CN114430816A - 用于融合风力涡轮机的多种分析以提高效率的系统和方法 - Google Patents

用于融合风力涡轮机的多种分析以提高效率的系统和方法 Download PDF

Info

Publication number
CN114430816A
CN114430816A CN201980101022.8A CN201980101022A CN114430816A CN 114430816 A CN114430816 A CN 114430816A CN 201980101022 A CN201980101022 A CN 201980101022A CN 114430816 A CN114430816 A CN 114430816A
Authority
CN
China
Prior art keywords
wind turbine
analysis
computer
outputs
anomalies
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.)
Pending
Application number
CN201980101022.8A
Other languages
English (en)
Inventor
G·B·怀斯
S·C·埃文斯
A·苏布拉马尼安
K·R·巴登
F·W·小里普尔
J·E·拉夫莱彻
T·沙赫
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.)
General Electric Renovables Espana SL
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN114430816A publication Critical patent/CN114430816A/zh
Pending legal-status Critical Current

Links

Images

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
    • F03D7/04—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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • 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
    • 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
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2619—Wind turbines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

一种用于控制风力涡轮机的方法包括经由控制器检测来自多个不同的分析器的风力涡轮机的多个分析输出。该方法还包括经由控制器分析风力涡轮机的多个分析输出。此外，该方法包括经由控制器使用所分析的多个分析输出的至少一部分来生成风力涡轮机的至少一个基于计算机的模型。此外，该方法包括经由控制器使用风力涡轮机的带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型。因此，该方法包括使用至少一个基于计算机的模型检查多个分析输出的异常。因此，该方法包括当检测到至少一个异常时实施控制动作。

Description

用于融合风力涡轮机的多种分析以提高效率的系统和方法
相关申请的交叉引用
本申请是2019年10月2日提交的U.S.序列号16/590,580的部分继续申请，其全文以引用方式并入本文。
技术领域
本公开总体上涉及风电场，并且更特别地涉及用于融合风力涡轮机的多个分析器(analytics)以提供风力涡轮机部件的更智能概述或性能监测的系统和方法。
背景技术
风电被认为是目前可用的最清洁、最环保的能源之一，并且风力涡轮机在这方面得到了越来越多的关注。现代风力涡轮机典型地包括塔架、发电机、齿轮箱、机舱和一个或多个转子叶片。转子叶片利用已知的翼型原理捕获风的动能。例如，转子叶片典型地具有翼型的横截面轮廓，使得在运行期间，空气流过叶片，从而在侧面之间产生压力差。因此，从压力侧朝向吸力侧导向的升力作用在叶片上。升力在主转子轴上生成扭矩，主转子轴齿轮传动到发电机以产生电力。
多个风力涡轮机通常彼此结合使用以生成电力，并且通常被称为“风电场”。在运行期间，有利的是利用各种分析输出来评估风力涡轮机和/或风电场性能，以确保(多个)风力涡轮机和/或风电场正常运行。然而，使用这样的单独的分析输出的风力涡轮机性能不足是难以分类的条件。因此，现有技术提供了过多的错误警告，从而导致操作者忽略标志为性能不足或异常的分析输出。此外，所有分析输出都不是同时计算和提供。然而，仍然希望对被查询的实例做出决定。
因此，本公开涉及这样的系统和方法，其用于组合可用分析输出的子集并利用机器学习或规则引擎来组合多个警报或标志并提供关于实际问题的更智能的建议，从而减少案例处理并消除不必要的故障排除以提高操作者效率。
发明内容
本发明的方面和优点将在以下描述中部分地阐述，或者可以从描述中显而易见，或者可以通过本发明的实践获知。
在一个方面，本公开涉及一种用于控制风力涡轮机的方法。该方法包括经由控制器检测来自多个不同的分析器的风力涡轮机的多个分析输出。该方法还包括经由控制器分析风力涡轮机的多个分析输出。此外，该方法包括经由控制器使用所分析的多个分析输出的至少一部分来生成风力涡轮机的至少一个基于计算机的模型。此外，该方法包括经由控制器使用风力涡轮机的带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型。因此，该方法包括使用至少一个基于计算机的模型检查多个分析输出的异常。因此，该方法包括当检测到至少一个异常时执行控制动作。
在另一个方面，本公开涉及一种用于控制风力涡轮机的系统。该系统包括用于生成风力涡轮机的多个分析输出的多个分析器和通信地耦合到多个分析器的控制器。控制器配置成执行多个操作，包括但不限于：分析风力涡轮机的多个分析输出；使用所分析的多个分析输出的至少一部分生成风力涡轮机的至少一个基于计算机的模型；使用风力涡轮机的带注释的分析输出训练风力涡轮机的至少一个基于计算机的模型；使用至少一个基于计算机的模型检查多个分析输出的异常；以及当检测到至少一个异常时实施控制动作。应当理解，该系统可以包括本文中描述的附加特征中的任何一个或多个。
在又一个方面，本公开涉及一种风电场。该风电场包括多个风力涡轮机，所述多个风力涡轮机各具有涡轮机控制器和通信地耦合到涡轮机控制器中的每一个的风电场级控制器。风电场级控制器配置成执行多个操作，包括但不限于：分析风力涡轮机的多个分析输出；使用所分析的多个分析输出的至少一部分生成风力涡轮机的至少一个基于计算机的模型；使用风力涡轮机的带注释的分析输出训练风力涡轮机的至少一个基于计算机的模型；使用至少一个基于计算机的模型检查多个分析输出的异常；以及当检测到至少一个异常时执行控制动作。应当理解，该风电场可以包括本文中描述的附加特征中的任何一个或多个。
参考以下描述和所附权利要求书，本发明的这些和其它特征、方面和优点将变得更好理解。并入并构成本说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。
附图说明
在参考附图的说明书中阐述了针对本领域普通技术人员的本发明的完整且能够实现的公开，包括其最佳模式，其中：
图1示出了根据本公开的风电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机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机和/或风电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用于控制风力涡轮机的方法的一个实施例的流程图；
图5示出了根据本公开的用于控制风力涡轮机的系统的一个实施例的示意图；
图6示出了根据本公开的分析微服务架构的一个实施例的示意图；
图7示出了根据本公开的用于控制风力涡轮机的系统的另一个实施例的示意图；
图8示出了根据本公开的分析微服务架构的另一个实施例的示意图；以及
图9示出了根据本公开的用于控制风力涡轮机的系统的规则引擎的一个实施例的示意图。
具体实施方式
现在将详细参考本发明的实施例，其中的一个或多个示例在附图中示出。每个示例通过解释本发明的方式而不是限制本发明的方式来提供。事实上，对于本领域技术人员来说将显而易见的是，在不偏离本发明的范围或精神的情况下，可以在本发明中进行各种修改和变化。例如，作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用，以产生还另一个实施例。因此，本发明旨在涵盖落入所附权利要求及其等同物的范围内的这样的修改和变化。
总体上，本公开涉及用于监测风力涡轮机和/或风电场性能的训练的基于模型的分析，从而可以实现性能问题的早期检测。更具体地，本公开的训练的基于模型的分析组合了具有较低精度和准确度的若干风性能分析器，以实现具有高精度和准确度的单个分析。例如，基于模型的分析可以在带标记的数据上使用监督机器学习以及各种预处理步骤和连续学习，以创建能够以最小的遗漏分类和最小的错误警告检测风力涡轮机的性能不足的分析和系统。类似地，基于模型的分析可以使用规则引擎来组合多个标志或警报，以提供关于实际问题的更智能的建议，减少案例处理，并消除不必要的故障排除。因此，本公开配置成提高总体操作者效率。
此外，本公开还可以提供一种方法论，用于使用因子分解和/或主成分分析来自动确定在模型中包括的维度的正确数量。此外，该模型可以包括功率集合分析作为模型中使用的特征集中的一个。因此，本公开的模型可以随着时间连续改进，并且可以在新的分析器变得可用时连续添加新的分析器。
现在参考附图，图1示出了根据本公开的各方面的包含多个风力涡轮机102的风电场100的示例性实施例。风力涡轮机102能够以任何合适的方式布置。举例来说，风力涡轮机102可以布置成行和列的阵列、单行或随机布置结构。此外，图1示出了风电场100的一个实施例的示例布局。典型地，风电场中的风力涡轮机布置结构基于许多优化算法来确定，从而使AEP对于相应的现场风气候最大化。应当理解，在不偏离本公开的范围的情况下，可以实施任何风力涡轮机布置结构，例如在不平坦的土地上。
此外，应当理解，风电场100的风力涡轮机102可以具有任何合适的配置，例如如图2中所示。如图所示，风力涡轮机102包括从支撑表面延伸的塔架114、安装在塔架114顶部的机舱116以及联接到机舱116的转子118。转子包括可旋转的毂120，其具有安装在其上的多个转子叶片112，该可旋转的毂又连接到主转子轴，该主转子轴联接到容纳在机舱116内的发电机(未示出)。因此，发电机从由转子118生成的旋转能量中产生电功率。应当理解，图2的风力涡轮机102仅为了说明目的而提供。因此，本领域的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机配置。
如图中总体上所示，风电场100的每个风力涡轮机102还可以包括通信地耦合到风电场控制器108的涡轮机控制器104。此外，在一个实施例中，风电场控制器108可以通过网络110耦合到涡轮机控制器104，以促进各种风电场部件之间的通信。风力涡轮机102还可以包括一个或多个传感器105,106,107，其配置成监测风力涡轮机102的各种运行条件、风条件和/或负载条件。例如，一个或多个传感器可以包括：叶片传感器，其用于监测转子叶片112；发电机传感器，其用于监测发电机负载、扭矩、速度、加速度和/或发电机的功率输出；风传感器106，其用于监测一个或多个风条件；和/或轴传感器，其用于测量转子轴的负载和/或转子轴的旋转速度。另外，风力涡轮机102可以包括一个或多个塔架传感器，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，传感器可以是以下的任何一种或组合：加速度计、压力传感器、迎角传感器、振动传感器、微型惯性测量单元(MIMU)、摄像系统、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(rawinsonde)、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可包括在风电场控制器108、(多个)涡轮机控制器104和/或其它合适的控制器内的合适部件的一个实施例的框图。如图所示，(多个)控制器104,108可以包括一个或多个处理器150和(多个)相关联的存储器设备152，其配置成执行各种计算机实施的功能(例如，执行方法、步骤、计算等和存储如本文中公开的相关数据)。另外，(多个)控制器104,108还可以包括通信模块154，以促进(多个)控制器104,108和风力涡轮机102的各种部件之间的通信。此外，通信模块154可以包括传感器接口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105,106,107(例如本文中描述的传感器)传输的信号被转换成可以由处理器150理解和处理的信号。应当理解，传感器105,106,107可以使用任何合适的手段通信地耦合到通信模块154。例如，如图所示，传感器105,106,107经由有线连接耦合到传感器接口156。然而，在其它实施例中，传感器105,106,107可以经由无线连接耦合到传感器接口156，例如通过使用本领域已知的任何合适的无线通信协议。
如本文中所使用的那样，术语“处理器”不仅指在本领域中所指的包括在计算机中的集成电路，而且还指控制器、微控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其它可编程电路。另外，(多个)存储器设备152一般可以包括(多个)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，闪存)、软盘、只读光盘存储器(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。(多个)这样的存储器设备152一般可以配置成存储合适的计算机可读指令，当由(多个)处理器150实施时，所述指令配置(多个)控制器104,108来执行如本文中描述的各种功能。
此外，将风电场100中的风电场控制器108、涡轮机控制器104和/或风传感器106耦合的网络110可以包括任何已知的通信网络，例如有线或无线网络、光网络等。此外，在不偏离本领域的情况下，网络110能够以任何已知的拓扑结构连接，例如环、总线或集线器，并且可以具有任何已知的竞争解决协议。因此，网络110配置成在(多个)涡轮机控制器104和风电场控制器108之间接近实时地提供数据通信。
现在参考图4和图5，示出了用于控制风力涡轮机(例如风电场100中的风力涡轮机102中的一个)的方法200和系统300。更具体地，图4示出了根据本公开的用于控制风力涡轮机的方法200的流程图，而图5图示了根据本公开的用于控制风力涡轮机的系统300的示意图。一般来说，如图4中所示，方法200在本文中描述为用于控制上述风力涡轮机102和/或风电场100而实施。然而，应当理解，所公开的方法200可以用于操作具有任何合适配置的任何其它风力涡轮机和/或风电场。此外，尽管，图4描绘了为了说明和讨论的目的而以特定顺序执行的步骤，但本文中所述的方法不限于任何特定顺序或排列。使用本文中提供的公开内容的本领域技术人员将理解，能够以各种方式省略、重新排列、组合和/或调整所述方法的各种步骤。
如在(202)处所示，方法200包括经由控制器检测来自多个不同的分析器的与风力涡轮机102的功率性能有关的多个分析输出。应当理解，配置成实施该方法的控制器可以是风电场控制器108、涡轮机控制器104中的一个或多个、和/或位于风电场200内或远离风电场200的任何其它合适的控制器。此外，如一般理解的那样，风力涡轮机一般包括多个性能分析器，其一般指与风力涡轮机的性能相关联的所收集和分析的数据，该数据被或可以被分类、存储和/或分析以研究数据中的各种趋势或模式。
因此，在实施例中，如图5中所示，系统300可以包括控制器302(例如涡轮机控制器104或风电场级控制器108中的一个)，其接收与风力涡轮机102中的一个或多个的功率性能有关的各种分析输出，如在304处所示。例如，这样的分析输出可以经由各种性能分析器来计算。此外，如在308处所示，控制器302配置成检测各种性能分析输出。在某些情况下，分析输出可以与功率曲线生产比率(例如，低或高；合同功率曲线)、功率曲线阈值(例如，风电场级学习曲线)、功率曲线历史、功率曲线残差(例如，风电场平均比较)和/或功率集合(例如，涡轮机级学习模型；风速计不可知)有关。在附加的实施例中，并且如参考图7进一步解释的那样，多个分析输出还可以包括基于条件的监测系统数据或事件、一个或多个环境条件、风力涡轮机温度参数、齿轮箱数据、传感器数据、市场数据、检验数据、维护数据或轴承数据。
如本文中所述，“功率集合”风力涡轮机一般是指在确定感兴趣的涡轮机的功率方面被识别为重要特征的风力涡轮机。因此，功率集合验证利用来自关键参考风力涡轮机的平均功率来确定功率期望值。给定风力涡轮机的功率集合由与感兴趣的风力涡轮机最相关的风力涡轮机确定，这些风力涡轮机在确定感兴趣的风力涡轮机的性能方面一起提供最低的不确定性。功率集合的优点在于通过使用仅来自多个传感器的功率来降低不确定性。
回来参考图4，如在(204)处所示，方法200包括经由控制器302分析与风力涡轮机102的功率性能有关的多个分析输出。例如，在实施例中，控制器302可以例如经由低通滤波器、高通滤波器、带通滤波器或它们的组合来过滤与功率性能有关的多个分析输出。更具体地，如在图5中的306处所示，控制器302可以在检测性能分析的类型之前过滤分析输出。此外，在另外的实施例中，控制器302还可以例如使用主成分分析或因子分解来分析分析输出，以便减少分析输出中的一定数量的维度。
仍然参考图5，控制器302还可以配置成通过将分析输出组织成至少第一数据集310和第二数据集312来分析分析输出。在这样的实施例中，多个分析数据集中的第一数据集310可以包括来自第一时间长度的数据，并且第二数据集312可以包括来自第二时间长度的数据。因此，第一时间长度可长于第二时间长度。例如，如图所示，第一数据集310可以包括长期数据(例如几个月)，而第二数据集312可以包括短期数据(例如一周)。
因此，回来参考图4，如在(206)处所示，方法200包括经由控制器302使用所分析的多个分析输出的至少一部分来生成或构建风力涡轮机102的功率性能的至少一个基于计算机的模型314。应当理解，可以生成任何数量的模型，从而可以为特征集的子集创建单独的模型，使得一个或多个特征分析器的缺失将不会阻止算法正常运行。
例如，在特定的实施例中，可以利用逐步线性回归来构建(多个)模型314。一般来说，逐步线性回归一次添加或删除一个特征，以试图在不过度拟合的情况下得到最佳回归模型。此外，逐步回归典型地具有两种变体，包括向前和向后回归，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变量来构建模型的逐步过程。在每个步骤中，比较具有和不具有潜在预测变量的模型，并且仅当较大的模型导致显著更好地拟合数据时，才接受该较大的模型。备选地，向后逐步回归从具有所有预测因子的模型开始，并删除在对响应变量建模方面没有统计意义的项。
可用于生成模型314的另一种统计方法可以是绝对收缩和选择算子(LASSO)算法。一般来说，LASSO算法在系数的绝对值之和小于常数的约束下使残差平方和最小。可用于生成模型314的又一种统计算法是M5素数(M5P)算法，该算法是在许多领域中有效的基于树的回归算法。例如，逐步线性回归为数据产生单个全局线性模型，而基于树的回归算法对特征进行逻辑测试以形成树结构。一般来说，M5P算法在树的每个节点处使用线性回归模型，从而提供更专业的模型。必然包括方向的机器学习模型也可以与功率集合组的平均值一起使用以确定应得(即，功率的期望值)。这可以被认为是对将数据过滤到特定方向扇区(其然后为每个扇区形成单独的模型)的先前方法的改进。可用于生成模型314的其它机器学习方法还可以包括高斯过程模型、随机森林模型、支持向量机和/或微服务，这将在本文中更详细地讨论。
回来参考图4，如在(208)处所示，方法200还包括经由控制器302使用与风力涡轮机102的功率性能有关的带注释的分析输出316来训练(例如，经由机器学习)风力涡轮机102的功率性能的(多个)基于计算机的模型314。因此，回来参考图4，如在(210)处所示，方法200包括使用至少一个基于计算机的模型314来估计风力涡轮机210的功率大小。
例如，在实施例中，如在图5中的318处所示，控制器302配置成通过经由模型314连续确定风力涡轮机102的功率大小来连续训练(多个)基于计算机的模型。因此，如在320处所示，人类注释者然后可以将来自模型314的接收到的功率大小中的每一个分类为性能不足、性能过剩或标准性能，并且还可以注释风力涡轮机102的接收到的功率大小，即通过校正接收到的功率大小来注释。如本文中所使用的那样，机器学习中的注释(例如，带注释的分析器)一般是指以可以由机器或计算机识别的方式标记数据的过程。此外，这样的注释可以由人类手动完成，因为人类注释者一般更好地解释数据中的主观性、意图和歧义性。因此，机器可以随着时间通过识别人类注释从带注释的数据中学习。在一些情况下，注释可以通过人工智能和/或其它算法(例如半监督学习或聚类)以及任何其它合适的精确标记过程来学习。
然后，可以将带注释的功率大小馈送到(多个)模型314中用于训练和/或校正。在某些实例中，如在322处所示，人类注释者还可以确定风力涡轮机102的带注释的功率大小的根本原因分析。如在316处所示和先前提到的那样，带注释的功率大小(和/或带注释的功率大小的根本原因分析)也可以存储在数据集中，该数据集可以用于进一步更新模型314和/或用于未来使用。
换句话说，控制器302可以包括监督机器学习算法，该算法可以使用带标记的数据将过去学习到的内容应用于新数据以预测未来性能(如在324处所示)。从模型构建开始，学习算法产生推断函数来做出关于输出值的预测。因此，控制器302能够在充分训练之后为任何新输入提供目标。学习算法还可以将其输出与正确的、预期的输出进行比较，并找出错误，以便相应地修改模型。
在特定实施例中，如图6中所示，示出了根据本公开的分析微服务架构400的一个实施例的示意图。如图所示，分析应用程序接口(API)402配置成将功率性能模型输出404发送到控制器302，该控制器将性能模型输出提供给模型314。控制器302还可以从收集存储在控制器中的功率性能数据的数据检索模块412接收数据。然后，模型314利用新的带标记的数据训练数据。模型库406可以用于存储所训练的模型，而模型文件408可以从模型库406被读取并加载以生成预测和/或警报。例如，如图所示，模型文件408可以生成可存储在警报队列414中的警报。来自现场工程师的反馈410允许模型314随着时间而得到改进。
因此，如图4中的(212)处所示，方法200包括当风力涡轮机102的功率大小在选定范围之外(例如，低于预定阈值或高于预定阈值)时实施控制动作。在一个实施例中，例如，控制动作可以包括生成警告。应当理解，本文中描述的控制动作还可以包括控制器302的任何合适的命令或约束。例如，在若干实施例中，控制动作可以包括使风力涡轮机102暂时降额或升额。
风力涡轮机102的升额或降额可以包括速度升额或降额、扭矩升额或降额或两者的组合。此外，如所提到的那样，风力涡轮机102可以通过使转子叶片22中的一个或多个围绕其变桨轴线28变桨来升额或降额。风力涡轮机10还可以通过使机舱106横摆以改变机舱106相对于风的方向的角度来暂时升额或降额。在另外的实施例中，控制器302可以配置成致动一个或多个机械制动器以降低转子叶片112的旋转速度。在又另外的实施例中，控制器302可以配置成执行本领域中已知的任何适当的控制动作。此外，控制器302可以实施两个或更多个控制动作的组合。
此外，在若干实施例中，方法200可以包括确定与风力涡轮机102的功率大小相关联的不确定性水平，并经由系统302的用户接口322显示不确定性水平。不确定性信息可能是有用的，因为较少的分析器可导致更多的决策/建议不确定性。
现在参考图7，示出了用于控制风力涡轮机(例如风电场100中的风力涡轮机102中的一个)的系统500的另一个实施例的示意图。更具体地，图7示出了可由用于控制如本文中描述的风力涡轮机102和/或整个风电场100的控制器实施的流程图。如所提到的那样，应当理解，控制器可以是风电场控制器108、涡轮机控制器104中的一个或多个、和/或位于风电场200内或远离风电场200的任何其它合适的控制器。
更具体地，如在(502)处所示，控制器可以检测和/或接收来自多个不同的分析器的反映风力涡轮机102的多个分析输出的数据。例如，如图所示，多个分析输出可以包括时间序列数据(例如信号、事件、天气或环境条件(例如温度)、市场条件或基于条件的监测系统数据或事件)、资产模型数据、检验和/或维护数据、齿轮箱数据、传感器数据或轴承数据。如所提到的那样，这样的分析输出例如可以经由各种性能分析器来计算。
如在(504)处所示，控制器还可以分析风力涡轮机102的多个分析输出。例如，如所提到的那样，在实施例中，控制器可以对风力涡轮机102的多个分析输出执行各种数据处理步骤512。在一个实施例中，例如，控制器可以例如经由低通滤波器、高通滤波器、带通滤波器或它们的组合来过滤多个分析输出。更具体地，如参考图5所提到的那样，控制器可以在检测性能分析的类型之前过滤分析输出。此外，在另外的实施例中，控制器还可以例如使用主成分分析或因子分解来分析分析输出，以便减少分析输出中的一定数量的维度。仍然参考(504)，控制器然后可以使用所分析的多个分析输出的至少一部分(例如来自框512的所处理的数据以及存储在数据表516中的所训练或学习的数据)来生成风力涡轮机102的至少一个基于计算机的模型514。应当理解，(多个)模型514可以使用本文中描述的任何技术来生成。
仍然参考图7，如在(506)处所示，控制器可以使用(多个)模型514获得所收集的数据的洞察。例如，在实施例中，控制器可以使用(多个)基于计算机的模型514检查多个分析输出的异常。更具体地，如图所示，可以在分析器中的一个或多个内检测和标记各种异常。如在(508)处所示，控制器然后可以将多个所分析的分析输出融合或组合在一起，如在框518处所示。换句话说，如图所示，控制器可以包括监督机器学习算法520和/或基于规则的引擎522，该引擎可以使用带标记的数据将过去学习到的内容应用于新数据，以预测未来性能或识别异常，从而提供关于实际问题的建议。
例如，在实施例中，从如在(520)处所示的模型构建开始，融合算法518可以产生推断函数以做出关于输出值的预测。因此，如在(510)处所示，控制器能够在各种情况下使用融合的数据以在充分训练之后为任何新输入提供目标。例如，如图所示，控制器可以使用任何合适的软件程序用于将来自融合模型的输出转换到商业软件系统中。这样的软件系统可以包括例如应用性能管理(APM)或PulsePoint。学习算法还可以将其输出与正确的、预期的输出进行比较，并找出错误，以便相应地修改模型。
因此，图7-9的融合框架配置成利用机器学习(图8)或规则引擎(图9)来组合来自多个分析来源的输入，并提供关于实际问题的更智能的建议，从而减少案例处理并消除不必要的故障排除。例如，融合框架配置成通过组合来自多个来源的相似建议来协调冗余结果，从而减少处理并提高操作者效率。更具体地，在实施例中，图7-9的融合框架配置成利用关联规则挖掘以基于异常或事件的共现来确定基于融合的规则。如本文中所使用的那样，关联规则挖掘一般是指用于评估数据库中的变量之间的关系的基于规则的机器学习技术。因此，在本公开中，关联规则挖掘可以实施成扫描风力涡轮机数据的大型历史数据库，生成数据的各种关系的图表，并且基于数据的相关性可以确定各种异常与特定问题有关。这样的关系可以被存储用于以后使用和/或连续更新。
特别地参考图8，示出了根据本公开的分析微服务架构600的另一个实施例的示意图，该架构类似于图6的微服务架构400，其中现在将更详细地解释一些例外。如图所示，分析应用程序接口(API)602配置成将性能模型输出404发送到控制器(例如控制器302)，该控制器可以将性能模型输出提供给模型514/融合分析。然后，模型514利用新的带标记的数据训练该数据。模型库606可以用于存储所训练的模型，而模型文件608可以从模型库606被读取并加载以生成预测和/或警报。例如，如图所示，模型文件608可以生成可存储在警报队列614中的警报。来自现场工程师的反馈610允许模型514随着时间而得到改进。
此外，如图所示，除了由融合模型514考虑的功率性能数据之外，图8的实施例的数据检索模型612还可以接收警报、异常和/或基于条件的监测数据。此外，如图所示，图8和图9的微服务架构600可以包括可用于执行不同分析器的融合的基于规则的引擎522。更具体地，如图9中所示，基于规则的引擎522一般是指包括使用一组规则表达的逻辑或计算的软件系统。因此，基于规则的引擎522可以接收警报、异常和基于条件的监测数据并通过数据解析器528运行数据。然后，所解析的数据可以由引擎522与各种事实530和规则532一起考虑以生成一个或多个动作534。在实施例中，例如，规则532可以使用if-then语句以逻辑形式表达。此外，如图所示，事实530可以作为输入被提供给规则引擎522，并与规则532匹配。如果满足规则的所有条件，则采取动作534。多种算法可以被用于实现模式匹配。一种广泛使用的算法是Rete算法，其利用匹配-解决-动作循环来支持前向链接和推理。例如，在实施例中，当检测到多个异常时，控制器可以组合来自基于条件的监测系统的多个异常中的异常，组合来自多个分析器的多个异常中的异常，将来自多个来源的共同异常组合成单个异常，和/或组合与共同故障或问题有关的多个异常中的异常。
回来参考图7，如在(524)处所示，控制器还配置成使用风力涡轮机102的带注释的分析输出来连续训练风力涡轮机102的(多个)基于计算机的模型514。因此，如图所示，人类注释者可以关于是否存在异常对来自(多个)模型514的输出中的每一个进行分类，并且还可以注释接收到的输出，即通过校正或标记输出来注释。如经由箭头526所示，带注释的输出然后可以被馈送到(多个)模型514中用于训练和/或校正。在某些实例中，如图所示，人类注释者还可以确定带注释的数据的根本原因分析。此外，如图所示，带注释的数据(和/或带注释的数据的根本原因分析)也可以存储在数据表516中，该数据表可以用于进一步更新(多个)模型514和/或用于未来使用。
因此，如所提到的那样，当检测到至少一个异常时，控制器还可以实施控制动作。应当理解，本文中描述的控制动作可以包括控制器302的任何合适的命令或约束，例如本文中提到的那些中的任一个。例如，在若干实施例中，控制动作可以包括生成警告、关闭风力涡轮机、使风力涡轮机降额和/或使风力涡轮机升额。
本发明的各方面和实施例由以下编号的条款限定：
条款1. 一种用于控制风力涡轮机的方法，该方法包括：
经由控制器检测来自多个不同的分析器的风力涡轮机的多个分析输出；
经由控制器分析风力涡轮机的多个分析输出；
经由控制器使用所分析的多个分析输出的至少一部分来生成风力涡轮机的至少一个基于计算机的模型；
经由控制器使用风力涡轮机的带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型；
使用至少一个基于计算机的模型检查多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
条款2. 根据条款1所述的方法，其中，风力涡轮机的多个分析输出包括以下中的至少两个：功率曲线低生产比率、功率曲线历史、功率曲线残差、功率集合、基于条件的监测系统数据或事件、一个或多个环境条件、风力涡轮机温度参数、齿轮箱数据、传感器数据、市场数据、检验数据、维护数据、轴承数据、异常、警报或事件。
条款3. 根据前述条款中的任一项所述的方法，其中，分析风力涡轮机的多个分析输出还包括：
过滤多个分析输出。
条款4. 根据前述条款中的任一项所述的方法，其中，分析风力涡轮机的多个分析输出还包括：
使用主成分分析或因子分解中的至少一个来减少多个分析输出中的一定数量的维度。
条款5. 根据前述条款中的任一项所述的方法，其中，使用带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型还包括：
使用风力涡轮机的带注释的分析输出来机器学习至少一个基于计算机的模型，或在风力涡轮机的多个分析输出上使用规则引擎，其中的至少一个。
条款6. 根据条款5所述的方法，其中，使用带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型还包括利用关联规则挖掘以基于异常的共现来确定基于融合的规则。
条款7. 根据前述条款中的任一项所述的方法，其中，使用带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型还包括：
执行风力涡轮机的带注释的分析输出的根本原因分析。
条款8. 根据条款7所述的方法，还包括存储带注释的分析输出的根本原因分析用于未来使用和/或将根本原因分析提供给风力涡轮机的至少一个基于计算机的模型。
条款9. 根据前述条款中的任一项所述的方法，其中，当检测到多个异常时，该方法还包括组合来自基于条件的监测系统的多个异常中的异常、组合来自多个分析器的多个异常中的异常、将来自多个来源的共同异常组合成单个异常或者组合与共同故障或问题有关的多个异常中的异常。
条款10. 根据前述条款中的任一项所述的方法，其中，当检测到异常时实施控制动作还包括生成警告或警报、关闭风力涡轮机、使风力涡轮机降额或使风力涡轮机升额。
条款11. 根据前述条款中的任一项所述的方法，其中，至少一个基于计算机的模型包括支持向量机或微服务。
条款12. 一种用于控制风力涡轮机的系统，该系统包括：
多个分析器，其用于生成风力涡轮机的多个分析输出；
控制器，其通信地耦合到多个分析器，该控制器配置成执行多个操作，所述多个操作包括：
分析风力涡轮机的多个分析输出；
使用所分析的多个分析输出的至少一部分来生成风力涡轮机的至少一个基于计算机的模型；
使用风力涡轮机的带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型；
使用至少一个基于计算机的模型检查多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
条款13. 根据条款12所述的系统，其中，风力涡轮机的多个分析输出包括以下中的至少两个：功率曲线低生产比率、功率曲线历史、功率曲线残差、功率集合、基于条件的监测系统数据或事件、一个或多个环境条件、风力涡轮机温度参数、齿轮箱数据、传感器数据、市场数据、检验数据、维护数据或轴承数据。
条款14. 根据条款12至13所述的系统，其中，分析风力涡轮机的多个分析输出还包括：
过滤多个分析输出。
条款15. 根据条款12至14所述的系统，其中，分析风力涡轮机的多个分析输出还包括：
使用主成分分析或因子分解中的至少一个来减少多个分析输出中的一定数量的维度。
条款16. 根据条款12至15所述的系统，其中，使用带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型还包括：
使用风力涡轮机的带注释的分析输出来机器学习至少一个基于计算机的模型，或在风力涡轮机的多个分析输出上使用规则引擎，其中的至少一个。
条款17. 根据条款12至16所述的系统，其中，使用带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型还包括：
执行风力涡轮机的带注释的分析输出的根本原因分析；以及
存储带注释的分析输出的根本原因分析用于未来使用和/或将根本原因分析提供给风力涡轮机的至少一个基于计算机的模型。
条款18. 根据条款12至18所述的系统，其中，当检测到多个异常时，该系统还包括组合来自基于条件的监测系统的多个异常中的异常、组合来自多个分析器的多个异常中的异常、将来自多个来源的共同异常组合成单个异常或者组合与共同故障或问题有关的多个异常中的异常。
条款19. 根据条款12至18所述的系统，其中，当检测到异常时实施控制动作还包括生成警告或警报、关闭风力涡轮机、使风力涡轮机降额或使风力涡轮机升额。
条款20. 一种风电场，其包括：
多个风力涡轮机，其各包括涡轮机控制器；
风电场级控制器，其通信地耦合到涡轮机控制器中的每一个，该风电场级控制器配置成执行多个操作，该多个操作包括：
接收来自多个不同的分析器的风力涡轮机中的每一个的多个分析输出；
分析风力涡轮机的多个分析输出；
使用所分析的多个分析输出的至少一部分来生成风力涡轮机的至少一个基于计算机的模型；
使用风力涡轮机的带注释的分析输出来训练风力涡轮机的至少一个基于计算机的模型；
使用至少一个基于计算机的模型检查多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
本书面描述使用示例来公开包括最佳模式的本发明，并且还使本领域的任何技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何并入的方法。本发明的可专利范围由权利要求书限定，并且可以包括本领域技术人员想到的其它示例。如果这样的其它示例包括与权利要求书的字面语言无区别的结构要素，或者如果它们包括与权利要求书的字面语言存在非实质性区别的等效结构要素，则这些其它示例旨在落入权利要求书的范围内。

Claims (20)

1.一种用于控制风力涡轮机的方法，所述方法包括：
经由控制器检测来自多个不同的分析器的所述风力涡轮机的多个分析输出；
经由所述控制器分析所述风力涡轮机的多个分析输出；
经由所述控制器使用所分析的所述多个分析输出的至少一部分来生成所述风力涡轮机的至少一个基于计算机的模型；
经由所述控制器使用所述风力涡轮机的带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型；
使用所述至少一个基于计算机的模型检查所述多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
2.根据权利要求1所述的方法，其中，所述风力涡轮机的多个分析输出包括以下中的至少两个：功率曲线低生产比率、功率曲线历史、功率曲线残差、功率集合、基于条件的监测系统数据或事件、一个或多个环境条件、风力涡轮机温度参数、齿轮箱数据、传感器数据、市场数据、检验数据、维护数据、轴承数据、异常、警报或事件。
3.根据权利要求1所述的方法，其中，分析所述风力涡轮机的多个分析输出还包括：
过滤所述多个分析输出。
4.根据权利要求1所述的方法，其中，分析所述风力涡轮机的多个分析输出还包括：
使用主成分分析或因子分解中的至少一个来减少所述多个分析输出中的一定数量的维度。
5.根据权利要求1所述的方法，其中，使用所述带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型还包括：
使用所述风力涡轮机的带注释的分析输出来机器学习所述至少一个基于计算机的模型，或在所述风力涡轮机的多个分析输出上使用规则引擎，其中的至少一个。
6.根据权利要求5所述的方法，其中，使用所述带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型还包括利用关联规则挖掘以基于异常的共现来确定基于融合的规则。
7.根据权利要求1所述的方法，其中，使用所述带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型还包括：
执行所述风力涡轮机的带注释的分析输出的根本原因分析。
8.根据权利要求7所述的方法，还包括存储所述带注释的分析输出的根本原因分析用于未来使用和/或将所述根本原因分析提供给所述风力涡轮机的至少一个基于计算机的模型。
9.根据权利要求1所述的方法，其中，当检测到多个异常时，所述方法还包括组合来自基于条件的监测系统的所述多个异常中的异常、组合来自多个分析器的所述多个异常中的异常、将来自多个来源的共同异常组合成单个异常或者组合与共同故障或问题有关的所述多个异常中的异常。
10.根据权利要求1所述的方法，其中，当检测到所述异常时实施所述控制动作还包括生成警告或警报、关闭所述风力涡轮机、使所述风力涡轮机降额或使所述风力涡轮机升额。
11.根据权利要求1所述的方法，其中，所述至少一个基于计算机的模型包括支持向量机或微服务。
12.一种用于控制风力涡轮机的系统，所述系统包括：
多个分析器，其用于生成所述风力涡轮机的多个分析输出；
控制器，其通信地耦合到所述多个分析器，所述控制器配置成执行多个操作，所述多个操作包括：
分析所述风力涡轮机的多个分析输出；
使用所分析的所述多个分析输出的至少一部分来生成所述风力涡轮机的至少一个基于计算机的模型；
使用所述风力涡轮机的带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型；
使用所述至少一个基于计算机的模型检查所述多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
13.根据权利要求12所述的系统，其中，所述风力涡轮机的多个分析输出包括以下中的至少两个：功率曲线低生产比率、功率曲线历史、功率曲线残差、功率集合、基于条件的监测系统数据或事件、一个或多个环境条件、风力涡轮机温度参数、齿轮箱数据、传感器数据、市场数据、检验数据、维护数据或轴承数据。
14.根据权利要求12所述的系统，其中，分析所述风力涡轮机的多个分析输出还包括：
过滤所述多个分析输出。
15.根据权利要求12所述的系统，其中，分析所述风力涡轮机的多个分析输出还包括：
使用主成分分析或因子分解中的至少一个来减少所述多个分析输出中的一定数量的维度。
16.根据权利要求12所述的系统，其中，使用所述带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型还包括：
使用所述风力涡轮机的带注释的分析输出来机器学习所述至少一个基于计算机的模型，或在所述风力涡轮机的多个分析输出上使用规则引擎，其中的至少一个。
17. 根据权利要求12所述的系统，其中，使用所述带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型还包括：
执行所述风力涡轮机的带注释的分析输出的根本原因分析；以及
存储所述带注释的分析输出的根本原因分析用于未来使用和/或将所述根本原因分析提供给所述风力涡轮机的至少一个基于计算机的模型。
18.根据权利要求12所述的系统，其中，当检测到多个异常时，所述系统还包括组合来自基于条件的监测系统的所述多个异常中的异常、组合来自多个分析器的所述多个异常中的异常、将来自多个来源的共同异常组合成单个异常或者组合与共同故障或问题有关的所述多个异常中的异常。
19.根据权利要求12所述的系统，其中，当检测到所述异常时实施所述控制动作还包括生成警告或警报、关闭所述风力涡轮机、使所述风力涡轮机降额或使所述风力涡轮机升额。
20.一种风电场，其包括：
多个风力涡轮机，其各包括涡轮机控制器；
风电场级控制器，其通信地耦合到所述涡轮机控制器中的每一个，所述风电场级控制器配置成执行多个操作，所述多个操作包括：
接收来自多个不同的分析器的所述风力涡轮机中的每一个的多个分析输出；
分析所述风力涡轮机的多个分析输出；
使用所分析的所述多个分析输出的至少一部分来生成所述风力涡轮机的至少一个基于计算机的模型；
使用所述风力涡轮机的带注释的分析输出来训练所述风力涡轮机的至少一个基于计算机的模型；
使用所述至少一个基于计算机的模型检查所述多个分析输出的异常；以及
当检测到至少一个异常时实施控制动作。
CN201980101022.8A 2019-10-02 2019-12-30 用于融合风力涡轮机的多种分析以提高效率的系统和方法 Pending CN114430816A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/590580 2019-10-02
US16/590,580 US10954919B1 (en) 2019-10-02 2019-10-02 Machine-learning model-based analytic for monitoring wind farm power performance
PCT/US2019/068943 WO2021066867A1 (en) 2019-10-02 2019-12-30 System and method for fusing multiple analytics of a wind turbine for improved efficiency

Publications (1)

Publication Number Publication Date
CN114430816A true CN114430816A (zh) 2022-05-03

Family

ID=69411539

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980101022.8A Pending CN114430816A (zh) 2019-10-02 2019-12-30 用于融合风力涡轮机的多种分析以提高效率的系统和方法
CN202011070413.9A Pending CN112594130A (zh) 2019-10-02 2020-10-09 用于监视风电场功率性能的基于机器学习模型的分析

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011070413.9A Pending CN112594130A (zh) 2019-10-02 2020-10-09 用于监视风电场功率性能的基于机器学习模型的分析

Country Status (4)

Country Link
US (1) US10954919B1 (zh)
EP (2) EP4038462A1 (zh)
CN (2) CN114430816A (zh)
WO (1) WO2021066867A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821610A (zh) * 2023-08-30 2023-09-29 水电水利规划设计总院 一种利用大数据优化风力发电效率的方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11867154B2 (en) * 2019-12-23 2024-01-09 Vestas Wind Systems A/S Operating a wind turbine with sensors implemented by a trained machine learning model
EP3859147A1 (en) * 2020-02-03 2021-08-04 Ventus Engineering GmbH Wake monitoring, wake management and sensory arrangements to such
US20220345468A1 (en) * 2021-04-21 2022-10-27 General Electric Company System and method for cyberattack detection in a wind turbine control system
CN114278496A (zh) * 2021-09-29 2022-04-05 新疆金风科技股份有限公司 风力发电机组的辅助控制方法、系统及风力发电机组
CN116154841A (zh) * 2022-11-22 2023-05-23 华能广东汕头海上风电有限责任公司 一种海上风电场计算机监控系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估系统及评估方法
US20120226474A1 (en) * 2011-03-02 2012-09-06 General Electric Company Method and system for analysis of turbomachinery
US20130073223A1 (en) * 2010-05-13 2013-03-21 University Of Cincinnati Turbine-To-Turbine Prognostics Technique For Wind Farms
CN103605912A (zh) * 2013-12-10 2014-02-26 武汉大学 一种风电场功率外特性建模方法
CN103793563A (zh) * 2014-01-24 2014-05-14 广西电网公司电力科学研究院 一种风电场等效模拟模块与交直机车及其供电系统
CN103885769A (zh) * 2012-12-20 2014-06-25 英特尔移动通信有限责任公司 调试基于模型的消息序列的系统和方法
CN104506566A (zh) * 2014-11-17 2015-04-08 中国电建集团昆明勘测设计研究院有限公司 基于云GIS平台的风电场iPad移动在离线选址系统
CN104933489A (zh) * 2015-06-29 2015-09-23 东北电力大学 基于自适应神经模糊推理系统的风电功率实时高精度预测方法
CN105048499A (zh) * 2015-07-24 2015-11-11 中国农业大学 基于模型预测控制的风电并网实时调度方法及装置
US20180223804A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Reducing curtailment of wind power generation
WO2019114160A1 (zh) * 2017-12-14 2019-06-20 北京金风科创风电设备有限公司 结冰预测方法、装置、模型生成方法及装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2192456B1 (en) 2008-11-26 2017-11-01 Siemens Aktiengesellschaft Estimation an achievable power production of a wind turbine by means of a neural network
US20110020122A1 (en) 2009-07-24 2011-01-27 Honeywell International Inc. Integrated condition based maintenance system for wind turbines
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US9606518B2 (en) 2011-12-28 2017-03-28 General Electric Company Control system and method of predicting wind turbine power generation
US9551322B2 (en) 2014-04-29 2017-01-24 General Electric Company Systems and methods for optimizing operation of a wind farm
US9644612B2 (en) 2014-09-23 2017-05-09 General Electric Company Systems and methods for validating wind farm performance measurements
US10132295B2 (en) 2015-05-15 2018-11-20 General Electric Company Digital system and method for managing a wind farm having plurality of wind turbines coupled to power grid
WO2017139046A1 (en) 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
US11334834B2 (en) 2016-05-23 2022-05-17 General Electric Company System and method for controlling power production from a wind farm
WO2018121668A1 (en) 2016-12-30 2018-07-05 Envision Energy (Jiangsu) Co., Ltd. A method and system for evaluating wind turbine generator performance
CN110537018A (zh) 2017-04-26 2019-12-03 三菱电机株式会社 Ai装置、激光雷达装置以及风力发电厂控制系统
CN108448610B (zh) 2018-03-12 2020-05-22 华南理工大学 一种基于深度学习的短期风功率预测方法
US11157833B2 (en) * 2018-03-14 2021-10-26 International Business Machines Corporation Learning service blockchain
US10635095B2 (en) * 2018-04-24 2020-04-28 Uptake Technologies, Inc. Computer system and method for creating a supervised failure model
CN109492777A (zh) 2018-09-14 2019-03-19 国电电力宁夏新能源开发有限公司 一种基于机器学习算法平台的风电机组健康管理方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073223A1 (en) * 2010-05-13 2013-03-21 University Of Cincinnati Turbine-To-Turbine Prognostics Technique For Wind Farms
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估系统及评估方法
US20120226474A1 (en) * 2011-03-02 2012-09-06 General Electric Company Method and system for analysis of turbomachinery
CN103885769A (zh) * 2012-12-20 2014-06-25 英特尔移动通信有限责任公司 调试基于模型的消息序列的系统和方法
CN103605912A (zh) * 2013-12-10 2014-02-26 武汉大学 一种风电场功率外特性建模方法
CN103793563A (zh) * 2014-01-24 2014-05-14 广西电网公司电力科学研究院 一种风电场等效模拟模块与交直机车及其供电系统
CN104506566A (zh) * 2014-11-17 2015-04-08 中国电建集团昆明勘测设计研究院有限公司 基于云GIS平台的风电场iPad移动在离线选址系统
CN104933489A (zh) * 2015-06-29 2015-09-23 东北电力大学 基于自适应神经模糊推理系统的风电功率实时高精度预测方法
CN105048499A (zh) * 2015-07-24 2015-11-11 中国农业大学 基于模型预测控制的风电并网实时调度方法及装置
US20180223804A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Reducing curtailment of wind power generation
WO2019114160A1 (zh) * 2017-12-14 2019-06-20 北京金风科创风电设备有限公司 结冰预测方法、装置、模型生成方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821610A (zh) * 2023-08-30 2023-09-29 水电水利规划设计总院 一种利用大数据优化风力发电效率的方法
CN116821610B (zh) * 2023-08-30 2023-10-31 水电水利规划设计总院 一种利用大数据优化风力发电效率的方法

Also Published As

Publication number Publication date
US20210102525A1 (en) 2021-04-08
WO2021066867A1 (en) 2021-04-08
EP4038462A1 (en) 2022-08-10
EP3800519A1 (en) 2021-04-07
EP3800519B1 (en) 2024-05-29
CN112594130A (zh) 2021-04-02
US10954919B1 (en) 2021-03-23

Similar Documents

Publication Publication Date Title
CN114430816A (zh) 用于融合风力涡轮机的多种分析以提高效率的系统和方法
Udo et al. Data-driven predictive maintenance of wind turbine based on SCADA data
Zaher et al. A multi-agent fault detection system for wind turbine defect recognition and diagnosis
US20230107092A1 (en) System and method for monitoring wind turbine rotor blades using infrared imaging and machine learning
EP3974930B1 (en) Systems and methods for operating a power generating asset
Peng et al. Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy
Dubey et al. A review of intelligent systems for the prediction of wind energy using machine learning
US20220345468A1 (en) System and method for cyberattack detection in a wind turbine control system
Tümse et al. Estimation of wind turbine output power using soft computing models
EP3913216A1 (en) System and method for training anomaly detection analytics to automatically remove outlier data
Shaheen et al. Performance monitoring of wind turbines gearbox utilising artificial neural networks—steps toward successful implementation of predictive maintenance strategy
US20220341393A1 (en) System and method for fusing multiple analytics of a wind turbine for improved efficiency
Sethi et al. Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach
Chen Automated on-line fault prognosis for wind turbine monitoring using scada data
Shen Classification of Wind Turbine Blade Performance State Through Statistical Methods
Yang et al. Condition Monitoring for Wind Turbine Pitch System Using Multi-parameter Health Indicator
Dinh et al. Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines
US20240141870A1 (en) Prediction and prevention of safety stop of a wind turbine
Obdam et al. Flight leader concept for wind farm load counting: First offshore implementation
US20230296078A1 (en) Learning-based backup controller for a wind turbine
Kokkinopoulos aster R
Politi Wind Turbine Condition Monitoring Through Artificial Neural Networks Using SCADA Data
Sakarvadia Predictive maintenance with industrial sensor data
Puruncajas et al. Convolutional Neural Network for Wind Turbine Failure Classification Based on SCADA Data
Puruncajas Maza et al. Convolutional neural network for wind turbine failure classification based on SCADA data

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
TA01 Transfer of patent application right

Effective date of registration: 20240104

Address after: Barcelona, Spain

Applicant after: Ge renewable energy Spain Ltd.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right