CN113994087B - 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统 - Google Patents

经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统 Download PDF

Info

Publication number
CN113994087B
CN113994087B CN202080029556.7A CN202080029556A CN113994087B CN 113994087 B CN113994087 B CN 113994087B CN 202080029556 A CN202080029556 A CN 202080029556A CN 113994087 B CN113994087 B CN 113994087B
Authority
CN
China
Prior art keywords
wind
list
wind turbine
controlling
controller
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
CN202080029556.7A
Other languages
English (en)
Other versions
CN113994087A (zh
Inventor
D·科列特
G·萨比隆
D·迪多梅尼科
M·艾尔-阿米尔
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.)
Centre National de la Recherche Scientifique CNRS
IFP Energies Nouvelles IFPEN
Institut Polytechnique de Grenoble
Universite Grenoble Alpes
Original Assignee
Centre National de la Recherche Scientifique CNRS
IFP Energies Nouvelles IFPEN
Institut Polytechnique de Grenoble
Universite Grenoble Alpes
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 Centre National de la Recherche Scientifique CNRS, IFP Energies Nouvelles IFPEN, Institut Polytechnique de Grenoble, Universite Grenoble Alpes filed Critical Centre National de la Recherche Scientifique CNRS
Publication of CN113994087A publication Critical patent/CN113994087A/zh
Application granted granted Critical
Publication of CN113994087B publication Critical patent/CN113994087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F03D7/022—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
    • F03D7/04—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
    • F03D7/028—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
    • F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
    • 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
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • 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
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • 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
    • 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
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/804—Optical devices
    • F05B2270/8042—Lidar systems
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种通过自动在线选择控制器来控制风力涡轮机的量的方法，该控制器使风力涡轮机疲劳最小化。因此，该方法依赖于控制器列表(LIST)的仿真(离线构造)的数据库(BDD)，以及用于确定风力涡轮机(EOL)疲劳方面的最优控制器的在线机器学习步骤。因此，该方法允许基于疲劳准则来在线自动选择控制器，并根据测得的风况演变在诸控制器之间切换。

Description

经由机器学习通过选择控制器来控制风力涡轮机的量的方法 和系统
技术领域
本发明涉及风力涡轮机控制的领域，尤其涉及风力涡轮机的至少一个叶片的个体倾角或个体俯仰(pitch)的控制。
风力涡轮机允许来自风的动能转换成电能或机械能。为了将风转换成电能，它是由以下元件组成的：
-塔架，其允许将转子置于足够的高度以使其能够运动(水平轴风力涡轮机所必需的)和/或允许将该转子置于使其能够由比地面水平处更强且更规则的风来驱动的高度。塔架通常容纳部分的电气和电子组件(调制器、控制装置、倍增器、发电机等)。
-安装在塔架顶部的机舱，其容纳机械、气动以及操作涡轮所必需的一些电气和电子组件。机舱可以旋转，以使机器定向在正确的方向上，
-固定在机舱上的转子，该转子包括风力涡轮机的若干叶片(通常是三个)以及轮毂。该转子由风能驱动，并且通过机械轴杆直接或间接(经由齿轮箱和机械轴杆系统)连接到电机(发电机)，该电机将经回收的能量转换成电能。转子可能配备有控制系统，诸如可变角度叶片或空气动力制动器，
-变速箱，其由通过变速箱(齿轮箱)连接的两个轴杆(转子的机械轴杆和电机的机械轴杆)组成。
自1990年代早期以来，人们对风力重新产生了兴趣，特别是在年增长率约为20％的欧盟。这一增长与无碳发电的固有可能性有关。此外，鉴于COP21期间设定的目标，能源的净脱碳应在即将到来的世纪进行。风能似乎是针对即将到来的能源转型的最成熟的可再生能源之一，如由其安装功率容量的增长所证明的，该安装功率容量将在未来几十年继续增加。风能产业已经代表了数千亿欧元，并且应该继续增长，因此风能生产成本的降低可以节省数亿欧元或甚至数十亿欧元。另外，为了最大限度地提高能源生产，风力行业倾向于增加转子的直径，这会导致叶片和转子上的机械负载增加。为了维持这一增长，风力涡轮机的能量产出仍需进一步提高。风力生产增长的前景要求开发有效的生产工具和先进的控制工具，以便提高机器的性能。因此，所有的风力涡轮机均设计有功率调节系统。
对于这种功率调节，已为可变速风力发电机设计了控制器。控制器的目的是使回收的电力最大化，使转子速度波动最小化，以及使结构(叶片、塔架和平台)的疲劳和极端力矩最小化。
可变速风力涡轮机的控制因此已经被分为三个分类：
·偏航控制(风力涡轮机方向相对于风的控制)
·发电机扭矩控制(当风在涡轮机允许的标称速度以下时的涡轮机功率的最大化)
·叶片俯仰控制(当风在叶片倾角的标称值以上时的涡轮机的空气动力学扭矩的调节)。
叶片控制本身可被分为两种控制策略类型，其中每个叶片具有相同倾角的集体俯仰控制(CPC)和其中每个叶片具有不同倾角的个体俯仰控制(IPC)。CPC的主要目的是控制风力涡轮机的空气动力学扭矩，以免切换到超速，这可能与控制转子上的推力的目标相结合。
发明背景
CPC考虑通过转子的平均风，并且因此假设转子表面上的风是均匀的。由于所生产的转子的直径不断增加(可高达200m)，这种假设越来越不真实。尤其是，IPC在以下文献中有描述：
-Bossanyi，E.(2003)，Individual blade pitch control for load reduction(用于负载降低的个体叶片俯仰控制)，Wind Energy(风能)，119-128，
-Schlipf，D.(2010)，Look-ahead cyclic pitch control using LiDAR(使用LiDAR的前瞻性循环俯仰控制)，The science of making torque from wind(从风中产生扭矩的科学)，
-Burton，T.(2011)，Wind Energy Handbook(风能手册)，
-Lu，Q.，Bowyer，R.和Jones，B.L.(2015)，Analysis and design of Colemantransform-based individual pitch controllers for wind-turbine load reduction(用于风力涡轮机负载降低的基于科尔曼变换的个体俯仰控制器的分析与设计)，WindEnergy(风能)，1451-1468。
在这些工作中，IPC考虑了科尔曼变换(Coleman,R.P.和Feingold，A.M.(1957)，Theory of self-excited mechanical oscillations of helicopter rotors withhinged blades(具有铰接式叶片的直升机转子的自激发机械振动的理论)，NationalAdvisory Committee for Aeronautics(国家航空咨询委员会))，这使得可能从叶片的旋转坐标系切换到风力涡轮机轮毂的固定坐标系。通过这种变换，每个叶片上的平面外力矩被转换为轮毂上的俯仰和偏航力矩，这反映了风力涡轮机叶片上空气动力学负载的失衡。通常，除CPC外，还使用IPC(Burton，2011；Bossanyi，2003；Lu，Bowyer和Jones，2015；Schlipf，2010)，并且IPC控制器在每个叶片上提供角度偏移，使得角度偏移之和为零，这使得IPC不会干扰正确的CPC控制(Burton，2011)。到目前为止，文献中已经提出了一种联合合成CPC和IPC控制的单个控制器(Raach，S.和Schlipf，D.(2014)，Nonlinear modelpredictive control of floating wind turbines with individual pitch control(具有个体俯仰控制的浮式风力涡轮机的非线性模型预测控制)，American ControlConference(美国控制会议)(ACC)(第4434-4439页))。
评估风力涡轮机的服务寿命或疲劳是复杂的过程，因为从仿真产生的信号需要经由计数算法和应用Palmgren-Miner规则进行分析(Miner，M.(1945)，Cumulative Damage(累积损伤)，Fatigue Journal of Applied Mechanics(应用机制的疲劳学报))，其将加载循环与组件的消耗寿命部分进行相关。该计数不是简单的代数函数的结果，而是被称为雨流计数(RFC(Downing&Socie，1982))算法的结果。这种计数使疲劳表达式随时间不连续且不可积分。另一方面，有几项工作提出了用于疲劳预测的技术，作为具有给定闭环控制器的风力涡轮机的风特性的函数(Dimitrov，N.，和Kelly，M.(2018).From wind to loads(从风到负载)：wind turbine site-specific load estimation using databases with high-fidelity load simulations(使用具有高保真负载仿真的数据库的风力涡轮机因现场而异的负载估计)，Wind Energy Science Discussions(风能科学讨论)；Murcia，J.，Réthoré，P.，和Dimitrov，N.(2017)，Uncertainty propagation through an aeroelastic windturbine model using polynomial surrogates(通过使用多项式替代物的空气动力学弹性风力涡轮机模型的不确定性传播)，Renewable Energy(可再生能源)，第910-922页)。研究表明，风场可能经历的风可被分为不同的风类型(Clifton，A.和Schreck，S.(2013)，Turbine inflow characterization at the national wind technology center(国家风力技术中心的涡轮机流入特征)，Journal of Solar Energy Engineering(太阳能工程杂志)。这些风类型随着白天和黑夜之间(由于日照和温度差异)以及日复一日(由于地球表面上的气团的运动)的气候变化而演变。因此，风的特性演化缓慢。
此外，已经开发了各种控制方法来提高能量回收，同时限制风力涡轮机的疲劳。在传统的最优控制技术中，疲劳可被用作目标函数，但使用的上述疲劳计算和计数算法的特异性使其使用非常复杂。为了克服这种复杂性，疲劳通常用二次函数的积分来近似；然而，尽管二次函数的积分允许定性地考虑疲劳，但不允许定量地考虑疲劳(Knudsen，Bak和Svenstrup，2015)。考虑风力涡轮机的各种元件的疲劳量是重要的，因为它使得更好地权衡其疲劳之间的折衷成为可能。一项工作的主要目的是通过调整模型预测控制MPC的权重以便二次成本函数反映疲劳，来使疲劳最小化(Barradas和Wisniewski，2016)。
在这些控制方法中，专利申请FR-2976630(US-10041473)涉及一种用于通过执行考虑系统动力学的叶片方向的非线性控制，同时使对结构的机械影响最小化来优化水平轴风力涡轮机的电能生产的方法。通过以使得施加在风舱上的空气动力导致塔顶处的零速度的方式修改叶片的倾角，使得影响最小化。该方法明显依赖于空气动力的物理模型。
此外，专利申请FR-2988442(US-9458826)涉及一种通过执行以下步骤来控制所述叶片的倾角的方法：
a)根据风速、转子速度和电机速度测量来确定电机的空气动力学扭矩设定点和允许使回收功率最大化的扭矩设定点，
b)通过从中减去与测得的转子速度和测得的电机速度之间的差值成比例的项，来修改所述设定点中的至少一者，
c)确定叶片的倾角，从而允许达到所述空气动力扭矩设定点，以及
d)根据所述倾角来定向叶片。
然而，现有技术中描述的方法在通过减少风力涡轮机疲劳实现控制优化方面并不完全令人满意，尤其是针对所有风况，尤其因为它们没有将风力涡轮机的整体疲劳降低来作为目标函数。
发明概要
为了使风对风力涡轮机疲劳的影响最小化，本发明涉及一种通过自动在线选择控制器来控制风力涡轮机的量的方法，该控制器使风力涡轮机疲劳最小化。因此，该方法依赖于控制器列表的仿真(离线构造)的数据库，以及用于确定风力涡轮机疲劳方面的最优控制器的在线机器学习步骤。因此，该方法允许基于疲劳准则来在线自动选择控制器，并根据测得的风况演变在诸控制器之间切换。
本发明涉及一种控制风力涡轮机的量的方法，所述风力涡轮机的所述量的多个控制器的列表可用，其中执行以下步骤：
a)通过针对所述列表中的每个控制器和多个风数据来仿真代表所述风力涡轮机疲劳的成本函数，来离线构造数据库，
b)在线测量风数据，
c)通过从所述数据库进行机器学习来针对所述测得的风数据在线确定所述列表中使所述风力涡轮机的疲劳最小化的控制器，以及
d)借助于由此确定的所述控制器来在线控制所述风力涡轮机的所述量。
根据一个实施例，所述列表中的所述多个控制器选自比例积分PI控制器、和/或具有不同加权函数的H∞调节器、和/或具有不同加权的线性二次调节器LQR、和/或具有不同加权的模型预测控制MPC、和/或基于LiDAR的预测控制。
根据一种实现，所述机器学习借助于针对所述列表中的每个控制器来预测所述涡轮机的疲劳的回归方法，或借助于根据测得的风数据对所述列表中使成本准则最小化的所述控制器进行分类的方法来实现。
有利地，借助于通过执行以下步骤的回归方法来实现所述机器学习：
i)将测得的风数据标准化，
ii)对所述测得的风数据执行多项式增加，以及
iii)借助于目标值空间的变化，对所述经多项式增加的风数据执行线性回归。
替换地，所述机器学习借助于基于随机森林方法、神经网络方法、支持向量机方法或高斯过程方法的回归方法来实现。
根据一个方面，控制所述风力涡轮机的至少一个叶片的个体角度或个体俯仰。
根据一个选项，所述列表中的所述控制器还考虑用于调节所述风力涡轮机的所述量的设定点和所述风力涡轮机的所述量的测量之间的调节s误差。
根据一特征，用于构造所述数据库的所述风数据得自在所述风力涡轮机现场的测量。
根据一个实施例，用于构造所述数据库的所述风数据来自风仿真器。
此外，本发明涉及一种使用根据上述特征之一的控制方法控制风力涡轮机的量的系统，所述控制系统包括存储所述控制器列表和所述数据库的装置、风数据测量装置、通过来自所述数据库的机器学习来针对所述测得的风数据确定所述列表中使所述风力涡轮机的疲劳最小化的控制器的装置、以及控制所述风力涡轮机的所述量的装置，所述数据库(BDD)是通过针对多个风数据针对所述列表中的每个控制器来对代表的所述风力涡轮机疲劳的成本函数进行仿真来构造的。
附图的简要说明
参照附图，通过阅读以下通过非限制性示例给出的实施例的描述，根据本发明的方法的其他特征和优点将显而易见，其中：
-图1解说了根据本发明的实施例的控制方法的各步骤，
-图2解说了根据本发明的变型实施例的回归机器学习步骤，以及
-图3是本发明示例实施例的实际和估计疲劳值的曲线。
本发明的详细描述
本发明涉及一种根据测得的风数据控制风力涡轮机的量以便使风力涡轮机或风力涡轮机的至少一部分(即风力涡轮机组件)的疲劳最小化的方法。根据本发明的方法基于通过机器学习来选择最优控制器(在疲劳方面)。其原理包括开发一种学习算法，该算法允许构造将测得的风况与机械疲劳量相关的映射。本发明的目标之一是创建替代模型，用于估计具有几乎即时给定风分布的风场中的风力涡轮机的服务寿命。
在其余描述中，“风力涡轮机疲劳”的表达还指示至少一个风力涡轮机组件的疲劳。
风力涡轮机量被理解为可被控制的风力涡轮机的任何参数。根据优选实施例，该量可以是在个体俯仰控制IPC中使用的叶片的个体倾角或个体俯仰。
风数据被理解为与传入风相关的信息。该风数据可尤其通过LiDAR(激光成像、检测和测距)传感器、风速计或SODAR(声波检测和测距)传感器等进行测量。通过非限制性示例，风数据尤其可包括以下信息：转子平均风速的均值和标准偏差、转子平均风速的水平和垂直梯度、俯仰和偏航偏差、转子平均风湍流强度。
为了选择最佳涡轮机量控制，该方法基于使用多个控制器(至少两个控制器)的预定列表。使用多个控制器提供对不同风况的控制适应性，并且因此无论风况如何，都能进行最佳控制。列表中的多个控制器可选自比例积分PI控制器、和/或具有不同加权函数的H∞调节器、和/或线性二次调节器LQR、和/或模型预测控制MPC、和/或具有不同加权的基于LiDAR的预测控制。控制器列表可以包括许多相同类型的控制器，即多个不同参数化的控制器。
根据本发明的方法则可以包括组合三个方面：对风力涡轮机量的控制(例如个体叶片控制)、缓慢演变的风特性和涡轮机疲劳预测。疲劳的替代模型技术可被用于针对离散集的不同控制器来预测经受当前风的风力涡轮机的成本。这使得能够基于疲劳准则来自动在线选择控制器，以及通过根据风况演变在诸控制器之间切换来控制风力涡轮机的量。
根据本发明的方法包括如下步骤：
1)数据库构造，
2)风数据测量，
3)通过机器学习确定控制器，以及
4)控制风力涡轮机量。
步骤1)预先离线执行，以便限制在线控制过程的历时。此外，根据本发明的方法的最高计算成本因此与离线执行的步骤有关。
步骤2)至4)在风力涡轮机运行期间在线执行，用于控制器的实时选择。
图1藉由非限制性示例示意性地解说了根据本发明的一个实施例的方法的各步骤。风力涡轮机量的控制器列表LIST是预先确定的。根据该控制器列表LIST，并借助于仿真，针对列表LIST则的控制器并针对风数据离线构造代表涡轮机疲劳的数据库BDD。风数据X是在线测量的。然后，该测得的风数据X、控制器列表LIST和数据库BDD由高级控制器CHN使用来针对测得的风数据X在线确定列表LIST中的使涡轮机疲劳最小化的控制器K*。控制器K*的确定是通过机器学习执行的。
由此确定的控制器K*随后被用于风力涡轮机量的在线控制CONT。在所解说的实施例中，通过考虑与涡轮机量的调节设定点r和涡轮机量y的测量y之间的差值相对应的调节误差E来执行控制CONT。控制CONT随后生成针对风力涡轮机EOL的控制信号u(例如个体叶片俯仰)。根据一实施例选项，调节设定点r在大多数情况下可以是零，以便控制，尤其是控制IPC，可以将使风力涡轮机失衡的负载调节为0。在变型中，尤其是在浮式风力涡轮机的情况下，可通过用于稳定和/或平衡涡轮机的外部控制器给出设定点r。控制方法的步骤在其余描述中被细化。
1.数据库构造
在该步骤中，通过针对预定列表中的每个控制器和多个风数据仿真代表风力涡轮机疲劳的成本函数来离线构造数据库。
根据本发明的一个实施例，可借助于在风力涡轮机现场进行初步测量来获得用于该步骤的多个风数据。因此，数据库将尽可能具有代表性。
替换地，用于该步骤的多个风数据可以通过例如TurbSimTM软件(NREL，NationalRenewable Energy Laboratory(国家可再生能源实验室))的风仿真器来获得，它是随机全场湍流仿真器。
涡轮机行为的仿真可通过数值仿真器，例如空气动力学弹性风力涡轮机仿真器(诸如FASTTM软件(NREL，National Renewable Energy Laboratory(国家可再生能源实验室)))来进行。
然后设计成本准则J，其复杂性不是限制，因为它是离线评估的。通常，使用涡轮机的机械元件的复杂疲劳模型是可能的，以便使成本准则对于涡轮机经受的损坏更为真实。这些模型通常不能在线使用，因为使用这些模型来估计疲劳需要相当长的时间序列。因此，根据本发明的方法的一个优点是，它可以使用不能直接在线使用的复杂涡轮疲劳成本模型。
根据本发明的实现，疲劳模型可以是Palmgren-Miner模型，其计及加载和卸载滞后回路的数量。这种计数可能是不连续的。优选地，计数方法可以是雨流计数方法RFC。这些计数方法不允许将疲劳表达为代数加载函数的积分，该代数加载函数通常用于最优控制(二次函数的积分的成本)。二次成本函数的积分不能估计疲劳循环的数量，这在评估各种元件疲劳之间的折衷时是一个问题。根据本发明的方法的主要优点之一是使得将疲劳计算集成到全局控制策略中成为可能。
每个仿真都使用先前设计的成本准则J来估计。因此，经受风i(用wi表示)的风力涡轮机的仿真在具有属于列表Klist的控制器Kj的闭环中具有成本yij＝J(Wi，Kj)。另一方面，为了减少变量数量并简化问题，从风测量中提取能够明确表征风wi且可以与成本准则的值相关的特性是可能的。从风wi给出函数g，然后可以定义风特性向量Xi＝g(wi)。
2.风数据测量
在该步骤中，在线测量风数据以便实时知道即将到来的风。
根据一个实施例，这些测量可借助于LiDAR传感器来进行。
3.通过机器学习确定控制器
该步骤包括针对在前一步骤中测量的风数据在线确定在风力涡轮机疲劳方面最佳的控制器。通过使用步骤1)中构造的数据库和步骤2)的风数据测量以及控制器列表来通过机器学习从控制器列表中确定控制器。
根据本发明的一种实现，可以考虑组合数据和机器学习用于选择控制器的两种方式：经由回归技术的成本预测(列表中每个控制器一次回归)和根据当前风(测得的风数据)使成本准则最小化的控制器的分类。
根据第一实施例，回归可包括用函数freg重构映射J(wi，Kj)＝y(g(wi)，Kj)＝y(Xi，Kj)，使得：
其中Y是将风特性向量Xi和控制器Kj与相应的成本相关联的映射，定义其参数将被优化以便使模型预测和映射之间的差值最小化的函数类别。函数freg因此预测在当前风(测得风数据)下，在具有列表中每个控制器的闭环中的风力涡轮机的成本准则的值。因此，通过采用根据函数freg使成本准则最小化的控制器来选择最适合用于当前风况X(测得风数据)控制器K*是可能的：
根据第二实施例，回归可包括以下步骤：
i)将测得的风数据标准化，
ii)对所述测得的风数据执行多项式增加，以及
iii)借助于目标值空间的变化，对所述经多项式增加的风数据执行线性回归。
风数据的标准化允许测得的风数据符合中心正态律。
多项式增加对应于将风数据向量的坐标相乘在一起到达某一预定义次数(degree)。例如，数据(x1、x2、x3)可被转换为(1,x1,x2,x3,x1x2,x1x3,x2x3,x12,x22,x32)以进行二次多项式增加。
目标值的空间变化可以是Box-Cox变换，允许在输出端添加非线性。在统计学中，Box-Cox变换是函数族，其被应用于使用幂函数创建数据的单调变换。这种变换允许稳定方差，使数据更接近正态分布，并提高测量有效性。
根据第三实施例，回归可以基于随机森林方法、神经网络方法、支持向量机(SVM)方法或高斯过程方法。
根据本发明的一个方面，控制器的分类可包括直接合成函数fcl，其预测最适合用于当前风况X的控制器，表示为K*＝fcl(X)。函数fcl可被定义如下：
其中函数h给出控制器的良好分类的想法：
根据最初结果，两种方法(回归和分类)似乎是等同的。值得注意的是，根据使用的分类技术，可以执行伪成本函数(疲劳)的回归。该成本函数是控制器K在风况X下是最合适控制器的概率，用p(X,K)表示。最后，fcl的结果是在风况下使该概率最大化的控制器。
回归具有直接预测(疲劳)成本的优势，因此确定控制器切换的阈值是可能的，并且因此将从一个控制器到另一个控制器的切换限制为仅提供净增益的切换是可能的。分类具有直接使分类误差最小化的优势，并且因此在选择最合适的控制器时限制采用错误控制器的风险。
4.控制风力涡轮机量
该步骤包括通过应用步骤3)中确定的控制器在线控制风力涡轮机量。
根据对应于图1的实施例，控制器被应用于反馈回路中。控制器考虑调节设定点和涡轮机量测量之间的调节误差。在这种情况下，该方法可包括测量被控的风力涡轮机量的步骤。
此外，本发明涉及一种控制风力涡轮机量的系统，该系统能够实现根据所述变型组合中的任何一种的方法。
该控制系统至少包括：
-存储控制器列表和通过仿真构造的数据库的装置，
-风数据测量装置，
-确定控制器的装置，其使用存储装置的控制器列表和数据库以及测量装置的风数据测量，以及
-控制装置，用于将由此确定的控制器应用于所述风力涡轮机。
根据本发明的一个实施例，确定控制器的装置和存储装置可以是计算机装置。
此外，控制系统可包括用于构造数据库的数值仿真计算机装置。
使用根据本发明的方法而不是也旨在使成本标准最小化的常规最优控制方法的优点是为成本准则提供了显著的自由度(latitude)。实际上，根据本发明的方法允许使用任何成本准则。因此，使用只能离线使用的精确机械疲劳模型是可能的，这与常规的MPC(模型预测控制)模型不同，后者要求可以在线连续重新评估成本准则。
第二个优点是，根据该示例的方法可以允许使用相对简单的控制技术优化对非常复杂的成本函数的控制，从而具有非常低的在线计算成本。此外，根据本发明的控制方法本质上被设计为适应各种风况，这与基于线性模型的大多数其他控制技术不同，后者要求对风力涡轮机遇到的不同情况进行额外的泛化(generalization)工作。
示例
根据本发明的控制方法的其他特征和优点将通过阅读下文对示例的描述而清楚。
为了验证根据本发明的控制方法，首先使用TurbSimTM风力发电机生成的风数据集测试该方法并在具有4个控制器的FASTTM空气动力学弹性风力涡轮机仿真器上在闭环中进行仿真。所考虑的控制器为比例积分(PI)IPC控制器，与Bossanyi等人(Bossanyi，2003)中描述的控制器相对应。在该示例中，Jonkman等人(Jonkman，2007)中提到的CPC控制器提供对转子速度和功率的良好调节。PI控制器根据测量和期望值之间的调节误差ε(t)(定义为待调节的测得量和调节设定点之间的差值)给出待调节系统的输入u(t)，如下：
其中Kp和KI是定义控制器的比例和积分器系数。在该示例中考虑的4个PI控制器的参数为：
表1
控制器 Kp KI
1 4.10-5 3.2889.10-5
2 4.10-5 5.1556.10-5
3 0.086 0.0031
4 0.0186 0.0066
用于创建数据库(学习数据)的风是具有相干湍流的非均匀三维风场。对于学习数据，使用参数(平均速度、方向、垂直速度梯度、湍流强度)的147个组合生成588次风。
为了能够预测作为风函数的疲劳，需要从风中提取允许解释可从风重构算法中获得的疲劳的特性。
根据TurbSimTM风场，风向量在转子平面中的时间t处获得，其中y和z分别为场的水平坐标和垂直坐标。设V为向量的范数L2。
所考虑的风特性是仿真时间(300秒)内(从t0开始到tf结束)转子平均风速RAWS、由δy和δz表示的水平和垂直梯度、以及由θy和θz表示的俯仰和偏航失准的平均值和标准偏差。最后，计算每个仿真的转子平均湍流强度RATI。RAWS、δy、δz、θy和θz的瞬时值以及整个RATI仿真的值在数学上表示如下：
其中S是转子面积，而ds＝dydz是转子的无穷小表面。
在该示例中，机器学习函数f具有以下结构，在图2中解说(作为非限制性示例)：
·数据X的标准化STD(符合中心正态律的分布)
·多项式增加(将向量坐标相乘在一起到达某个次数)
(例如，对于二次多项式增加而言，)。在本情形中，x是风特性。然后，我们获得数据Xpoly
·来自数据Xpoly的线性回归REG
·目标值的Box-Cox变换TBC(Box和Cox，1964)，其允许在输出端添加非线性
·反向Box-Cox变换TBC-INV，其允许计算疲劳预测。
w*是通过这些系数的优化以使预测和Box-Cox空间中映射之间的差异最小化而产生的向量。的方程示出如何使用w*以从Xpoly预测Box-Cox空间中的成本。
对每个控制器Kj执行该回归方案，并且所有这些回归给出函数f。因此我们可写出：
第一次测试表明，成本估计过程的替代模型实际上允许根据学习(数据库构造)期间未使用的测试数据来正确预测成本。回归算法在随机抽取的集上已经进行了学习，而没有再交付294次风，获得了4次回归，每个控制器一次。
该算法在294次随机抽取的风样本上进行了测试，而没有再交付，没有用于学习(数据库)。图3示出了使用根据本发明的方法获得的真实值VR和估计值VE。在图3中可能看出，该算法正确地预测了每个仿真的成本，并且这里示出了针对四个仿真的预测。
为了评估根据本发明的方法的质量，可以使用两个指标：
R2给出回归算法质量的指示，其越接近1，回归质量越高。Rdec给出使用回归确定的最佳控制器K*可以获得的疲劳降低的想法，而不考虑从一个控制器切换到另一个控制器可能增加的成本。
表2给出了指标值。每次回归的分数R2均在0.9以上。因此，回归方法具有良好的质量。根据分数Rdec，该算法确实可以允许风力涡轮机的成本纯相对于候选控制器集中的最佳控制器至少降低20％。
表2
控制器 R2 Rdec
1 0.93 23％
2 0.96 35％
3 0.93 36％
4 0.92 26％

Claims (10)

1.一种控制风力涡轮机(EOL)的量的方法，所述风力涡轮机的所述量的多个控制器的列表(LIST)是可用的，其中执行以下步骤：
a)通过针对所述列表(LIST)中的每个控制器和多个风数据来仿真代表所述风力涡轮机的疲劳的成本函数，来离线构造数据库(BDD)，
b)在线测量风数据(X)，
c)通过从所述数据库进行机器学习来针对所述测得的风数据在线确定所述列表(LIST)中的使所述风力涡轮机的疲劳最小化的控制器(CONT)，以及
d)借助于由此确定的所述控制器(CONT)在线控制所述风力涡轮机(EOL)的所述量。
2.如权利要求1所述的控制风力涡轮机的量的方法，其特征在于，所述列表(LIST)中的所述多个控制器选自比例积分PI控制器、和/或具有不同加权函数的H∞调节器、和/或具有不同加权的线性二次调节器LQR、和/或具有不同加权的模型预测控制MPC、和/或基于LiDAR的预测控制。
3.如前述权利要求中任一项所述的控制风力涡轮机的量的方法，其特征在于，所述机器学习借助于针对所述列表中的每个控制器来预测所述涡轮机的疲劳的回归方法(REG)，或借助于根据测得的风数据对所述列表中使成本准则最小化的所述控制器进行分类的方法来实现。
4.如权利要求3所述的控制风力涡轮机的量的方法，其特征在于，借助于通过执行以下步骤的回归方法来实现所述机器学习：
i)将测得的风数据标准化(STD)，
ii)对所述测得的风数据执行多项式增加，以及
iii)借助于目标值空间的变化，对所述经多项式增加的风数据执行线性回归。
5.如权利要求3所述的控制风力涡轮机的量的方法，其特征在于，所述机器学习借助于基于随机森林方法、神经网络方法、支持向量机方法或高斯过程方法的回归方法来实现。
6.如权利要求1到2中任一项所述的控制风力涡轮机的量的方法，其特征在于，所述风力涡轮机(EOL)的至少一个叶片的个体角度或个体俯仰被控制。
7.如权利要求1到2中任一项所述的控制风力涡轮机的量的方法，其特征在于，所述列表(LIST)中的所述控制器还考虑用于调节所述风力涡轮机的所述量的设定点(r)和所述风力涡轮机的所述量的测量(y)之间的调节误差。
8.如权利要求1到2中任一项所述的控制风力涡轮机的量的方法，其特征在于，用于构造所述数据库(BDD)的所述风数据得自在所述风力涡轮机现场的测量。
9.如权利要求1到2中任一项所述的控制风力涡轮机的量的方法，其特征在于，用于构造所述数据库(BDD)的所述风数据来自风仿真器。
10.一种使用如前述权利要求中任一项所述的控制风力涡轮机的量的方法控制风力涡轮机的量的系统，所述控制系统包括存储所述控制器列表(LIST)和所述数据库(BDD)的装置、风数据测量装置、通过来自所述数据库(BDD)的机器学习来针对所述测得的风数据确定所述列表中使所述风力涡轮机的疲劳最小化的控制器(CONT)的装置、以及控制所述风力涡轮机(EOL)的所述量的装置，所述数据库(BDD)是通过针对多个风数据针对所述列表中的每个控制器来对代表所述风力涡轮机的疲劳的成本函数进行仿真来构造的。
CN202080029556.7A 2019-04-16 2020-03-27 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统 Active CN113994087B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1904071A FR3095246B1 (fr) 2019-04-16 2019-04-16 Procédé et système de contrôle d’une grandeur d’une éolienne par choix du contrôleur par un apprentissage automatique
FRFR1904071 2019-04-16
PCT/EP2020/058739 WO2020212119A1 (fr) 2019-04-16 2020-03-27 Procede et systeme de controle d'une grandeur d'une eolienne par choix du controleur par un apprentissage automatique

Publications (2)

Publication Number Publication Date
CN113994087A CN113994087A (zh) 2022-01-28
CN113994087B true CN113994087B (zh) 2024-04-02

Family

ID=67441446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080029556.7A Active CN113994087B (zh) 2019-04-16 2020-03-27 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统

Country Status (5)

Country Link
US (1) US11725626B2 (zh)
EP (1) EP3956559B1 (zh)
CN (1) CN113994087B (zh)
FR (1) FR3095246B1 (zh)
WO (1) WO2020212119A1 (zh)

Families Citing this family (4)

* 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
EP3734063B1 (en) * 2019-04-30 2023-03-01 Wobben Properties GmbH Method for controlling a wind turbine
US11661919B2 (en) * 2021-01-20 2023-05-30 General Electric Company Odometer-based control of a wind turbine power system
CN117685175A (zh) * 2023-12-01 2024-03-12 北京能源工业互联网研究院有限公司 风电机组的多个调控参数的实时优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107654336A (zh) * 2017-09-20 2018-02-02 山东中车风电有限公司 基于扇区分布的风电机组风场适应性快速评估优化方法
CN108223298A (zh) * 2016-12-14 2018-06-29 西门子风力发电公司 用于配置风力涡轮机的方法和系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2656542T3 (es) * 2007-08-31 2018-02-27 Vestas Wind Systems A/S Método para el control de al menos un mecanismo de regulación de una turbina eólica, una turbina eólica y un parque eólico
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
FR2976630B1 (fr) 2011-06-17 2021-07-23 Ifp Energies Now Procede pour optimiser la puissance recuperee par une eolienne en reduisant l'impact mecanique sur la structure.
FR2988442B1 (fr) 2012-03-20 2014-02-28 IFP Energies Nouvelles Procede pour controler une eolienne en optimisant sa production tout en minimisant l'impact mecanique sur la transmission
US10302067B2 (en) * 2013-02-08 2019-05-28 Vestas Wind Systems A/S Model based controller for a wind turbine generator
DK2799711T3 (en) * 2013-05-03 2017-10-23 Ge Renewable Tech Wind Bv Method of operating a wind turbine
US9683552B2 (en) * 2014-03-06 2017-06-20 General Electric Company System and method for robust wind turbine operation
US9567978B2 (en) * 2014-10-27 2017-02-14 General Electric Company System and method for adaptive rotor imbalance control
ES2781599T3 (es) * 2014-11-24 2020-09-03 Vestas Wind Sys As Determinación de configuración de turbina eólica
US10683844B2 (en) * 2015-05-27 2020-06-16 Vestas Wind Systems A/S Control of a wind turbine taking fatigue measure into account
EP3317526B1 (en) * 2015-06-30 2021-09-22 Vestas Wind Systems A/S Methods and systems for generating wind turbine control schedules
CN108150360A (zh) * 2016-12-05 2018-06-12 北京金风科创风电设备有限公司 检测风电机组的等效载荷的方法和设备
EP3721301A1 (en) * 2017-12-06 2020-10-14 Vestas Wind Systems A/S Model predictive control in local systems
EP3499022B1 (en) * 2017-12-12 2023-03-08 General Electric Company Methods of operating a wind turbine
US10605228B2 (en) * 2018-08-20 2020-03-31 General Electric Company Method for controlling operation of a wind turbine
US10815972B2 (en) * 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
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
EP3966449B1 (en) * 2019-05-09 2023-12-06 Vestas Wind Systems A/S Wind turbine control using predicted steady-state deflection
US10832087B1 (en) * 2020-02-05 2020-11-10 Sas Institute Inc. Advanced training of machine-learning models usable in control systems and other systems
US11060504B1 (en) * 2020-02-07 2021-07-13 General Electric Company Systems and methods for continuous machine learning based control of wind turbines
US11649804B2 (en) * 2021-06-07 2023-05-16 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108223298A (zh) * 2016-12-14 2018-06-29 西门子风力发电公司 用于配置风力涡轮机的方法和系统
CN107654336A (zh) * 2017-09-20 2018-02-02 山东中车风电有限公司 基于扇区分布的风电机组风场适应性快速评估优化方法

Also Published As

Publication number Publication date
FR3095246A1 (fr) 2020-10-23
WO2020212119A1 (fr) 2020-10-22
EP3956559C0 (fr) 2024-01-24
FR3095246B1 (fr) 2022-12-09
US11725626B2 (en) 2023-08-15
CN113994087A (zh) 2022-01-28
EP3956559B1 (fr) 2024-01-24
EP3956559A1 (fr) 2022-02-23
US20220213868A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
CN113994087B (zh) 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统
EP3791060B1 (en) Wind turbine control method
EP3465359B1 (en) System and method for controlling a dynamic system, in particular a wind turbine
Soltani et al. Estimation of rotor effective wind speed: A comparison
EP3613982B1 (en) Method for controlling operation of a wind turbine
Betti et al. Development of a control-oriented model of floating wind turbines
CN112818590A (zh) 一种风电场发电量评估及微观选址模型建立方法
CN110206685B (zh) 风电场中的风力发电机组的前馈控制方法和设备
Yuan et al. On advanced control methods toward power capture and load mitigation in wind turbines
US20210115895A1 (en) Wind turbine model based control and estimation with accurate online models
JP7068531B1 (ja) 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム
Poushpas Wind farm simulation modelling and control
Requate et al. Active control of the reliability of wind turbines
Bottasso et al. Advanced control laws for variable-speed wind turbines and supporting enabling technologies
Sinner et al. A comparison of individual and collective pitch model predictive controllers for wind turbines
Collet et al. A data-driven approach for fatigue-based individual blade pitch controller selection from wind conditions
Felix et al. Degradation analysis in a controlled flexible drive train subject to torsional phenomena under different wind speed conditions
Kazda Multi-objective Wind Farm Control
Saberi Nasrabad Data-driven modeling of wind turbine structural dynamics and its application to wind speed estimation
Tofighi Robust nonlinear model predictive control of wind turbines using uncertain wind predictions
CN109944740B (zh) 风电场场群控制方法和设备
Fortes Plaza Development of reduced order models for wind farm control
CORDÒ Wind Farm Optimization redirecting Flow through Yaw Control: numerical and experimental analysis
CN117060430A (zh) 一种基于改进lstm网络的构网型风电调频预测方法
Bafandeh Hierarchical control strategies for spatiotemporally varying systems with application to airborne wind energy

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