CN114761682A - 用于风力涡轮机的计算机实现监视的方法和装置 - Google Patents
用于风力涡轮机的计算机实现监视的方法和装置 Download PDFInfo
- Publication number
- CN114761682A CN114761682A CN202080087294.XA CN202080087294A CN114761682A CN 114761682 A CN114761682 A CN 114761682A CN 202080087294 A CN202080087294 A CN 202080087294A CN 114761682 A CN114761682 A CN 114761682A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- var
- measurement
- data
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- 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
- F05B2270/335—Output power or torque
-
- 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
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种用于风力涡轮机的计算机实现监视的方法。所述方法包括以下步骤:i)从数据存储装置(BD)获得至少两个测量变量(Var1,Var2)的多个测量数据(MD)集,测量变量(Var1,Var2)是由一个或多个第一传感器(14)获取的风力涡轮机(10)的测量变量,和/或由一个或多个第二传感器(15)获取的风力涡轮机(10)的环境,并且相应测量数据集的测量数据(MD)在过去的同一时间点被获取;ii)通过创建适合于可视化的图像(IM)来处理所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集;iii)通过由被配置成卷积神经网络的经训练的数据驱动模型(MO)处理图像(IM)来确定从风力涡轮机的预定操作的偏离类型(DT1,DT2,DT3),其中图像(IM)作为数字输入被馈送到经训练的数据驱动模型(MO),并且经训练的数据驱动模型(MO)提供偏离类型(DT1,DT2,DT3)作为数字输出。
Description
本发明涉及用于风力涡轮机的计算机实现监视的方法和装置。
风力涡轮机包括塔架顶部上的上区段,该上区段具有转子和机舱,其中上区段可以围绕垂直偏航轴旋转,以便改变相应涡轮机的偏航角。风力涡轮机的偏航角通常被调整成使得风力涡轮机的转子面向风。为此,风传感器(即风速计)安装在相应的风力涡轮机上,以估计风向。风力涡轮机被设计成以特定的方式操作,称为设计操作。然而,如果传感器信息是错误的或者风力涡轮机的技术组件的任何其他故障发生,则结果是从设计操作的偏离。从设计操作的偏离可能引起电能生产中的功率损失,并且应被避免。此外,从设计操作的偏离可能由风力涡轮机和/或用于控制风力涡轮机的传感器即将发生或已经存在的故障而产生。
EP 2 026 160 A1公开了一种用于风力涡轮机的事件监视的方法。该方法包括测量表示从风力涡轮机的多个特性中选择的特性的第一信号模式,测量表示与风力涡轮机的多个特性不同的特性的第二信号模式,以及用分析方法分析第一和第二信号模式或第一和第二信号模式的组合。该分析方法提供所分析的数据,其被评估以提供指示事件的结果。该分析方法基于根据信号模式的稳定性、随时间的漂移、空间域、频率域、长期和短期趋势或其组合来分析信号模式。信号模式被分析为多维曲线,其中信号点可以在至少二维上被插值。分析方法可以基于通过稳定性、傅立叶分析进行的评级或加权。短期趋势分析、映射到曲线、神经网分析或其他自学习方法以及模糊逻辑。
EP 2 487 553 A2公开了一种用于涡轮机故障分析的方法。该方法包括收集与风力涡轮机性能相关联的第一数据集,分析第一数据集以确定第一数据集是否能够指示故障状况,以及检查与风力涡轮机性能相关联的第二数据集以确定故障状况是否存在。应通过自组织特征图、主成分分析或自动联想神经网络进行分析。
本发明的目的是提供一种简单的方法,以便检测从风力涡轮机的设计操作的偏离。
该目的通过独立专利权利要求来解决。从属权利要求中限定了本发明的优选实施例。
本发明提供了一种用于风力涡轮机的计算机实现监视的方法,该风力涡轮机例如是风电场中的风力涡轮机。风力涡轮机包括塔架顶部上的上区段,该上区段可围绕垂直偏航轴枢转,并具有机舱和带有转子叶片的转子。转子附接到机舱,并且转子叶片可通过风围绕基本水平的转子轴旋转。实际上,转子轴可能稍微倾斜。
根据本发明的方法,以下步骤i)至iii)在风力涡轮机操作期间执行或者独立于风力涡轮机的操作执行。
在步骤i)中,从数据存储装置获得至少两个测量变量的多个测量数据集。术语“所获得的”或“获得”意味着多个测量数据集由实现本发明方法的处理单元接收。测量变量是由一个或多个第一传感器已经获取的风力涡轮机的测量变量。替代地或附加地,测量变量可以是风力涡轮机的环境的测量变量,其已经由一个或多个第二传感器获取。
至少两个测量变量的多个测量数据集已经在过去的任何时间被获取,并且被存储在数据存储装置中用于以后的检索。所述至少两个测量变量的相应测量数据集的测量数据在过去的同一时间点被获取。换句话说,作为相应测量数据集的一部分的所述至少两个测量变量的测量数据已经在过去的同一时间点被获取。所述多个测量数据集可能已经在过去以规则的或任意的时间间隔被获取。
在步骤ii)中,通过创建适合于可视化的图像来处理至少两个测量变量的所述多个测量数据集。根据该步骤,测量数据被视为图像。
在步骤iii)中,通过由被配置成卷积神经网络的经训练的数据驱动模型处理图像来确定从风力涡轮机的预定操作的偏离类型,其中图像作为数字输入被馈送到经训练的数据驱动模型,并且经训练的数据驱动模型提供偏离类型作为数字输出。
本发明的方法提供了一种用于确定从风力涡轮机的设计操作的偏离的简单且直接的方法。偏离类型可以用作操作者关于异常行为的信息,例如关于电力生产损失的信息。此外,偏离类型可以用于风力涡轮机的控制操作,以避免其操作导致故障或失灵。为此,使用被配置成卷积神经网络的经训练的数据驱动模型。该模型通过训练数据来训练,所述训练数据包括多个图像以及关于在训练数据的相应图像中确定的无偏离类型、一个或多个偏离类型的信息。图像是由将所述至少两个测量变量的所述多个测量数据集转换成多维可视化而产生的。
经训练的数据驱动模型是卷积神经网络,其特别适合于处理图像。然而,在本发明的方法中也可以实现其他经训练的数据驱动模型,例如基于决策树或支持向量机或深度学习的模型。
在本发明的优选实施例中,基于偏离类型的信息经由用户接口输出。例如,偏离类型本身可以经由用户接口输出。替代地或附加地,在偏离类型指示潜在的和/或即将发生的故障或失灵的情况下,可以经由用户接口提供警告。因此,人类操作者被告知从设计操作的偏离,使得他可以通过调整控制参数和/或停止风力涡轮机的操作来发起适当的应对措施,以便提高风力涡轮机生成的电力或避免损坏。优选地,用户接口包括视觉用户接口,但是它也可以包括另一种类型的用户接口(例如声学用户接口)。
在另一个特别优选的实施例中,本发明的方法可以生成用于风力涡轮机的控制命令。控制命令可以使得风力涡轮机的上区段可以围绕其对应的偏航轴旋转,以调整偏航角。该实施例使得风力涡轮机能够自动对准,以减少由于偏航不对准造成的功率损失。控制命令可以使得风力涡轮机的操作停止。该实施例使得风力涡轮机能够自动停止,以避免潜在的损坏。
通过将所述至少两个测量变量的所述多个测量数据集转换成多维图来创建适合于可视化的图像。该图像可以是二维或多维图像。在这样的图像中,每个测量数据集由标记来描绘(例如,由十字、圆圈、方块等指示)。该图像可以是例如以黑色或白色为背景的灰颜色图像。例如,图像对于相应的测量变量可以具有两个或三个轴,其中附加的测量变量可以用灰色进行颜色编码。因为背景是黑色或白色,所以没有特定的颜色分配给图像中没有描绘测量数据的那些部分。替代地,图像可以是彩色图像,其中颜色使得除了那些绘制在轴上的测量变量之外的另外测量变量能够可视化。
在另一个优选实施例中,将所述至少两个测量变量的所述多个测量数据集转换成图像包括添加表征和/或可视化风力涡轮机的预定操作的参考图。特别是对于人类操作者来说,参考图使得能够容易地比较测量数据是否包括从设计操作的偏离。测量数据离参考图越远,就越有可能存在从设计操作的偏离。
在另一个优选实施例中,被处理用于转换成图像的所述至少两个测量变量的所述多个测量数据集取决于故障类型,并且特别是大于1000。测量数据集的量越大,图像中存在的用于确定从设计操作的偏离的信息就越多。在所描述方法中用于处理的多个测量数据集可以从长时间段(例如一天、一周、几周、一个月等等)内的测量中产生。
为了减少被处理用于转换成图像的测量数据集的量,所述至少两个测量变量的所述多个测量数据集可以被过滤以排除例如维护和/或停机时间的时段。测量数据已经可以作为经过滤的数据存储。然而,可以在由处理单元获得测量数据之后并且在进行创建适合于可视化的图像的步骤之前,对测量数据进行过滤以排除不希望的时间段,诸如维护和/或停机时间。替代地或此外,相应测量变量的测量数据可以作为经过滤的数据存储,例如持续一分钟或多分钟(例如十分钟)的测量间隔的平均值。
除了上述方法之外,本发明涉及一种用于风力涡轮机的计算机实现监视的装置,其中所述装置被配置为执行根据本发明的方法或根据本发明的方法的一个或多个优选实施例。
此外,本发明涉及一种具有存储在非暂时性机器可读载体上的程序代码的计算机程序产品,用于当程序代码在计算机上执行时实行根据本发明的方法或其一个或多个优选实施例。
此外,本发明涉及一种具有程序代码的计算机程序,用于当程序代码在计算机上执行时实行根据本发明的方法或其一个或多个优选实施例。
现在将参考附图详细描述本发明的实施例。
图1是包括用于执行本发明实施例的控制器的风力涡轮机的示意性图示;
图2是可视化风力涡轮机的多个测量数据集以及表征风力涡轮机的预定操作的参考图的二维图,其中风力涡轮机在设计操作内操作;
图3是可视化风力涡轮机的多个测量数据集以及表征风力涡轮机的预定操作的参考图的另一二维图,其中测量数据包括从设计操作的多个偏离;和
图4是在没有参考图的情况下可视化风力涡轮机的多个测量数据集的另一二维图,其中测量数据包括从设计操作的多个偏离。
图1在下部中示出了风力涡轮机10。风力涡轮机10可以是风电场的一部分,或者可以是单个涡轮机。本文描述的方法可以应用于单个风力涡轮机,并且也可以应用于风电场中的多个风力涡轮机。
风力涡轮机10示为俯视平面图。用于指示风力涡轮机10的空间布置的3D坐标系CS是图1的一部分。垂直方向由坐标系CS的z轴指示,而平行于水平方向的方向由坐标系CS的x轴和y轴指示。风向沿着坐标系CS的y轴。
风力涡轮机10包括位于在垂直z方向上延伸的塔架(未示出)顶部上的上区段11。上区段包括容纳用于发电的发电机的机舱12。此外,上区段11包括具有三个转子叶片的转子13,这三个转子叶片之间具有120°的角度,其中图1仅示出了那些叶片中的两个。转子13通过风围绕基本水平的转子轴HA旋转,导致机舱12内的发电机发电。涡轮机10的上区段11可以围绕垂直偏航轴VA枢转。
涡轮机10配备有多个未示出的其他传感器14(作为第一传感器),用于确定涡轮机的操作参数,诸如转子值(转子速度、转子加速度、转子方位角)、叶片桨距值(桨距角、桨距速度)、叶片根部力矩、产生的功率和/或转矩。除了传感器14之外,第二传感器15可以安装在风力涡轮机10处或其附近。可以由多个不同传感器组成的传感器15适于确定环境参数,诸如风速、风向、湍流强度、空气密度、外部温度等。此外,可以提供另外的传感器来确定另外的信息,诸如外部温度、气压等等。
风力涡轮机10配备有控制器,该控制器旨在将风力涡轮机保持在设计操作内。如下文中描述的方法提供了一种检测从设计操作的偏离的简单方法。为此,风力涡轮机10借助于传感器14、15获取两个或更多个测量变量Var1、Var2的测量数据MD,并将它们存储在数据库中。不同测量变量的测量数据的采集优选周期性地进行,诸如每分钟、每十分钟或每15分钟。如果处理器和传感器14、15适于在更短的时间间隔内获取测量变量的测量数据,则可以对相应测量变量的测量数据进行过滤,并且经过滤的测量数据可以存储在数据存储DB中。作为测量变量Var1、Var2,例如,获取产生的功率、转矩、转子速度等。然而,在数据库中可以存储任何种类的测量数据。
同时获取的不同测量变量Var1、Var2的测量数据(值)被分配有相同的时间戳,并被标示为测量数据MD集。数据存储DB可以是由具有多个列(包括时间戳、多个测量变量Var1、Var2、……)的表格组成的数据库,其中每行表示同时获取的测量数据MD集。
为了检测从设计操作——即由风力涡轮机制造商所保证的风力涡轮机的预定操作——的偏离,从数据存储DB获得由至少两个测量变量Var1、Var2组成的多个测量数据MD集。测量数据MD集通过合适的通信链路传输到控制器100。控制器100可以是风力涡轮机10的控制器或用于监控风力涡轮机10的操作的外部计算机。控制器100包括具有转换单元TRF的处理单元PU,以将所述多个测量数据MD集转换成图像IM,并用于实现经训练的数据驱动模型MO,所述经训练的数据驱动模型MO接收相应的图像IM作为数字输入,并提供偏离类型DT (DT1、DT2、DT3、……)作为数字输出。
经训练的数据驱动模型MO基于通过训练数据已经预先学习的卷积神经网络。训练数据包括多个图像IM以及在相应图像IM中不出现、出现一个或多个偏离类型DT1、DT2、DT3的信息。卷积神经网络从现有技术中是众所周知的,并且特别适合于处理数字图像。卷积神经网络包括卷积层、继之以汇集层以及全连接层,以便确定相应图像的至少一个属性,其中根据本发明的属性是一个或多个偏离类型DT1、DT2、DT3、……。
图2至图4示出了多维图的不同实施例,其中两个(图2和图3)或三个(图4)的多个测量数据MD集已经被转换成图像IM。
在图2和图3的示例中,变量Var1对应于例如风速。变量Var2对应于例如所产生电力。图中用灰色描绘的每个点表示测量数据MD集,即对应的风速和所产生电力的一对值。与测量数据MD集一起,示出了指示来自涡轮机制造商的保证功率的参考图REG,所述测量数据MD集特别地由在过去的时间段(例如一个月)内获取的多于1000个测量数据MD集组成。
如从图2可以看出,多个测量数据MD集和参考图REG彼此对应,即风力涡轮机10在设计操作内操作。在图3的实施例中,在图像中示出了由相应的椭圆指示的三种不同的偏离类型DT1、DT2、DT3。一般地,功率曲线可能具有若干偏离,诸如速度校准误差、功率提升、原因不明的缩减(在图3中标示为偏离类型DT1)、故障风速计(在图3中标示为偏离类型DT2)、故障点群(在图3中标示为偏离类型DT3)、无数据等等。
在图2和图3的图像中,既不包含测量数据MD也不包含参考图RFG的背景被描绘为没有颜色,即以黑色或白色。以这种方式,参考图REG区别于测量数据MD。
在图4的示例中,图示了由三个测量变量Var1、Var2、Var3的多个测量数据MD集的转换而产生的另一图像。测量变量Var1对应于转子速度,并且测量变量Var2对应于风力涡轮机的有功功率或转矩。第三测量变量Var3对应于环境温度,并且可以通过颜色编码在图像IM中可视化,即由测量变量Var1(转子速度)、Var2(有功功率或转矩)产生的值的点具有根据如右手侧的颜色梯度所指示的环境温度(Var3)的颜色。在图像IM中要可视化另外的测量变量的情况下,测量数据点的大小可以选择为不同的大小。仅作为举例,在图4中图示了以垂直系列点形式的两种偏离类型DT4和DT5。它们可能是意外的偏离,并且需要由人类操作者进一步分析。
在图1的实施例中,作为模型MO的输出而产生的偏离类型DT(作为不同偏离类型DT1、……、DT5的一般标示)结果产生在仅示意性示出的用户接口UI上的输出。优选地,用户接口UI包括显示器。用户接口为人类操作者提供信息。基于偏离类型DT的输出可以是偏离类型本身,使得操作者被告知偏离的种类。替代地或附加地,在特定类型的偏离类型可能引起对风力涡轮机的损坏的情况下,输出可以是警告。
由模型MO确定的偏离类型DT也可以结果产生控制命令,该控制命令被提供给风力涡轮机10,以便调整例如偏航角,或者关闭风力涡轮机。在这种情况下,控制器100使得风力涡轮机能够自动调整或关闭,以避免进一步的损坏。
如上文中描述的本发明具有若干个优点。特别地,提供了一种简单且直接的方法以便检测从设计操作的偏离。为此,处理过去收集的测量数据并将其转换成图像,以便经由配置成卷积神经网络的适当训练的数据驱动模型来确定偏离类型。特定故障类型的形式化比传统的工程技术更简单。该过程是快速的,因为领域专家仅需要正确地分类训练图像。因为相同的图像将导致相同的预测,因此该方法提供了一致的结果。
Claims (10)
1.一种用于风力涡轮机的计算机实现监视的方法,所述风力涡轮机包括塔架顶部上的上区段(11),所述上区段(11)可围绕垂直偏航轴(VA)枢转并且具有机舱(12)和带有转子叶片的转子(13),所述转子(13)附接到所述机舱(12),并且所述转子叶片可通过风围绕基本水平的转子轴(HA)旋转,所述方法包括以下步骤:
i)从数据存储装置(BD)获得至少两个测量变量(Var1,Var2)的多个测量数据(MD)集,所述测量变量(Var1,Var2)是由一个或多个第一传感器(14)获取的所述风力涡轮机(10)的测量变量,和/或由一个或多个第二传感器(15)获取的所述风力涡轮机(10)的环境,并且相应测量数据集的测量数据(MD)在过去的同一时间点被获取;
ii)通过创建适合于可视化的图像(IM)来处理所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集;
iii)通过由被配置成卷积神经网络的经训练的数据驱动模型(MO)处理所述图像(IM)来确定从所述风力涡轮机的预定操作的偏离类型(DT1,DT2,DT3),其中所述图像(IM)作为数字输入被馈送到所述经训练的数据驱动模型(MO),并且所述经训练的数据驱动模型(MO)提供所述偏离类型(DT1,DT2,DT3)作为数字输出。
2.根据权利要求1所述的方法,其中,经由用户接口(UI)输出基于所述偏离类型(DT1,DT2,DT3)的信息。
3.根据前述权利要求中的一项所述的方法,其中,针对所述风力涡轮机(10)生成控制命令。
4.根据前述权利要求中的一项所述的方法,其中,将所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集转换成所述图像(IM)包括添加表征和/或可视化所述风力涡轮机(10)的预定操作的参考图(REG)。
5.根据前述权利要求中的一项所述的方法,其中,被处理用于转换成所述图像(IM)的所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集取决于故障类型,并且特别是大于1000。
6.根据前述权利要求中的一项所述的方法,其中,对所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集进行过滤,以排除维护和/或停机时间的时段。
7.一种用于风力涡轮机的计算机实现监视的装置,所述风力涡轮机包括塔架顶部上的上区段(11),所述上区段(11)可围绕垂直偏航轴(VA)枢转并且具有机舱(12)和带有转子叶片的转子(13),所述转子(13)附接到所述机舱(12),并且所述转子叶片可通过风围绕基本水平的转子轴(HA)旋转,其中所述装置(100)包括处理单元(PU),所述处理单元(PU)被配置成执行以下步骤:
i)从数据存储装置(BD)获得至少两个测量变量(Var1,Var2)的多个测量数据(MD)集,所述测量变量(Var1,Var2)是由一个或多个第一传感器(14)获取的所述风力涡轮机(10)的测量变量,和/或由一个或多个第二传感器(15)获取的所述风力涡轮机(10)的环境,并且相应测量数据集的测量数据(MD)在过去的同一时间点被获取;
ii)通过创建图像(IM)来处理所述至少两个测量变量(Var1,Var2)的所述多个测量数据(MD)集;
iii)通过由被配置成卷积神经网络的经训练的数据驱动模型(MO)处理所述图像(IM)来确定从所述风力涡轮机的预定操作的偏离类型(DT1,DT2,DT3),其中所述图像(IM)作为数字输入被馈送到所述经训练的数据驱动模型(MO),并且所述经训练的数据驱动模型(MO)提供所述偏离类型(DT1,DT2,DT3)作为数字输出。
8.根据权利要求7所述的装置,其中所述装置(100)被配置为执行根据权利要求2至6中的一项所述的方法。
9.一种风力涡轮机(10),包括塔架顶部上的上区段(11),所述上区段(11)可围绕垂直偏航轴(VA)枢转并且具有机舱(12)和带有转子叶片的转子(13),所述转子(13)附接到所述机舱(12),并且所述转子叶片可通过风围绕基本水平的转子轴(HA)旋转,其中所述风力涡轮机(10)包括根据权利要求7或8所述的装置(100)。
10.一种具有存储在非暂时性机器可读载体上的程序代码的计算机程序产品,用于当所述程序代码在计算机上执行时实行根据权利要求1至6中的一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19216579.3 | 2019-12-16 | ||
EP19216579.3A EP3839250A1 (en) | 2019-12-16 | 2019-12-16 | Method and an apparatus for computer-implemented monitoring of a wind turbine |
PCT/EP2020/085207 WO2021122194A1 (en) | 2019-12-16 | 2020-12-09 | Method and an apparatus for computer-implemented monitoring of a wind turbine |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114761682A true CN114761682A (zh) | 2022-07-15 |
Family
ID=68917638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080087294.XA Pending CN114761682A (zh) | 2019-12-16 | 2020-12-09 | 用于风力涡轮机的计算机实现监视的方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230010764A1 (zh) |
EP (2) | EP3839250A1 (zh) |
CN (1) | CN114761682A (zh) |
DK (1) | DK4045791T3 (zh) |
ES (1) | ES2968734T3 (zh) |
WO (1) | WO2021122194A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3885575A1 (en) * | 2020-03-25 | 2021-09-29 | Siemens Gamesa Renewable Energy A/S | Method for determining a spatial arrangement of a floating wind turbine relative to its environment |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7895018B2 (en) * | 2007-08-10 | 2011-02-22 | General Electric Company | Event monitoring via combination of signals |
US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
US20120209539A1 (en) * | 2011-02-10 | 2012-08-16 | Honeywell International Inc. | Turbine fault analysis |
EP2746885A1 (en) * | 2012-12-18 | 2014-06-25 | Alstom Wind, S.L.U. | Method of monitoring the condition of a wind turbine |
US9347430B2 (en) * | 2013-04-12 | 2016-05-24 | King Fahd University Of Petroleum And Minerals | Adaptive pitch control system for wind generators |
US20150077155A1 (en) * | 2013-09-18 | 2015-03-19 | Palle Clausen | Monitoring of wind turbine performance |
DK179018B1 (en) * | 2016-03-14 | 2017-08-21 | Ventus Eng Gmbh | Method of condition monitoring one or more wind turbines and parts thereof and performing instant alarm when needed |
US11327475B2 (en) * | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
US11242842B2 (en) * | 2016-05-23 | 2022-02-08 | General Electric Company | System and method for forecasting power output of a wind farm |
US10330081B2 (en) * | 2017-02-07 | 2019-06-25 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
US10309372B2 (en) * | 2017-05-25 | 2019-06-04 | Hitachi, Ltd. | Adaptive power generation management |
EP3453874A1 (en) * | 2017-09-08 | 2019-03-13 | Sulzer & Schmid Laboratories AG | Method for analysis of sensor data related to a wind turbine |
-
2019
- 2019-12-16 EP EP19216579.3A patent/EP3839250A1/en not_active Ceased
-
2020
- 2020-12-09 DK DK20828967.8T patent/DK4045791T3/da active
- 2020-12-09 US US17/782,722 patent/US20230010764A1/en active Pending
- 2020-12-09 ES ES20828967T patent/ES2968734T3/es active Active
- 2020-12-09 CN CN202080087294.XA patent/CN114761682A/zh active Pending
- 2020-12-09 WO PCT/EP2020/085207 patent/WO2021122194A1/en active Search and Examination
- 2020-12-09 EP EP20828967.8A patent/EP4045791B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
ES2968734T3 (es) | 2024-05-13 |
EP4045791B1 (en) | 2023-11-08 |
US20230010764A1 (en) | 2023-01-12 |
EP3839250A1 (en) | 2021-06-23 |
EP4045791A1 (en) | 2022-08-24 |
WO2021122194A1 (en) | 2021-06-24 |
DK4045791T3 (da) | 2023-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2588755B1 (en) | Calibration of wind turbine sensor | |
US11300102B2 (en) | System and method for augmenting control of a wind turbine assembly | |
CN106870298A (zh) | 基于机器学习的叶根螺栓断裂故障检测方法 | |
US11680556B2 (en) | Methods and systems of advanced yaw control of a wind turbine | |
CN110067708B (zh) | 一种使用功率曲线识别偏航对风不正的方法 | |
EP2851561A1 (en) | Monitoring of wind turbine performance | |
US10844842B2 (en) | Abnormality monitoring apparatus and abnormality monitoring method for wind farm | |
AU2021335744B2 (en) | Load control method and apparatus for wind turbine generator system | |
EP4100646B1 (en) | Wake monitoring, wake management and sensory arrangements to such | |
EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
WO2016042652A1 (ja) | 風力発電設備および風力発電設備の損傷度診断装置 | |
EP4045791B1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
Mehlan et al. | Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring | |
CN115929569A (zh) | 一种风电机组变桨系统故障诊断方法 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
US20230026286A1 (en) | Method for computer-implemented monitoring of a wind turbine | |
CN111797545A (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
Milani et al. | Automatic Detection and Intensity Classification of Pitch Misalignment of Wind Turbine Blades: a Learning-based Approach | |
US20220356867A1 (en) | Method for operating a wind power installation, wind power installation and wind farm | |
CN117128143A (zh) | 一种叶片故障检测方法和相关装置 | |
CN114320769A (zh) | 风力发电机组的检测方法及风力发电机组 |
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 |