CN113361058A - 确定风电场的代表风参数的方法和设备 - Google Patents
确定风电场的代表风参数的方法和设备 Download PDFInfo
- Publication number
- CN113361058A CN113361058A CN202010146275.1A CN202010146275A CN113361058A CN 113361058 A CN113361058 A CN 113361058A CN 202010146275 A CN202010146275 A CN 202010146275A CN 113361058 A CN113361058 A CN 113361058A
- Authority
- CN
- China
- Prior art keywords
- wind
- load
- machine
- determining
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000026462 essential tremor 3 Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 208000031683 hereditary essential 3 tremor Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
提供一种确定风电场的代表风参数的方法和设备,所述方法包括:获取所述多个机位点的风参数;将所获取的所述多个机位点的风参数分别输入到相应的载荷预测模型,获得所述多个机位点的关键载荷;基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的载荷属性指标;基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合;针对所述多个风机集合中的任一风机集合执行如下操作:确定所述任一风机集合的包络风参数,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数。采用上述方法和设备,能够保证风电场的代表风参数的准确性,有效地提高了风电场设计的经济效益。
Description
技术领域
本发明总体来说涉及风力发电技术领域,更具体地讲,涉及一种确定风电场的代表风参数的方法和设备。
背景技术
在风电场项目的风力发电机组选型的过程中,基于风电场的风参数,对布置在风电场的风力发电机组进行结构安全性校核,是风电场设计的重要环节。
目前,随着风电场的地形和风力发电机组本身设计越来越复杂,为了满足结构性安全校核的准确性,风参数应该针对需要进行结构性安全校核的风力发电机组所在的机位点分别选取,然而,由于结构安全性校核需要花费大量资源和时间,因此,实际应用中一般是先获取风电场的代表风参数作为各风力发电机组用于结构性安全校核的风参数,再利用风电场的代表风参数对各风力发电机组进行结构性安全校核。
通现有技术中一般采用以下三种方式获取风电场的代表风参数:第一种是将风电场中用于布置风力发电机组的各个机位点最恶劣的风参数合并为一组风参数作为代表风参数,对所有风力发电机组进行结构性安全校核。第二种是依据传统经验将各个机位点的风参数进行分组后再进行包络风参数选取,将该包络风参数作为代表风参数对所有风力发电机组进行结构性安全校核。第三种是直接通过机位点风参聚类分析模型选取代表风参数。
然而上述方式由于各自的缺陷无法得到准确的代表风参数,例如,第一种方式往往会过于拔高风电场所在场址的风参数的恶劣程度,使得风力发电机组的结构性安全校核的评估过于保守,而造成风力发电机组选型的经济性不佳。第二种方式虽然在一定程度上缓解了上述方案的不足,但是基于经验选取的风参数并未形成安全性量化标准,这样的分组往往需要人工尝试和迭代。第三种方法更多的是从风参数本身考虑的聚类分析,每个风参数对风力发电机组安全的影响属性不能得到很好的体现和量化,对风力发电机组的结构以及与风参数耦合后给风力发电机组的载荷带来的影响也缺乏考虑。
发明内容
本发明的示例性实施例在于提供一种确定风电场的代表风参数的方法和设备,其能够克服现有的获取风电场的代表风参数不准确的缺陷。
根据本发明示例性实施例的一方面,提供一种确定风电场的代表风参数的方法,所述风电场包括用于布置风力发电机组的多个机位点,其特征在于,所述方法包括:获取所述多个机位点的风参数;将所获取的所述多个机位点的风参数分别输入到相应的载荷预测模型,获得所述多个机位点的关键载荷;基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的载荷属性指标;基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合;针对所述多个风机集合中的任一风机集合执行如下操作:确定所述任一风机集合的包络风参数,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数。
可选地,基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的风参数的载荷属性指标的步骤包括:分别计算所述多个机位点中的每个机位点的关键载荷与所述多个机位点的关键载荷中的最大值的比值,将计算得到的各比值确定为对应的各机位点的风参数的载荷属性指标。
可选地,基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合的步骤包括:分别确定每个载荷属性指标与所确定的所有载荷属性指标中的最大值的偏差的绝对值;确定各偏差的绝对值所属的数值区间,一个数值区间对应一个风机集合,以获得所述多个风机集合。
可选地,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数的步骤包括:将所述任一风机集合的包络风参数输入到预设机位点对应的载荷预测模型,获得所述预设机位点的包络关键载荷;将所述包络关键载荷与所述包络关键载荷的比值确定为所述任一风机集合的包络风参数对应的包络载荷属性指标;分别计算所述任一风机集合中各机位点的关键载荷与所述包络关键载荷的比值,将计算得到的各比值确定为对应的各机位点的风参数的新载荷属性指标;根据所述包络载荷属性指标、所述任一风机集合中各机位点的风参数的新载荷属性指标和所述任一风机集合中各机位点的风参数的载荷属性指标,确定所述任一风机集合的代表风参数。
可选地,根据所述包络载荷属性指标、所述任一风机集合中各机位点的风参数的新载荷属性指标和所述任一风机集合中各机位点的风参数的载荷属性指标,确定所述任一风机集合的代表风参数的步骤包括:将所述包络载荷属性指标与所述任一风机集合中各机位点的风参数的新载荷属性指标中的最大值进行比较,如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值不大于第一阈值,则将所述包络载荷属性指标对应的包络风参数确定为所述任一风机集合的代表风参数,如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值大于第一阈值,则将所述任一风机集合中各机位点的风参数的载荷属性指标中的最大值与最小值进行比较,如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对所述任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数,其中,第二阈值小于第一阈值。
可选地,通过以下方式获得每个机位点中的任一机位点的关键载荷:将所述任一机位点的风参数输入到与布置在所述任一机位点的风力发电机组的机型对应的载荷预测模型,来获得所述任一机位点的关键载荷,其中,通过以下方式构建任一机型的风力发电机组对应的载荷预测模型:获取多组样本风参数,其中,所述多组样本风参数基于预设的样本设计方法被获取;分别确定所述任一机型的风力发电机组在每组样本风参数下的关键载荷;利用所述多组样本风参数和所确定的各关键载荷,来构建所述任一机型的风力发电机组对应的载荷预测模型。
可选地,所述多组样本风参数包括多个子工况组下的样本风参数,所述关键载荷包括极限载荷中受样本风参数影响最大的极限载荷变量,其中,确定所述任一机型的风力发电机组在任一组样本风参数下的关键载荷的步骤包括:通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况组下的样本风参数下的极限载荷,将所确定的所有极限载荷中的最大值,确定为所述任一机型的风力发电机组的极限载荷变量,其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的极限载荷变量的模型。
可选地,所述多组样本风参数包括多个子工况下的样本风参数,所述关键载荷包括疲劳载荷中受样本风参数影响最大的疲劳载荷变量,其中,确定所述任一机型的风力发电机组在任一组样本风参数下的关键载荷的步骤包括:通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷,将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为所述任一机型的风力发电机组的疲劳载荷变量,其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的疲劳载荷变量的模型。
可选地,利用所述多组样本风参数和所确定的各关键载荷,来构建所述任一机型的风力发电机组对应的载荷预测模型的步骤包括:通过对所述多组样本风参数和所确定的各关键载荷进行多元线性回归处理,获得所述任一机型的风力发电机组对应的载荷预测模型。
可选地,所述任一机位点的关键载荷是指布置在所述任一机位点的风力发电机组受样本风参数影响最大的载荷变量。
可选地,通过以下方式确定所述任一机位点的关键载荷:确定与布置在所述任一机位点的风力发电机组布置在与所述任一机位点的风力发电机组机型相同的用于测试的风力发电机组在所述多组样本风参数中的每组样本风参数多种载荷变量;将所确定的所述多种载荷变量中变化幅度最大的载荷变量,确定为所述任一机位点的关键载荷。
根据本发明的示例性实施例的另一方面,提供一种确定风电场的代表风参数的设备,所述风电场包括用于布置风力发电机组的多个机位点,其特征在于,所述设备包括:风参数获取单元,获取所述多个机位点的风参数;关键载荷获取单元,将所获取的所述多个机位点的风参数分别输入到相应的载荷预测模型,获得所述多个机位点的关键载荷;载荷属性指标确定单元,基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的载荷属性指标;风机集合确定单元,基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合;代表风参数确定单元,针对所述多个风机集合中的任一风机集合执行如下操作:确定所述任一风机集合的包络风参数,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数。
可选地,载荷属性指标确定单元分别计算所述多个机位点中的每个机位点的关键载荷与所述多个机位点的关键载荷中的最大值的比值,将计算得到的各比值确定为对应的各机位点的风参数的载荷属性指标。
可选地,风机集合确定单元分别确定每个载荷属性指标与所确定的所有载荷属性指标中的最大值的偏差的绝对值,确定各偏差的绝对值所属的数值区间,一个数值区间对应一个风机集合,以获得所述多个风机集合。
可选地,代表风参数确定单元包括:包络关键载荷获取单元,将所述任一风机集合的包络风参数输入到预设机位点对应的载荷预测模型,获得所述预设机位点的包络关键载荷;包络载荷属性指标确定单元,将所述包络关键载荷与所述包络关键载荷的比值确定为所述任一风机集合的包络风参数对应的包络载荷属性指标;新载荷属性指标确定单元,分别计算所述任一风机集合中各机位点的关键载荷与所述包络关键载荷的比值,将计算得到的各比值确定为对应的各机位点的风参数的新载荷属性指标;风机集合代表风参数确定单元,根据所述包络载荷属性指标、所述任一风机集合中各机位点的风参数的新载荷属性指标和所述任一风机集合中各机位点的风参数的载荷属性指标,确定所述任一风机集合的代表风参数。
可选地,风机集合代表风参数确定单元将所述包络载荷属性指标与所述任一风机集合中各机位点的风参数的新载荷属性指标中的最大值进行比较,如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值不大于第一阈值,则将所述包络载荷属性指标对应的包络风参数确定为所述任一风机集合的代表风参数,如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值大于第一阈值,则将所述任一风机集合中各机位点的风参数的载荷属性指标中的最大值与最小值进行比较,如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对所述任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数,其中,第二阈值小于第一阈值。
可选地,关键载荷获取单元将所述任一机位点的风参数输入到与布置在所述任一机位点的风力发电机组的机型对应的载荷预测模型,来获得所述任一机位点的关键载荷,其中,所述设备还包括:模型构建单元,其中,模型构建单元获取多组样本风参数,其中,所述多组样本风参数基于预设的样本设计方法被获取,分别确定所述任一机型的风力发电机组在每组样本风参数下的关键载荷,利用所述多组样本风参数和所确定的各关键载荷,来构建所述任一机型的风力发电机组对应的载荷预测模型。
可选地,所述多组样本风参数包括多个子工况组下的样本风参数,所述关键载荷包括极限载荷中受样本风参数影响最大的极限载荷变量,其中,模型构建单元通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况组下的样本风参数下的极限载荷,将所确定的所有极限载荷中的最大值,确定为所述任一机型的风力发电机组的极限载荷变量,其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的极限载荷变量的模型。
可选地,所述多组样本风参数包括多个子工况下的样本风参数,所述关键载荷包括疲劳载荷中受样本风参数影响最大的疲劳载荷变量,其中,模型构建单元通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷,将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为所述任一机型的风力发电机组的疲劳载荷变量,其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的疲劳载荷变量的模型。
可选地,模型构建单元通过对所述多组样本风参数和所确定的各关键载荷进行多元线性回归处理,获得所述任一机型的风力发电机组对应的载荷预测模型。
可选地,所述任一机位点的关键载荷是指布置在所述任一机位点的风力发电机组受样本风参数影响最大的载荷变量。
可选地,模型构建单元通过以下方式确定所述任一机位点的关键载荷:确定与布置在所述任一机位点的风力发电机组机型相同的用于测试的风力发电机组在所述多组样本风参数中的每组样本风参数下的多种载荷变量,将所确定的所述多种载荷变量中变化幅度最大的载荷变量,确定为所述任一机位点的关键载荷。
另一方面,本发明实施例还提供了一种电子设备,其特征在于,所述电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时所述确定风电场的代表风参数的方法。
另一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述确定风电场的代表风参数的方法。
利用本发明实施例提供的确定风电场的代表风参数的方法和设备,能够克服现有技术中确定代表风参数的方法中对风参数的影响能力考虑不够全面、风参数与载荷的关系利用不足等问题,此外,由于按照特定方式(例如,数值区间划分、排序等)对机位点进行分组,使得机位点的分组和包络风参数的选取更为精细和准确,从而保证了风电场的代表风参数的准确性,有效地提高了风电场设计的经济效益。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述,本发明示例性实施例的上述和其他目的将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的确定风电场的代表风参数的方法的流程图;
图2示出根据本发明示例性实施例的各机位点的风参数的载荷属性指标的示意图;
图3示出根据本发明另一示例性实施例的各机位点的风参数的载荷属性指标的示意图;
图4示出根据本发明示例性实施例的第一风机集合所包括的各机位点的风参数的疲劳载荷属性指标的示意图;
图5示出根据本发明示例性实施例的第二风机集合所包括的各机位点的风参数的疲劳载荷属性指标的示意图;
图6示出根据本发明示例性实施例的包络载荷属性指标和各机位点的新载荷属性指标的排序结果的示例;
图7示出根据本发明另一示例性实施例的包络载荷属性指标和各机位点的新载荷属性指标的排序结果的示例;
图8示出根据本发明另一示例性实施例的包络载荷属性指标和各机位点的新载荷属性指标的排序结果的示例;
图9示出根据本发明示例性实施例的确定风电场的代表风参数的设备的框图。
具体实施方式
现将详细参照本发明的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的确定风电场的代表风参数的方法的流程图。这里,该风电场包括用于布置风力发电机组的多个机位点。
如图1所示,在步骤S100,获取多个机位点的风参数。作为示例,风参数可包括但不限于以下项中的至少一项:湍流强度、空气密度、入流角、风切变、风频分布值。
在步骤S200,将所获取的多个机位点的风参数分别输入到相应的载荷预测模型,获得多个机位点的关键载荷。这里,任一机位点的关键载荷是指布置在该任一机位点的风力发电机组受风参数影响最大的载荷变量。
在一个示例中,可将任一机位点的风参数输入到与布置在任一机位点的风力发电机组的机型对应的载荷预测模型,来获得任一机位点的关键载荷。
具体说来,可通过以下方式构建任一机型的风力发电机组对应的载荷预测模型:
首先,获取多组样本风参数,其中,多组样本风参数基于预设的样本设计方法被获取,作为示例,预设的样本设计方法包括正交法和均匀设计法。这里,正交法(即,正交试验设计,Orthogonal experimental design)是研究多因素多水平的一种设计方法,正交法是根据正交性从全面试验中挑选出部分有代表性的点(作为示例,有代表性的点可指上述的湍流强度、空气密度、入流角和/或风切变)进行试验,这些有代表性的点具备了“均匀分散,齐整可比”的特点。例如,可以以基准工况组/基准工况中的湍流强度、空气密度、入流角、风切变的数值为基准,以“均匀分散,齐整可比”为原则选取多个其他工况组或者工况的湍流强度、空气密度、入流角、风切变,对上述各参数的数值进行组合获得多组样本风参数。此外,均匀设计法是利用均匀设计表来安排试验,用回归分析进行数据分析的一种试验方法,其基本思想是使试验点在因素空间中具有较好的均匀分散性。
然后,分别确定任一机型的风力发电机组在每组样本风参数下的关键载荷,利用多组样本风参数和所确定的各关键载荷,来构建任一机型的风力发电机组对应的载荷预测模型。
在一个示例中,多组样本风参数可包括多个子工况组下的样本风参数,关键载荷可包括极限载荷中受样本风参数影响最大的极限载荷变量。在这种情况下,关于确定任一机型的风力发电机组在每组样本风参数下的关键载荷的步骤可通过以下方式确定任一机型的风力发电机组在任一组样本风参数下的关键载荷:通过仿真程序,分别确定任一机型的风力发电机组在每个子工况组下的样本风参数下的极限载荷,将所确定的所有极限载荷中的最大值确定为任一机型的风力发电机组的极限载荷变量,其中,载荷预测模型可包括用于确定任一机型的风力发电机组的极限载荷变量的模型。
下面,将结合具体的示例来详细说明在多组样本风参数包括多个子工况组下的样本风参数的情况下,确定任一机型的风力发电机组在任一组样本风参数下的关键载荷的过程。表1示出任一机型的风力发电机组的每个子工况组与样本风参数的对应关系。
表1
在表1所示的示例中,第一列为子工况组的编号,每一行中打勾的风参数为该行对应的子工况组下的样本风参数,其中,ETM3指的是在切入风速和切出风速区间内以3米/秒的风速间隔选取的湍流强度,以此类推。Ir-2指的是比风力发电机组的额定风速低2m/s风速的风速段对应的常规湍流强度,Ir+2指的是比风力发电机组的额定风速高2m/s风速的风速段对应的常规湍流强度,以此类推。I16指的是在厂家维护风速为16m/s下的常规湍流强度。Iout指的是风速代表值为切出风速的预设风速段对应的湍流强度。应理解,表1示出的仅是部分子工况组和部分子工况组对应的风参数。
具体说来,在该示例中,在确定子工况组以及与每个子工况组对应的风参数的情况下,可利用各种仿真程序来获得任一机型的风力发电机组在每个子工况组下的风参数下的极限载荷。作为示例,可利用Bladed仿真软件来获得任一机型的风力发电机组在每个子工况组下的风参数下的极限载荷。但本发明不限于此,还可以通过其他软件(例如,Hawc2、Simpack、Fast等)来仿真获得任一机型的风力发电机组在每个子工况组下的风参数下的极限载荷。
之后,可将所确定的所有极限载荷中的最大值,确定为任一机型的风力发电机组的极限载荷变量(即,关键载荷)。
在另一个示例中,关键载荷可包括疲劳载荷中受样本风参数影响最大的疲劳载荷变量,在这种情况下,关于确定任一机型的风力发电机组在每组样本风参数下的关键载荷的步骤可通过以下方式来确定任一机型的风力发电机组在任一组样本风参数下的关键载荷:通过仿真程序,分别确定任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷,将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为任一机型的风力发电机组的疲劳载荷变量,其中,载荷预测模型包括用于确定任一机型的风力发电机组的疲劳载荷变量的模型。
下面,将结合具体的示例来详细说明在多组样本风参数包括多个子工况下的样本风参数的情况下,确定任一机型的风力发电机组在任一组样本风参数下的关键载荷的过程。表2示出任一机型的风力发电机组的每个子工况与样本风参数的对应关系。
表2
在表2所示的示例中,第一列为子工况的编号,每一行中打勾的风参数为该行对应的子工况下的风参数,其中,I5指的是风速段的代表值为5米/秒的预设风速段对应的湍流强度,I7指的是风速段的代表值为7米/秒的预设风速段对应的湍流强度,以此类推。Iin指的是风速代表值为切入风速的预设风速段对应的湍流强度,Ir指的是风速代表值为额定风速的预设风速段对应的湍流强度,Iout指的是风速代表值为切出风速的预设风速段对应的湍流强度,Iend指的是风速代表值为截止风速的预设风速段对应的湍流强度。应理解,表3示出的仅是部分子工况和部分子工况对应的风参数,这里,截止风速是指载荷仿真中常用的风速参量,一般为参考风速的0.7倍。
具体说来,在该示例中,在确定子工况以及与每个子工况对应的样本风参数的情况下,可利用各种仿真程序来获得任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷。作为示例,可利用Bladed仿真软件来获得任一机型的风力发电机组在每个子工况组下的样本风参数下的疲劳载荷。但本发明不限于此,还可以通过其他软件(例如,Hawc2、Simpack、Fast等)来仿真获得任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷。
之后,可将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为任一机型的风力发电机组的疲劳载荷变量(即,关键载荷)。
例如,可利用下面的公式(1)来获得载荷加权值:
公式(1)中,F表示载荷加权值,m表示疲劳载荷应力-循环次数曲线的Wohler(应力-寿命)指数,fi表示任一机型的风力发电机组在第i个子工况下的样本风参数下的疲劳载荷,pi表示第i个子工况的发生频次占比,1≤i,n为子工况的数量,其中,疲劳载荷应力-循环次数曲线表示一定循环特征下标准试件的疲劳强度与疲劳寿命之间关系,纵坐标为以材料标准试件疲劳强度,横坐标为以疲劳寿命的对数值lgN,第i个子工况的发生频次占比是指第i个子工况在预定时间段内发生的次数与所有子工况在该预定时间段内发生的次数的比值。
此外,在实施关于利用多组样本风参数和所确定的各关键载荷来构建任一机型的风力发电机组对应的载荷预测模型这一步骤时,可通过对多组样本风参数和所确定的各关键载荷进行多元线性回归处理来获得任一机型的风力发电机组对应的载荷预测模型。此外,还可将多组样本风参数和所确定的个关键载荷作为训练样本来训练载荷预测模型,从而获得任一机型的风力发电机组对应的载荷预测模型。此外,也可以利用多组样本风参数和所确定的各关键载荷使用其他现有的方式来获得任一机型的风力发电机组对应的载荷预测模型,本发明的实施例对此不作任何限制。
此外,获取的任一机型的风力发电机组对应的载荷预测模型还可通过现有的任何方式来进行可靠性的验证,例如,可通过判断样本精度和测试精度是否在相应的预定范围内来确定构建的载荷预测模型是否可靠。通过这种方式,有效提高了载荷预测模型的可靠性。
另一方面,在本发明的示例中,任一机位点的关键载荷可以是指布置在任一机位点的风力发电机组受上述样本风参数影响最大的载荷变量。在这种情况下,任一机位点的关键载荷(即,布置在任一机位点的某机型风力发电机组受样本风参数影响最大的载荷变量)可通过以下方式被确定:确定与布置在任一机位点的风力发电机组机型相同的用于测试的风力发电机组在上述多组样本风参数中的每组样本风参数下的多种载荷变量,将所确定的多种载荷变量中变化幅度最大的载荷变量,确定为任一机位点的关键载荷(即,布置在任一机位点的风力发电机组受样本风参数影响最大的载荷变量)。
例如,假设获取到50组样本风参数,首先,确定与布置在任一机位点的风力发电机组机型相同的用于测试的风力发电机组在该50组样本风参数下的多种载荷变量,这里,载荷变量可以包括该用于测试的风力发电机组的各组成部位在任一组样本风参数下的极限载荷变量或者该用于测试的风力发电机组的各组成部位在任一组样本风参数下的疲劳载荷变量。
例如,载荷变量可以是该用于测试的风力发电机组的叶根在任一组样本风参数下的极限载荷变量、该用于测试的风力发电机组的轮毂在任一组样本风参数下的极限载荷变量、该用于测试的风力发电机组的偏航轴承在任一组样本风参数下的极限载荷变量、该用于测试的风力发电机组的塔底在任一组样本风参数下的极限载荷变量等,此外,载荷变量还可以是该用于测试的风力发电机组的叶根在任一组样本风参数下的疲劳载荷变量、该用于测试的风力发电机组的固定轮毂在任一组样本风参数下的疲劳载荷变量、该用于测试的风力发电机组的偏航轴承在任一组样本风参数下的疲劳载荷变量、该用于测试的风力发电机组的塔底在任一组样本风参数下的疲劳载荷变量等,本发明不一一列举。在本发明的实施例中,上述塔底可以指的是塔底法兰位置。
然后,确定该用于测试的风力发电机组在该50组样本风参数下的多种载荷变量中变化幅度最大的载荷变量。例如,针对任一种载荷变量,可将该50组样本风参数下的该任一种载荷变量中的最大值减去最小值的差值除以最大值后乘以百分之百,即可获取到该任一种载荷变量的变化幅度,相应地,在获取到所有种载荷变量的变化幅度之后,可将多种载荷变量中变化幅度最大的载荷变量确定为该机位点的关键载荷,即,该用于测试的风力发电机组受样本风参数影响最大的载荷变量,即,任一机位点的风力发电机组的关键载荷。例如,通过上述方式获取到的任一机位点的风力发电机组受样本风参数影响最大的极限载荷变量为塔底极限载荷,任一机位点的风力发电机组受样本风参数影响最大的极限载荷变量也为塔底极限载荷。
此外,应注意,样本风参数的组数量还可以根据实际情况获取的其他数量,本发明的实施例在此不做任何限定。
在步骤S300,基于所获得的多个机位点的关键载荷,确定多个机位点的载荷属性指标。
在一个示例中,可分别计算多个机位点中的每个机位点的关键载荷与多个机位点的关键载荷中的最大值的比值,将计算得到的各比值确定为对应的各机位点的风参数的载荷属性指标。
图2示出了在关键载荷包括极限载荷中受风参数影响最大的极限载荷变量的情况下,风电场所布置的各机位点的风参数的载荷属性指标的示意图。图3示出关键载荷包括疲劳载荷中受风参数影响最大的疲劳载荷变量的情况下,风电场所布置的各机位点的风参数的载荷属性指标的示意图。
如图2和图3所示,图2和图3中的横坐标均表示风电场包括的用于布置风力发电机组的所有机位点,纵坐标均表示与各机位点的风参数的载荷属性指标,例如,图2中是极限载荷属性指标,图3中是疲劳载荷属性指标。这里,应注意,原则上图2或者图3示出的机位点应为风电场中的所有机位点,但由于篇幅有限,在本发明的示例中,仅以图2或者图3中包括的机位点的数量作为风电场中包括的机位点的总数量。实际上该总数量可以根据实际布置情况增多或者减少。此外,各机位点的风参数的载荷属性指标可以按照预设排序规则进行排序,例如,该预设排序规则可以是从大到小的顺序进行排列,这里,图2或者图3显示的即是按照从大到小的顺序排序后的结果。
在步骤S400,基于所确定的载荷属性指标对多个机位点进行分组,获得多个风机集合。
作为示例,可分别确定每个载荷属性指标与所确定的所有载荷属性指标中的最大值的偏差的绝对值,确定各偏差的绝对值所属的数值区间,一个数值区间对应一个风机集合,以获得多个风机集合。
在本发明的示例中,偏差可以包括以下项中的任意一项:差值和差值的百分数。此外,偏差也可以是根据实际情况设置的其他物理量,本发明的实施例在此不做任何限定。
例如,在偏差包括差值的百分数的情况下,上接图2的示例,所确定的所有极限载荷属性指标中的最大值为机位点YA19所对应的极限载荷属性指标1,分别将机位点YA19所对应的极限载荷属性指标与图2中的其他机位点所对应的极限载荷属性指标求差值的百分数的绝对值,可以依次得到如下数值:0.3%、3.3%、4.2%、4.2%、4.5%、4.7%、4.8%、4.8%、4.8%、4.8%、4.9%、5.1%、5.4%。如果预先设定的数值区间为[0,10%]和[10%,20%]时,上述该差值的百分数的绝对值均在[0,10%]的数值区间内,因此,可将所有机位点划分到[0,10%]的数值区间对应的风机集合中,换言之,极限载荷属性指标的分组结果可以与图2的相同。
再例如,在偏差包括差值的百分数的情况下,上接图3的示例,所确定的所有疲劳载荷属性指标中的最大值为机位点YB2所对应的疲劳载荷属性指标1,分别将机位点YB2所对应的疲劳载荷属性指标与图3中的其他机位点所对应的疲劳载荷属性指标求差值的百分数的绝对值,可以依次得到如下数值:0.4%、2.6%、2.9%、6.7%、7.1%、7.9%、10.2%、10.7%、10.9%、11.4%、13.1%、14.5%、14.5%。如果预先设定的数值区间为[0,10%]和[10%,20%]时,则将差值的百分数的绝对值在[0,10%]的数值区间内机位点分为一个风机集合,则该风机集合包括机位点YB2,YA11,YA19,YA10,YA18,YA17,YA13,YA16,在本发明的上下文中,可以将分组后得到的该风机集合称为第一风机集合;将差值的百分数的绝对值在[10%,20%]的数值区间内的机位点分为一个风机集合,则该风机集合包括机位点YA8,YA7,YA9,YA14,YA15,YA1,YA2,在本发明的上下文中,可以将分组后得到的该风机集合称为第二风机集合。图4示出第一风机集合所包括的机位点的风参数的疲劳载荷属性指标的示意图;图5示出第二风机集合所包括的各机位点的风参数的疲劳载荷属性指标的示意图。
在获取到多个风机集合后,在步骤S500,针对多个风机集合中的任一风机集合执行如下操作:确定任一风机集合的包络风参数,基于任一风机集合的包络风参数确定任一风机集合的代表风参数。
作为示例,任一风机集合的包络风参数是指任一风机集合所包括的机位点的相同类型的风参数中的最大值。例如,假设风机集合A包括机位点YA8,YA7,YA9,其中,机位点YA8的风参数为风速7.14m/s,湍流强度为9m/s,机位点YA7的风参数为风速7.34m/s,湍流强度为7m/s,机位点YA9的风参数为风速7.53m/s,湍流强度为5m/s,则选择上述三个机位点的各风参数的最大值,即,风速为7.53m/s和湍流强度为9m/s,则可以将风速为7.53m/s和湍流强度为9m/s作为风机集合A的包络风参数。
在一个示例中,基于任一风机集合的包络风参数确定任一风机集合的代表风参数可通过以下方式实现:
首先,将任一风机集合的包络风参数输入到预设机位点对应的载荷预测模型,获得预设机位点的包络关键载荷。这里,预设机位点可以是任一风机集合中某一机位点,也可以是利用计算机程序虚拟出的一个虚拟机位点。
然后,将包络关键载荷与包络关键载荷的比值确定为任一风机集合的包络风参数对应的包络载荷属性指标。由于任一风机集合的包络风参数为该任一风机集合中所有机位点的风参数中的最大值,因此,包络关键载荷为任一风机集合中的所有机位点的关键载荷中的最大值,因此可对自身进行比较,包络载荷属性指标为1。
接下来,分别计算任一风机集合中各机位点的关键载荷与包络关键载荷的比值,将计算得到的各比值确定为对应的各机位点的风参数的新载荷属性指标。
优选地,在得到各机位点的风参数的新载荷属性指标之后,可将包络载荷属性指标和各机位点的新载荷属性指标按照上述预设排序规则进行排序,例如,按照从大到小的顺序排序。
例如,在图2的示例中,排序后的包络载荷属性指标和各机位点的新载荷属性指标的排序结果可如图6所示,其中,机位点Uload_all代表预设机位点。
此外,在图3的示例中,排序后的包络载荷属性指标和前文中所述第一风机集合中所包括各机位点的风参数的新载荷属性指标的排序结果可如图7所示,其中,Fload_01代表预设机位点。排序后的包络载荷属性指标和前文中所述的第二风机集合所包括的各机位点的风参数的新载荷属性指标可如图8所示,其中,Fload_02代表预设机位点。
最后,根据包络载荷属性指标、任一风机集合中各机位点的风参数的新载荷属性指标和任一风机集合中各机位点的风参数的载荷属性指标,确定任一风机集合的代表风参数。
根据一个示例,可通过下面的方式确定任一风机集合的代表风参数:
将包络载荷属性指标与任一风机集合中各机位点的风参数的新载荷属性指标中的最大值进行比较。例如,可确定包络载荷属性指标与任一风机集合中各机位点的风参数的新载荷属性指标中的最大值的偏差的绝对值是否不大于第一阈值。这里,该偏差的定义如上述描述,例如,偏差可以包括以下项中的任意一项:差值和差值的百分数。例如,在偏差为差值的百分数时,第一阈值可以是预先设定的百分数阈值,例如,10%。
例如,参考图6的示例,可以将预设机位点Uload_all的包络载荷属性指标1与任一风机集合中各机位点的风参数的新载荷属性指标中的最大值0.989进行比较。例如,确定包络载荷属性指标1与最大值0.989之间的偏差的绝对值1.1%是否不大于第一阈值10%。
如果包络载荷属性指标与最大值之间的偏差的绝对值不大于第一阈值,则将包络载荷属性指标对应的包络风参数确定为任一风机集合的代表风参数。
例如,参考图2和图6,假设第一阈值为10%,图6中的预设机位点Uload_all的包络载荷属性指标1与图6中的其他各机位点的风参数的新载荷属性指标中的最大值0.989的差值的百分数的绝对值1.1%不大于10%,则可将包络载荷属性指标1对应的包络风参数确定上述针对极限载荷属性指标的分组结果与图2的图示相同的风机集合的代表风参数。
如果包络载荷属性指标与最大值之间的偏差的绝对值大于第一阈值,则将任一风机集合中各机位点的风参数的载荷属性指标中的最大值与最小值进行比较。例如,确定包络载荷属性指标与最大值之间的偏差的绝对值是否不大于第二阈值,这里,第二阈值小于第一阈值。这里,第二阈值也可以是预先设定的百分数阈值。
如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数。这里,继续分组的方式与本发明上述描述的分组方式相同,本发明实施例在此不再赘述。
例如,参考图5和图8,假设第一阈值为10%,第二阈值为5%,图8中的预设机位点Fload_02的包络载荷属性指标1与图8中的其他各机位点的风参数的新载荷属性指标中的最大值0.855的差值的百分数的绝对值14.5%大于10%,则确定图5指示的风机集合中的各机位点的风参数的疲劳载荷属性指标中的最大值0.898与最小值0.855的差值的百分数的绝对值4.3%是否不大于第二阈值5%,可以看出,图5指示的风机集合中的各机位点的风参数的疲劳载荷属性指标中的最大值0.898与最小值0.855的差值的百分数的绝对值4.3%不大于第二阈值5%,则将图5指示的风机集合按照本发明的上文描述继续分组,直至分组后得到的一组包络风参数能够作为该组的代表风参数。
此外,附加地,如果载荷属性指标中的最大值与最小值之间的偏差的绝对值不大于第二阈值,则针对每个机位点进行单独分析,这是因为载荷属性指标中的最大值与最小值之间的偏差的绝对值不大于第二阈值说明各机位点的关键载荷的大小相当,但是受风参数影响最大的载荷变量各不相同,因此需要逐个机位点单独详细分析。具体的单独分析方法,本发明在此不做详细介绍。
根据本发明示例性实施例的确定风电场的代表风参数的方法,能够克服现有技术中确定代表风参数的方法中对风参数的影响能力考虑不够全面、风参数与载荷的关系利用不足等问题,此外,由于按照特定方式(例如,数值区间划分、排序等)对机位点进行分组,使得机位点的分组和包络风参数的选取更为精细和准确,从而保证了风电场的代表风参数的准确性,有效地提高了风电场设计的经济效益。
基于与图1所示确定风电场的代表风参数的方法相同的发明构思,本发明实施例还提供了一种确定风电场的代表风参数的设备,如下面实施例所述。由于该设备解决问题的原理与图1所示方法相似,因此该设备的实施可以参见图1的确定风电场的代表风参数的方法的实施,重复之处不再赘述。
图9示出根据本发明示例性实施例的确定风电场的代表风参数的设备的框图。风电场包括用于布置风力发电机组的多个机位点。
如图9所示,根据本发明示例性实施例的确定风电场的代表风参数的设备主要包括:风参数获取单元100、关键载荷获取单元200、载荷属性指标确定单元300、风机集合确定单元400和代表风参数确定单元500。
风参数获取单元100获取多个机位点的风参数。作为示例,风参数可包括但不限于以下项中的至少一项:湍流强度、空气密度、入流角、风切变、风频分布值。
关键载荷获取单元200将所获取的多个机位点的风参数分别输入到相应的载荷预测模型,获得多个机位点的关键载荷。这里,任一机位点的关键载荷是指布置在任一机位点的风力发电机组受风参数影响最大的载荷变量。
在一个示例中,关键载荷获取单元200将任一机位点的风参数输入到与布置在任一机位点的风力发电机组的机型对应的载荷预测模型,来获得任一机位点的关键载荷。
具体说来,可通过设备附加包括的模型构建单元(图9中未示出)构建任一机型的风力发电机组对应的载荷预测模型:
首先,模型构建单元首先获取多组样本风参数。
然后,模型构建单元分别确定任一机型的风力发电机组在每组样本风参数下的关键载荷,利用多组样本风参数和所确定的各关键载荷,来构建任一机型的风力发电机组对应的载荷预测模型。
在一个示例中,多组样本风参数可包括多个子工况组下的样本风参数,关键载荷可包括极限载荷中受样本风参数影响最大的极限载荷变量。在这种情况下,模型构建单元通过仿真程序,分别确定任一机型的风力发电机组在每个子工况组下的样本风参数下的极限载荷,将所确定的所有极限载荷中的最大值确定为任一机型的风力发电机组的极限载荷变量,其中,载荷预测模型可包括用于确定任一机型的风力发电机组的极限载荷变量的模型。
在另一个示例中,关键载荷可包括疲劳载荷中受样本风参数影响最大的疲劳载荷变量,在这种情况下,模型构建单元通过仿真程序,分别确定任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷,将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为任一机型的风力发电机组的疲劳载荷变量,其中,载荷预测模型包括用于确定任一机型的风力发电机组的疲劳载荷变量的模型。
相应地,在模型构建单元在确定了上述各关键载荷之后,可通过对多组样本风参数和所确定的各关键载荷进行多元线性回归处理来获得任一机型的风力发电机组对应的载荷预测模型。此外,模型构建单元还可将多组样本风参数和所确定的个关键载荷作为训练样本来训练载荷预测模型,从而获得任一机型的风力发电机组对应的载荷预测模型。此外,也可以利用多组样本风参数和所确定的各关键载荷使用其他现有的方式来获得任一机型的风力发电机组对应的载荷预测模型,本发明对此不作任何限制。
另一方面,在本发明的示例中,任一机位点的关键载荷可以是指布置在任一机位点的风力发电机组受上述样本风参数影响最大的载荷变量。在这种情况下,模型构建单元可通过以下方式确定任一机位点的关键载荷(即,布置在任一机位点的某机型风力发电机组受样本风参数影响最大的载荷变量):确定与布置在任一机位点的风力发电机组机型相同的用于测试的风力发电机组在上述多组样本风参数中的每组样本风参数下的多种载荷变量,将所确定的多种载荷变量中变化幅度最大的载荷变量,确定为任一机位点的关键载荷(即,布置在任一机位点的风力发电机组受样本风参数影响最大的载荷变量)。
载荷属性指标确定单元300基于所获得的多个机位点的关键载荷,确定多个机位点的载荷属性指标。
在一个示例中,载荷属性指标确定单元300可分别计算多个机位点中的每个机位点的关键载荷与多个机位点的关键载荷中的最大值的比值,将计算得到的各比值确定为对应的各机位点的风参数的载荷属性指标。
风机集合确定单元400基于所确定的载荷属性指标对多个机位点进行分组,获得多个风机集合。
作为示例,风机集合确定单元400分别确定每个载荷属性指标与所确定的所有载荷属性指标中的最大值的偏差的绝对值,确定各偏差的绝对值所属的数值区间,一个数值区间对应一个风机集合,以获得多个风机集合。
在本发明的示例中,偏差可以包括以下项中的任意一项:差值和差值的百分数。此外,偏差也可以是根据实际情况设置的其他物理量,本发明不做任何限定。
代表风参数确定单元500针对多个风机集合中的任一风机集合执行如下操作:确定任一风机集合的包络风参数,基于任一风机集合的包络风参数确定任一风机集合的代表风参数。
在一个示例中,代表风参数确定单元500包括包络关键载荷获取单元、包络载荷属性指标确定单元、新载荷属性指标确定单元和风机集合代表风参数确定单元(图9中未示出)。
包络关键载荷获取单元将任一风机集合的包络风参数输入到预设机位点对应的载荷预测模型,获得预设机位点的包络关键载荷。这里,预设机位点可以是任一风机集合中某一机位点,也可以是利用计算机程序虚拟出的一个虚拟机位点。
包络载荷属性指标确定单元将包络关键载荷与包络关键载荷的比值确定为任一风机集合的包络风参数对应的包络载荷属性指标。由于任一风机集合的包络风参数为该任一风机集合中所有机位点的风参数中的最大值,因此,包络关键载荷为任一风机集合中的所有机位点的关键载荷中的最大值,因此可对自身进行比较,包络载荷属性指标为1。
新载荷属性指标确定单元分别计算任一风机集合中各机位点的关键载荷与包络关键载荷的比值,将计算得到的各比值确定为对应的各机位点的风参数的新载荷属性指标。
风机集合代表风参数确定单元根据包络载荷属性指标、任一风机集合中各机位点的风参数的新载荷属性指标和任一风机集合中各机位点的风参数的载荷属性指标,确定任一风机集合的代表风参数。
根据一个示例,风机集合代表风参数确定单元400可通过下面的方式确定任一风机集合的代表风参数:
将包络载荷属性指标与任一风机集合中各机位点的风参数的新载荷属性指标中的最大值进行比较。例如,可确定包络载荷属性指标与任一风机集合中各机位点的风参数的新载荷属性指标中的最大值的偏差的绝对值是否不大于第一阈值。这里,该偏差的定义如上述描述,例如,偏差可以包括以下项中的任意一项:差值和差值的百分数。
如果包络载荷属性指标与最大值之间的偏差的绝对值不大于第一阈值,则将包络载荷属性指标对应的包络风参数确定为任一风机集合的代表风参数。
如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数。
如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数,其中,第二阈值小于第一阈值。
应该理解,根据本发明示例性实施例的确定风电场的代表风参数的设备的具体实现方式可参照结合图1至图8描述的相关具体实现方式来实现,在此不再赘述。
此外,应该理解,根据本发明示例性实施例的确定风电场的代表风参数的设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
根据本发明的另一示例性实施例的电子设备包括:处理器(未示出)和存储器(未示出)及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现如上述示例性实施例的确定风电场的代表风参数的方法。
根据本发明的示例性实施例的计算机可读存储介质,存储有当被处理器执行时使得处理器执行上述示例性实施例的确定风电场的代表风参数的方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
利用根据本发明示例性实施例的确定风电场的代表风参数的方法和设备,能够克服现有技术中确定代表风参数的方法中对风参数的影响能力考虑不够全面、风参数与载荷的关系利用不足等问题,此外,由于按照特定方式(例如,数值区间划分、排序等)对机位点进行分组,使得机位点的分组和包络风参数的选取更为精细和准确,从而保证了风电场的代表风参数的准确性,有效地提高了风电场设计的经济效益。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (14)
1.一种确定风电场的代表风参数的方法,所述风电场包括用于布置风力发电机组的多个机位点,其特征在于,所述方法包括:
获取所述多个机位点的风参数;
将所获取的所述多个机位点的风参数分别输入到相应的载荷预测模型,获得所述多个机位点的关键载荷;
基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的载荷属性指标;
基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合;
针对所述多个风机集合中的任一风机集合执行如下操作:确定所述任一风机集合的包络风参数,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数。
2.如权利要求1所述的方法,其特征在于,基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的风参数的载荷属性指标的步骤包括:
分别计算所述多个机位点中的每个机位点的关键载荷与所述多个机位点的关键载荷中的最大值的比值,将计算得到的各比值确定为对应的各机位点的风参数的载荷属性指标。
3.如权利要求1所述的方法,其特征在于,基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合的步骤包括:
分别确定每个载荷属性指标与所确定的所有载荷属性指标中的最大值的偏差的绝对值;
确定各偏差的绝对值所属的数值区间,一个数值区间对应一个风机集合,以获得所述多个风机集合。
4.如权利要求1所述的方法,其特征在于,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数的步骤包括:
将所述任一风机集合的包络风参数输入到预设机位点对应的载荷预测模型,获得所述预设机位点的包络关键载荷;
将所述包络关键载荷与所述包络关键载荷的比值确定为所述任一风机集合的包络风参数对应的包络载荷属性指标;
分别计算所述任一风机集合中各机位点的关键载荷与所述包络关键载荷的比值,将计算得到的各比值确定为对应的各机位点的风参数的新载荷属性指标;
根据所述包络载荷属性指标、所述任一风机集合中各机位点的风参数的新载荷属性指标和所述任一风机集合中各机位点的风参数的载荷属性指标,确定所述任一风机集合的代表风参数。
5.如权利要求4所述的方法,其特征在于,根据所述包络载荷属性指标、所述任一风机集合中各机位点的风参数的新载荷属性指标和所述任一风机集合中各机位点的风参数的载荷属性指标,确定所述任一风机集合的代表风参数的步骤包括:
将所述包络载荷属性指标与所述任一风机集合中各机位点的风参数的新载荷属性指标中的最大值进行比较,
如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值不大于第一阈值,则将所述包络载荷属性指标对应的包络风参数确定为所述任一风机集合的代表风参数,
如果所述包络载荷属性指标与所述最大值之间的偏差的绝对值大于第一阈值,则将所述任一风机集合中各机位点的风参数的载荷属性指标中的最大值与最小值进行比较,
如果载荷属性指标中的最大值与最小值之间的偏差的绝对值大于第二阈值,则继续对所述任一风机集合中的各机位点进行分组,直至一组的包络风参数能够作为该组的代表风参数,
其中,第二阈值小于第一阈值。
6.如权利要求1所述的方法,其特征在于,通过以下方式获得每个机位点中的任一机位点的关键载荷:
将所述任一机位点的风参数输入到与布置在所述任一机位点的风力发电机组的机型对应的载荷预测模型,来获得所述任一机位点的关键载荷,
其中,通过以下方式构建任一机型的风力发电机组对应的载荷预测模型:
获取多组样本风参数,其中,所述多组样本风参数基于预设的样本设计方法被获取;
分别确定所述任一机型的风力发电机组在每组样本风参数下的关键载荷;
利用所述多组样本风参数和所确定的各关键载荷,来构建所述任一机型的风力发电机组对应的载荷预测模型。
7.如权利要求6所述的方法,其特征在于,所述多组样本风参数包括多个子工况组下的样本风参数,所述关键载荷包括极限载荷中受样本风参数影响最大的极限载荷变量,
其中,确定所述任一机型的风力发电机组在任一组样本风参数下的关键载荷的步骤包括:
通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况组下的样本风参数下的极限载荷,
将所确定的所有极限载荷中的最大值,确定为所述任一机型的风力发电机组的极限载荷变量,
其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的极限载荷变量的模型。
8.如权利要求6所述的方法,其特征在于,所述多组样本风参数包括多个子工况下的样本风参数,所述关键载荷包括疲劳载荷中受样本风参数影响最大的疲劳载荷变量,
其中,确定所述任一机型的风力发电机组在任一组样本风参数下的关键载荷的步骤包括:
通过仿真程序,分别确定所述任一机型的风力发电机组在每个子工况下的样本风参数下的疲劳载荷,
将所确定的所有疲劳载荷进行加权处理,获得载荷加权值,并将所获得的载荷加权值确定为所述任一机型的风力发电机组的疲劳载荷变量,
其中,所述载荷预测模型包括用于确定所述任一机型的风力发电机组的疲劳载荷变量的模型。
9.如权利要求6所述的方法,其特征在于,利用所述多组样本风参数和所确定的各关键载荷,来构建所述任一机型的风力发电机组对应的载荷预测模型的步骤包括:
通过对所述多组样本风参数和所确定的各关键载荷进行多元线性回归处理,获得所述任一机型的风力发电机组对应的载荷预测模型。
10.如权利要求6所述的方法,其特征在于,所述任一机位点的关键载荷是指布置在所述任一机位点的风力发电机组受样本风参数影响最大的载荷变量。
11.如权利要求10所述的方法,其特征在于,通过以下方式确定所述任一机位点的关键载荷:
确定与布置在所述任一机位点的风力发电机组机型相同的用于测试的风力发电机组在所述多组样本风参数中的每组样本风参数下的多种载荷变量;
将所确定的所述多种载荷变量中变化幅度最大的载荷变量,确定为所述任一机位点的关键载荷。
12.一种确定风电场的代表风参数的设备,所述风电场包括用于布置风力发电机组的多个机位点,其特征在于,所述设备包括:
风参数获取单元,获取所述多个机位点的风参数;
关键载荷获取单元,将所获取的所述多个机位点的风参数分别输入到相应的载荷预测模型,获得所述多个机位点的关键载荷;
载荷属性指标确定单元,基于所获得的所述多个机位点的关键载荷,确定所述多个机位点的载荷属性指标;
风机集合确定单元,基于所确定的载荷属性指标对所述多个机位点进行分组,获得多个风机集合;
代表风参数确定单元,针对所述多个风机集合中的任一风机集合执行如下操作:确定所述任一风机集合的包络风参数,基于所述任一风机集合的包络风参数确定所述任一风机集合的代表风参数。
13.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现如权利要求1至11任一项所述的确定风电场的代表风参数的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11任意一项所述的确定风电场的代表风参数的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146275.1A CN113361058B (zh) | 2020-03-05 | 2020-03-05 | 确定风电场的代表风参数的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146275.1A CN113361058B (zh) | 2020-03-05 | 2020-03-05 | 确定风电场的代表风参数的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361058A true CN113361058A (zh) | 2021-09-07 |
CN113361058B CN113361058B (zh) | 2024-01-23 |
Family
ID=77523659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146275.1A Active CN113361058B (zh) | 2020-03-05 | 2020-03-05 | 确定风电场的代表风参数的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361058B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
CN110097243A (zh) * | 2018-01-31 | 2019-08-06 | 北京金风科创风电设备有限公司 | 确定风电场中的代表风力发电机组的方法和装置 |
CN110210044A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风力发电机组的载荷预测方法和装置 |
-
2020
- 2020-03-05 CN CN202010146275.1A patent/CN113361058B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097243A (zh) * | 2018-01-31 | 2019-08-06 | 北京金风科创风电设备有限公司 | 确定风电场中的代表风力发电机组的方法和装置 |
CN110210044A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风力发电机组的载荷预测方法和装置 |
WO2019165753A1 (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风力发电机组的载荷预测方法和装置 |
CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
周民强;陈世堂;周季;: "基于风况的风力发电机组选型设计", 机电工程, no. 05 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113361058B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111441917B (zh) | 基于扇区的风电机组的预定部件的载荷预估方法和装置 | |
CN110210044A (zh) | 风力发电机组的载荷预测方法和装置 | |
CN110119570B (zh) | 一种实测数据驱动的风电场模型参数校核方法 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
RU2559718C2 (ru) | Система и способ настройки/калибровки семейств ступеней турбомашин | |
CN107358542B (zh) | 一种励磁系统性能评估模型的构建方法 | |
CN106786560A (zh) | 一种电力系统稳定特征自动提取方法及装置 | |
CN112765743A (zh) | 一种风电机组整机一体化设计多目标协同优化方法及装置 | |
CN107276070B (zh) | 计及一二次调频的发输电系统运行可靠性建模评估方法 | |
CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
CN111120219B (zh) | 确定风力发电机组的疲劳载荷的方法及设备 | |
CN105930900A (zh) | 一种混合风力发电的预测方法及系统 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN113361058B (zh) | 确定风电场的代表风参数的方法和设备 | |
CN108256712B (zh) | 风电场场群的控制方法及装置 | |
CN114548634A (zh) | 一种海上风资源综合评估方法、装置、存储介质和电子设备 | |
CN113836760A (zh) | 一种涡轮盘蠕变疲劳寿命可靠性评估方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN114065430B (zh) | 一种行星级齿轮箱的状态数据处理方法及系统 | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN111859744B (zh) | 基于监测数据的节点刚域识别方法、装置及设备 | |
Rootliep et al. | Evolutionary algorithm for enhanced gas path analysis in turbofan engines | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 |
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 |