发明内容
为克服现有技术的不足,本发明提供了一种风力发电机组寿命评估方法,解决现有技术存在的难以有效准确评估风力发电机组寿命等问题。
本发明解决上述问题所采用的技术方案是:
一种风力发电机组寿命评估方法,包括以下步骤:
S1,获取风力发电机组的机组特性数据,修正风力发电机组的Bladed模型;
S2,根据修正后的风力发电机组的Bladed模型,建立风力发电机组的载荷实时预估模型;
S3,验证载荷实时预估模型准确性,修正载荷实时预估模型;
S4,利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,和/或,利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估;
S5,得到风力发电机组的疲劳损伤值,判断风力发电机组是否能继续使用。
利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,可得到已运行的时间段的机组的疲劳损伤值;利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估,可得到待运行的时间段的机组的疲劳损伤值,从而判断风力发电机组是否能继续使用,便于有效准确评估风力发电机组寿命,为机组延寿提供直观的数据,助力已投运风电场获取更高的经济价值。
作为一种优选的技术方案,步骤S1包括:
S11,获取传动链频率数据、塔筒频率数据、变桨响应数据、力矩响应数据和/或机舱加速度数据;
S12,分析Bladed模型与S11步骤所获取的数据的差异,修正Bladed模型。
在真实风电机组上进行系统辨识,获取传传动链频率数据、塔筒频率数据、变桨响应数据、力矩响应数据和/或机舱加速度数据,通过分析Bladed模型和真实机组的差异,修正机组的Bladed模型的物理属性,使各系统的固有频率相等,建立模型与真实机组一一对应的关系,相当于把真实机组数字化。
作为一种优选的技术方案,步骤S2包括以下步骤:
S21,在步骤S12得到的修正后的Bladed模型基础上,借用机组仿真的桨角数据、转速数据、力矩数据和/或机舱加速度数据,然后反推塔筒的倾覆力矩,和/或,反推轮毂的中心推力及转矩;
S22,建立具有以下仿真载荷时序的载荷实时预估模型:
其中,
表示预估载荷,Mxy为塔筒底部载荷,Fx为轮毂中心载荷,Mx为轮毂中心力矩,X表示测量数据,β为桨矩角,FA为机舱前后方向加速度,SS为机舱左右方向加速度,N为发电机转速,Φ为权重矩阵。
作为一种优选的技术方案,步骤S3包括以下步骤:
S31,运行载荷实时预估模型,并进行实时载荷测试;
S32,对比分析载荷实时预估的载荷与实时载荷测试得到的载荷,利用实时载荷测试得到的载荷修正载荷实时预估模型。
以上步骤便于修正载荷实时预估模型。
作为一种优选的技术方案,步骤S4包括以下步骤:
S41,利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,和/或,利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估;从而得到已运行的时间段和/或待运行的时间段的载荷时间序列;
S42,结合风场因素,得到关键位置处的Markov矩阵和/或等效疲劳载荷,从而得到已运行的时间段和/或待运行的时间段的风力发电机组的真实载荷。
以上步骤便于得到已运行的时间段和/或待运行的时间段的风力发电机组的真实载荷。
作为一种优选的技术方案,步骤S5包括以下步骤:
S51,根据已运行时间内的风力发电机组的真实载荷,计算出一段固定时间段内关键位置处的疲劳损伤值;
S52,对疲劳损伤值进行一段固定时间段内的线性叠加,根据疲劳损伤值的线性叠加值判断风力发电机组是否可以继续使用;判断为风力发电机组可以继续使用的条件如下:
d1+d2+di…+dn<1,
其中,i表示固定时间段的编号,n表示固定时间段的总数,i、n均为正整数,i≤n,di表示第i个固定时间段位置的疲劳损伤值。
以上步骤便于准确判断风力发电机组能否继续使用。
作为一种优选的技术方案,所述一段固定时间段为一年。
以年为固定时间段的单位,符合业内通用做法,便于统计分析。
作为一种优选的技术方案,还包括以下步骤:
S6,利用载荷预估模型实时监测机组载荷情况,利用疲劳损伤值,预测风力发电机组的残余寿命。
基于上述方法开发机组寿命评估程序,将其部署在投运风场的SCADA中,预测在役机组关键部件的损伤,通过现场运行数据的积累和分析,计算关键部件实际的疲劳寿命,为机组延寿提供直观的数据,机组设计提供参考数据,优化各部件寿命降低过多的冗余设计。
作为一种优选的技术方案,还包括以下步骤:
S7,根据预测的风力发电机组的残余寿命,设定风力发电机组的残余寿命预警阈值。
这有利于对风力发电机组进行故障预警,从而降低运维成本。
作为一种优选的技术方案,步骤S7中,取残余寿命最短的部件的寿命值作为风力发电机组的残余寿命预警的阈值。
这使得对风力发电机组进行故障预警的设计更加科学,便于及时发现故障。
本发明相比于现有技术,具有以下有益效果:
(1)本发明利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,可得到已运行的时间段的机组的疲劳损伤值;利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估,可得到待运行的时间段的机组的疲劳损伤值,从而判断风力发电机组是否能继续使用,便于有效准确评估风力发电机组寿命,为机组延寿提供直观的数据,助力已投运风电场获取更高的经济价值;
(2)本发明建立模型与真实机组一一对应的关系;
(3)本发明便于修正载荷实时预估模型;
(4)本发明便于得到已运行的时间段和/或待运行的时间段的风力发电机组的真实载荷;
(5)本发明便于准确判断风力发电机组能否继续使用;
(6)本发明以年为固定时间段的单位,符合业内通用做法,便于统计分析;
(7)本发明有利于对风力发电机组进行故障预警,从而降低运维成本。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1所示,一种风力发电机组寿命评估方法,包括以下步骤:
S1,获取风力发电机组的机组特性数据,修正风力发电机组的Bladed模型;
S2,根据修正后的风力发电机组的Bladed模型,建立风力发电机组的载荷实时预估模型;
S3,验证载荷实时预估模型准确性,修正载荷实时预估模型;
S4,利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,和/或,利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估;
S5,得到风力发电机组的疲劳损伤值,判断风力发电机组是否能继续使用。
利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,可得到已运行的时间段的机组的疲劳损伤值;利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估,可得到待运行的时间段的机组的疲劳损伤值,从而判断风力发电机组是否能继续使用,便于有效准确评估风力发电机组寿命,为机组延寿提供直观的数据,助力已投运风电场获取更高的经济价值。
本文所述的已运行的时间段是指风力发电机组全生命周期中已经使用的时间段,本文所述的待运行的时间段是指风力发电机组全生命周期中还未使用的时间段,举例如下:如果某风力发电机组能正常运行20年,现在已经运行8年,则已运行的时间段指已经运行的这8年,待运行的时间段指还未运行的剩下的12年。
Bladed模型一般在风力发电机组设计过程(还未被制造出来)的过程中即已经生成,因此本发明所述方法中并不需要单独再建立Bladed模型。
作为一种优选的技术方案,步骤S1包括:
S11,获取传动链频率数据、塔筒频率数据、变桨响应数据、力矩响应数据和/或机舱加速度数据;
S12,分析Bladed模型与S11步骤所获取的数据的差异,修正Bladed模型。
在真实风电机组上进行系统辨识,获取传传动链频率数据、塔筒频率数据、变桨响应数据、力矩响应数据和/或机舱加速度数据,通过分析Bladed模型和真实机组的差异,修正机组的Bladed模型的物理属性,使各系统的固有频率相等,建立模型与真实机组一一对应的关系,相当于把真实机组数字化。
作为一种优选的技术方案,步骤S2包括以下步骤:
S21,在步骤S12得到的修正后的Bladed模型基础上,借用机组仿真的桨角数据、转速数据、力矩数据和/或机舱加速度数据,然后反推塔筒的倾覆力矩,和/或,反推轮毂的中心推力及转矩;
S22,建立具有以下仿真载荷时序的载荷实时预估模型:
其中,
表示预估载荷,Mxy为塔筒底部载荷,Fx为轮毂中心载荷,Mx为轮毂中心力矩,X表示测量数据,β为桨矩角,FA为机舱前后方向加速度,SS为机舱左右方向加速度,N为发电机转速,Φ为权重矩阵。
作为一种优选的技术方案,步骤S3包括以下步骤:
S31,运行载荷实时预估模型,并进行实时载荷测试;
S32,对比分析载荷实时预估的载荷与实时载荷测试得到的载荷,利用实时载荷测试得到的载荷修正载荷实时预估模型。
以上步骤便于修正载荷实时预估模型。
优选的,将载荷实时预估模型部署在运行机组的PLC上,通过实际运行数据计算得到机组的塔筒载荷,同时在塔筒底部贴应变片进行实时载荷测试,对比分析预测与实测载荷的差别,利用实测载荷数据优化载荷实时预估模型,使载荷实时预估模型更加精准的反映真实载荷,建立机组的Bladed模型、预估模型与真实机组载荷对应关系。
作为一种优选的技术方案,步骤S4包括以下步骤:
S41,利用修正后的Bladed模型,对已运行的时间段的机组的真实载荷进行计算,和/或,利用修正后的载荷实时预估模型,对待运行的时间段的机组载荷进行预估;从而得到已运行的时间段和/或待运行的时间段的载荷时间序列;
S42,结合风场因素,得到关键位置处的Markov矩阵和/或等效疲劳载荷,从而得到已运行的时间段和/或待运行的时间段的风力发电机组的真实载荷。
以上步骤便于得到已运行的时间段和/或待运行的时间段的风力发电机组的真实载荷。
优选的,基于Bladed模型、预估模型与真实机组载荷之间的对应关系,结合机组实际运行SCADA记录数据,分析外部环境的湍流强度、空气密度和风剪切等因素,利用Bladed理论模型计算不同情况下的载荷时间序列,结合风场每年的风频分布,通过雨流计数方法得到每年不同关键位置处的Markov矩阵或等效疲劳载荷。
作为一种优选的技术方案,步骤S5包括以下步骤:
S51,根据已运行时间内的风力发电机组的真实载荷,计算出一段固定时间段内关键位置处的疲劳损伤值;
S52,对疲劳损伤值进行一段固定时间段内的线性叠加,根据疲劳损伤值的线性叠加值判断风力发电机组是否可以继续使用;判断为风力发电机组可以继续使用的条件如下:
d1+d2+di…+dn<1,
其中,i表示固定时间段的编号,n表示固定时间段的总数,i、n均为正整数,i≤n,di表示第i个固定时间段位置的疲劳损伤值。
以上步骤便于准确判断风力发电机组能否继续使用。
优选的,基于每年的Markov矩阵或等效疲劳载荷可计算出不同位置处的疲劳损伤值di,采用常用的线性累积损伤Miner理论,通过每年的疲劳损伤值的线性叠加值,判断机组的疲劳损伤值是否达到1,如果小于1说明机组还可以继续使用。
优选的,机组的残余寿命可采用如下公式计算:
其中,i表示固定时间段的编号,n表示固定时间段的总数,i、n均为正整数,i≤n,di表示第i个固定时间段位置的疲劳损伤值,Q为机组的使用寿命。
优选的,Q可取20年,用以以年为单位计算统计。
作为一种优选的技术方案,所述一段固定时间段为一年。
以年为固定时间段的单位,符合业内通用做法,便于统计分析。
实施例2
如图1所示,作为实施例1的进一步优化,本实施例包含了实施例1的全部技术特征,除此之外,本实施例还包括以下技术特征:
作为一种优选的技术方案,还包括以下步骤:
S6,利用载荷预估模型实时监测机组载荷情况,利用疲劳损伤值,预测风力发电机组的残余寿命。
基于上述方法开发机组寿命评估程序,将其部署在投运风场的SCADA中,预测在役机组关键部件的损伤,通过现场运行数据的积累和分析,计算关键部件实际的疲劳寿命,为机组延寿提供直观的数据,机组设计提供参考数据,优化各部件寿命降低过多的冗余设计。
作为一种优选的技术方案,还包括以下步骤:
S7,根据预测的风力发电机组的残余寿命,设定风力发电机组的残余寿命预警阈值。
这有利于对风力发电机组进行故障预警,从而降低运维成本。
作为一种优选的技术方案,步骤S7中,取残余寿命最短的部件的寿命值作为风力发电机组的残余寿命预警的阈值。
这使得对风力发电机组进行故障预警的设计更加科学,便于及时发现故障。
本发明的主要目的在于:预测在役机组的疲劳寿命,为机组的延寿提供可靠的理论依据,助力已投运风电场获取更高的经济价值。
优选的,对已运行的时间段内的疲劳损伤,首先基于主控PLC实时数据建立载荷实时预估模型,通过Bladed理论模型和载荷测试数据修正和优化模型,使其能真实反映实际机组的载荷。根据实际投运风电机组的外部环境和运行特点,采用理论仿真的方法,得到机组运行期间关键部件的载荷,结合雨流计数计算部件Markov矩阵,采用疲劳载荷与损伤间的线性关系,最终计算已投运时间内的不同部件的损伤值。
疲劳损伤值包括已运行的时间段、待运行的时间段两种情况,一方面对已运行的时间段的损伤值可采用上述方法进行统计,另一方面待运行的时间段未知的载荷可直接采用载荷实时预估模型,实时在线统计载荷变化幅值,进而得到不同位置处的实时损伤。采用线性累积损伤Miner理论,将两种情况下的损伤值叠加,为疲劳寿命评估提供数据,最终实现实时预测机组疲劳寿命。
基于上述方法开发机组寿命评估程序,将其部署在投运风场的SCADA中,预测在役机组关键部件的损伤,通过现场运行数据的积累和分析,计算关键部件实际的疲劳寿命,为机组延寿提供直观的数据,或对关键部件的故障预警降低运维成本,同时为机组设计提供参考数据,优化各部件寿命降低过多的冗余设计。
如上所述,可较好地实现本发明。
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。