CN113874626A - 用于评估和验证风力涡轮和风场性能的系统及方法 - Google Patents

Abstract

提供了一种用于评估或验证由一个或多个升级产生的风力涡轮或风场性能的方法。获得来自风场中的风力涡轮的操作数据的测量值。生成性能的基线模型，并且基线模型中的各个是从操作数据的不同部分开发的。生成步骤过滤风力涡轮，使得它们处于平衡的随机状态。从基线模型选择性能的最优基线模型，并且最优基线模型包括方向。将性能的最优基线模型与风场或风力涡轮的实际性能进行比较。比较步骤确定功率输出的最优基线模型与风场/涡轮的实际功率输出之间的差异。这种差异反映了由升级产生的功率输出的变化。

Description

用于评估和验证风力涡轮和风场性能的系统及方法

技术领域

本公开大体上涉及风力涡轮和风场，并且更具体地涉及一种用于评估风场性能的收益并验证风场性能以便确定改进和/或性能不佳（例如功率输出）的系统和方法。

背景技术

风力被认为是目前可获得的最清洁、最环保的能源之一，并且风力涡轮在这方面已得到增加关注。现代风力涡轮通常包括塔架、发电机、变速箱、机舱和一个或多个转子叶片。转子叶片使用已知的翼型件原理获得风的动能。例如，转子叶片通常具有翼型件的截面轮廓，使得在操作期间，空气在叶片上流动，以在侧部之间产生压差。因此，方向从压力侧朝吸力侧的升力作用于叶片上。升力在主转子轴上生成转矩，主转子轴啮合至发电机来产生电力。

多个风力涡轮通常连同彼此使用来生成电力，且通常称为“风场”。风场上的风力涡轮通常包括其自身的气象监测器，气象监测器执行例如温度、风速、风向、大气压力和/或空气密度测量。另外，还可提供具有更高质量的气象仪器的单独气象桅杆或塔架（“气象桅杆”），其可在场中的一点处提供更准确的测量。气象数据与功率输出的相关性提供了针对单独风力涡轮的“功率曲线”的经验确定。

通常，在风场中，各个风力涡轮试图最大化其自身的功率输出，同时将其疲劳负载保持在期望的极限内。为此，各个涡轮包括控制模块，该模块试图在面临变化的风力和电网条件时最大化涡轮的功率输出，同时满足诸如子系统额定值和构件负载的约束。基于确定的最大功率输出，控制模块控制各种涡轮构件（如发电机/功率转换器、变桨系统、制动器和偏航机构）的操作，以达到最大功率效率。

通常，在最大化单个风力涡轮的功率输出的同时，相邻的涡轮可能受到负面影响。例如，下风涡轮可能会经历由上风涡轮引起的大尾流效应。尾流效应包括从风力涡轮下风的风速的降低和增加的风湍流，这通常由上风涡轮的常规操作（即，对于最大功率输出）引起的。由于这些尾流效应，故下风涡轮接收较低速度下的风，极大地影响了其功率输出（因为功率输出与风速成正比）。此外，风湍流会对放置在下风涡轮上的疲劳负载产生负面影响，并从而影响其寿命（因为寿命与疲劳负载成正比）。因此，一些风力涡轮的最大效率可导致风场中其它风力涡轮的次优功率输出、性能或寿命。因此，现代控制技术试图优化风场功率输出而不是各个单独风力涡轮的功率输出。

另外，有许多产品、特征和/或升级可用于风力涡轮和/或风场以增加风场的功率输出或年发电量（AEP）。一旦安装了升级，则有效地确定各种风力涡轮性能改进测量值以验证升级的益处是有利的。例如，用于评估风力涡轮性能测量值的典型方法是针对如由涡轮机舱风速计评估的风速的基线功率。然而，由于机舱风速计测量值以及这些测量值投入到AEP估计中的不精确，故机舱风速计途径有时会受到阻碍。此外，这种途径可能不如在风力涡轮前面使用外部气象桅杆更优选，但这种途径由于气象桅杆途径的成本通常过高而被广泛使用。另外，即使在正确校准机舱风速计时，单独风力曲线方法也无法辨别升级的益处，如尾流最小化技术，其可为场创造更大风力来使用。其它类型的升级与软件/控制相关，并且涉及优化给定涡轮的桨距、速度或偏航角，以最大化涡轮和场功率。这些升级还可潜在地混淆基于风速计的性能评估，因为控制这些参数可改变流向风速计的空气流。

除了评估对涡轮和场的升级的性能之外，还需要性能收益（功率预期）测量技术和方法来辨别特定的风力涡轮是否正常操作或是否由于材料或软件问题存在性能不佳。同样，如果风速计传感器本身存在问题，则基于风速计的评估技术可具有困难。

发明内容

本发明的方面和优点将在以下描述中部分地阐明，或可从描述清楚，或可通过实施本发明理解到。

一方面，本公开涉及一种用于评估或验证由一个或多个升级产生的风力涡轮或风场性能的方法。该方法包括用于经由一个或多个传感器测量来自风场的一个或多个风力涡轮的操作数据的测量步骤。生成步骤经由处理器从操作数据的至少一部分生成风场的性能的多个基线模型或风场中的风力涡轮的性能的多个基线模型。性能的基线模型中的各个是从来自风场的一个或多个风力涡轮的操作数据的不同部分开发的。生成步骤包括过滤一个或多个风力涡轮，使得一个或多个风力涡轮处于平衡的随机状态。选择步骤经由处理器从多个基线模型选择性能的最优基线模型，其中最优基线模型包括方向。比较步骤经由处理器将性能的最优基线模型与风场或风力涡轮的实际性能进行比较。风场或风力涡轮的实际性能是在风场的一个或多个风力涡轮由已经为一个或多个风力涡轮安装的一个或多个升级修改之后确定的。升级包括末梢速度比、桨距设置或偏航偏移设置中的至少一项。将性能的最优基线模型与风场或风力涡轮的实际性能进行比较包括确定功率输出的最优基线模型与风场或风力涡轮的实际功率输出之间的差异。这种差异反映了由一个或多个升级产生的功率输出的变化。

另一方面，本公开涉及一种用于评估或验证风力涡轮性能的方法。测量步骤经由一个或多个传感器测量来自风力涡轮的操作数据。生成步骤经由处理器从操作数据的至少一部分生成风力涡轮的性能的多个基线模型。性能的基线模型中的各个是从操作数据的不同部分开发的。生成步骤包括过滤数据，使得数据处于平衡的随机状态。选择步骤经由处理器从多个基线模型选择性能的最优基线模型，并且最优基线模型包括方向。比较步骤经由处理器将性能的最优基线模型与风力涡轮的实际性能进行比较。基线模型包括末梢速度比、桨距设置或偏航偏移设置中的至少一项。将性能的最优基线模型与风力涡轮的实际性能进行比较包括确定功率输出的最优基线模型与风力涡轮的实际功率输出之间的差异。这种差异反映了由不存在或存在对风力涡轮的一个或多个升级产生的功率输出的变化。

又一方面，本公开涉及一种用于验证由一个或多个升级产生的一个或多个风场性能测量值的系统。该系统包括多个传感器，其配置成测量来自风场中的一个或多个风力涡轮的操作数据。控制器配置成执行多个操作或步骤。生成步骤从操作数据的至少一部分生成风场的性能的多个基线模型。性能的基线模型中的各个是从来自风场的一个或多个风力涡轮的操作数据的不同部分开发的。生成步骤包括过滤一个或多个涡轮，使得一个或多个涡轮处于平衡的随机状态。选择步骤从多个基线模型选择性能的最优基线模型，并且最优基线模型包括方向。比较步骤将性能的最优基线模型与风场的实际性能进行比较。风场的实际性能是在风场的一个或多个风力涡轮由已经为风场的一个或多个风力涡轮安装的一个或多个升级修改之后确定的。升级包括末梢速度比和桨距设置中的至少一项。将性能的最优基线模型与风场的实际性能进行比较包括确定功率输出的最优基线模型与风场的实际功率输出之间的差异。这种差异反映了由一个或多个升级产生的功率输出的变化。

附图说明

包括针对本领域的普通技术人员的其最优模式的本发明的完整且充分的公开在参照附图的说明书中阐明，在附图中：

图1示出了根据本公开的风场的一个实施例的透视图。

图2示出了根据本公开的风力涡轮的一个实施例的透视图。

图3示出了根据本公开的风力涡轮和/或风场的控制器的一个实施例的框图。

图4示出了根据本公开的作为风力涡轮的数量的函数的响应于一个或多个升级的AEP变化的百分比（%）不确定性的一个实施例的图表。

图5示出了根据本公开的用于验证风场性能测量值的方法的一个实施例的流程图。

图6示出了根据本公开的多个统计算法的平均功率输出的一个实施例的图表。

图7示出了根据本公开的使用不同特征的多个统计算法的平均功率输出的另一个实施例的图表。

图8示出了根据本公开的多个基线模型的功率输出对时间的一个实施例的图表。

图9示出了根据本公开的最优基线模型的功率输出对时间的一个实施例的图表。

图10示出了根据本公开的风场的一个实施例的布局，特别示出了基线模型之一的所选风力涡轮。

图11示出了根据本公开的实际功率和预测功率之间的平均残差的一个实施例的图表。

图12示出了根据本公开的作为风扇区的函数的实际功率输出和预测功率输出的一个实施例的图表。

图13示出了根据本公开的长期风速分布的多个图表和用于相对于长期功率分布对功率变化进行积分的参考功率曲线的一个实施例。

图14示出了根据本公开的用于验证风场性能测量值的方法的另一个实施例的流程图。

图15示出了根据本公开的用于所关注的涡轮的高斯过程模型的结果。

图16是根据本公开的用于确定所选风力涡轮的功率集合的方法的流程图。

具体实施方式

现在将详细参考本发明的实施例，其一个或多个示例在附图中示出。各个示例通过阐释本发明的方式提供，而不限制本发明。实际上，本领域的技术人员将清楚的是，可在本发明中制作出各种修改和变型，而不会脱离本发明的范围或精神。例如，示为或描述为一个实施例的一部分的特征可结合另一个实施例使用以产生又一个实施例。因此，意图本发明覆盖如归入所附权利要求书和其等同物的范围内的此类修改和变型。

大体上，本公开涉及用于验证或识别风场中的风场性能测量值的改进的系统和方法。例如，在一个实施例中，该系统配置成响应于安装在风场内的一个或多个升级来验证风场性能测量值，即功率输出，以便优化风场性能。备选地，该系统可配置成识别风场中的风场性能测量值（即问题或误差），如例如错误配置、材料或软件故障和/或导致风场低于标准的性能的其它有问题的情况。

在各种实施例中，场控制器配置成在为风场的一个或多个风力涡轮（例如，所关注的涡轮）安装升级之后估计年发电量（AEP）变化。更确切地说，场控制器配置成接收和存储由一个或多个传感器测量的从风场的多个风力涡轮（包括所关注的涡轮）收集的操作数据。然后，场控制器从操作数据生成风场的性能（例如功率输出）的多个基线模型。例如，在一个实施例中，场控制器从风场选择多个风力涡轮子集以形成不包括所关注的涡轮的基线模型，并选择实现最优准确性的模型，即最优基线模型。然后，在已安装一个或多个升级之后，场控制器将性能的最优基线模型与风场的实际性能进行比较。例如，在一个实施例中，控制器将功率输出的最优基线模型与实际功率输出进行比较，并确定功率输出变化的相关不确定性。应当理解，升级可包括本领域现在已知的或以后开发的任何合适的升级，包括但不限于转子叶片翼弦延长、软件升级、控制升级、硬件升级、尾流控制、空气动力学升级、叶片末梢延长、涡流发生器、小翼等。因此，场控制器配置成验证响应于安装至少一个升级而发生的风场性能改进（如风场功率的改进）。

本公开具有现有技术中不存在的许多优点。例如，本公开使用机器学习算法来利用和融合准确的可用传感器数据。也就是说，使用越相关、质量越好的传感器以及在类似条件下汇集的数据越多，最优基线模型的预测误差将越低。因此，可改进风场性能改进测量值的准确性并且可减少相关的成本和时间。

现在参考附图，图1示出了根据本公开的方面的包含多个风力涡轮102的风场100的示例性实施例。风力涡轮102可以以任何合适的方式布置。举例来说，风力涡轮102可布置成行和列的阵列、单行、随机布置或处于环境有利的位置。此外，图10示出了风场100的一个实施例的示例布局。通常，风场中的风力涡轮布置是基于许多优化算法来确定的，使得针对对应的现场风气候最大化AEP。应当理解，在不脱离本公开的范围的情况下，可实施任何风力涡轮布置，如在不平坦的土地上。

此外，应当理解，风场100的风力涡轮102可具有任何合适的构造，如例如，如图2中所示。如图所示，风力涡轮102包括从支承表面延伸的塔架114、安装在塔架114顶上的机舱116以及联接到机舱116的转子118。转子包括具有安装在其上的多个转子叶片112的可旋转毂120，可旋转毂继而又连接到主转子轴，该主转子轴联接到容纳在机舱116（未示出）内的发电机。因此，发电机从由转子118生成的旋转能产生电力。应当认识到，图2的风力涡轮102仅用于说明目的来提供。因此，本领域普通技术人员应当理解，本发明不限于任何特定类型的风力涡轮构造。

如图中大体所示，风场100的各个风力涡轮102还可包括通信地联接到场控制器108的涡轮控制器104。此外，在一个实施例中，场控制器108可通过网络110联接到涡轮控制器104以便于各种风场构件之间的通信。风力涡轮102还可包括一个或多个传感器105，其配置成监测风力涡轮102的各种操作、风和/或负载条件。例如，一个或多个传感器可包括用于监测转子叶片112或转子叶片的桨距设置的叶片传感器；用于监测发电机负载、转矩、速度、加速度和/或发电机功率输出的发电机传感器；用于监测一种或多种风条件的风传感器；和/或用于测量转子轴的负载和/或转子轴的转速的轴传感器。此外，风力涡轮102可包括一个或多个塔架传感器，以用于测量通过塔架114传输的负载和/或塔架114的加速度。在各种实施例中，传感器可为以下中的任一项或组合：加速度计、压力传感器、冲角传感器、振动传感器、微型惯性测量单元（MIMU）、相机系统、光纤系统、风速计、风向标、声波探测和测距（SODAR）传感器、红外激光器、光探测和测距（LIDAR）传感器、辐射计、皮托管、无线电探空测风仪、其它光学传感器和/或任何其它合适的传感器。

现在参考图3，示出了根据本公开的方面的可包括在场控制器108和/或涡轮控制器104内的合适构件的一个实施例的框图。如图所示，控制器108可包括一个或多个处理器150和相关的存储器装置152，其配置成执行各种计算机实现的功能（例如，执行方法、步骤、计算等，并存储如本文所公开的相关数据）。另外，控制器108还可包括通信模块154以便于控制器108与风力涡轮102的各种构件之间的通信。此外，通信模块154可包括传感器接口156（例如，一个或多个模数转换器），以允许从一个或多个传感器103、105、107、109（如本文描述的传感器）传输的信号转换成可由处理器150理解和处理的信号。应当认识到，传感器103、105、107、109可使用任何合适的方式通信地联接到通信模块154。例如，如图所示，传感器103、105、107、109经由有线连接而联接到传感器接口156。然而，在其它实施例中，传感器103、105、107、109可经由无线连接而联接到传感器接口156，如通过使用本领域中已知的任何合适的无线通信协议。

如本文使用的用语“处理器”不仅是指本领域中称为包括在计算机中的集成电路，而且是指控制器、微控制器、微型计算机、可编程逻辑控制器（PLC）、专用集成电路，以及其它可编程电路。另外，存储器装置152可大体上包括存储器元件，包括但不限于，计算机可读介质（例如，随机存取存储器（RAM））、计算机可读非易失性介质（例如，闪速存储器）、软盘、光盘只读存储器（CD-ROM）、磁光盘（MOD）、数字多功能盘（DVD）和/或其它合适的存储器元件。此存储器装置152可大体上配置成存储合适的计算机可读指令，其在由处理器150实施时，将控制器108配置成执行如本文所述的各种功能。此外，联接风场100中的场控制器108、涡轮控制器104和风传感器106的网络110可包括任何已知的通信网络，如有线或无线网络、光网络等。另外，网络110可以以任何已知的拓扑连接，如环、总线或集线器，并且在不脱离本领域的情况下可具有任何已知的争用解决协议。因此，网络110配置成近实时地提供涡轮控制器104和场控制器108之间的数据通信。

此外，场控制器108配置成从传感器103、105、107、109和/或诸如涡轮经验模型的其它数据源获得或收集数据。采用这些输入，场控制器108配置成确定风场100的性能的一个或多个基线模型，其可用于验证风场100的场级性能（例如，场级功率输出）。更确切地说，场控制器108使用多特征估计来建立风力涡轮性能基线，多特征估计对AEP不确定性估计进行归一化，并且不仅仅依赖于机舱风速计估计或昂贵的附加传感器。例如，在一个实施例中，本公开提供了统一范例，其使用机器学习算法来利用和融合可用的最优传感器。因此，无论使用何种机器学习模型，场控制器108都配置成利用大数据和许多传感器来改进估计的准确性。例如，如图4中所示，随着用于收集操作数据的风力涡轮102的数量增加，百分比（%）不确定性降低。另外，如由不同线型所示，随着收集数据的时间段增加（例如从几分钟到几年），%不确定性降低。因此，使用越相关、质量越好的传感器以及在类似条件下汇集的数据越多，模型的预测误差将越低。

现在参考图5，示出了简化流程图，其示出了根据本公开的用于验证风场100的性能改进测量值的方法200的一个实施例。如202处所示，场控制器108可包括配置成收集和存储从传感器103、105、107、109收集的操作数据的全局存储库。应当理解，风力涡轮操作数据可包括关于风力涡轮102的任何相关操作数据，包括但不限于桨距角、发电机速度、功率输出、转矩输出、空气密度、温度、压力、风速、风力峰值、风湍流、风切变、风向、末梢速度比等。

在204处，可过滤操作数据以提供过滤的数据206。例如，在一个实施例中，可出于多种原因过滤数据，包括但不限于：当风力涡轮102之一在特定时间间隔（例如10分钟间隔）期间未完全操作时，当检测到缩减时，和/或当数据点具有非常低的风速（例如小于2米/秒）时。应当理解，除了本文具体描述的那些参数之外，还可使用任何其它合适的过滤参数来过滤数据。过滤操作数据，使得涡轮以随机方式处于平衡状态。这可通过利用通过一些历史窗口的平均状态涡轮状态的标准偏差的阈值来完成。例如，在此上下文中的涡轮状态是指在控制系统的最小末梢速度比和/或桨距偏移设置下，但可扩展为包括导致性能优化的任何涡轮配置参数。这确保在所关注的时段内有涡轮状态的切换。该度量可与跟涡轮状态的熵相关的度量结合以确保所有涡轮不会一起改变状态。任何确保涡轮状态随机化的方法将足够。其它过滤可包括过滤当涡轮缩减时的时段，或当某个最小数量的涡轮未操作时的时段。

在208处，可选地可同步或协调数据，以便在从多个源收集的数据之间建立一致性。此外，在210处，场控制器可配置成当历史数据中存在缺失值时估算数据。例如，上述初始过滤可在操作数据中产生间隙。由于本公开的各种实施例需要估计来自所关注的一个或多个风力涡轮的功率并使用来自相邻涡轮的信息，故在给定时间间隔不存在测量值需要完全移除对应的数据记录，从而导致严重数据丢失。因此，场控制器108配置成估算缺失数据，即用估计值替换缺失值以获得用于建模和分析的更完整的数据集。应当理解，可使用本领域已知的任何估算方法，包括选择不估算而是使用非缺失值的均值作为最优值。例如，在一个实施例中，可使用k最近邻算法来估算缺失数据。这种算法将给定涡轮的缺失数据替换为其k个最近邻点的测量值的加权均值。在某些实施例中，权重与其离相邻涡轮的欧几里得距离成反比。

在另外的实施例中（例如，当使用来自相邻涡轮的风速数据时），在并入功率模型之前，操作数据的线性化可能是有用的。例如，如212处所示，可利用贝叶斯功率曲线方法来线性化操作数据以产生功率估计以输入到建模算法中。在214处，对线性和非线性数据进行积分以提供积分数据216。

在218处，建立一个或多个统计模型以估计来自单独风力涡轮102的性能测量值改进（例如功率输出）。例如，在特定实施例中，可利用逐步线性回归来估计来自单独风力涡轮102的功率输出。大体上，逐步线性回归一次添加或移除一个特征，以尝试获得最优回归模型而不会过度拟合。此外，逐步回归通常具有两种变体，包括向前回归和向后回归，这两者都在本发明的范围和精神内。例如，向前逐步回归是通过连续添加预测器变量来构建模型的逐步过程。在每一步，都会比较带有和不带有潜在预测器变量的模型，并且只有当更大的模型导致与数据显著更好拟合时才会接受更大的模型。备选地，向后逐步回归从具有所有预测器的模型开始，并移除在建模响应变量方面没有统计显著性的项。

可用于验证风场100的性能测量值改进（例如功率输出）的另一种统计方法是最小绝对值收敛和选择算子（LASSO）算法。大体上，LASSO算法在系数的绝对值之和小于常数的约束下最小化残差平方和。可用于验证来自风场100的性能测量值改进的又一统计算法是M5 Prime（M5P）算法，其是在许多领域中有效的基于树的回归算法。例如，鉴于逐步线性回归为数据产生单个全局线性模型，基于树的回归算法对特征执行逻辑测试以形成树结构。大体上，M5P算法在树的各个节点使用线性回归模型，提供了更专业的模型。必须包括方向的机器学习模型与功率集合组的均值一起使用以确定收益（即功率预期）。这可认为是对将数据过滤到特定方向扇区（其然后为各个扇区形成单独的模型）的先前方法的改进。

在确定性能收益模型方面显示出卓有成效的其它机器学习方法包括高斯过程模型、随机森林模型和支持向量机。在一种实施方式中，利用三个特征使用高斯过程模型：场中值方向的正弦和余弦，以及“功率集合风力涡轮”功率的NaN均值。“功率集合风力涡轮”是在确定所关注的涡轮的功率时识别为重要特征的风力涡轮。图15示出了所关注的涡轮的高斯过程模型的结果。功率集合验证利用来自关键参考风力涡轮的平均功率来确定功率预期。给定风力涡轮的功率集合由与所关注的风力涡轮最相关的风力涡轮确定，这些风力涡轮一起在确定所关注的风力涡轮的性能时提供最低的不确定性。功率集合的优点是通过仅使用来自多个传感器的功率来降低不确定性。

图16是用于确定所选风力涡轮的功率集合的方法1600的流程图。方法1600利用具有平衡和随机状态的涡轮组来降低不确定性，并且该方法可应用于所关注的单个风力涡轮或多个风力涡轮。最优功率集合是通过利用控制风力涡轮组的NaN均值来确定的。可利用空情况来确保没有偏差。该方法通过将场级方向与末梢速度比和桨距设置一起输入到高斯过程模型来并入方向。年发电量增益是基于执行高斯过程模型确定的。在步骤1610中，从相关性矩阵确定功率集合以减少或最小化不确定性。例如，从输入数据（其从多个传感器获得）创建同步风场级功率矩阵。过滤输入数据以获得平衡集的实验状态设计和预定数量的操作风力涡轮。然后通过成对相关性和操作概率对功率集合风力涡轮进行排序。然后通过从最相关的风力涡轮开始并允许减少或最小化不确定性的缺失值来确定功率集合。

在步骤1620中，创建机器学习模型。例如，模型可为高斯过程模型、支持向量回归、随机森林、神经网络模型或其它机器学习技术。机器学习模型是从功率集合NaN均值输入、方向和实验状态设计创建的，以提供所关注的风力涡轮的估计功率输出和估计的不确定性。在步骤1630中，从估计的风力涡轮功率以及该值的不确定性来确定年发电量增益。机器学习或高斯过程模型允许创建在点之间很好地插值并提供不确定性度量的模型。支持向量机和随机森林也将在此应用中起作用。方向的正弦和余弦作为外显特征包括在单个模型中。通过使用NaN均值（即，同等地加权所有非缺失的风力涡轮传感器值的均值）提供了附加的优点。该方法特别适用于单个风力涡轮，但也可用于多个风力涡轮或甚至整个风场。

返回参考图6，比较来自用于验证功率输出的统计算法的样本结果，即逐步线性回归（线224）、LASSO（线226）和M5P（线228）。如图所示，逐步算法224与用于特定涡轮的更复杂的LASSO（线226）和M5P（线228）算法表现得一样好，但有一些变化。此外，如图所示，LASSO（线226）和M5P（线228）算法为风场100提供类似的功率估计。然而，在某些月份，M5P（线228）表现最优，而在其它月份，LASSO 226表现更优。应当理解，本文描述的各种统计模型仅作为示例提供，并且任何其它统计模型在本发明的精神和范围内。

现在参考图7，示出了各种模型的预测功率的均方根误差（RMSE）除以给定月份的数据中产生的平均功率，这可解释为由输出功率归一化的预测误差的度量。在某些实施例中，使用相当于大约一个月的训练数据提供了预测用于100个涡轮的场的涡轮功率的有效手段，然而应当理解，可使用任何数量的数据来开发各个模型。例如，如所示实施例中所示，当包括贝叶斯功率曲线功率估计在内的所有特征都包括在特征集中时（线230），使用一月数据训练的风力涡轮102可产生大约5%的训练的误差。然而，当仅使用风速和功率时（线232），训练数据的误差约为8%，当仅使用来自其它涡轮的功率时（线234），误差会上升到15%。如果在模型中仅使用风速（线236），则针对训练数据从模型预测10分钟间隔的误差超过23%。当这些在一月训练的模型应用于一年中其它月份的测试数据时，误差特征如图所示。因此，如所示实施例中所示，当机载机舱风速计和贝叶斯功率曲线估计作为特征包括在内时，获得了最优结果（线230）。

现在参考图8和图9，本公开包括比较和分析多个基线模型并选择提供最优或最准确性能的模型（即最优基线模型）以验证响应于升级的场功率输出改进。例如，如图8中所示，场控制器108测量来自风场100内的风力涡轮102的一个或多个子集的多个操作数据。控制器108然后可为各个数据子集生成多个基线模型。在某些实施例中，控制器108配置成通过将新数据应用于各个模型（其未用于创建基线模型）来验证基线模型中的各个以确定各个模型预测总场功率输出多好。例如，在一个实施例中，第一操作数据集可包括第一子集和第二子集。因此，基线模型中的一个可使用第一子集生成，并然后使用第二子集验证。例如，在尾流控制实施例中，基线模型（即在尾流控制未生效的情况下）可针对新数据（在尾流控制也未生效的情况下）执行，使得可以以小的误差容限预测风场功率输出。在备选实施例中，控制器108可仅基于训练数据来验证基线模型，使得不需要使用新数据（例如，第二子集）验证。

在另一实施例中，场控制器108还可消除包含已由一个或多个升级修改的一个或多个风力涡轮的基线模型。在还有另外的实施例中，场控制器108可从风场中的一个或多个风力涡轮策略性地提供或拒绝（例如打开和关闭）某些升级或修改（例如尾流控制），以便以期望的准确性提供用于评估场性能的基础。此外，保留或移除修改的程度给予了权衡场性能改进的验证准确性的能力。

返回参考图5，一旦已经建立了基线模型并且选择了最优基线模型，则在步骤220中确定AEP不确定性评估和静态最优设置，这导致AEP不确定性值222。将训练的或最优的模型应用于测试数据，如果没有应用升级，则控制器108可确定代表功率估计的基线预测功率。此外，残差功率定义为观察或实际功率与基线预测功率之间的差值，其代表由于升级引起的功率变化并且用于评估AEP变化。例如，如图9中所示，将实际功率238与由最优基线模型确定的预测功率242进行比较。在所示的实施例中，最优基线模型基于如由来自两个风力涡轮102的传感器确定的预测功率242。另外，线240代表当在模型中使用一半风力涡轮102来预测功率时的总场功率的估计。如图所示，如由最优模型确定的预测功率242类似于如由一个或多个传感器确定的实际功率238。通过将末梢速度比和桨距设置输入机器学习模型并使用所有选项查询该模型以便找出平均而言哪个设置表现最优，确定涡轮性能优化的静态最优设置。然后可将这些“优化”设置应用于期望的风力涡轮。

现在参考图10，然后将最优基线模型应用于风场100。更确切地说，如图所示，场控制器108确定用于控制涡轮集（如由标记252所示）内给定样本的控制传感器，并然后对其应用最优基线模型。如图11中所示，场控制器108然后可对实际功率和预测功率之间的误差244或残差建模以确定性能变化/不确定性。应当理解，尽管可使用任意数量的数据来构建模型，但是基线模型的准确性大体上随着更多数据而改进。在某些实施例中，控制器108还可确定实际功率和预测功率之间的平均误差246以确定平均不确定值。

在另外的实施例中，如图12和图13中所示，场控制器108可通过相对于长期功率分布304对功率变化进行积分来计算升级之前和之后的AEP变化。例如，在一个实施例中，场控制器108基于如图所示的参考功率曲线302转换预先指定的长期风速分布300。另外，如图12中所示，控制器108可将AEP确定为风扇区的函数。更确切地说，如图所示，线248代表具有尾流控制的AEP，而线250代表没有尾流控制的AEP。因此，控制器108可配置成计算针对每个可能的风向的基线模型。例如，在一个实施例中，控制器108可确定具有15度中值风向的风扇区的模型集。场控制器108然后可在中值风向为15度的数据上训练模型，并且当风向为15度时使用模型来预测场输出。在这样的实施例中，存在多个不同的模型集，各个模型集具有使用传感器输入的每个排列和组合的场输出模型。还可使用其它风向或扇区，例如，如图12中所示（即20度扇区），在此情况下，将有18个不同的模型集，等等。

现在参考图14，示出了用于验证由一个或多个升级产生的风场性能改进测量值的方法1400的流程图。在1402处，方法1400包括经由一个或多个传感器测量来自风场的一个或多个风力涡轮的操作数据。在1404处，该方法包括从操作数据的至少一部分生成风场的性能的多个基线模型，其中性能的基线模型中的各个是从来自风场的一个或多个风力涡轮的操作数据的不同集开发的。生成步骤1404包括过滤数据使得涡轮处于平衡的随机状态。控制涡轮不需要处于固定状态，而是引入强制平衡的随机状态的方法，以使整个实验场设计中的任何涡轮都视为控制涡轮组的一部分。在1406处，该方法包括经由处理器从多个基线模型选择性能的最优基线模型。必须包括方向的机器学习模型与功率集合组的均值一起使用以确定收益。这是对过滤到特定方向扇区（为各个扇区形成单独的模型）的先前方法的改进。在1408处，该方法包括将性能的最优基线模型与风场的实际性能进行比较，其中在安装一个或多个升级之后确定风场的实际性能。另外，在步骤1408中，通过将末梢速度比和叶片桨距设置输入机器学习模型并使用所有选项查询该模型以便找出平均而言哪个（哪些）设置表现最优，确定涡轮性能优化的静态最优设置。然后可将这些改进的设置应用于期望的风力涡轮。

如上所述，如本文所述的系统和方法还可配置成识别风场的一个或多个性能测量值（例如误差）以及性能改进。如本文所述，用语“误差”旨在涵盖如本领域中已知的其普通含义，以及错误配置、材料或软件故障，或可能导致风场低于标准的性能的其它有问题的情况。在还有另外的实施例中，由于各种原因，在风场表现低于基线预期的情况下可能发生误差。例如，在一种实施方式中，来自场验证方法的信息可用于确定风场中的风力涡轮或整个风场何时未正确配置或已遭受事故。

本书面描述使用了示例来公开本发明，包括最优模式，且还使本领域的任何技术人员能够实施本发明，包括制作和使用任何装置或系统，以及执行任何并入的方法。本发明的专利范围由权利要求书限定，且可包括本领域的技术人员想到的其它示例。如果此类其它示例包括并非不同于权利要求书的书面语言的结构元件，或如果它们包括与权利要求书的书面语言无实质差别的等同结构元件，则此类其它示例意图在权利要求书的范围内。

Claims (20)

1.一种用于评估或验证由一个或多个升级产生的风力涡轮或风场性能的方法，所述方法包括：

经由一个或多个传感器测量来自风场的一个或多个风力涡轮的操作数据；

经由处理器从所述操作数据的至少一部分生成所述风场的性能的多个基线模型或所述风场中的风力涡轮的性能的多个基线模型，其中性能的所述基线模型中的各个是从来自所述风场的一个或多个风力涡轮的操作数据的不同部分开发的，生成步骤包括过滤所述一个或多个风力涡轮，使得所述一个或多个风力涡轮处于平衡的随机状态；

经由所述处理器从所述多个基线模型选择性能的最优基线模型，所述最优基线模型包括方向；以及

经由所述处理器将性能的所述最优基线模型与所述风场或所述风力涡轮的实际性能进行比较，其中所述风场或所述风力涡轮的实际性能是在所述风场的一个或多个风力涡轮由已经为所述一个或多个风力涡轮安装的所述一个或多个升级修改之后确定的，所述升级包括末梢速度比、桨距设置或偏航偏移设置中的至少一项，以及其中将性能的所述最优基线模型与所述风场或风力涡轮的实际性能进行比较包括确定功率输出的最优基线模型与所述风场或风力涡轮的实际功率输出之间的差异，其中所述差异反映了由所述一个或多个升级产生的功率输出的变化。

2.根据权利要求1所述的方法，其中，功率输出的所述最优基线模型包括所述风场或单个风力涡轮的年功率输出。

3.根据权利要求1至权利要求2所述的方法，其中，从所述操作数据生成所述风场的性能的所述多个基线模型进一步包括：

针对所述基线模型中的各个选择一个或多个风力涡轮；

选择与所选风力涡轮中的各个相关的操作数据的子集；以及

从操作数据的所述子集创建所述基线模型中的各个。

4.根据权利要求3所述的方法，进一步包括经由所述处理器评估所述风场或风力涡轮的性能的所述基线模型中的各个。

5.根据权利要求4所述的方法，其中，评估所述基线模型中的各个进一步包括将所述基线模型中的各个与跟针对各个基线模型的所选风力涡轮中的各个相关的操作数据的附加子集进行比较，其中在创建所述基线模型时不使用操作数据的所述附加子集。

6.根据权利要求3所述的方法，进一步包括消除包含由所述一个或多个升级修改的所述一个或多个风力涡轮的基线模型。

7.根据前述权利要求中任一项所述的方法，进一步包括基于所述风场性能改进测量值的期望验证准确性来对所述风场的风力涡轮提供或拒绝所述一个或多个升级。

8.根据前述权利要求中任一项所述的方法，其中，所述一个或多个升级包括以下中的任一项或组合：转子叶片翼弦延长、软件升级、控制升级、硬件升级、尾流控制、空气动力学升级、叶片末梢延长、涡流发生器、小翼、涡轮性能优化控制。

9.根据前述权利要求中任一项所述的方法，进一步包括生成针对多个风向的功率输出的基线模型，或在机器学习算法中利用中值风场方向的正弦和余弦作为单个模型的特征。

10.根据前述权利要求中任一项所述的方法，进一步包括通过基于参考功率曲线转换预先指定的长期风速分布来开发长期功率分布。

11.根据权利要求10所述的方法，进一步包括通过相对于所述长期功率分布对由所述一个或多个升级产生的功率输出的变化进行积分来确定响应于所述一个或多个升级的所述风场的年发电量（AEP）变化。

12.根据前述权利要求中任一项所述的方法，其中，所述一个或多个传感器包括以下中的任一项或组合：加速度计、压力传感器、冲角传感器、振动传感器、微型惯性测量单元（MIMU）、相机系统、光纤系统、风速计、风向标、声波探测和测距（SODAR）传感器、红外激光器、光探测和测距（LIDAR）传感器、辐射计、皮托管或无线电探空测风仪。

13.一种用于评估或验证风力涡轮性能的方法，所述方法包括：

经由一个或多个传感器测量来自所述风力涡轮的操作数据；

经由处理器从所述操作数据的至少一部分生成所述风力涡轮的性能的多个基线模型，其中性能的所述基线模型中的各个是从所述操作数据的不同部分开发的，生成步骤包括过滤所述数据，使得所述数据处于平衡的随机状态；

经由所述处理器从所述多个基线模型选择性能的最优基线模型，所述最优基线模型包括方向；以及

经由所述处理器将性能的所述最优基线模型与所述风力涡轮的实际性能进行比较，所述基线模型包括末梢速度比、桨距设置或偏航偏移设置中的至少一项，以及其中将性能的所述最优基线模型与所述风力涡轮的实际性能进行比较包括确定功率输出的最优基线模型与所述风力涡轮的实际功率输出之间的差异，其中所述差异反映了由不存在或存在一个或多个升级产生的功率输出的变化。

14.根据权利要求13所述的方法，其中，功率输出的所述最优基线模型包括所述风力涡轮的年功率输出。

15.根据权利要求13至权利要求14所述的方法，其中，所述一个或多个升级包括以下中的任一项或组合：转子叶片翼弦延长、软件升级、控制升级、硬件升级、尾流控制、空气动力学升级、叶片末梢延长、涡流发生器、小翼、涡轮性能优化控制。

16.根据权利要求13至权利要求15所述的方法，进一步包括生成针对多个风向的功率输出的基线模型，或在机器学习算法中利用中值风场方向的正弦和余弦作为单个模型的特征。

17.根据权利要求13至权利要求16所述的方法，进一步包括通过基于参考功率曲线转换预先指定的长期风速分布来开发长期功率分布。

18.根据权利要求13至权利要求17所述的方法，其中，所述一个或多个传感器包括以下中的任一项或组合：加速度计、压力传感器、冲角传感器、振动传感器、微型惯性测量单元（MIMU）、相机系统、光纤系统、风速计、风向标、声波探测和测距（SODAR）传感器、红外激光器、光探测和测距（LIDAR）传感器、辐射计、皮托管或无线电探空测风仪。

19.一种用于验证由一个或多个升级产生的一个或多个风场性能测量值的系统，所述系统包括：

多个传感器，其配置成测量来自风场中的一个或多个风力涡轮的操作数据；以及

配置成执行多个操作的控制器，所述多个操作包括：

从所述操作数据的至少一部分生成所述风场的性能的多个基线模型，其中性能的所述基线模型中的各个是从来自所述风场的一个或多个风力涡轮的操作数据的不同部分开发的，生成步骤包括过滤所述一个或多个涡轮，使得所述一个或多个涡轮处于平衡的随机状态，

从所述多个基线模型选择性能的最优基线模型，所述最优基线模型包括方向，以及

将性能的所述最优基线模型与所述风场的实际性能进行比较，其中所述风场的实际性能是在所述风场的一个或多个风力涡轮由已经为所述风场的一个或多个风力涡轮安装的所述一个或多个升级修改之后确定的，所述升级包括末梢速度比和桨距设置中的至少一项，以及其中将性能的所述最优基线模型与所述风场的实际性能进行比较包括确定功率输出的最优基线模型与所述风场的实际功率输出之间的差异，其中所述差异反映了由所述一个或多个升级产生的功率输出的变化。

20.根据权利要求19所述的系统，进一步包括在不存在升级的情况下评估单独风力涡轮或风力涡轮组的性能以确定性能不佳。

Images