CN113609622B - 风力发电机组的塔架载荷建模方法和装置 - Google Patents

风力发电机组的塔架载荷建模方法和装置 Download PDF

Info

Publication number
CN113609622B
CN113609622B CN202110963439.4A CN202110963439A CN113609622B CN 113609622 B CN113609622 B CN 113609622B CN 202110963439 A CN202110963439 A CN 202110963439A CN 113609622 B CN113609622 B CN 113609622B
Authority
CN
China
Prior art keywords
load
working condition
tower
values
effective
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
CN202110963439.4A
Other languages
English (en)
Other versions
CN113609622A (zh
Inventor
郑松岳
吴立建
史婷娜
宋鹏
刘嘉明
王思奇
许移庆
朱志权
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 University ZJU
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Zhejiang University ZJU
Shanghai Electric Wind Power Group 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 University ZJU, Shanghai Electric Wind Power Group Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202110963439.4A priority Critical patent/CN113609622B/zh
Publication of CN113609622A publication Critical patent/CN113609622A/zh
Application granted granted Critical
Publication of CN113609622B publication Critical patent/CN113609622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Wind Motors (AREA)

Abstract

本申请提供一种风力发电机组的塔架载荷建模方法和装置，包括：S21、针对多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集；S22、分析各运行工况对应的载荷数据集中的载荷值的概率分布；S23、根据各载荷数据集中的载荷值的概率分布，确定该载荷数据集的有效载荷值；S24、根据多个载荷数据集的有效载荷值及与有效载荷值相对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度；S25、根据每个工况参数对塔架载荷的影响程度，确定多个工况参数中的有效影响工况参数；S26、根据多个载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对塔架载荷进行建模。

Description

风力发电机组的塔架载荷建模方法和装置
技术领域
本申请涉及风力发电机组领域，尤其涉及一种风力发电机组的塔架载荷建模方法和装置。
背景技术
风力发电机组的设计正在向着深远海、尺寸和容量大型化的方向发展，相较于陆上风力发电机组，海上风力发电机组塔筒支撑系统具有更强的柔性、更加严酷的风浪流耦合服役环境，其服役性能与安全性对经济高效的海上风能资源开发至关重要，因而对其精细化分析与整体可靠性设计提出了更高要求。风力发电机组包括桨叶、机舱、塔体、基础等部件，且存在转矩控制、桨叶控制与气动耦合等电-机结构非线性耦合效应，建立合理的海上风力发电机组统分析模型是进行整体可靠性分析与设计的基础。
与陆上风力发电机组不同的是，除气动载荷外海上风力发电机组还同时受到波浪和洋流载荷的影响(如图1所示)。在海上风电场的建设中，塔架-基础结构的成本占总造价的比例较高，根据海上风电场不同的场区的水文特征、地质条件、使用要求，选用不同的基础结构形式，是保证海上风力发电机组基础稳定性、可靠性和经济性的关键。多样的结构形式、复杂的海洋环境条件等因素使得基础结构研发和设计成为海上风电领域的重点和难点，了解各类环境、载荷参数对不同基础结构的影响规律，便可根据环境、载荷条件对风力发电机组机位、基础形式作出合理的选择。
目前，针对风电机组“桨叶-塔架-基础”建立的一体化模型主要采用模态分析法、多体动力学法和有限元分析法。对于模态分析法，叶轮面经历的气动载荷仅简单的通过额定风速和修正系数来确定，随后依据转子和塔体的变形相容性条件实现运动方程的耦合，使用该方法建立的一体化载荷模型方法自由度较少、计算方便，但存在精度较低，代数推导繁杂，且难以考虑具有较大形变的几何非线性等问题。多体动力学法可同时考虑刚体位移和弹性变形，能够满足一定的模拟精度，然而多体动力学法对细部力学分析较低，而这对诸如疲劳载荷评估和可靠性设计至关重要。对于有限元法，风电机组基于有限元的建模分为获得精确局部响应的细部建模和获得整体响应的整体建模，获得各个部件的刚度、质量阻尼矩阵，并通过叶片-塔筒的连接矩阵在轮毂处实现了叶片与塔筒的耦合，然而该一体化建模方法难以同时分析刚体运动和弹性变形问题及叶片的旋转效应。此外，上述一体化建模方法忽略了气动载荷、波浪载荷、洋流特征以及风力发电机组自身的控制器设计的相互影响等问题，这些因素都影响了一体化建模的精度，导致与风力发电机组支撑结构实际承受载荷情况有差异。
发明内容
本申请提供一种风力发电机组的塔架载荷建模方法和装置。
具体地，本申请是通过如下技术方案实现的：
本申请实施例的第一方面，提供一种风力发电机组的塔架载荷建模方法，包括：
针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，多个所述运行工况与多个所述载荷数据集一一对应，各载荷数据集均包括塔架分别在对应运行工况的多个子工况下的载荷值，多个所述运行工况的至少一个工况参数的特征值的参考值大小不相等，每个运行工况的多个子工况对应包括该运行工况在不同时间段内的工况参数的特征值，每个运行工况的多个子工况的至少一个工况参数的特征值的变化范围不同，所述工况参数包括风浪流参数及所述风力发电机组的控制参数；
分析各载荷数据集中的载荷值的概率分布，所述概率分布用于表征各载荷值的概率大小；
根据各运行工况对应的载荷数据集中的载荷值的概率分布，确定能够代表该载荷数据集的有效载荷值，并确定与所述有效载荷值相对应的工况参数的特征值；
根据所述载荷数据集的有效载荷值及与所述有效载荷值相对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对所述塔架载荷的影响程度；
根据每个工况参数对所述塔架载荷的影响程度，确定多个所述工况参数中的有效影响工况参数；
根据多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对所述塔架载荷进行建模。
可选地，所述运行工况包括正常工况和极限工况。
可选地，所述针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，包括：
根据所述风力发电机组的各运行工况的工况参数的参考值，生成该运行工况的多个子工况序列，同一运行工况对应的多个子工况在时间序列上的各工况参数的值是随机变化的；
对各运行工况的多个所述子工况序列通过蒙特卡洛法进行仿真处理，获得塔架在风力发电机组的各子工况下的载荷力矩序列；
根据所述塔架在风力发电机组的各子工况下的载荷力矩序列，使用雨流计数法确定所述载荷力矩序列的等效损坏载荷值，获得各运行工况对应的载荷数据集。
可选地，所述针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，包括：
根据统计法对各载荷数据集中的载荷值的对称程度和集中程度进行分析，获得各载荷数据集中的各载荷值的数据集分布特征值；
根据各载荷数据集中的各载荷值的数据集分布特征值的对称程度和集中程度，确定该载荷数据集中的载荷值的分布特征；
判断各载荷数据集中的载荷值的分布特征是否满足预设分布特征，所述预设分布特征具有对称性，且集中程度大于或等于预设程度值；
当所述载荷数据集中的载荷值的分布特征满足所述预设分布特征时，停止对应运行工况下的蒙特卡洛法仿真；
当所述载荷数据集中的载荷值的分布特征不满足所述预设分布特征时，继续对应运行工况下的蒙特卡洛法仿真。
可选地，所述统计法为Jarque-Bera统计法。
可选地，所述分析各载荷数据集中的载荷值的概率分布，包括：
根据非参数核密度估计方法，分别估计各载荷数据集中的载荷值的概率分布。
可选地，所述有效载荷值为所述载荷数据集中概率值最大的载荷值。
可选地，所述根据所述载荷数据集的有效载荷值及与所述有效载荷值相对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对所述塔架载荷的影响程度，包括：
根据所述载荷数据集的有效载荷值及所述工况参数的特征值之间的对应关系，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度。
可选地，所述根据多个所述载荷数据集的有效载荷值及对应的工况参数大小以及敏感性分析方法，确定每个工况参数对所述塔架载荷的影响程度，包括：
将多个所述载荷数据集均分成两组，获得两个载荷数据集组合；
根据两个所述载荷数据集组合，分别获得两个第一参数矩阵，其中，各第一参数矩阵的同一行为同一载荷数据集的有效载荷值对应的工况参数的特征值，同一列为不同载荷数据集的有效载荷值的同一类型的工况参数的特征值；
将两个所述第一参数矩阵的各相同列依次对换，分别获得该相同列对应的两个第二参数矩阵；
确定两个所述第一参数矩阵分别与对应的有效载荷值之间的函数关系；
根据所述函数关系，确定各相同列对应的两个所述第二参数矩阵分别对应的有效载荷值；
根据各相同列对应的其中一个所述第二参数矩阵对应的有效载荷值以及两个所述第一参数矩阵分别对应的有效载荷值，确定每个工况参数对所述塔架载荷的影响程度。
可选地，所述根据每个工况参数对所述塔架载荷的影响程度，确定多个所述工况参数中的有效影响工况参数，包括：
当所述影响程度大于预设程度阈值时，确定对应的工况参数为有效影响工况参数；或者，
确定所述影响程度靠前的预设数量的工况参数作为多个所述工况参数中的有效影响工况参数。
可选地，所述根据多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对所述塔架载荷进行建模，包括：
建立所述塔架载荷的多项式模型，所述多项式模型以所述有效影响工况参数的特征值为自变量，以所述有效载荷值为因变量；
将所述多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值分别代入所述多项式模型，获得所述多项式模型中每一项的系数。
可选地，所述风浪流参数包括风速、湍流强度、海浪高度、海浪周期、洋流速度中的至少一种，所述控制参数包括有功功率设定值、桨距角参考值、和转速设定值中的至少一种。
本申请实施例的第二方面，提供一种风力发电机组的塔架载荷建模装置，包括一个或多个处理器，用于实现第一方面中任一项所述的风力发电机组的塔架载荷建模方法。
本申请实施例的第三方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现第一方面中任一项所述的风力发电机组的塔架载荷建模方法。
根据本申请实施例提供的技术方案，采用蒙特卡洛法对多种运行工况进行仿真实验获得对应的塔架载荷数据集，克服了风力和水利随机性造成塔架载荷不确定性的影响，并分析各载荷数据集中的载荷值的概率分布以确定代表各载荷数据集的有效载荷值，再根据多个载荷数据集的有效载荷值及对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度，并剔除对塔架载荷关联度较低的因素以简化建模的复杂度，最后根据多项式展开法实现对塔架载荷的精确建模，对进行整机可靠性分析与设计、优化单机控制策略和风电场运行维护策略，具有重要的工程应用价值。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是目前海上风力发电机组塔架经历风-浪-流耦合的载荷工况示意图；
图2是本申请一示例性实施例示出的一种风力发电机组的塔架载荷建模方法的流程示意图；
图3是本申请一示例性实施例示出的一种同一运行工况下的不同子工况的风速值示意图；
图4是本申请一示例性实施例示出的一种塔架在风力发电机组的某一子工况下的载荷力矩序列图；
图5是本申请一示例性实施例示出的一种根据载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对塔架载荷进行建模的实现过程示意图；
图6是本申请一示例性实施例示出的一种风力发电机组的塔架载荷建模装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
随着海上风力发电机组SCADA数据库的日益完善，有效利用风-浪-流和机组运行状态的检测数据能够提高估计风力发电机组塔架一体化载荷的精确度，分析风浪流数据和控制数据对塔架载荷的影响，建立合理的海上风力发电机组塔架载荷一体化精细模型不仅是进行整机可靠性分析与设计的基础，也是机组降载控制策略设计的重要参考，具有重要的工程应用价值。
海上风电机组大部件的设计寿命是25年，尽管在设计中的载荷参数能够满足25年的疲劳分析和静力分析，而且整个风力发电机组运行平稳，但却在使用几年后发生失效。问题不是出在静力和疲劳分析上，而是由于设计流程发生脱节导致的。脱节主要分为两部分，一方面是由于载荷计算与结构设计流程上发生了脱节，另一方面则发生在控制流程设计和结构设计发生脱节。特别是大型海上风力发电机组缺乏一种“风-浪-流-控制”全耦合一体化高精度的解决方案。
对于此，本申请采用蒙特卡洛法对多种运行工况进行仿真实验获得对应的塔架载荷数据集，克服了风力和水利随机性造成塔架载荷不确定性的影响，并分析各载荷数据集中的载荷值的概率分布以确定代表各载荷数据集的有效载荷值，再根据多个载荷数据集的有效载荷值及对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度，并剔除对塔架载荷关联度较低的因素以简化建模的复杂度，最后根据多项式展开法实现对塔架载荷的精确建模，对进行整机可靠性分析与设计、优化单机控制策略和风电场运行维护策略，具有重要的工程应用价值。
下面结合附图，对本申请的风力发电机组的塔架载荷建模方法和装置进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
图2是本申请一示例性实施例示出的一种风力发电机组的塔架载荷建模方法的流程示意图；本申请实施例的风力发电机组的塔架载荷建模方法的执行主体可以包括风力发电机组，也可以为其他具有数据处理能力的设备，如计算机。
参见图2，本申请实施例提供的一种风力发电机组的塔架载荷建模方法可包括步骤S21～S25。
其中，在S21中、针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，多个运行工况与多个载荷数据集一一对应，各载荷数据集均包括塔架分别在对应运行工况的多个子工况下的载荷值，多个运行工况的至少一个工况参数的特征值的参考值大小不相等，每个运行工况的多个子工况对应包括该运行工况在不同时间段内的工况参数的特征值，每个运行工况的多个子工况的特征值的至少一个工况参数的变化范围不同，工况参数包括风浪流参数及风力发电机组的控制参数。
本申请实施例中，运行工况可包括正常工况和极限工况，同时考虑正常工况和极限工况，能够有效克服风力和水利变化的随机性造成塔架载荷的不确定性。在其他实施例中，运行工况可仅包括正常工况。一个运行工况对应一个载荷数据集，每个载荷数据集均包括塔架分别在风力发电机组的多个子工况下的载荷值，即每个运行工况对应多个子工况。示例性的，多个运行工况包括工况A、工况B和工况C，工况A对应的子工况包括子工况A1、子工况A2和子工况A3、…、子工况An，工况B对应的子工况包括子工况B1、子工况B2、子工况B3、…、子工况Bn，工况C对应的子工况包括子工况C1、子工况C2、子工况C3、…、子工况An。
示例性地，针对工况A，通过蒙特卡洛法仿真获得载荷数据集A11，其中，载荷数据集A11包括塔架在分别子工况A1、A2、A3、…、An下的载荷值，一个运行工况对应一个载荷数据集，一个子工况对应一个载荷值。
本申请实施例的同一运行工况及子工况包括相同类型的工况参数，不同运行工况的工况参数的类型完全相同。同一运行工况的不同子工况的同一种工况参数的特征值的变化范围的参考值大小相等，示例性地，对于同一运行工况，不同子工况的工况参数的特征值是在该子工况所属的运行工况的对应工况参数的特征值的参考值的上下波动获得的。
示例性地，同一运行工况包括相同类型的工况参数，并且，同一种类型的工况参数的特征值的参考值相等，如，风速的参考值为15m/s，湍流强度的参考值为10％，海浪高度的参考值为1m，海浪周期的变化范围的参考值为10s。
同一运行工况的多个子工况分别是该运行工况中对应时间段内的工况参数的特征值大小，在每一个时间段内的子工况表现出来的效果是不一样的，即每个运行工况的多个子工况的至少一个工况参数的特征值的变化范围不同，如图3所示，子工况1、子工况2、子工况3、子工况4、…、子工况n对应的风速值分别为同一运行工况的不同时间段内的风速值。另外，子工况1、子工况2、子工况3及子工况4、…、子工况n对应的其他工况参数的特征值也为对应时间段内的。
需要说明的是，若运行工况为正常工况，则该运行工况对应的多个子工况也分别为正常工况；若运行工况为极限工况，则该运行工况对应的多个子工况也分别为极限工况。风浪流参数可包括平均风速、湍流强度、海浪高度、海浪周期、洋流速度中的至少一种，但不限于此；控制参数可包括有功功率设定值、桨距角参考值和转速设定值中的至少一种，但不限于此。
示例性的，在一些实施例中，风浪流参数包括风速、湍流强度、海浪高度、海浪周期和洋流速度，控制参数包括有功功率设定值和转速设定值，同时考虑到多种风浪流参数及多种控制参数，能够提高建模的精确度和准确性。
其中，运行工况及子工况包括相同类型的工况参数是指运行工况及子工况均包括相同类型的风浪流参数及相同类型的风力发电机组的控制参数，如，运行工况及子工况均包括风速、湍流强度、海浪高度、海浪周期、洋流速度、有功功率设定值、桨距角度参考值和转速设定值这些工况参数。
同一运行工况对应的多个子工况的具有相同的工况参数，但同一运行工况对应的子工况在时间序列上的各工况参数的值具有随机性，具体表现为在时间序列上工况的幅值、频率波动变化的特征具有任意性。
一种针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集的实现过程可包括但不限于如下步骤：
(1)、根据风力发电机组的各运行工况的工况参数的参考值，生成相同该运行工况的多个子工况序列，同一运行工况对应的多个子工况在时间序列上的各工况参数的值是随机变化的。
即同一运行工况对应的多个子工况序列虽然具有相同的工况参数，但在时间序列上具有随机性。
例如，可以根据下述表1和表2分别给出的风力发电机组的正常工况和极限工况的参考值以及表3给出的风力发电机组的控制参数设计，随机生成k个具有相同风浪流参数及风力发电机组的控制参数的子工况序列，可选地，各子工况序列的时长为10分钟，当然，各子工况序列的时长也可设置为其他时长大小。各子工况序列的时长大小可以相等，也可以部分不相等，具体可根据需要设置各子工况序列的时长大小。
表1
风浪流正常参数 参数设定范围 自由度
风速[m/s] [3:2:25] 12
湍流强度[％] [1:3:15] 5
海浪高度[m] [0:2:6] 3
海浪周期[s] [10:4:24] 6
洋流速度[m/s] [0:0.5:2] 4
发电机组转速[rpm] [5.0:0.5:7.5] 6
表2
表3
控制参数 数值
额定功率[MW] 15
叶片半径[m] 120
切入、额定、切出风速[m/s] 3、10.6、25
额定转速[rpm] 7.56
塔基、塔顶直径[m] 10、6.5
塔基、塔顶厚度[mm] 100、30
需要说明书的是，对于表1中风速的参数设定范围[3:2:25]，3表示最小风速，25表示最大风速，2表示多个运行工况的取值间隔，其他参数的参数设定范围的含义类似，不再赘述。比如，风速采用了3m/s、5m/s、7m/s、9m/s、11m/s、13m/s、15m/s、17m/s、19m/s、21m/s、23m/s、25m/s这12个风速值，自由度则为12。
示例性的，运行工况1-12的风速分别为3m/s、5m/s、7m/s、9m/s、11m/s、13m/s、15m/s、17m/s、19m/s、21m/s、23m/s、25m/s，每个运行工况的多个子工况的风速则在对应风速值周围上下变化，不同子工况的风速的变化范围不同，例如，对于运行工况1，包括子工况11和12。
(2)、对各运行工况的多个子工况序列通过蒙特卡洛法进行仿真处理，获得塔架在风力发电机组的各运行工况下的载荷力矩序列。
对上述实施例中的各运行工况的k个子工况序列通过蒙特卡洛法进行仿真处理，获得塔架在风力发电机组的各运行工况下的k个载荷力矩序列。
需要说明的是，若子工况序列为正常工况，则对应的载荷力矩序列为疲劳载荷力矩序列；若子工况序列为极限工况，则对应的载荷力矩序列为极限载荷力矩序列。
(3)、根据塔架在风力发电机组的各运行工况下的载荷力矩序列，使用雨流计数法确定载荷力矩序列的等效损坏载荷值，获得各个运行工况对应的载荷数据集。
雨流计数法的公式如下：
公式(1)中，DEL为等效损坏载荷值，ni和分别为通过雨流计数法计算得到的循环数和循环幅值，T为载荷时间历程评估周期，f为给定的正弦载荷频率，m为材料S-N曲线中的斜率，m是由部件材料属性决定。
在风力发电机组经历子工况后，塔架会受到振动力的作用，这样来回的振动会对塔架造成损伤，如图4所示，为塔架在风力发电机组的某一子工况下的载荷力矩序列图。通过雨流计数法来描述这样的损伤，这个值可以代表塔架的损坏程度，即等效损坏载荷。
一种通过蒙特卡洛法仿真获得塔架多个载荷数据集的实现过程可包括但不限于如下步骤：
(1)、根据统计法对各载荷数据集中的载荷值的对称程度和集中程度进行分析，获得各载荷数据集中的各载荷值的数据集分布特征值；
可使用偏度表征对称程度，使用峰度表征集中程度。
在一些实施例中，使用Jarque-Bera(总体分布特性检验)统计法对各载荷数据集中的载荷值的偏度和峰度进行分析，其中，Jarque-Bera统计法的计算公式为：
公式(2)中，JB为数据集分布特征值，Csk和Csh分别为载荷数据集的偏度系数和峰度系数，可选地，偏度系数Csk为0，峰度系数大于等于3，DELi为载荷数据集的第i个载荷值，DiE为载荷数据集的平均值，/>为载荷数据集的方差，k为各载荷数据集中的载荷值的数量。
在一些实施例中，也可以使用其他统计法对各载荷数据集中的载荷值的偏度和峰度进行分析。
(2)、根据各载荷数据集中的各载荷值的数据集分布特征值的对称程度和集中程度，确定该载荷数据集中的载荷值的分布特征；
(3)、判断各载荷数据集中的载荷值的分布特征是否满足预设分布特征，预设分布特征具有对称性，且集中程度大于或等于预设程度值(即预设分布特征具有尖峰)；当载荷数据集中的载荷值的分布特征满足预设分布特征时，进入步骤(4)；当载荷数据集中的载荷值的分布特征不满足预设分布特征时，进入步骤(5)；
(4)、停止对应运行工况下的蒙特卡洛法仿真；
(5)、继续对应运行工况下的蒙特卡洛法仿真。
例如，当载荷数据集中的载荷值的分布特征满足预设分布特征时，停止该载荷数据集对应的运行工况下的蒙特卡洛法仿真；当载荷数据集中的载荷值的分布特征不满足预设分布特征时，继续该载荷数据集对应的运行工况下的蒙特卡洛法仿真。
直到所有载荷数据集中的载荷值的分布特征均满足预设分布特征的要求。
在S22中、分析各载荷数据集中的载荷值的概率分布，概率分布用于表征各载荷值的概率大小。
可根据非参数核密度估计方法，分别估计各载荷数据集中的载荷值的概率分布，非参数核密度估计方法不依赖于先验知识，准确度高。
非参数核密度估计方法的核密度函数表达式为：
公式(3)中，DELi(i＝1，2，...，k)为各载荷数据集中的载荷值，fh(x)是内核函数(高斯核函数是处理非线性问题最常用的函数之一，其核方程为h是参数带宽，x为各载荷数据集中的最小载荷值至最大载荷值之间的任意一个。
对于各运行工况，可以获得相应的载荷数据集DELn＝[DELn1，DELn2，...，DELnk]，其中，DELnk表示基于第n个运行工况的蒙特卡洛法仿真实验获得的第k个载荷值。对于塔架载荷的载荷数据集DELn，通过(3)中所示的非参数核密度估计方法获得载荷数据集的概率分布。
应当理解地，也可基于其他方法分析各载荷数据集中的载荷值的概率分布。
在S23中、根据各载荷数据集中的载荷值的概率分布，确定能够代表该载荷数据集的有效载荷值，并确定与所述有效载荷值相对应的工况参数的特征值。
其中，载荷数据集的有效值与工况参数的特征值的具有对应关系。
在一些实施例中，各载荷数据集的有效载荷值的数量为一个，例如，各载荷数据集的有效载荷值为各载荷数据集中概率值最大的载荷值，基于S22确定出的概率分布的分布特征可以得到各载荷数据集中最大概率的载荷值。
随后，各载荷数据集中最大概率的载荷值作为与对应运行工况下的有效载荷值，即：
公式(4)中，vn，TIn，Hsea_n，fsea_n，vsea_n，Pset_n，βref_n，ωset_n分别表示运行工况n的平均风速、湍流强度、海浪高度、海浪周期、洋流速度、有功功率设定值、桨距角参考值、转速设定值。
在另外一些实施例中，各载荷数据集的有效载荷值的数量为多个，如，各载荷数据集的有效载荷值为各载荷数据集中概率大小大于预设概率阈值的载荷值，预设概率阈值的大小可以根据需要设置，如80％、85％或90％等等。
在S24中、根据载荷数据集的有效载荷值及与有效载荷值相对应的与工况参数的特征值，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度。
具体可根据载荷数据集的有效载荷值与工况参数的特征值之间的对应关系，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度。
可根据载荷数据集的有效载荷值与工况参数的特征值之间的对应关系，并通过敏感性分析方法，确定每个工况参数对塔架载荷的影响程度，即使用敏感性分析方法确定每个工况参数对塔架载荷的影响程度，从而剔除对塔架载荷关联度较低的工况参数，简化塔架载荷建模的复杂度。
下面，介绍敏感性分析方法确定每个工况参数对塔架载荷的影响程度的实现过程：
(1)、将多个载荷数据集均分成两组，获得两个载荷数据集组合；
(2)、根据两个载荷数据集组合，分别获得两个第一参数矩阵，其中，各第一参数矩阵的同一行为同一载荷数据集的有效载荷值对应的工况参数的特征值，同一列为不同载荷数据集的有效载荷值的同一类型的工况参数的特征值；
(3)、将两个第一参数矩阵的各相同列依次对换，分别获得该相同列对应的两个第二参数矩阵；
(4)、确定两个第一参数矩阵分别与对应的有效载荷值之间的函数关系；
(5)、根据函数关系，确定各相同列对应的两个第二参数矩阵分别对应的有效载荷值；
(6)、根据各相同列对应的其中一个第二参数矩阵对应的有效载荷值以及两个第一参数矩阵分别对应的有效载荷值，确定每个工况参数对塔架载荷的影响程度。
示例性的，通过步骤S21～S23，获得一个(2k，m)的随机数矩阵，其中，2k为样本容量，即2k个载荷数据集，m为各载荷数据集的工况参数的个数，即风浪流参数和风力发电机组的控制参数的个数，定义两个第一参数矩阵矩阵(A和B)，每个第一参数矩阵包含一半的样本。
公式(5)中，x1、x2、…、xm分别为1-m的工况参数，A和B分别包含1-k的载荷数据集的工况参数、(k+1)-(k+k)的载荷数据集的工况参数。
定义第二参数矩阵Ci和Di，为了充分利用第一参数矩阵A和B，其中，Ci由将A的第i列分配到B的第i列，Di通过将B的第i列分配到A的第i列。
将A、B、Ci和Di分别作为工况参数的输入，得到不同组的(k，1)的塔架载荷向量(即上述函数关系)，即：
公式(7)中，y为有效载荷值。
然后，计算各工况参数对塔架载荷的一阶敏感性系数Si：
公式(8)中，Si为第i个工况参数对塔架载荷的一阶敏感性系数，X-i代表除了Xi所有输出变量的向量。
每个工况参数对塔架载荷的一阶敏感性系数即为每个工况参数对塔架载荷的影响程度。
可基于方差的敏感性分析方法确定每个工况参数对塔架载荷的影响程度，也可基于其他算法的敏感性分析方法确定每个工况参数对塔架载荷的影响程度。
在S25中、根据每个工况参数对塔架载荷的影响程度，确定多个工况参数中的有效影响工况参数。
在完成敏感性分析后，为了降低塔架载荷建模的复杂程度，去除对塔架载荷影响程度较低的因素。在一些实施例中，当影响程度大于预设程度阈值时，确定对应的工况参数为有效影响工况参数，从而去除对塔架载荷影响程度较低的因素，降低塔架载荷建模的复杂度。其中，预设程度阈值的大小可以根据需要设置，如预设程度阈值可以为20％、25％或者30％等等。
在另外一些实施例中，确定影响程度靠前的预设数量的工况参数作为多个工况参数中的有效影响工况参数，从而去除对塔架载荷影响程度较低的因素，降低塔架载荷建模的复杂度。其中，预设数量可以根据需要设置，如，工况参数的数量为7个，预设数量可以为6个或5个等等。
在S26中、根据多个载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对塔架载荷进行建模。
参见图5，一种根据多个载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对塔架载荷进行建模的实现过程可包括如下步骤：
S51、建立塔架载荷的多项式模型，多项式模型以有效影响工况参数的特征值为自变量，以有效载荷值为因变量；
S52、将多个载荷数据集的有效载荷值及对应的有效影响工况参数的特征值分别代入多项式模型，获得多项式模型中每一项的系数。
可使用任意多项式混沌展开的方法建立塔架载荷输出的多项式模型，取决于在事件Ω、代数Λ、概率度量Γ下的随机独立的矢量输入X(包含风浪流参数和控制参数，假设矢量输入有n个工况参数)，作为随机多元正交多项式Ψi(X)和确定性系数ci的线性组合：
公式(9)中，系数ci通过使用正交特性获得，展开式中m个项的数量取决于输入的工况参数的个数n和展开式阶数p，即m＝(n+p)！/(n！p！)。
Ψi为一元正交或正交多项式Ψi(X)的乘积：
公式(11)中，指数(α)是一个m×n的矩阵，包含展开式项i中参数编号j的响应阶数。以二元二次方程为例，当Ψi(X)＝x2+xy+y2时：x和y表示为输入的工况参数。
参见图6，本申请实施例还提供一种风力发电机组的塔架载荷建模装置，包括一个或多个处理器，用于实现上述实施例中的风力发电机组的塔架载荷建模方法。
风力发电机组的塔架载荷建模装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在风力发电机组的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本申请风力发电机组的塔架载荷建模装置所在风力发电机组的一种硬件结构图，除了图6所示的处理器、内部总线、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的风力发电机组通常根据该风力发电机的实际功能，还可以包括其他硬件，对此不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的风力发电机组的塔架载荷建模方法。
所述计算机可读存储介质可以是前述任一实施例所述的风力发电机组的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括风力发电机组的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述风力发电机组所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (14)

1.一种风力发电机组的塔架载荷建模方法，其特征在于，包括：
针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，多个所述运行工况与多个所述载荷数据集一一对应，各载荷数据集均包括塔架分别在对应运行工况的多个子工况下的载荷值，多个所述运行工况的至少一个工况参数的特征值的参考值大小不相等，每个运行工况的多个子工况对应包括该运行工况在不同时间段内的工况参数的特征值，每个运行工况的多个子工况的至少一个工况参数的特征值的变化范围不同，所述工况参数包括风浪流参数及所述风力发电机组的控制参数；
分析各载荷数据集中的载荷值的概率分布，所述概率分布用于表征各载荷值的概率大小；
根据各运行工况对应的载荷数据集中的载荷值的概率分布，确定能够代表该载荷数据集的有效载荷值，并确定与所述有效载荷值相对应的工况参数的特征值；
根据所述载荷数据集的有效载荷值及与所述有效载荷值相对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对所述塔架载荷的影响程度；
根据每个工况参数对所述塔架载荷的影响程度，确定多个所述工况参数中的有效影响工况参数；
根据多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对所述塔架载荷进行建模。
2.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述运行工况包括正常工况和极限工况。
3.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，包括：
根据所述风力发电机组的各运行工况的工况参数的参考值，生成该运行工况的多个子工况序列，同一运行工况对应的多个子工况在时间序列上的各工况参数的值是随机变化的；
对各运行工况的多个所述子工况序列通过蒙特卡洛法进行仿真处理，获得塔架在风力发电机组的各子工况下的载荷力矩序列；
根据所述塔架在风力发电机组的各子工况下的载荷力矩序列，使用雨流计数法确定所述载荷力矩序列的等效损坏载荷值，获得各运行工况下对应的载荷数据集。
4.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述针对风力发电机组的多个运行工况，通过蒙特卡洛法仿真获得多个载荷数据集，包括：
根据统计法对各载荷数据集中的载荷值的对称程度和集中程度进行分析，获得各载荷数据集中的各载荷值的数据集分布特征值；
根据各载荷数据集中的各载荷值的数据集分布特征值的对称程度和集中程度，确定该载荷数据集中的载荷值的分布特征；
判断各载荷数据集的载荷值的分布特征是否满足预设分布特征，所述预设分布特征具有对称性，且集中程度大于或等于预设程度值；
当所述载荷数据集中的载荷值的分布特征满足所述预设分布特征时，停止对应运行工况下的蒙特卡洛法仿真；
当所述载荷数据集中的载荷值的分布特征不满足所述预设分布特征时，继续对应运行工况下的蒙特卡洛法仿真。
5.根据权利要求4所述的风力发电机组的塔架载荷建模方法，其特征在于，所述统计法为Jarque-Bera统计法。
6.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述分析各载荷数据集中的载荷值的概率分布，包括：
根据非参数核密度估计方法，分别估计各载荷数据集中的载荷值的概率分布。
7.根据权利要求1或6所述的风力发电机组的塔架载荷建模方法，其特征在于，所述有效载荷值为所述载荷数据集中概率值最大的载荷值。
8.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述根据所述载荷数据集的有效载荷值及与所述有效载荷值相对应的工况参数的特征值，采用敏感性分析方法确定每个工况参数对所述塔架载荷的影响程度，包括：
根据所述载荷数据集的有效载荷值及所述工况参数的特征值之间的对应关系，采用敏感性分析方法确定每个工况参数对塔架载荷的影响程度。
9.根据权利要求8所述的风力发电机组的塔架载荷建模方法，其特征在于，所述根据多个所述载荷数据集的有效载荷值及对应的工况参数大小以及敏感性分析方法，确定每个工况参数对所述塔架载荷的影响程度，包括：
将多个所述载荷数据集均分成两组，获得两个载荷数据集组合；
根据两个所述载荷数据集组合，分别获得两个第一参数矩阵，其中，各第一参数矩阵的同一行为同一载荷数据集的有效载荷值对应的工况参数的特征值，同一列为不同载荷数据集的有效载荷值的同一类型的工况参数的特征值；
将两个所述第一参数矩阵的各相同列依次对换，分别获得该相同列对应的两个第二参数矩阵；
确定两个所述第一参数矩阵分别与对应的有效载荷值之间的函数关系；
根据所述函数关系，确定各相同列对应的两个所述第二参数矩阵分别对应的有效载荷值；
根据各相同列对应的其中一个所述第二参数矩阵对应的有效载荷值以及两个所述第一参数矩阵分别对应的有效载荷值，确定每个工况参数对所述塔架载荷的影响程度。
10.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述根据每个工况参数对所述塔架载荷的影响程度，确定多个所述工况参数中的有效影响工况参数，包括：
当所述影响程度大于预设程度阈值时，确定对应的工况参数为有效影响工况参数；或者，
确定所述影响程度靠前的预设数量的工况参数作为多个所述工况参数中的有效影响工况参数。
11.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述根据多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值，通过多项式展开法对所述塔架载荷进行建模，包括：
建立所述塔架载荷的多项式模型，所述多项式模型以所述有效影响工况参数的特征值为自变量，以所述有效载荷值为因变量；
将所述多个所述载荷数据集的有效载荷值及对应的有效影响工况参数的特征值分别代入所述多项式模型，获得所述多项式模型中每一项的系数。
12.根据权利要求1所述的风力发电机组的塔架载荷建模方法，其特征在于，所述风浪流参数包括风速、湍流强度、海浪高度、海浪周期、洋流速度中的至少一种，所述控制参数包括有功功率设定值、桨距角参考值、和转速设定值中的至少一种。
13.一种风力发电机组的塔架载荷建模装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-12中任一项所述的风力发电机组的塔架载荷建模方法。
14.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-12中任一项所述的风力发电机组的塔架载荷建模方法。
CN202110963439.4A 2021-08-20 2021-08-20 风力发电机组的塔架载荷建模方法和装置 Active CN113609622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110963439.4A CN113609622B (zh) 2021-08-20 2021-08-20 风力发电机组的塔架载荷建模方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110963439.4A CN113609622B (zh) 2021-08-20 2021-08-20 风力发电机组的塔架载荷建模方法和装置

Publications (2)

Publication Number Publication Date
CN113609622A CN113609622A (zh) 2021-11-05
CN113609622B true CN113609622B (zh) 2023-12-26

Family

ID=78309068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110963439.4A Active CN113609622B (zh) 2021-08-20 2021-08-20 风力发电机组的塔架载荷建模方法和装置

Country Status (1)

Country Link
CN (1) CN113609622B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115510381B (zh) * 2022-09-27 2023-08-22 中国海洋大学 一种海上风机多元相干效应风场载荷构建方法
CN116205154B (zh) * 2022-12-30 2023-09-05 中国能源建设集团广东省电力设计研究院有限公司 空气动力系数的生成方法、装置、终端设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015135549A1 (en) * 2014-03-12 2015-09-17 Vestas Wind Systems A/S Control method for a wind turbine
CN106503316A (zh) * 2016-10-12 2017-03-15 广东明阳风电产业集团有限公司 一种风机载荷高效评估系统
DE102016117402A1 (de) * 2016-09-15 2018-03-15 Wobben Properties Gmbh Verfahren zur Ermittlung von Betriebslasten und zur Auslegung für Turmbauwerke, Turmbauwerk und Windenergieanlage
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
CN111997831A (zh) * 2020-09-01 2020-11-27 新疆金风科技股份有限公司 风电机组的载荷控制方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015135549A1 (en) * 2014-03-12 2015-09-17 Vestas Wind Systems A/S Control method for a wind turbine
DE102016117402A1 (de) * 2016-09-15 2018-03-15 Wobben Properties Gmbh Verfahren zur Ermittlung von Betriebslasten und zur Auslegung für Turmbauwerke, Turmbauwerk und Windenergieanlage
CN106503316A (zh) * 2016-10-12 2017-03-15 广东明阳风电产业集团有限公司 一种风机载荷高效评估系统
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
CN111997831A (zh) * 2020-09-01 2020-11-27 新疆金风科技股份有限公司 风电机组的载荷控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
抽油机电液伺服加载智能控制系统研究;宋鹏;吴伟;魏航信;石杨;;河南科技(第22期);全文 *

Also Published As

Publication number Publication date
CN113609622A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN113609622B (zh) 风力发电机组的塔架载荷建模方法和装置
CN109086534B (zh) 一种基于cfd流体力学模型的风电场尾流订正方法及系统
Tran et al. The aerodynamic interference effects of a floating offshore wind turbine experiencing platform pitching and yawing motions
CN110210044A (zh) 风力发电机组的载荷预测方法和装置
Müller et al. Application of a Monte Carlo procedure for probabilistic fatigue design of floating offshore wind turbines
CN111427750B (zh) 一种计算机平台的gpu功耗估计方法、系统及介质
Caccia et al. Numerical simulations of ice accretion on wind turbine blades: are performance losses due to ice shape or surface roughness?
CN112611584A (zh) 风力发电机组的疲劳失效检测方法、装置、设备及介质
Richmond et al. Evaluation of an offshore wind farm computational fluid dynamics model against operational site data
CN115270605A (zh) 一种基于数据驱动的风电机组的疲劳载荷抑制方法
CN108052963A (zh) 风电功率预测建模的数据筛选方法、装置及风力发电机组
Xing et al. Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network
Nikolic et al. Robust strategies for forced response reduction of bladed disks based on large mistuning concept
CN111310341B (zh) 风机运行参数确定方法、装置、设备及可读存储介质
CN112182802A (zh) 计入随机失谐的叶轮机械气动弹性优化设计实现方法
CN113090473A (zh) 风力发电机组及其疲劳损伤的计算方法和设备
del Campo et al. A simplified method for structural and fatigue analyses of wind turbine support structures
CN113048012B (zh) 基于混合高斯模型的风电机组偏航角度识别方法和装置
CN111651843B (zh) 发电机主机架的设计方法、系统及电子设备
Pinto et al. A reduction technique for the calculation of the forced response of bladed disks in the presence of contact mistuning at blade root joints
Mateos et al. Depth average tidal resource assessment considering an open channel flow
Muto et al. Model-based load estimation for wind turbine blade with Kalman filter
Stewart et al. Statistical estimation of extreme loads for the design of offshore wind turbines during non-operational conditions
CN106503375A (zh) 一种基于cn群理论确定汽轮机转子临界转速的方法及系统
CN110207871B (zh) 风电机组的应力预测的方法、装置、存储介质和系统

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