202110175528.2A
Other languages
English (en)
Inventor
N·维拉尼
S·C·埃文斯
S·达沃斯特
S·B·沙策尔
D·阿罗拉
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.)
General Electric Renovables Espana SL
Original Assignee
General Electric Co
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=74556790&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN113250904(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN113250904A publication Critical patent/CN113250904A/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
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • 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
    • 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
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0292—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power to reduce fatigue
    • 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
    • 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
    • F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • F05B2260/84—Modelling or simulation
    • 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
    • F05B2270/10—Purpose of the control system
    • F05B2270/109—Purpose of the control system to prolong engine life
    • F05B2270/1095—Purpose of the control system to prolong engine life by limiting mechanical stresses
    • 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
    • F05B2270/332—Maximum loads or fatigue criteria
    • 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)
  • General 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)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Wind Motors (AREA)
  • Harvester Elements (AREA)
  • Supercharger (AREA)

Abstract

公开了一种控制系统。所述控制系统包括：风力涡轮；至少一个传感器，所述至少一个传感器配置成检测所述风力涡轮的至少一个性质以生成测量数据；以及控制器，所述控制器通信地耦合到所述风力涡轮和所述至少一个传感器。所述控制器包括与至少一个存储器装置通信的至少一个处理器。所述至少一个处理器配置成：在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；在运行阶段期间，从所述至少一个传感器接收第二测量数据；以及基于所述第二测量数据连续地更新所述控制模型。

Description

用于基于连续机器学习的风力涡轮控制的系统和方法
技术领域
本发明的领域一般涉及风力涡轮控制系统，并且更特定地，涉及用于基于连续机器学习的风力涡轮控制的系统和方法。
背景技术
大多数已知的风力涡轮包括具有多个叶片的转子。转子有时耦合到定位在基座（例如管状塔架）的顶部上的壳体或机舱（nacelle）上。至少一些已知的公用级风力涡轮（即设计成向公用电网提供电力的风力涡轮）带有具有预定形状和尺寸的转子叶片。转子叶片将风动能转换成叶片气动力，所述叶片气动力引起机械旋转扭矩以驱动一个或多个发电机，随后生成电功率。
风力涡轮暴露于大的风流入变化，其将变化的负载施加到风力涡轮结构，特别是风力涡轮转子和轴。一些已知的风力涡轮包括传感器组件，其用于远程地检测风的特性，例如方向和速度。检测到的风特性可用于控制风力涡轮的机械负载。例如，基于检测到的风速，风力涡轮可被控制以在特定输出功率下运行。通常使用风速功率曲线来选择输出功率。这种曲线通常考虑一个输入变量（例如，风速），并且通常不针对在所有运行条件下的各种不同因素进行优化。因此，期望一种用于风力涡轮的改进控制系统。
发明内容
在一个方面，公开了一种控制系统。所述控制系统包括：风力涡轮；至少一个传感器，所述至少一个传感器配置成检测所述风力涡轮的至少一个性质以生成测量数据；以及控制器，所述控制器通信地耦合到所述风力涡轮和所述至少一个传感器。所述控制器包括与至少一个存储器装置通信的至少一个处理器。所述至少一个处理器配置成：在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；在运行阶段期间，从所述至少一个传感器接收第二测量数据；基于所述第二测量数据连续地更新所述控制模型；以及基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
在另一个方面，公开了一种控制器。所述控制器通信地耦合到风力涡轮和至少一个传感器。所述控制器包括与至少一个存储器装置通信的至少一个处理器。所述至少一个处理器配置成：在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；在运行阶段期间，从所述至少一个传感器接收第二测量数据；基于所述第二测量数据连续地更新所述控制模型；以及基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
在另一个方面，公开了一种用于使用控制器来控制风力涡轮的方法。所述控制器通信地耦合到所述风力涡轮和至少一个传感器。所述控制器包括与至少一个存储器装置通信的至少一个处理器。所述方法包括：在训练阶段期间，由所述控制器根据至少一个测试参数控制所述风力涡轮；在所述训练阶段期间，由所述控制器从所述至少一个传感器接收第一测量数据；由所述控制器基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；在运行阶段期间，由所述控制器从所述至少一个传感器接收第二测量数据；由所述控制器基于所述第二测量数据连续地更新所述控制模型；以及由所述控制器基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
本申请提供了如下的技术方案：
技术方案1. 一种控制系统，包括：
风力涡轮；
至少一个传感器，所述至少一个传感器配置成检测所述风力涡轮的至少一个性质以生成测量数据；以及
控制器，所述控制器通信地耦合到所述风力涡轮和所述至少一个传感器，所述控制器包括与至少一个存储器装置通信的至少一个处理器，所述至少一个处理器配置成：
在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；
在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；
基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；
在运行阶段期间，从所述至少一个传感器接收第二测量数据；
基于所述第二测量数据连续地更新所述控制模型；以及
基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
技术方案2. 根据技术方案1所述的控制系统，其中，所述至少一个处理器还配置成在所述运行阶段期间基于所述控制模型和所接收的第二测量数据来确定能力水平。
技术方案3. 根据技术方案2所述的控制系统，其中，所述至少一个处理器还配置成：
确定所述能力水平低于确定性阈值；以及
基于所述确定来发起后续训练阶段。
技术方案4. 根据技术方案2所述的控制系统，其中，为了确定所述能力水平，所述至少一个处理器配置成使用以下项中的至少一项来计算所述能力水平：监督式、半监督式、或非监督式学习方法。
技术方案5. 根据技术方案1所述的控制系统，其中，所述控制器通信地耦合到至少一个附加控制系统，并且其中所述至少一个处理器还配置成：
从所述至少一个附加控制系统接收第三测量数据；以及
进一步基于所接收的第三测量数据来生成所述控制模型。
技术方案6. 根据技术方案1所述的控制系统，其中，为了更新所述控制模型，所述至少一个处理器还配置成发起后续训练阶段以基于所述第二测量数据生成经修正的控制模型。
技术方案7. 根据技术方案1所述的控制系统，其中，为了生成所述控制模型，所述至少一个处理器配置成将至少一个机器学习算法应用于所述第一测量数据。
技术方案8. 根据技术方案1所述的控制系统，其中，所述第一测量数据包括以下项中的至少一项：风速、空气密度、输出功率、温度、和风稳定性测量。
技术方案9. 根据技术方案1所述的控制系统，其中，为了控制所述风力涡轮，所述至少一个处理器配置成控制以下项中的至少一项：所述风力涡轮的扭矩、速度、叶片桨距角、和迎角。
技术方案10. 根据技术方案1所述的控制系统，其中，为了生成所述控制模型，所述至少一个处理器配置成计算以下项中的至少一项：所述风力涡轮的功率和疲劳。
技术方案11. 一种控制器，所述控制器通信地耦合到风力涡轮和至少一个传感器，所述控制器包括与至少一个存储器装置通信的至少一个处理器，所述至少一个处理器配置成：
在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；
在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；
基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；
在运行阶段期间，从所述至少一个传感器接收第二测量数据；
基于所述第二测量数据连续地更新所述控制模型；以及
基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
技术方案12. 根据技术方案11所述的控制器，其中，所述至少一个处理器还配置成在所述运行阶段期间基于所述控制模型和所接收的第二测量数据来确定能力水平。
技术方案13. 根据技术方案12所述的控制器，其中，所述至少一个处理器还配置成：
确定所述能力水平低于确定性阈值；以及
基于所述确定来发起后续训练阶段。
技术方案14. 根据技术方案12所述的控制器，其中，为了确定所述能力水平，所述至少一个处理器配置成使用以下项中的至少一项来计算所述能力水平：监督式、半监督式、或非监督式学习方法。
技术方案15. 根据技术方案11所述的控制器，其中，为了更新所述控制模型，所述至少一个处理器还配置成发起后续训练阶段以基于所述第二测量数据生成经修正的控制模型。
技术方案16. 根据技术方案11所述的控制器，其中，为了生成所述控制模型，所述至少一个处理器配置成将至少一个机器学习算法应用于所述第一测量数据。
技术方案17. 根据技术方案11所述的控制器，其中，为了生成所述控制模型，所述至少一个处理器配置成计算以下项中的至少一项：所述风力涡轮的功率和疲劳。
技术方案18. 一种使用通信地耦合到风力涡轮和至少一个传感器的控制器来控制所述风力涡轮的方法，所述控制器包括与至少一个存储器装置通信的至少一个处理器，所述方法包括：
在训练阶段期间，由所述控制器根据至少一个测试参数控制所述风力涡轮；
在所述训练阶段期间，由所述控制器从所述至少一个传感器接收第一测量数据；
由所述控制器基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；
在运行阶段期间，由所述控制器从所述至少一个传感器接收第二测量数据；
由所述控制器基于所述第二测量数据连续地更新所述控制模型；以及
由所述控制器基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
技术方案19. 根据技术方案18所述的方法，还包括由所述控制器在所述运行阶段期间基于所述控制模型和所接收的第二测量数据来确定能力水平。
技术方案20. 根据技术方案18所述的方法，其中，更新所述控制模型包括由所述控制器发起后续训练阶段以基于所述第二测量数据生成经修正的控制模型。
附图说明
当参照附图阅读以下具体实施方式时，本公开的这些和其它特征、方面和优点将变得更好理解，在附图中，贯穿附图，相同的符号表示相同的部件，其中：
图1是示例性风力涡轮的透视图。
图2是供控制图1中所示的风力涡轮所使用的示例性风力涡轮控制系统的框图。
图3是示出可用于控制图1中所示的风力涡轮的示例性功率曲线的曲线图。
图4是用于控制风力涡轮的示例性方法的流程图。
具体实施方式
在以下说明书和权利要求中，将对许多术语进行引用，所述许多术语将被定义为具有以下含义。
除非上下文另有明确指示，否则单数形式“一（a、an）”和“该”包括复数引用。
如本文贯穿说明书和权利要求所使用的近似性语言可适于修饰任何定量表示，所述定量表示可容许在不导致其相关的基本功能改变的情况下变化。因此，由诸如“约”、“基本上”和“大约”之类的一个或多个术语修饰的值不限于所指定的精确值。在至少一些情况下，近似性语言可对应于用于测量该值的仪器的精度。在此以及贯穿说明书和权利要求，范围限制可被组合和/或互换，这样的范围被标识并且包括在其中所包含的所有子范围，除非上下文或语言另有指示。
本文描述的实施例包括控制系统，所述控制系统包括：风力涡轮；至少一个传感器，所述至少一个传感器配置成检测所述风力涡轮的至少一个性质以生成测量数据；以及控制器，所述控制器通信地耦合到所述风力涡轮和所述至少一个传感器。所述控制器包括与至少一个存储器装置通信的至少一个处理器。所述至少一个处理器配置成：在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；在运行阶段期间，从所述至少一个传感器接收第二测量数据；基于所述第二测量数据连续地更新所述控制模型；以及基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
图1是示例性风力涡轮100的示意性透视图。在示例性实施例中，风力涡轮100是水平轴风力涡轮。风力涡轮100包括从支撑表面（未示出）延伸的塔架102、耦合到塔架102的机舱106，以及耦合到机舱106的转子108。转子108具有可旋转轮轴110和耦合到可旋转轮轴110的多个叶片112、114、116。在示例性实施例中，转子108具有第一叶片112、第二叶片114和第三叶片116。在备选实施例中，转子108具有使风力涡轮100能够如本文所述那样起作用的任意数量的叶片112、114、116。在示例性实施例中，塔架102由管状钢制成，并且具有在支撑表面和机舱106之间延伸的腔体（图1中未示出）。在备选实施例中，风力涡轮100包括使风力涡轮100能够如本文所述那样运行的任何塔架102。例如，在一些实施例中，塔架102是以下项中的任一项：格子钢塔架、拉索式塔架、混凝土塔架、和混合塔架。
在示例性实施例中，叶片112、114、116围绕可旋转轮轴110定位，以便于在风流过风力涡轮100时使转子108旋转。当转子108旋转时，来自风的动能被转变成可用的机械能，并且随后转变成电能。在运行期间，转子108围绕基本上平行于支撑表面的旋转轴120旋转。此外，在一些实施例中，转子108和机舱106在偏航轴122上围绕塔架102旋转，以控制叶片112、114、116相对于风向的定向。在备选实施例中，风力涡轮100包括使风力涡轮100能够如本文所述那样运行的任何转子108。
在示例性实施例中，每个叶片112、114、116在轮轴端124处被耦合到可旋转轮轴110，并且从可旋转轮轴110径向向外延伸到远端126。每个叶片112、114、116限定了在轮轴端124和远端126之间延伸的纵向轴128。在备选实施例中，风力涡轮100包括使风力涡轮100能够如本文所述那样运行的任何叶片112、114、116。
图2是示例性风力涡轮控制系统200的框图。风力涡轮控制系统200包括目标装置202、风力涡轮控制器204和一个或多个传感器206。在一些实施例中，目标装置202基本上类似于（图1中所示的）风力涡轮100。附加地或备选地，目标装置202可以是能被电子控制的另一装置。风力涡轮控制器204通信地耦合到目标装置202，并且包括处理器208和存储器装置210。在一些实施例中，风力涡轮控制器204的至少一些功能性由处理器208和/或存储器装置210执行。
在示例性实施例中，目标装置202包括风力涡轮，其将风动能转换成引起机械旋转扭矩的叶片气动力以生成电功率（例如通过将风动能转变成引起机械旋转扭矩的叶片气动力）。目标装置202产生的输出功率的量取决于例如目标装置202的运行速度的量和/或运行扭矩的量。此外，目标装置202的其它特性（诸如目标装置202的组件上的疲劳）可以取决于目标装置202的运行速度和/或运行扭矩。
风力涡轮控制器204例如通过控制目标装置202运行的速度和/或扭矩来控制目标装置202的运行。例如，在一些实施例中，风力涡轮控制器204可控制（图1中所示的）叶片112、114、116的浆距角、目标装置202的偏航、目标装置202的齿轮箱设置、和/或影响速度和/或扭矩的目标装置202的另一运行参数。通过控制目标装置202的速度和/或扭矩，风力涡轮控制器204可选择目标装置202运行的输出功率。
在目标装置202正常运行之前，风力涡轮控制器204在初始训练阶段运行目标装置202。在初始训练阶段期间，风力涡轮控制器204根据至少一个测试参数来控制目标装置202。例如，在一些实施例中，测试参数是一系列速度水平、扭矩水平、叶片桨距设置点、和/或对应输出功率水平。在训练阶段期间，风力涡轮控制器204从传感器206接收测量数据。在一些实施例中，测量数据包括目标装置202的一般运行条件（例如空气密度和/或风速）以及特定于每个测试数据点的数据（例如目标装置202的组件上的疲劳）。使用测量数据，风力涡轮控制器可生成用于目标装置202的控制模型。例如，在一些实施例中，风力涡轮控制器204将一个或多个机器学习算法应用于所接收的测量数据以生成控制模型。在一些实施例中，控制模型被设计为实现例如目标装置202的最大运行寿命和/或最大年发电量（AEP）。
在一些实施例中，例如在初始训练阶段期间进行实验阶段的设计，其中控制参数在控制设置点的连续或离散集合上通过预定义水平集合按照计划来循环、经由随机采样随机地循环、或经由智能方法（诸如贝叶斯优化、强化学习等）智能地循环。基于持续时间、基于收集的数据实例的数量、或基于获得训练数据的初始集合的另一停止准则，结束该实验阶段的设计。可以从数据（其在此数据收集阶段期间被编译）训练机器学习模型，（a）以预测品质因数（例如涡轮功率），并然后标识优化该品质因数的设置点；或者（b）以直接推荐可能优化该品质因数的设置点。一旦被训练，该机器学习模型可以被周期地和/或间歇地使用以确定例如用于目标装置202的最优控制设置。诸如在集成模型、贝叶斯模型（包括高斯过程）、非共形预测间隔、或可以提供预测不确定性的其它方法的情况下，机器学习模型可以基于其预测的不确定性水平来给出模型能力的固有评估。备选地，可以使用密度估计、水平集合估计、一类分类器、流形学习、异常检测、或其它监督式或非监督式学习方法从训练数据学习模型能力的评估。另外，风力涡轮控制器204可在运行期间将模型能力的内部评估和外部评估两者用于所获得的数据实例。以这种方式，对于特定查询或反馈状态，机器学习模型可以评估其能力水平，并且如果是胜任的，则控制器将按照控制设置点的模型建议来行动以最大化至少一个品质因数（诸如功率或寿命），并且如果是不胜任的，则使用基线设置点、在之前的设置点继续、或者使用针对安全性或鲁棒性的另一控制方法来指配控制设置点。
在运行阶段期间，风力涡轮控制器204基于所生成的控制模型来控制目标装置202。例如，在一些实施例中，风力涡轮控制器204从传感器206接收测量数据，例如当前风速和/或当前空气密度。使用当前风速和/或当前空气密度作为输入，控制模型可以提供要运行目标装置202的输出参数，例如输出功率。然后，风力涡轮控制器204相应地运行目标装置202。在一些实施例中，风力涡轮控制器204在目标装置202的正常运行期间基于在运行阶段期间从传感器206接收的测量数据持续改进和/或更新控制模型。
在一些实施例中，风力涡轮控制器204还配置成计算针对测量数据的给定输入的能力水平。例如，如果输入数据与曾用于生成控制模型的数据相同或相似，则能力水平可能相对高，并且如果输入数据与先前的数据不同或不相似，则能力水平可能相对低。在一些这样的实施例中，如果能力水平低于阈值，则风力涡轮控制器204不基于当前控制模型来控制目标装置202，而是采取行动来更新控制模型并增加能力水平。例如，在一些实施例中，风力涡轮控制器204接收从经历过与目标装置202的当前运行条件类似的运行条件的其它风力涡轮控制系统导出的测量数据，并且使用所接收的测量数据来更新控制模型。在一些实施例中，风力涡轮控制器204附加地或备选地启动后续训练阶段，在后续训练阶段中，从目标装置202和传感器206收集反映当前条件的测量数据，并将其用于更新控制模型。在一些实施例中，后续训练阶段基本上类似于初始训练阶段。
图3是示出可用于控制（图1中所示的）风力涡轮100的第一功率曲线302和第二功率曲线304的曲线图300。曲线图300包括对应于风速的水平轴308，风速例如在风力涡轮100处检测到的风速。曲线图300还包括对应于风力涡轮100的输出功率的竖直轴310。可以使用例如第一功率曲线302或第二功率曲线304基于当前风速来选择风力涡轮100的输出功率。
当基于第一功率曲线302或第二功率曲线304选择输出功率时，输出功率通常随着风速增加而增加，直到达到阈值风速312，此后输出功率保持恒定。与基于第二功率曲线304控制风力涡轮100相比，基于第一功率曲线302控制风力涡轮100通常导致更高的输出功率和对应更高的AEP。相反，在一些实施例中，与基于第一功率曲线302控制风力涡轮100相比，基于第二功率曲线304控制风力涡轮100导致风力涡轮100的较低疲劳和对应较长的运行寿命。在一些实施例中，为了控制风力涡轮100，第一功率曲线302或第二功率曲线304中的一个可由风力涡轮控制器204使用基于当前输入条件生成的控制模型来选择。
图4示出了用于控制风力涡轮100的示例性方法400。在一些实施例中，方法400由风力涡轮控制器204执行。方法400包括在训练阶段期间根据至少一个测试参数来控制402风力涡轮100。方法400还包括在训练阶段期间从至少一个传感器（诸如传感器206）接收404第一测量数据。方法400还包括基于至少一个测试参数和所接收的第一测量数据来生成406控制模型。方法400还包括在运行阶段期间从至少一个传感器接收408第二测量数据。方法400还包括基于第二测量数据连续地更新410控制模型。方法400还包括基于所接收的第二测量数据，使用所生成的控制模型来控制412风力涡轮100的运行。
本文描述的方法、系统和设备的示例性技术效果包括以下项中的至少一项：（a）通过使用基于机器学习的控制模型来控制风力涡轮，从而改进风力涡轮的年发电量（AEP）；（b）通过基于机器学习的控制模型来控制风力涡轮，从而改进风力涡轮的寿命；（c）通过将至少一个机器学习算法应用于至少从风力涡轮收集的数据来提供用于风力涡轮的控制模型；以及（d）通过基于实时数据周期地和/或间歇地更新风力涡轮控制模型来改进风力涡轮控制模型；以及（e）通过使用基于机器学习的控制模型来控制风力涡轮群组和或风电场来改进风力涡轮群组和/或风电场的年发电量（AEP）。
本文描述了用于基于连续机器学习的风力涡轮控制的系统的示例性实施例。运行和制造这种系统和装置的系统和方法不限于本文所述的特定实施例，而是相反，系统的组件和/或方法的步骤可与本文所述的其它组件和/或步骤独立且分开地利用。例如，方法还可以与其它电子系统结合使用，并且不限于仅用如本文所述的电子系统和方法来实践。相反，示例性实施例可以结合许多其它电子系统来实现和利用。
一些实施例涉及使用一个或多个电子或计算装置。此类装置通常包含处理器、处理装置、或控制器，例如通用中央处理单元（CPU）、图形处理单元（GPU）、微控制器、精简指令集计算机（RISC）处理器、专用集成电路（ASIC）、可编程逻辑电路（PLC）、现场可编程门阵列（FPGA）、数字信号处理（DSP）装置、和/或能够执行本文所述功能的任何其它电路或处理装置。本文所述的方法可以被编码为在计算机可读介质中体现的可执行指令，所述计算机可读介质包括但不限于存储装置和/或存储器装置。当由处理装置执行时，此类指令使得处理装置执行本文所述方法的至少一部分。上述示例仅是示例性的，并且因此不旨在以任何方式限制术语处理器和处理装置的定义和/或含义。
虽然本公开的各种实施例的特定特征可能在一些附图中示出并且在其它附图中未示出，但这仅是为了方便。根据本公开的原理，附图的任何特征可结合任何其它附图的任何特征来引用和/或要求保护。
本书面描述使用示例来公开本发明（包括最佳模式），并且还使任何本领域技术人员能够实践本发明，包括制作和使用任何装置或系统以及执行任何结合的方法。本发明的可授专利范围由权利要求限定，并且可以包括本领域技术人员想到的其它示例。如果这些其它示例具有与权利要求的字面语言并无不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差异的等同结构元件，则这些其它示例旨在处于权利要求的范围内。

Claims (10)

1.一种控制系统，包括：
风力涡轮；
至少一个传感器，所述至少一个传感器配置成检测所述风力涡轮的至少一个性质以生成测量数据；以及
控制器，所述控制器通信地耦合到所述风力涡轮和所述至少一个传感器，所述控制器包括与至少一个存储器装置通信的至少一个处理器，所述至少一个处理器配置成：
在训练阶段期间，根据至少一个测试参数控制所述风力涡轮；
在所述训练阶段期间，从所述至少一个传感器接收第一测量数据；
基于所述至少一个测试参数和所接收的第一测量数据生成控制模型；
在运行阶段期间，从所述至少一个传感器接收第二测量数据；
基于所述第二测量数据连续地更新所述控制模型；以及
基于所接收的第二测量数据，使用所生成的控制模型来控制所述风力涡轮的运行。
2.根据权利要求1所述的控制系统，其中，所述至少一个处理器还配置成在所述运行阶段期间基于所述控制模型和所接收的第二测量数据来确定能力水平。
3. 根据权利要求2所述的控制系统，其中，所述至少一个处理器还配置成：
确定所述能力水平低于确定性阈值；以及
基于所述确定来发起后续训练阶段。
4.根据权利要求2所述的控制系统，其中，为了确定所述能力水平，所述至少一个处理器配置成使用以下项中的至少一项来计算所述能力水平：监督式、半监督式、或非监督式学习方法。
5. 根据权利要求1所述的控制系统，其中，所述控制器通信地耦合到至少一个附加控制系统，并且其中所述至少一个处理器还配置成：
从所述至少一个附加控制系统接收第三测量数据；以及
进一步基于所接收的第三测量数据来生成所述控制模型。
6.根据权利要求1所述的控制系统，其中，为了更新所述控制模型，所述至少一个处理器还配置成发起后续训练阶段以基于所述第二测量数据生成经修正的控制模型。
7.根据权利要求1所述的控制系统，其中，为了生成所述控制模型，所述至少一个处理器配置成将至少一个机器学习算法应用于所述第一测量数据。
8.根据权利要求1所述的控制系统，其中，所述第一测量数据包括以下项中的至少一项：风速、空气密度、输出功率、温度、和风稳定性测量。
9.根据权利要求1所述的控制系统，其中，为了控制所述风力涡轮，所述至少一个处理器配置成控制以下项中的至少一项：所述风力涡轮的扭矩、速度、叶片桨距角、和迎角。
10.根据权利要求1所述的控制系统，其中，为了生成所述控制模型，所述至少一个处理器配置成计算以下项中的至少一项：所述风力涡轮的功率和疲劳。
CN202110175528.2A 2020-02-07 2021-02-07 用于基于连续机器学习的风力涡轮控制的系统和方法 Pending CN113250904A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/784798 2020-02-07
US16/784,798 US11060504B1 (en) 2020-02-07 2020-02-07 Systems and methods for continuous machine learning based control of wind turbines

Publications (1)

Publication Number Publication Date
CN113250904A true CN113250904A (zh) 2021-08-13

Family

ID=74556790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175528.2A Pending CN113250904A (zh) 2020-02-07 2021-02-07 用于基于连续机器学习的风力涡轮控制的系统和方法

Country Status (5)

Country Link
US (1) US11060504B1 (zh)
EP (1) EP3862561B1 (zh)
CN (1) CN113250904A (zh)
DK (1) DK3862561T3 (zh)
ES (1) ES2950170T3 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3095246B1 (fr) * 2019-04-16 2022-12-09 Ifp Energies Now Procédé et système de contrôle d’une grandeur d’une éolienne par choix du contrôleur par un apprentissage automatique
US11249891B1 (en) * 2021-03-22 2022-02-15 Palo Alto Research Center Incorporated Machine-learning framework for testing feedback controller robustness
EP4151853A1 (en) * 2021-09-17 2023-03-22 Vestas Wind Systems A/S A method for controlling wind turbines of a wind park using a trained ai model
EP4170157A1 (en) * 2021-10-22 2023-04-26 General Electric Renovables España S.L. System and method for learning-based predictive fault detection and avoidance for wind turbines
US11928444B2 (en) * 2022-04-15 2024-03-12 Microsoft Technology Licensing, Llc Editing files using a pattern-completion engine implemented using a machine-trained model

Family Cites Families (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7004724B2 (en) 2003-02-03 2006-02-28 General Electric Company Method and apparatus for wind turbine rotor load control based on shaft radial displacement
US7118339B2 (en) 2004-06-30 2006-10-10 General Electric Company Methods and apparatus for reduction of asymmetric rotor loads in wind turbines
US7560823B2 (en) 2006-06-30 2009-07-14 General Electric Company Wind energy system and method of operation thereof
CN101523048B (zh) 2006-10-02 2012-05-30 剪式风能公司 具有叶片桨距控制以补偿风切变和风偏差的风力涡轮机
US7883317B2 (en) 2007-02-02 2011-02-08 General Electric Company Method for optimizing the operation of a wind turbine
CN101784791A (zh) 2007-08-31 2010-07-21 维斯塔斯风力系统集团公司 控制风力发电机中至少一个调节机构的方法、风力发电机以及风力发电站
ES2329182T3 (es) 2007-10-12 2009-11-23 Siemens Aktiengesellschaft Procedimiento y dispositivo para proporcionar al menos una señal de sensor de entrada para una aplicacion de control y/o monitorizacion y dispositivo de control.
EP2060785B1 (en) 2007-11-15 2018-12-26 Gamesa Innovation & Technology, S.L. Method and system for operating sensor
US8057174B2 (en) 2008-10-09 2011-11-15 General Electric Company Method for controlling a wind turbine using a wind flow model
US20100092292A1 (en) 2008-10-10 2010-04-15 Jacob Johannes Nies Apparatus and method for continuous pitching of a wind turbine
EP2175129A1 (en) 2008-10-10 2010-04-14 Siemens Aktiengesellschaft Adaptive adjustment of the blade pitch angle of a wind turbine
ES2433415T3 (es) 2008-11-18 2013-12-10 Vestas Wind Systems A/S Un procedimiento para controlar el funcionamiento de una turbina eólica
EP2213873A1 (en) 2009-01-30 2010-08-04 Siemens Aktiengesellschaft Estimating an effective wind direction for a wind turbine by means of a learning system
US8025476B2 (en) * 2009-09-30 2011-09-27 General Electric Company System and methods for controlling a wind turbine
GB2476316B (en) 2009-12-21 2014-07-16 Vestas Wind Sys As A wind turbine having a control method and controller for predictive control of a wind turbine generator
US7987067B2 (en) 2010-03-26 2011-07-26 General Electric Company Method and apparatus for optimizing wind turbine operation
US9261076B2 (en) 2010-06-02 2016-02-16 Vestas Wind Systems A/S Method for operating a wind turbine at improved power output
EP2444659B1 (en) 2010-10-19 2016-07-06 Siemens Aktiengesellschaft Method and system for adjusting a power parameter of a wind turbine
EP2518308A1 (en) 2011-04-29 2012-10-31 Siemens Aktiengesellschaft Controlling the operation of a wind turbine based on a terrain class parameter value
JP5832644B2 (ja) 2011-06-03 2015-12-16 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
DE102011054211B3 (de) * 2011-10-05 2013-01-10 Kenersys Gmbh Verfahren zum Betreiben einer Windenergieanlage und entsprechende Windenergieanlage
US9606518B2 (en) 2011-12-28 2017-03-28 General Electric Company Control system and method of predicting wind turbine power generation
US20130184838A1 (en) 2012-01-06 2013-07-18 Michigan Aerospace Corporation Resource optimization using environmental and condition-based monitoring
JP2015522757A (ja) 2012-07-26 2015-08-06 エムエイチアイ ヴェスタス オフショア ウィンド エー／エス 風力タービン傾斜最適化及び制御
US9605558B2 (en) 2013-08-20 2017-03-28 General Electric Company System and method for preventing excessive loading on a wind turbine
DK2860395T3 (da) 2013-10-09 2017-11-13 Siemens Ag System til automatisk effektestimeringsjustering
US9991771B2 (en) * 2013-11-05 2018-06-05 The University Of Maryland, Baltimore County Active control system for a variable electromotive-force generator with applications to wind turbines, ships, and hybrid vehicles
EP2878811B1 (en) 2013-11-29 2021-04-14 GE Renewable Technologies Wind B.V. Methods of operating a wind turbine, and wind turbines
US9920742B2 (en) 2014-02-20 2018-03-20 General Electric Company Dynamic cut-in wind speed for wind turbines
US9683552B2 (en) 2014-03-06 2017-06-20 General Electric Company System and method for robust wind turbine operation
US9551322B2 (en) * 2014-04-29 2017-01-24 General Electric Company Systems and methods for optimizing operation of a wind farm
EP3158191B1 (en) 2014-06-19 2017-12-27 Vestas Wind Systems A/S Control of wind turbines in response to wind shear
US9347432B2 (en) * 2014-07-31 2016-05-24 General Electric Company System and method for enhanced operation of wind parks
US9644612B2 (en) 2014-09-23 2017-05-09 General Electric Company Systems and methods for validating wind farm performance measurements
WO2016082838A1 (en) 2014-11-24 2016-06-02 Vestas Wind Systems A/S Determination of wind turbine configuration
US9739262B2 (en) * 2014-12-10 2017-08-22 State Grid Corporation Of China Static testing and calibrating method for PID link of control system of wind turbine
EP3088733B1 (en) 2015-04-27 2018-10-17 Envision Energy (Jiangsu) Co., Ltd. Method for operating a wind turbine based on degradation of wind turbine blade
US10132295B2 (en) 2015-05-15 2018-11-20 General Electric Company Digital system and method for managing a wind farm having plurality of wind turbines coupled to power grid
US10443577B2 (en) 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
WO2017088877A1 (en) * 2015-11-26 2017-06-01 Vestas Wind Systems A/S A method for monitoring and assessing power performance changes of a wind turbine
WO2017126260A1 (ja) * 2016-01-19 2017-07-27 株式会社日立製作所 電力系統モデル解析装置及び方法
US10247170B2 (en) 2016-06-07 2019-04-02 General Electric Company System and method for controlling a dynamic system
EP3464891B1 (en) 2016-06-07 2022-01-19 Vestas Wind Systems A/S Adaptive control of a wind turbine by detecting a change in performance
WO2017211367A1 (en) 2016-06-07 2017-12-14 Vestas Wind Systems A/S Adaptive control of a wind turbine by detecting a change in performance
US10539116B2 (en) * 2016-07-13 2020-01-21 General Electric Company Systems and methods to correct induction for LIDAR-assisted wind turbine control
US10047722B2 (en) 2016-07-28 2018-08-14 General Electric Company System and method for controlling a wind turbine
DE102016224207A1 (de) * 2016-12-06 2018-06-07 Siemens Aktiengesellschaft Verfahren und Steuereinrichtung zum Steuern eines technischen Systems
CN110168220B (zh) 2016-12-30 2021-03-26 远景能源有限公司 一种评估风力涡轮机发电机性能的方法和系统
CN106704103B (zh) 2017-01-05 2019-12-17 华北电力大学 一种基于叶片参数自学习的风电机组功率曲线获取方法
US10360500B2 (en) * 2017-04-20 2019-07-23 Sas Institute Inc. Two-phase distributed neural network training system
ES2939661T3 (es) * 2017-09-15 2023-04-25 Vestas Wind Sys As Control de paso individual para turbinas eólicas
US20190155228A1 (en) 2017-11-21 2019-05-23 General Electric Company Dynamic feature extraction and real-time model tuning
CN107944142B (zh) * 2017-11-24 2019-12-03 国电联合动力技术有限公司 高电压穿越能力仿真评估模型及基于其的仿真评估方法
WO2019110063A1 (en) * 2017-12-06 2019-06-13 Vestas Wind Systems A/S Model predictive control in local systems
US10731630B2 (en) * 2018-01-03 2020-08-04 General Electric Company Extended reaction power for wind farms
CN110206685B (zh) * 2018-02-28 2020-07-28 北京金风科创风电设备有限公司 风电场中的风力发电机组的前馈控制方法和设备
US20190278242A1 (en) * 2018-03-07 2019-09-12 Distech Controls Inc. Training server and method for generating a predictive model for controlling an appliance
JP7090442B2 (ja) 2018-03-20 2022-06-24 株式会社Lixil 制御システム、学習装置、及び制御方法
US10666076B1 (en) * 2018-08-14 2020-05-26 Veritone Alpha, Inc. Using battery state excitation to control battery operations
US10921755B2 (en) * 2018-12-17 2021-02-16 General Electric Company Method and system for competence monitoring and contiguous learning for control
SG10201902011UA (en) * 2019-03-06 2020-10-29 Univ Singapore Technology & Design Industrial control systems anomaly detection by learning algorithms with physical process features
US10815972B2 (en) * 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
EP3730780B1 (en) * 2019-04-24 2022-01-19 Vestas Wind Systems A/S Rotor speed control of a wind turbine
US11036477B2 (en) * 2019-06-27 2021-06-15 Intel Corporation Methods and apparatus to improve utilization of a heterogeneous system executing software
US20190317880A1 (en) * 2019-06-27 2019-10-17 Intel Corporation Methods and apparatus to improve runtime performance of software executing on a heterogeneous system
US11966840B2 (en) * 2019-08-15 2024-04-23 Noodle Analytics, Inc. Deep probabilistic decision machines
US10832087B1 (en) * 2020-02-05 2020-11-10 Sas Institute Inc. Advanced training of machine-learning models usable in control systems and other systems
US20200401891A1 (en) * 2020-09-04 2020-12-24 Intel Corporation Methods and apparatus for hardware-aware machine learning model training

Also Published As

Publication number Publication date
EP3862561A1 (en) 2021-08-11
ES2950170T3 (es) 2023-10-05
US11060504B1 (en) 2021-07-13
DK3862561T3 (da) 2023-07-24
EP3862561B1 (en) 2023-04-19

Similar Documents

Publication Publication Date Title
CN113250904A (zh) 用于基于连续机器学习的风力涡轮控制的系统和方法
EP3121442B1 (en) Operating wind turbines
CN110017249B (zh) 运行风力涡轮的方法
US8210811B2 (en) Apparatus and method for operation of a wind turbine
US10247171B2 (en) System and method for coordinating wake and noise control systems of a wind farm
US10253758B2 (en) System and method for optimizing wind farm performance
EP2644888A2 (en) Control system and method for avoiding overspeed of a wind turbine
US9920742B2 (en) Dynamic cut-in wind speed for wind turbines
EP3237752A1 (en) Optimal wind farm operation
EP3303834A1 (en) Control of a wind turbine taking fatigue measure into account
US20130302161A1 (en) Controller of wind turbine and wind turbine
EP2757256A2 (en) Wind turbine and method for adjusting rotor blade pitch angle in wind turbines
EP3249218B1 (en) System and method for micrositing a wind farm for loads optimization
EP3812577B1 (en) System and method for mitigating loads acting on a rotor blade of a wind turbine
EP3650684A1 (en) System and method to determine modal characteristics of a wind turbine tower
US10001108B2 (en) Method and apparatus for operating a wind turbine with a variable speed limit that may be above or below a predetermined speed limit depending on whether there is an estimated detrimental overspeed state
DK2659135T3 (en) System, device and method for adjusting work load of wind turbine component
EP2881581B1 (en) Wind turbine control system and method
EP3851669B1 (en) Systems and methods for operation of wind turbines using improved power curves
EP3642480B1 (en) System and method for coordinating wake and noise control systems of a wind farm

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
TA01 Transfer of patent application right

Effective date of registration: 20240103

Address after: Barcelona, Spain

Applicant after: Ge renewable energy Spain Ltd.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right