CN114689237B - 载荷传感器标定方法、装置及计算机可读存储介质 - Google Patents

载荷传感器标定方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN114689237B
CN114689237B CN202011634703.1A CN202011634703A CN114689237B CN 114689237 B CN114689237 B CN 114689237B CN 202011634703 A CN202011634703 A CN 202011634703A CN 114689237 B CN114689237 B CN 114689237B
Authority
CN
China
Prior art keywords
data
calibration
pitch angle
load sensor
wind
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
CN202011634703.1A
Other languages
English (en)
Other versions
CN114689237A (zh
Inventor
薛达
张文磊
刘磊
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.)
Jinfeng Technology Co ltd
Original Assignee
Xinjiang Goldwind Science and Technology 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 Xinjiang Goldwind Science and Technology Co Ltd filed Critical Xinjiang Goldwind Science and Technology Co Ltd
Priority to CN202011634703.1A priority Critical patent/CN114689237B/zh
Priority to PCT/CN2021/099413 priority patent/WO2022142149A1/zh
Priority to EP21912908.7A priority patent/EP4266022A4/en
Priority to AU2021415070A priority patent/AU2021415070A1/en
Priority to KR1020237025563A priority patent/KR20230125046A/ko
Priority to US18/260,234 priority patent/US20240068449A1/en
Publication of CN114689237A publication Critical patent/CN114689237A/zh
Application granted granted Critical
Publication of CN114689237B publication Critical patent/CN114689237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F03D17/009—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose
    • F03D17/025—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose for calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • 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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F03D17/009—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose
    • F03D17/011—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose for monitoring mechanical loads or assessing fatigue; for monitoring structural integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Wind Motors (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Measurement Of Force In General (AREA)

Abstract

公开了一种载荷传感器标定方法、装置及计算机可读存储介质。所述载荷传感器标定方法包括：获取风力发电机组的运行数据，其中，运行数据包括风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据；基于运行数据生成标定训练集；根据标定训练集对载荷传感器进行标定。通过本公开，解决了现有标定方法需对风力发电机组进行停机和锁叶轮等人工操作导致的发电量损失和人工成本较高问题。

Description

载荷传感器标定方法、装置及计算机可读存储介质
技术领域
本公开总体说来涉及风力发电技术领域，更具体地讲，涉及载荷传感器标定方法、装置及计算机可读存储介质。
背景技术
目前，常用的载荷传感器的标定方法是锁叶轮配合往复变桨半自动标定，其通过将三支叶片分别轮流进行叶片竖直向下并将该竖直向下姿态的叶轮锁定，在每次叶轮锁定后对处于2点钟和10点钟方向的叶片分别进行0-90度的往复变桨，采集整个过程中的叶片桨距角和叶根光纤载荷传感器的测量波长，再进行数据分析和传感器参数标定。
但是，上述标定方法在具体实现上需对风力发电机组进行停机处理，影响机组正常运行，并带来发电量的损失；同时，上述标定方法在执行过程需要现场人员到达机舱进行锁叶轮的操作，且由于需要在合适的风况下完整操作一个循环才能保障数据有效，在某些时候容易被突变的风中断操作，需要重新来一遍，完整一遍循环操作时间一般60min以上，过程较为复杂，效率较低。
发明内容
本公开的实施例提供一种载荷传感器标定方法、装置及计算机可读存储介质，所述载荷传感器标定方法、装置及计算机可读存储介质能够有效解决现有标定方法需对风力发电机组进行停机和锁叶轮等人工操作导致的发电量损失和人工成本较高问题。
在一个总的方面，提供一种载荷传感器标定方法，包括：获取风力发电机组的运行数据，其中，运行数据包括风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据；基于运行数据生成标定训练集；根据标定训练集对载荷传感器进行标定。
可选地，在运行数据包括风力发电机组在正常运行状态下运行的数据的情况下，基于运行数据生成标定训练集的步骤包括：根据预设的筛选条件对运行数据进行筛选，得到第一数据集；根据第一数据集中的桨距角，将第一数据集分为空转桨距角集和其它桨距角集，其中，其它桨距角集中包括筛选后的第一数据集中除空转桨距角之外的其它运行数据；对空转桨距角集和其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集，其中，数据点是运行数据的时域上一个时刻的数据。
可选地，对空转桨距角集合和其它桨距角集合中的运行数据进行随机抽样，并根据与随机抽样的数据点中的方位角生成标定训练集的步骤包括：随机抽取空转桨距角集合和其它桨距角集合中数据点；根据数据点中的方位角，将运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；将所有方位角仓内的运行数据合并在一起生成标定训练集。
可选地，方位角仓为以第一预定角度对360度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于空转桨距角集合和其它桨距角集合。
可选地，获取风力发电机组的运行数据的步骤包括：在预定时间段内，等间隔获取风力发电机组的运行数据作为第一数据集；根据预设的筛选条件对运行数据进行筛选包括：根据预设的筛选条件对每个间隔获取的第一数据集分别进行筛选。
可选地，在运行数据包括风力发电机组在不同预定桨距角空转状态下运行的数据的情况下，获取风力发电机组的运行数据的步骤包括：在风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据；将第一空转数据和第二空转数据合并得到第二数据集作为运行数据。
可选地，基于运行数据生成标定训练集的步骤包括：将第二数据集作为标定训练集。
可选地，第一预定桨距角和第二预定桨距角大于或等于第二预定角度，且第一预定桨距角和第二预定桨距角之间的角度差大于第三预定角度。
可选地，获取风力发电机组的运行数据的步骤包括：在预定时间段内，连续获取风力发电机组的运行数据；或者，在预定时间段内，等间隔获取风力发电机组的运行数据。
可选地，根据标定训练集对载荷传感器进行标定的步骤包括：根据标定训练集获取载荷传感器的载荷的实际测量应变；根据理论测量应变、实际测量应变以及最小化损失函数对载荷传感器进行标定，其中，理论测量应变是指在给出载荷时理论上测量得到的应变。
在另一总的方面，一种载荷传感器标定装置，包括：获取模块，被配置为获取风力发电机组的运行数据，其中，运行数据包括风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据；生成模块，被配置为基于运行数据生成标定训练集；标定模块，被配置为根据标定训练集对载荷传感器进行标定。
可选地，生成模块，被配置为在运行数据包括风力发电机组在正常运行状态下运行的数据的情况下，根据预设的筛选条件对运行数据进行筛选，得到第一数据集；根据第一数据集中的桨距角，将第一数据集分为空转桨距角集和其它桨距角集，其中，其它桨距角集中包括筛选后的第一数据集中除空转桨距角之外的其它运行数据；对空转桨距角集和其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集，其中，数据点是运行数据的时域上一个时刻的数据。
可选地，生成模块，被配置为随机抽取空转桨距角集合和其它桨距角集合中数据点；根据数据点中的方位角，将运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；将所有方位角仓内的运行数据合并在一起生成标定训练集。
可选地，方位角仓为以第一预定角度对360度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于空转桨距角集合和其它桨距角集合。
可选地，获取模块，被配置为在预定时间段内，等间隔获取风力发电机组的运行数据作为第一数据集；生成模块被配置为根据预设的筛选条件对每个间隔获取的第一数据集分别进行筛选。
可选地，获取模块，被配置为在运行数据包括风力发电机组在不同预定桨距角空转状态下运行的数据的情况下，在风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据；将第一空转数据和第二空转数据合并得到第二数据集作为运行数据。
可选地，生成模块，被配置为将第二数据集作为标定训练集。
可选地，第一预定桨距角和第二预定桨距角大于或等于第二预定角度，且第一预定桨距角和第二预定桨距角之间的角度差大于第三预定角度。
可选地，获取模块，被配置为在预定时间段内，连续获取风力发电机组的运行数据；或者，在预定时间段内，等间隔获取风力发电机组的运行数据。
可选地，标定模块，被配置为根据标定训练集获取载荷传感器的载荷的实际测量应变；根据理论测量应变、实际测量应变以及最小化损失函数对载荷传感器进行标定，其中，理论测量应变是指在给出载荷时理论上测量得到的应变。
在另一总的方面，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如上任一载荷传感器标定方法。
在另一总的方面，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，指令在被至少一个计算装置运行时，促使至少一个计算装置执行如上任一载荷传感器标定方法。
根据本公开的实施例的载荷传感器标定方法、装置及计算机可读存储介质，获取基于风力发电机组以正常运行状态的数据或以两个预定桨距角空转产生的数据，并基于风力发电机组以正常运行状态的数据或以两个预定桨距角空转产生的数据对载荷传感器进行标定，无需对风力发电机组进行停机和锁叶轮等人工操作，因此利用本公开的方案在标定过程中对风力发电机组的干预降到最低，避免了由于传感器标定引起的发电量损失，同时节省了人工成本。因此，本公开的实施例解决了现有标定方法需对风力发电机组进行停机和锁叶轮等人工操作导致的发电量损失和人工成本较高问题。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出本公开实施例的载荷传感器标定方法的流程图；
图2是示出本公开另一实施例的载荷传感器标定方法的流程示意图；
图3是示出本公开实施例的方位角分仓示意图；
图4是示出本公开实施例的另一种优选载荷传感器标定方法的流程示意图；
图5是示出本公开实施例的载荷传感器标定装置的框图；
图6是示出本公开实施例的载荷传感器标定系统的示意图；
图7是示出本公开实施例的一次随机抽样后获得的机组标定训练集中桨距角的分布直方图；
图8、图9和图10是示出本公开实施例的机组标定发电工况验证数据的风速时序图；
图11A至图11F是示出本公开实施例的机组自动标定空转载荷时序比对示意图；
图12是示出本公开实施例的小风发电工况Edge方向载荷的相关性散点图；
图13是示出本公开实施例的小风发电工况flap方向载荷的相关性散点图；
图14A至图14F是示出本公开实施例的机组自动标定小风条件下载荷时序比对示意图；
图15是示出本公开的实施例大风发电工况Edge方向载荷的相关性散点图；
图16是示出本公开的实施例大风发电工况flap方向载荷的相关性散点图；
图17A至图17F是示出本公开实施例的机组自动标定大风条件下载荷时序比对示意图；
图18A至图18D是示出本公开实施例的机组edge方向载荷一致性比对示意图；
图19A至图19D是示出本公开实施例的机组flap方向载荷一致性比对示意图；
图20是示出本公开实施例的10次独立标定的传感器波长示意图；
图21是示出本公开实施例的10次独立标定的传感器安装位置示意图；
图22是示出本公开实施例的10次独立标定Edge方向的载荷系数示意图；
图23是示出本公开实施例的10次独立标定Flap方向的载荷系数示意图；
图24是示出本公开实施例的机组标定发电工况验证数据的风速时序图；
图25A至图25F是示出本公开实施例的机组自动标定发电工况下载荷时序比对示意图。
具体实施方式
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本申请的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本申请的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本申请的公开之后将是清楚的。
如在此使用的，术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。
尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
在说明书中，当元件(诸如，层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时，该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件，或者可存在介于其间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时，可不存在介于其间的其他元件。
在此使用的术语仅用于描述各种示例，并不将用于限制公开。除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。
除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
现有的载荷传感器标定方法在具体实现上需对机组进行停机处理，影响机组正常运行，并带来发电量的损失。同时，其执行过程需要现场人员到达机舱进行锁叶轮的操作，且由于需要在合适的风况下完整操作一个循环才能保障数据有效，在某些时候容易被突变的风中断操作，需要重新来一遍，完整一遍循环操作时间一般60min以上，过程较为复杂，效率较低。同时，该标定方案采集的数据中叶轮方位角变化有限，得到的标定结果精度无法达到最优。另外，叶根载荷传感器在选型时需要与叶片的材料热膨胀系数(CTE)相匹配，机组的运行数据显示，在温度系数不匹配的情况下，传感器测量载荷会随着环境温度变化而产生一定程度的漂移，影响测量结果的应用，标定结果对环境适应性有限。
为解决上述问题，本公开提供了一种载荷传感器标定方法、装置及计算机可读存储介质，可以解决上述问题，本公开的载荷传感器标定方法可以应用在服务器上，服务器与风力发电机组可以通过无线连接也可以通过有线连接，此处不做限定。上述服务器可以是一个服务器，也可以是若干个服务器组成服务器集群，还可以是云计算平台或虚拟化中心，下面以服务器为例进行说明。
风力发电机组的控制器实施采集风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据，通过无线网络传输给服务器，服务器基于风力发电机组以正常运行状态的数据或以两个预定桨距角空转产生的数据对载荷传感器进行标定，无需对风力发电机组进行停机和锁叶轮等人工操作，因此利用本公开的方案在标定过程中对风力发电机组的干预降到最低，避免了由于传感器标定引起的发电量损失，同时节省了人工成本。
下面结合附图对本公开进行详细表述。
本公开提出一种载荷传感器标定方法，图1是示出本公开实施例的载荷传感器标定方法的流程图。如图1所示，该载荷传感器标定方法包括以下步骤：
在步骤S101中，获取风力发电机组的运行数据，服务器可以通过无线网接收风力发电机组的控制器采集的风力发电机组的数据。在一个示例中，风力发电机组的控制器在预定时间段内连续地获取风力发电机组的运行数据，通过无线网络传输给服务器；在另一个示例中，风力发电机组的控制器在预定时间段内等间隔地获取风力发电机组的运行数据，通过无线网络传输给服务器。
上述运行数据是指风力发电机组运行时可以检测到的各种数据，可以包括风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据，例如，可以包括但不限于：a)各支叶片的桨距角；b)叶轮方位角；c)风速；d)叶轮转速；e)左、右偏航动作；f)偏航对风偏差；g)机组运行模式字(待机、启机、运行、停机等)；h)载荷传感器测量波长。其中“风速”变量可以为瞬时风速、3s或10s平均风速，对标定结果不会有明显影响。为保证足够的数据量用于标定，数据采集时间可以为较低风速下的一至三天。
其中，桨距角即桨叶距离上的夹角；空转状态即风力电机组各项功能正常时缓慢旋转但不发电的状态。
在利用步骤S101获取风力发电机组的运行数据后，基于运行数据生成标定训练集(步骤S102)。
该生成标定训练集的方式包括但不限于以下两种方式：第一种方式对应于风力发电机组在正常运行状态，获取机组在正常运行状态下的运行数据后，首先对运行数据进行预处理(例如，对数据进行有效性筛选)，再对预处理后的运行数据按桨距角进行分组，然后对各组运行数据再分别进行随机抽样和方位角分仓，进而得到相应的标定训练集，从而在对所得训练集进行合并得到标定训练集；
第二种方式对应于风力发电机组在不同预定桨距角空转状态，获取机组在在不同预定桨距角空转状态下的运行数据，可以得到机组在不同的预定桨距角空转状态下的运行数据，将机组在所有预定桨距角空转状态下的的运行数据合并，即可得到标定训练集。
下面从两种生成标定训练集的方式出发分别进行详细说明。
第一种方式：根据风力发电机组在正常运行状态下的运行数据，生成标定训练集。在这种情况下，可以包括几下几个步骤：
步骤1：根据预设的筛选条件对运行数据进行筛选，得到第一数据集；
在得到风力发电机组在正常运行状态下的运行数据之后，可以基于预设的筛选条件进行数据筛选，将满足筛选条件的数据保留，从而得到筛选后的运行数据，也就是上述第一数据集。
其中，上述预设的筛选条件包括但不限于：桨距角在[30,90]度之间，可以避免由于气动因素在最小桨距角时引入标定误差；风速<＝5米/秒，可以保证气动因素对理论载荷的影响不超过10％；叶轮转速<1转/分钟，可以避免由于气动因素在高转速时引入标定误差；左、右偏航动作处于无动作状态，可以避免偏航动作对叶片引入气动载荷；偏航对风偏差<20度，可以避免对风偏差过大引入气动载荷；运行状态字(也即状态标志位)为3或4，可以保证在不主动变桨的前提下引入足够的桨距角范围。
需要说明的是，上述数据筛选条件可以同时满足，也可以根据需要选择所需的筛选条件，通过筛选保证了机组运行的状态适用于载荷传感器的标定，但为保证机组的运行数据记录准确，还可以考虑引入上网功率等其它变量作为辅助筛选条件。
步骤2：根据第一数据集中的桨距角，将第一数据集分为空转桨距角集和其它桨距角集。
其中，其它桨距角集中包括第一数据集中除空转桨距角之外的其它运行数据。
在得到筛选后的运行数据也就是上述第一数据集后，由于筛选数据中通常存在着非常多的空转时的空转桨距角数据，而机组在其它状态下的其他桨距角数据量则比较有限，为了得到桨距角较为平衡(即空转桨距角和其他桨距角对应的运行数据量差别不大)的标定训练数据，需要对筛选后的有效数据根据桨距角划分成两组，即空转桨距角集和其它桨距角集。具体可以通过如下方式获取：获取第一数据集中预定运行数据的桨距角，判断桨距角是否是空转桨距角，如果是空转桨距角，则将该桨距角对应的预定运行数据划分到空转桨距角集中，如果不是空转桨距角，则将该桨距角对应的预定运行数据划分到其他桨距角集中，依次对第一数据集合中的运行数据进行划分，直至全部划入空转桨距角集和其它桨距角集。
步骤3：对空转桨距角集和其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集。
其中，数据点是运行数据的时域上一个时刻的数据，包括这一时刻所得到的数据，如这一时刻的方位角对应的运行数据中全部数据。
方位角是又称地平经度(Azimuth(angle)缩写Az)，是在平面上量度物体之间的角度差的方法之一。是从某点的指北方向线起，依顺时针方向到目标方向线之间的水平夹角。
在得到划分后的空转桨距角集和其它桨距角集后，对空转桨距角集和其它桨距角集分别进行随机抽样，获取抽样的数据点，根据数据点中的方位角的大小，将数据点划入对应的方位角仓中，继续随机抽取下一数据点，循环上述处理步骤，直到所有方位角仓内的数据点的数量达到预定数量，预定数量可根据实际情况设置。然后，将所有方位角仓内的数据点合并在一起得到标定训练集。
根据本公开的实施例，上述对空转桨距角集合和其它桨距角集合中的运行数据进行随机抽样，并根据与随机抽样的数据点中的方位角生成标定训练集的步骤可以通过如下方式实现：随机抽取空转桨距角集合和其它桨距角集合中数据点；根据数据点中的方位角，将运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；将所有方位角仓内的运行数据合并在一起生成标定训练集。
上述方位角仓为以一预定角度对360度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于空转桨距角集合和其它桨距角集合。上述的预定角度可以设定为30度，也可以设定为其他角度。
通过本步骤，采用随机抽样可以保证空转桨距角集合和其它桨距角集合中的每个数据点都有机会被抽到，而通过方位角分布的均一性有助于提高标定结果的精度和稳定性，即在进行标定训练集生成时采用方位角分仓的方法，可以保证在各方位角区间内的数据的平衡。
下面结合图2和图3对上述第一种生成标定训练集的方式进行举例说明。
图2是示出本公开另一实施例的载荷传感器标定方法的流程示意图。如图2所示，上述方法为基于机组常规运行数据的载荷传感器自动标定方案流程，该流程生成标定训练集包括：
步骤1，获取一段时间的机组正常工作状态下的运行数据。
步骤2，为保证标定精度，需要对获取的机组运行数据进行筛选，得到有效数据，具体地筛选条件可以上述筛选条件，此处不再展开论述。
步骤3，将得到的有效数据进行划分得到空转桨距角集和其它桨距角集。
通常在得到的筛选数据中存在着非常多的空转桨距角数据(不同机型在空转状态下的预设桨距角不同，如50度、60度等)，而其它桨距角数据量则比较有限，为了得到桨距角变量较为平衡(即空转桨距角和其他桨距角对应的运行数据量差别不大)的标定训练数据，需要对筛选后的有效数据根据桨距角划分成两组，即空转桨距角集和其它桨距角集。
步骤4，对空转桨距角集和其它桨距角集再分别进行随机抽样和方位角分仓，进而得到两个标定训练集，在对两个训练集进行合并后得到标定训练集，如此，保证最终的标定训练集中的桨距角的丰富性。
在进行具体的随机抽样和方位角分仓时，通过认为各方位角仓内的数据量ndata达到50时，传感器标定结果的准确度和计算量较为平衡。
图3是示出本公开实施例的方位角分仓示意图，结合图3的分仓方法，配合随机抽样实现的具体步骤为：
步骤1，从“空转桨距角数据(即上述的空转桨距角集合)”或“其它桨距角数据(即上述的其他桨距角集合)”中，随机抽取一个时刻的数据点。
步骤2，根据步骤1中所抽取数据点的方位角将其投放在相应的方位角仓内，同时记录该方位角仓内的方位角数据量。
步骤3，如果方位角仓内数据已达到上限(即达到上述预定值)，即ndata＝50时，则抛弃该随机抽取的数据点。
步骤4，重复步骤1-3，直到每个方位角仓内的数据都达到了50个，则停止继续抽样，此时将所有方位角仓的数据进行合并，则得到了标定训练集。
需要注意的是，如果对应机组的方位角传感器为倾角传感器，如在过零点时存在周期性突变，则需要剔除在标定训练集中过零点时的方位角30度范围内的数据，以保证理论载荷的计算准确。
需要说明的是，上述机组运行数据至少要包含如下变量：a)三支叶片的桨距角；b)叶轮方位角；c)风速；d)叶轮转速；e)左、右偏航动作；f)偏航对风偏差；g)机组运行模式字(待机、启机、运行、停机等)；h)叶根光纤载荷传感器测量波长。其中“风速”变量可以为瞬时风速、3s或10s平均风速，对标定结果不会有明显影响。为保证足够的数据量用于标定，数据采集时间约为较低风速下的一至三天。
根据本公开的实施例，在获取运行数据以及筛选过程中，还可以通过如下方式实现：可以在预定时间段内，等间隔获取风力发电机组的运行数据，然后根据预设的筛选条件对每个间隔获取的运行数据分别进行筛选。本实施例给出了一种获取、筛选风电机组运行数据的方法，给运行数据的获取和筛选过程提供了可选择项。
第二种方式：根据风力发电机组在不同预定桨距角空转状态下运行时的运行数据，生成标定训练集。在这种情况下，可以包括几下几个步骤：
步骤1，采集风力发电机组在不同预定桨距角空转状态下的运行数据，即机组在不同预定桨距角进行空转，采集空转过程中的运行数据。此处不同预定桨距角可以选择两个不同的桨距角，例如，可以分别称之为第一预定桨距角、第二预定桨距角。
在本公开的实施例中，在风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据。上述第一空转数据包括但不限于风力发电机组以第一预定桨距角空转至少三个周期的状态下的运行数据，还可以包括实际情况中需要任何数据，同理，上述第二空转数据包括但不限于风力发电机组以第一预定桨距角空转至少三个周期的状态下的运行数据，还可以包括实际情况中需要任何数据。
例如，首先选择两个不同的预定桨距角。其次，控制风力发电机组以第一预定桨距角空转至少三个周期，获取风力发电机组在此运行期间的运行数据，再控制风力发电机组以第二预定桨距角空转至少三个周期，并获取风力发电机组在此运行期间的运行数据。
上述第一预定桨距角和第二预定桨距角大于或等于第二预定角度，且第一预定桨距角和第二预定桨距角之间的角度差大于第三预定角度。具体地，上述第二预定角度可以设置为30度，第三预定角度理论上越大越有利于标定精度，具体设置可以根据实际情况和历史经验设定。
步骤2，将获取的风力发电机组在两个桨距角空转状态下的运行数据合并作为标定训练集。即将上述获取的第一空转数据和第二空转数据进行合并，得到标定训练集。
下面结合图4对第二种生成标定训练集的方式进行举例说明。
图4是示出本公开实施例的另一种优选载荷传感器标定方法的流程示意图。如图4所示，上述方法为基于双预定桨距角空转数据的标定方案流程，区别于图2所示的标定方法，该标定方法中获取运行数据时需要通过主控程序主动干预机组的运行状态，但不需要人工锁叶轮操作。
在本实施例中，在预定时间内平均风速不超过预定速度的情况下，令机组以不同预定桨距角进行空转，采集机组以不同预定桨距角空转三个周期以上的运行数据，将采集到的运行数据合并得到标定训练集。例如，上述预定时间可以根据实际需要设定，如设定3秒或10秒，上述预定速度也可以根据实际需要设定，如设定5米/秒。具体地，标定方法可以要求在短时(如3s、10s均可)平均风速不超过5米/秒时，令机组以第一桨距角a进行空转，采集机组空转三个周期以上的运行数据后，再以第二桨距角b进行空转，同样采集机组空转三个周期以上的运行数据，将采集的两组数据合并可得到标定训练集。
关于本标定方案，需要注意以下几点：
(a)第一桨距角a和第二桨距角b在选取时，两者的角度值尽可能差异大一些，因为两者的角度值差异越大，理论上越有利于标定精度，其中，两者的角度值之差最小可以为30度。
(b)为保证标定精度，第一桨距角a对应的运行数据长度与第二桨距角b对应的运行数据长度尽可能接近，避免长度差异悬殊。其中，如上面所述，运行数据可以包括多种数据，运行数据长度指的是运行数据每一种数据的个数。
(c)需要检查并保证方位角传感器数据的有效性和连续性，如方位角传感器存在清零动作，则也需要进行数据剔除处理。
返回参照图1，在获取标定训练集后，根据标定训练集对载荷传感器进行标定(步骤S103)。
根据本公开的实施例，根据标定训练集对载荷传感器进行标定可以通过如下方式实现：根据标定训练集获取载荷传感器的载荷的实际测量应变，然后根据理论测量应变、实际测量应变以及最小化损失函数对载荷传感器进行标定。其中，理论测量应变是指在给出载荷时理论上测量得到的应变。
具体地，根据上述图2和图4所示的方法获取标定训练集后，可以根据获取的标定训练集对传感器进行标定，其中，标定程序可以基于Python、Matlab、C++等多种编程语言开发，其程序内容包括以下标定原理和相应的优化求解算法：
叶根光纤载荷传感器的载荷测量应变可以表述为：
Figure BDA0002880885980000141
式中：εm——实测应变，无量纲；
λB,0——初始波长，为叶根光纤载荷传感器在安装在叶根后，在不发生形变时测量的波长，单位为[nm]；
λB——实测波长，为叶根光纤载荷传感器在安装在叶根后，在工作状态下实际测量的波长，单位为[nm]；
kε——传感器应变系数，从测量波长转化到应变的系数，无量纲；
同时，在小风(瞬时风速不超过5m/s)条件下，叶根在edge和flap方向的载荷由叶片重力矩载荷确定，可以忽略气动载荷影响，因此，在小风(瞬时风速不超过5m/s)条件条件下，可以将重力矩载荷作为理论载荷，使用重力距载荷对叶根光纤载荷传感器的波长和载荷系数矩阵进行标定。其中，edge方向即挥舞方向载荷(Edge-wise blade root load)，指叶片在左右挥舞方向上发生形变时在叶根处产生的载荷；flap方向即摆动方向载荷(Flap-wise blade root load)，指叶片在前后摆动方向上发生形变时在叶根处产生的载荷；
理论重力矩载荷计算公式如下：
Figure BDA0002880885980000142
式中：
MG,x——edge方向重力矩，单位为[Nm]；
MG,y——flap方向重力矩，单位为[Nm]；
FG——固定坐标系下的重力矩，单位为[Nm]，具体计算为叶轮质量乘以重心位置距传感器安装位置的力臂长度；
δ——主轴倾角，单位为[rad]，具体地，主轴向上切斜时，倾角为正，反之亦然；其中，主轴倾角(Tilt angle)，指机舱主轴偏离水平方向的角度，以叶轮向上扬起方向为正；
θ——叶轮平面锥角，单位为[rad]，具体地，叶轮平面向迎风方向收拢时，锥角为负，反之亦然；其中，叶轮面锥角(Cone angle)，指叶轮平面偏离叶根所在平面，向迎风方向收拢产生的角度；
Ω——叶片方位角，单位为[rad]具体地，以角度为单位时，叶片1垂直向上为0度，顺时针方向角度增加，叶片1垂直向下为180度；
φ——叶片桨距角，单位为[rad]，具体地，以角度为单位时，叶片完全顺桨时为-90度，完全开桨时为0度。
在此基础上，应变与载荷之间的关系为：
Figure BDA0002880885980000151
式中：
Figure BDA0002880885980000152
——应变，无量纲；
KB(φs)——叶片刚度系数，单位为[Nm/m/m]，后面简写为KB；
φs——传感器安装位置，无量纲；
Figure BDA0002880885980000153
——传感器坐标变化矩阵，无量纲；
式(3)为给定载荷
Figure BDA0002880885980000154
时，理论上应该测量得到的应变。根据式(1)和式(3)，定义最小化损失函数如下：
Figure BDA0002880885980000155
可以通过对公式(4)进行非线性优化，标定得到待求参数KB、φs、kε、λB，0等。
本公开提出的载荷传感器的标定方法，可以应用不同的使用场景。其中，基于机组常规运行数据的载荷传感器标定方法可以在不干扰机组运行状态的条件下对收集到的数据进行有效性分析，利用筛选出的运行数据进行随机抽样以及方位角分仓处理得到标定训练集，从而根据标定训练集进行叶根载荷传感器标定，适用于定期或不定期的长期在线标定，可以增强光纤载荷传感器在温度系数不匹配情况下的环境适应性。而基于双预定桨距角空转数据的载荷传感器标定方法在形式上更接近于目前广泛使用的半自动标定手段，但该标定方法避免了锁叶轮等人工操作的复杂性，适用于主动收集数据，集中标定，实现周期较短，对机组的配置要求不高。
需要说明的是，1)上述公式(1)中，将传感器系数和初始波长合并为一个参数，简化表述为εm＝c(λB-λB,0)，相应地，公式(4)的表述也需要做相关调整；2)在(1)的定义下，公式(4)的求解可以用线性寻优方法替代非线性寻优；3)在标定结果的验证方法上，除了上述实施例提到的与理论载荷以及半自动标定结果的对比外，还可以与仿真载荷进行比对；4)在基于机组常规运行数据的载荷传感器的标定方法中，标定训练集的生成过程可以用其它的数据分仓方法替代上述实施例中的方位角方法；5)在基于双预定桨距角空转数据的标定方法中，可以增加空转角度至三个或更多。
基于相同的发明构思，本发明还公开了一种载荷传感器标定装置，利用该标定装置对载荷传感器进行标定时，所采用的方法与图1相同，因此详细的标定过程，此处不再赘述。
本公开的实施例的载荷传感器标定装置的框图如图5所示，该标定装置包括：获取模块50、生成模块52及标定模块54。
其中，获取模块50被配置为获取风力发电机组的运行数据，其中，运行数据包括风力发电机组在正常运行状态下运行的数据或风力发电机组在不同预定桨距角空转状态下运行的数据；生成模块52被配置为基于运行数据生成标定训练集；标定模块54被配置为根据标定训练集对载荷传感器进行标定。
在本公开的实施例中，生成模块52被配置为：在运行数据包括风力发电机组在正常运行状态下运行的数据的情况下，根据预设的筛选条件对运行数据进行筛选，得到第一数据集；根据第一数据集中的桨距角，将第一数据集分为空转桨距角集和其它桨距角集，其中，其它桨距角集中包括筛选后的第一数据集中除空转桨距角之外的其它运行数据；对空转桨距角集和其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集，其中，数据点是运行数据的时域上一个时刻的数据。
在本公开的实施例中，生成模块52被配置为：随机抽取空转桨距角集合和其它桨距角集合中数据点；根据数据点中的方位角，将运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；将所有方位角仓内的运行数据合并在一起生成标定训练集。
在本公开的实施例中，方位角仓为以第一预定角度对350度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于空转桨距角集合和其它桨距角集合。
在本公开的实施例中，获取模块50被配置为：在预定时间段内，等间隔获取风力发电机组的运行数据作为第一数据集；生成模块被配置为根据预设的筛选条件对每个间隔获取的第一数据集分别进行筛选。
在本公开的实施例中，获取模块50被配置为：在运行数据包括风力发电机组在不同预定桨距角空转状态下运行的数据的情况下，在风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据；将第一空转数据和第二空转数据合并得到第二数据集作为运行数据。
在本公开的实施例中，生成模块52被配置为：将第二数据集作为标定训练集。
在本公开的实施例中，第一预定桨距角和第二预定桨距角大于或等于第二预定角度，且第一预定桨距角和第二预定桨距角之间的角度差大于第三预定角度。
在本公开的实施例中，获取模块50被配置为：在预定时间段内，连续获取风力发电机组的运行数据；或者，在预定时间段内，等间隔获取风力发电机组的运行数据。
在本公开的实施例中，标定模块54被配置为：根据标定训练集获取载荷传感器的载荷的实际测量应变；根据理论测量应变、实际测量应变以及最小化损失函数对载荷传感器进行标定，其中，理论测量应变是指在给出载荷时理论上测量得到的应变。
根据本公开的实施例，还提供了一种载荷传感器标定系统，图6是示出本公开的实施例的载荷传感器标定系统的示意图。如图6所示，该系统包括：数据采集模块(功能与上述获取模块50相当)，自动标定模块(与上述生成模块52和标定模块54相当)，标定结果下发模块和风机主控程序，其中，
数据采集模块：用于采集包括机组三支叶片的桨距角、叶轮方位角、风速、叶轮转速、左右偏航动作、偏航对风偏差、运行状态字、和叶根光纤载荷传感器测量波长等信号的模块。
自动标定模块：包含了标定核心算法的模块，用于对数据采集模块收集到的数据进行数据预处理、筛选、标定等计算的模块，该模块的物理位置可包含在单机控制器、场级控制器、机组边缘计算单元或云端计算单元等。
标定结果下发模块：用于将自动标定模块计算得到的传感器参数下发到机组的风机主控程序，该模块可以通过有线或无线数据传输手段对数据进行传输。
风机主控程序：将更新后的传感器参数引用到后续的控制或机组保护功能的模块。
本公开的上述实施例可以在不需要人工干预或最小化人工干预的情况下，采集叶根光纤载荷传感器标定所需数据，并通过自动标定程序，对传感器参数进行标定，标定过程自动化程度高，标定结果精度高，环境适应性强。同时，将标定过程对机组的干预降到最低，避免了由于传感器标定引起的发电量损失，同时节省了人工成本。
在本公开的实施例中，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使至少一个计算装置执行如上任一载荷传感器标定方法。
在本公开的实施例中，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，指令在被至少一个计算装置运行时，促使至少一个计算装置执行如上任一载荷传感器标定方法。
为了保证上述实施例中标定算法的有效性，下面分别从两种场景对上述标定算法进行验证。
(1)基于机组常规运行数据的全自动标定方案
利用某风电场机组运行数据，对该算法进行验证。该机组每支叶片上四枚传感器的安装位置为90度间隔。自动标定数据由xbox采集，采集时间为2020年6月8日19点7分3秒，至2020年6月17日12时8分29秒，采样周期为20毫秒，共计获得了284组10分钟数据。对数据进行有效性筛选后，共计获得383800个有效数据点。
图7是示出本公开实施例的一次随机抽样后获得的机组标定训练集中桨距角的分布直方图，如图7所示，横轴为方位角，纵轴为数据个数，显示了风电场机组一次随机抽样后获得的该机组标定训练集中数据的桨距角的分布直方图，该机组的空转桨距角为50度，根据方位角分仓方法，可以看到最终的标定训练集中50度桨距角的数据为12仓*50数据/仓＝600数据，其它桨距角的分布覆盖了从30度到90度的范围，数据量也是600个，标定训练集中数据共计1200个。在整个标定训练集中，机组运行模式3的数据有740，剩余数据为模式4，共有460个。
自动标定结果的验证主要分为两种：
1)空转与理论载荷的对比验证；
2)发电状态随机选取了小风、大风各一组发电工况下的数据，与锁叶轮半自动标定进行载荷比对，该机组的半自动标定进行于2020年4月3日。这三组数据的风速时序图如图8-10所示，横轴均为时间，纵轴均为风速，图8是示出本公开实施例的机组标定发电工况验证数据的风速时序图一，图8所示的风速场景为空转数据，平均风速1.3m/s；图9是示出本公开实施例的机组标定发电工况验证数据的风速时序图二，图9所示的风速场景为小风数据，平均风速5.9m/s；图10是示出本公开实施例的机组标定发电工况验证数据的风速时序图三，图10所示的风速场景为大风数据，平均风速12.7m/s；
需要说明的是，半自动标定的结果并不是参考标准，半自动标定与自动标定为两种独立的标定方法，将两者结果进行互相校验，在两者结果一致的情况下，可以一定程度上地确认标定方案的有效性。
空转标定验证
空转条件下，可以以理论计算载荷作为直接参考对象，对标定的载荷进行时序比对和标定验证，三支叶片在edge和flap方向上的载荷比对情况如表2所示，图11A-图11F是示出本公开的实施例的机组自动标定空转载荷时序比对示意图一至六，其中，横轴为时间，纵轴为载荷，Medge of Blade指代的是叶片挥舞edge方向，Mflap of Blade指代的是叶片摆动flap方向。各子图中实线曲线为重力力矩计算理论载荷(theoretical)，长虚线为自动标定载荷(auto calibrated)，短虚线也即点划线为半自动标定载荷(semi-autocalibrated)，两种方法标定的载荷相较于理论载荷在波峰、波谷处的平均误差的较大值在各图的图例中有所标注。
可以观察到两种标定方法在edge方向上的整体标定精度要高于flap方向，而两种方法中自动标定得到了较高的精度，在两个方向上的误差都不超过4％，而三只叶片半自动标定在flap方向上的误差均超过了15％。
表2自动标定空转载荷时序比对示意图
叶片 Edge Flap
1 如图11A所示 如图11B所示
2 如图11C所示 如图11D所示
3 如图11E所示 如图11F所示
小风发电工况标定验证
发电工况下，受到气动因素影响，无法进行理论载荷计算，因此以半自动标定载荷结果为参考，对自动标定结果进行验证。在小风条件下，edge方向和flap方向上，两种标定方法得到的载荷的相关性散点图分别如图12-13所示，两图的横轴为半自动标定载荷(semi-auto calibrated)，纵轴为自动标定载荷(auto calibrated)，Edge-wise load指代挥舞edge方向载荷，Edge-wise load指代摆动flap方向载荷。可以看到两个方向上三支叶片(blade1，blade2，blade3)在两种方法下的标定载荷相关性都超过了99.7％，在edge方向甚至接近100％，相关性很高。为方便展示，取10分钟数据的前100秒，进行时序载荷比对如表3所示，如图14A-图14F各图中黑色实线为半自动标定载荷(semi-auto calibrated)，灰色虚线为自动标定载荷(auto calibrated)，其中，横轴为时间，纵轴为载荷，Medge ofBlade指代的是叶片挥舞edge方向，Mflap of Blade指代的是叶片摆动flap方向。与图12和图13的结果一致，两种标定方法得到的edge方向的载荷非常接近，在波峰、波谷处的细节变化也得到了高度一致的刻画；在flap方向上，叶片3上两种方法标定的载荷匹配度最高，叶片1、2上自动标定的载荷均稍高于半自动标定结果。
表3某风电场机组自动标定小风条件下载荷时序比对
叶片 Edge Flap
1 如图14A所示 如图14B所示
2 如图14C所示 如图14D所示
3 如图14E所示 如图14F所示
大风发电工况标定验证
大风条件下，edge方向和flap方向上，两种标定方法得到的载荷的相关性散点图分别如图15-16所示，其中，两图的横轴为半自动标定载荷(semi-auto calibrated)，纵轴为自动标定载荷(auto calibrated)，Edge-wise load指代挥舞edge方向载荷，Edge-wiseload指代摆动flap方向载荷，blade1、blade2和blade3分别指代叶片1、叶片2和叶片3。在edge方向上两种方法下的标定载荷相关性都达到了100％，在flap方向上的相关性也超过了98.5％，不过可以明显看到叶片3上两种方法标定的载荷一致性最高，而叶片1、2上，自动标定的载荷相较于半自动标定结果存在一定静差，在5000kNm以下范围内该静差非常稳定。
时序载荷比对如表4所示，载荷比对结果与小风条件下接近，其中，图17A-17F中横轴为时间，纵轴为载荷，实线为半自动标定载荷(semi-auto calibrated)，虚线为自动标定载荷(auto calibrated)，Medge of Blade指代的是叶片挥舞edge方向，Mflap of Blade指代的是叶片摆动flap方向。
表4某风电场机组自动标定大风条件下载荷时序比对
叶片 Edge Flap
1 如图17A所示 如图17B所示
2 如图17C所示 如图17D所示
3 如图17E所示 如图17F所示
载荷一致性对比
除了和半自动标定结果的相互校验外，每个标定方法得到的三叶片载荷的一致性比对也是衡量标定结果好坏的一个有效标准，在没有开启IPC的情况下，三支叶片的载荷应该具有较高的一致性。表5和表6分别展示了edge和flap方向上，两种标定方法在小风和大风条件下的载荷一致性比较，可以看出在edge方向上，两种方法标定得到的载荷非常接近，一致性也相差无几，但在flap方向上，半自动标定的叶片3载荷明显高于另外两支叶片，三支叶片间的载荷互差明显，而自动标定得到的载荷一致性更好，无论在小风还是大风条件下都没有明显的载荷互差。回顾表3和表4中的载荷时序比较，叶片1、2上自动标定的载荷在flap方向上均高于半自动标定结果，而这一偏差很好地修正了三支叶片之间的互差。
基于以上分析，可以认为自动标定的载荷相较于半自动标定结果更为合理，精度更高。
表5某风电场机组edge方向载荷一致性比对
Figure BDA0002880885980000211
Figure BDA0002880885980000221
表6某风电场机组flap方向载荷一致性比对
自动标定 半自动标定
小风 如图19A所示 如图19B所示
大风 如图19C所示 如图19D所示
其中，图18A-18D的横轴为时间，纵轴为载荷；图19A-19D的横轴为时间，纵轴为载荷，Edge-wise指代挥舞edge方向载荷，Edge-wise指代摆动flap方向载荷，blade1、blade2和blade3分别指代叶片1、叶片2和叶片3。
标定结果稳定性分析
基于机组常规运行数据的全自动标定方案中用到了随机抽样来生成标定训练集，而非线性寻优算法存在陷入局部最优的可能性，为了验证该标定方案的稳定性，相对独立地重复该标定过程10次。
图20至23分别展示了这10次独立标定得到的传感器参数，包括传感器波长、安装位置、和edge及flap方向上的载荷系数，以及和半自动标定结果(semi)的对比情况，其中，图20中横轴为随机采样ID，纵轴为初始波长(fbg0，单位是nm)，图21分别代表的是三支叶片(blade1，blade2，blade3)，图22中横轴为随机采样ID，纵轴为edge方向的载荷系数(Ke)，图23中横轴为随机采样ID，纵轴为flap方向的载荷系数(Kf)。可以看出自动标定的结果在各维度上均表现了很高的稳定性，与半自动标定结果在趋势上一致，在细节上有所差异，其中，图21可以看出，半自动标定得到的传感器位置在叶片2、3上出现了方向的偏差，而自动标定的结果则没有出现问题。
以上的一系列对比，证实了自动标定结果的稳定性和可重复性，也验证了其结果和自动标定的一致性，以及在一些角度上超越半自动标定的优越性。
(2)基于双桨角空转数据的标定方案
利用某风电场机组在4月5日进行半自动标定的空转验证时，采集的30度和40度桨距角空转数据，合并作为标定训练集，进行叶根光纤载荷传感器的自动标定。同样利用发电工况数据，将自动标定载荷与半自动标定载荷进行比对分析，发电状态数据的3s平均风速时序如图24所示，其中，横轴为时间，纵轴为风速。图24展示了某风电场机组标定发电工况验证数据的风速时序图。
在上述验证条件下，自动标定和半自动标定得到的三支叶片的叶根载荷在发电工况下的时序分别对比如表7所示，其中图25A-25F中横轴为时间，纵轴为载荷，实线为半自动标定载荷(semi-auto calibrated)，虚线为自动标定载荷(auto calibrated)，Medge ofBlade指代的是叶片挥舞edge方向，Mflap of Blade指代的是叶片摆动flap方向。可以看到，两种标定方法在edge和flap方向上的差异微小，标定的载荷非常接近。
表7某电场机组自动标定发电工况下载荷时序比对
叶片 Edge Flap
1 如图25A所示 如图25B所示
2 如图25C所示 如图25D所示
3 如图25E所示 如图25F所示
虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

Claims (16)

1.一种载荷传感器标定方法，其特征在于，包括：
获取风力发电机组的运行数据，其中，所述运行数据包括所述风力发电机组在正常运行状态下运行的数据或所述风力发电机组在不同预定桨距角空转状态下运行的数据；
基于所述运行数据生成标定训练集；
根据所述标定训练集对载荷传感器进行标定；
其中，在所述运行数据包括所述风力发电机组在所述正常运行状态下运行的数据的情况下，所述基于所述运行数据生成标定训练集的步骤包括：根据预设的筛选条件对所述运行数据进行筛选，得到第一数据集；根据所述第一数据集中的桨距角，将所述第一数据集分为空转桨距角集和其它桨距角集，其中，所述其它桨距角集中包括所述第一数据集中除空转桨距角之外的其它运行数据；对所述空转桨距角集和所述其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集，其中，所述数据点是所述运行数据的时域上一个时刻的数据；
其中，在所述运行数据包括所述风力发电机组在所述不同预定桨距角空转状态下运行的数据的情况下，所述获取风力发电机组的运行数据的步骤包括：在所述风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括所述风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据；将所述第一空转数据和所述第二空转数据合并得到第二数据集作为所述运行数据；
所述基于所述运行数据生成标定训练集的步骤包括：将所述第二数据集作为所述标定训练集。
2.如权利要求1所述的载荷传感器标定方法，其特征在于，所述对所述空转桨距角集合和所述其它桨距角集合中的运行数据进行随机抽样，并根据与随机抽样的数据点中的方位角生成标定训练集的步骤包括：
随机抽取所述空转桨距角集合和所述其它桨距角集合中数据点；
根据所述数据点中的方位角，将所述运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；
将所有方位角仓内的运行数据合并在一起生成所述标定训练集。
3.如权利要求2所述的载荷传感器标定方法，其特征在于，所述方位角仓为以第一预定角度对360度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于所述空转桨距角集合和所述其它桨距角集合。
4.如权利要求1所述的载荷传感器标定方法，其特征在于，所述获取风力发电机组的运行数据的步骤包括：
在预定时间段内，等间隔获取风力发电机组的运行数据作为第一数据集；
所述根据预设的筛选条件对所述运行数据进行筛选包括：
根据预设的筛选条件对每个间隔获取的第一数据集分别进行筛选。
5.如权利要求1所述的载荷传感器标定方法，其特征在于，所述第一预定桨距角和所述第二预定桨距角大于或等于第二预定角度，且所述第一预定桨距角和所述第二预定桨距角之间的角度差大于第三预定角度。
6.如权利要求1所述的载荷传感器标定方法，其特征在于，所述获取风力发电机组的运行数据的步骤包括：
在预定时间段内，连续获取所述风力发电机组的运行数据；
或者，
在预定时间段内，等间隔获取所述风力发电机组的运行数据。
7.如权利要求1至6中任一项所述的载荷传感器标定方法，其特征在于，所述根据所述标定训练集对载荷传感器进行标定的步骤包括：
根据所述标定训练集获取载荷传感器的载荷的实际测量应变；
根据理论测量应变、所述实际测量应变以及最小化损失函数对所述载荷传感器进行标定，其中，所述理论测量应变是指在给出所述载荷时理论上测量得到的应变。
8.一种载荷传感器标定装置，其特征在于，包括：
获取模块，被配置为获取风力发电机组的运行数据，其中，所述运行数据包括所述风力发电机组在正常运行状态下运行的数据或所述风力发电机组在不同预定桨距角空转状态下运行的数据；
生成模块，被配置为基于所述运行数据生成标定训练集；
标定模块，被配置为根据所述标定训练集对载荷传感器进行标定；
其中，所述生成模块被配置为，在所述运行数据包括所述风力发电机组在所述正常运行状态下运行的数据的情况下，根据预设的筛选条件对所述运行数据进行筛选，得到第一数据集；根据所述第一数据集中的桨距角，将所述第一数据集分为空转桨距角集和其它桨距角集，其中，所述其它桨距角集中包括所述第一数据集中除空转桨距角之外的其它运行数据；对所述空转桨距角集和所述其它桨距角集中的运行数据分别进行随机抽样，并根据随机抽样的数据点中的方位角生成标定训练集，其中，所述数据点是所述运行数据的时域上一个时刻的数据；
其中，所述获取模块被配置为，在所述运行数据包括所述风力发电机组在所述不同预定桨距角空转状态下运行的数据的情况下，在所述风力发电机组以第一预定桨距角空转至少三个周期的状态下，获取包括所述风力发电机组的运行数据的第一空转数据；在风力发电机组以第二预定桨距角空转至少三个周期的状态下，获取包括风力发电机组的运行数据的第二空转数据；将所述第一空转数据和所述第二空转数据合并得到第二数据集作为所述运行数据；
所述生成模块被配置为将所述第二数据集作为所述标定训练集。
9.如权利要求8所述的载荷传感器标定装置，其特征在于，所述生成模块被配置为，随机抽取所述空转桨距角集合和所述其它桨距角集合中数据点；根据所述数据点中的方位角，将所述运行数据放入相应的方位角仓，直到所有方位角仓内的运行数据的数量达到预定值；将所有方位角仓内的运行数据合并在一起生成所述标定训练集。
10.如权利要求9所述的载荷传感器标定装置，其特征在于，所述方位角仓为以第一预定角度对360度等间隔划分后的每个角度区间对应的存储区域，且每个方位角仓的数量有两个，分别对应于所述空转桨距角集合和所述其它桨距角集合。
11.如权利要求8所述的载荷传感器标定装置，其特征在于，所述获取模块被配置为在预定时间段内，等间隔获取风力发电机组的运行数据作为第一数据集；所述生成模块被配置为根据预设的筛选条件对每个间隔获取的第一数据集分别进行筛选。
12.如权利要求8所述的载荷传感器标定装置，其特征在于，所述第一预定桨距角和所述第二预定桨距角大于或等于第二预定角度，且所述第一预定桨距角和所述第二预定桨距角之间的角度差大于第三预定角度。
13.如权利要求8所述的载荷传感器标定装置，其特征在于，所述获取模块被配置为，在预定时间段内，连续获取所述风力发电机组的运行数据；或者，在预定时间段内，等间隔获取所述风力发电机组的运行数据。
14.如权利要求8至13中任一项所述的载荷传感器标定装置，其特征在于，所述标定模块被配置为，根据所述标定训练集获取载荷传感器的载荷的实际测量应变；根据理论测量应变、所述实际测量应变以及最小化损失函数对所述载荷传感器进行标定，其中，所述理论测量应变是指在给出所述载荷时理论上测量得到的应变。
15.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的载荷传感器标定方法。
16.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的载荷传感器标定方法。
CN202011634703.1A 2020-12-31 2020-12-31 载荷传感器标定方法、装置及计算机可读存储介质 Active CN114689237B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202011634703.1A CN114689237B (zh) 2020-12-31 2020-12-31 载荷传感器标定方法、装置及计算机可读存储介质
PCT/CN2021/099413 WO2022142149A1 (zh) 2020-12-31 2021-06-10 载荷传感器标定方法、装置及计算机可读存储介质
EP21912908.7A EP4266022A4 (en) 2020-12-31 2021-06-10 LOAD SENSOR CALIBRATION METHOD AND APPARATUS AND COMPUTER READABLE STORAGE MEDIUM
AU2021415070A AU2021415070A1 (en) 2020-12-31 2021-06-10 Load sensor calibration method and apparatus, and computer-readable storage medium
KR1020237025563A KR20230125046A (ko) 2020-12-31 2021-06-10 부하 센서 캘리브레이션 방법 및 장치와, 컴퓨터-판독가능한저장 매체
US18/260,234 US20240068449A1 (en) 2020-12-31 2021-06-10 Load sensor calibration method and apparatus, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011634703.1A CN114689237B (zh) 2020-12-31 2020-12-31 载荷传感器标定方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114689237A CN114689237A (zh) 2022-07-01
CN114689237B true CN114689237B (zh) 2023-04-07

Family

ID=82134388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011634703.1A Active CN114689237B (zh) 2020-12-31 2020-12-31 载荷传感器标定方法、装置及计算机可读存储介质

Country Status (6)

Country Link
US (1) US20240068449A1 (zh)
EP (1) EP4266022A4 (zh)
KR (1) KR20230125046A (zh)
CN (1) CN114689237B (zh)
AU (1) AU2021415070A1 (zh)
WO (1) WO2022142149A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407648B (zh) * 2022-11-01 2023-02-03 北京百脉朝宗科技有限公司 无人机桨距角的调整方法、装置、设备及可读存储介质
CN116447089B (zh) * 2023-06-19 2023-08-25 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2108830T3 (da) * 2008-01-10 2019-11-25 Siemens Gamesa Renewable Energy As Fremgangsmåde til bestemmelse af udmattelseslast af en vindmølle og til udmattelseslaststyring og tilsvarende vindmøller
JP4939508B2 (ja) * 2008-09-26 2012-05-30 三菱重工業株式会社 風車構造体の応力解析装置及び応力解析プログラム並びに風力発電システム
US8255173B2 (en) * 2009-04-24 2012-08-28 Mitsubishi Heavy Industries, Ltd. Load measuring apparatus, method, and program
EP2354538A1 (en) * 2010-02-01 2011-08-10 Lm Glasfiber A/S A method of in situ calibrating load sensors of a wind turbine blade
ES2532177T3 (es) * 2012-01-12 2015-03-24 Alstom Renewable Technologies Calibración de sensores de carga en pala
CN104318070B (zh) * 2014-09-30 2017-11-28 成都阜特科技股份有限公司 一种水平轴风力发电机叶片载荷传感器的标定方法
CN107820541B (zh) * 2015-06-30 2020-05-19 维斯塔斯风力系统集团公司 风力涡轮机叶片载荷传感系统
ES2865301T3 (es) * 2015-06-30 2021-10-15 Vestas Wind Sys As Método para calibrar sensores de carga de una turbina eólica
JP6351557B2 (ja) * 2015-09-11 2018-07-04 三菱重工業株式会社 荷重計測装置の較正方法、風車翼の荷重計測システム及び風車
CN106815771B (zh) * 2015-12-02 2023-11-03 中国电力科学研究院 一种风电场载荷的长期评估方法
US11098698B2 (en) * 2016-04-07 2021-08-24 General Electric Company System and method for auto-calibrating a load sensor system of a wind turbine
CN108267264B (zh) * 2016-12-31 2019-12-13 北京金风科创风电设备有限公司 用于标定风机叶片的光纤光栅传感器的方法、装置和设备
CN107701379B (zh) * 2017-11-03 2019-04-23 北京金风科创风电设备有限公司 用于风力发电机组叶片的传感器标定方法和装置
CN108468622B (zh) * 2018-02-09 2019-10-11 湖南工业大学 基于极限学习机的风电机组叶根载荷估计方法
CN110761957B (zh) * 2018-07-27 2021-03-30 北京金风科创风电设备有限公司 风力发电机组的光纤载荷传感器的标定方法和设备
WO2020125885A1 (en) * 2018-12-20 2020-06-25 Vestas Wind Systems A/S Correcting pitch angle
US10815972B2 (en) * 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
CN111287911A (zh) * 2019-11-29 2020-06-16 中国电力科学研究院有限公司 一种风电机组疲劳载荷的预警方法和系统
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
CN111997831B (zh) * 2020-09-01 2021-11-19 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 (2)

* Cited by examiner, † Cited by third party
Title
Gui-jie ZHAOFu CHENZhong-qi WANG.Experimental Study on the Aerodynamic Performance of Swept Curved Blade.《Chinese Journal of Aeronautics》.2004,全文. *
付德义等.风力发电机组载荷测试叶根弯矩信号标定方法研究.《可再生能源》.2013,全文. *

Also Published As

Publication number Publication date
CN114689237A (zh) 2022-07-01
EP4266022A1 (en) 2023-10-25
AU2021415070A1 (en) 2023-08-17
US20240068449A1 (en) 2024-02-29
WO2022142149A1 (zh) 2022-07-07
EP4266022A4 (en) 2024-07-10
KR20230125046A (ko) 2023-08-28

Similar Documents

Publication Publication Date Title
AU2006339899B2 (en) A method and control system for reducing the fatigue loads in the components of a wind turbine subjected to asymmetrical loading of the rotor plane
EP2799711B1 (en) Method of operating a wind turbine
DK1906192T3 (en) Apparatus for evaluating sensors and / or for controlling the operation of an apparatus which includes a sensor
EP2295793B1 (en) System for determining a cut-out limit for a wind turbine
CN114689237B (zh) 载荷传感器标定方法、装置及计算机可读存储介质
EP3317532B1 (en) Method of calibrating load sensors of a wind turbine
CN101720387B (zh) 具有被布置为减小其部件上的缩短寿命的负荷的桨距控制的风力涡轮机
EP2581600A2 (en) Method and system for control of wind turbines
CN101568721A (zh) 风力发电装置、风力发电系统以及风力发电装置的发电控制方法
EP3077668A1 (en) System and method for assessing the performance impact of wind turbine upgrades
EP2438556A1 (en) Available power estimator
EP2515122A1 (en) Method for measuring the wind direction in the wake of a wind turbine rotor
US9341159B2 (en) Methods for controlling wind turbine loading
EP3635246B1 (en) Adaptive estimation of available power for wind turbine
CN111287911A (zh) 一种风电机组疲劳载荷的预警方法和系统
CN111648916B (zh) 对于风力涡轮的推力极限
TWI729349B (zh) 風力發電裝置及風力發電系統
CN113454335A (zh) 修正桨距角
CN116018458A (zh) 使用塔架顶部加速度计确定日照对风力涡轮机塔架倾斜度的影响
GB2477594A (en) Iterative method for determining maximum lift pitch angle in a wind turbine
CN114876732A (zh) 一种风电机组变桨的控制方法及装置
Ossmann et al. Multivariable controller design verification for a Liberty wind turbine
EP4386205A1 (en) A method for determining wake conditions at a wind turbine generator by measuring blade deflection from an ideal blade trajectory
CN114251222B (zh) 风力发电机组的风能捕获方法及装置
US11372384B2 (en) System and method for adjusting a multi-dimensional operating space of a wind turbine

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee after: Jinfeng Technology Co.,Ltd.

Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd.