CN115111115A - 用于操作发电资产的系统和方法 - Google Patents

用于操作发电资产的系统和方法 Download PDF

Info

Publication number
CN115111115A
CN115111115A CN202210275370.0A CN202210275370A CN115111115A CN 115111115 A CN115111115 A CN 115111115A CN 202210275370 A CN202210275370 A CN 202210275370A CN 115111115 A CN115111115 A CN 115111115A
Authority
CN
China
Prior art keywords
power generation
data set
performance
controller
variables
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
CN202210275370.0A
Other languages
English (en)
Inventor
章占磐
S·C·埃文斯
P·A·格雷格
M·D·佩普尔
M·R·瓦尔德斯
D·W·埃德里奇
R·Z·贝尼诺斯
A·T·费里
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 Renovables Espana SL
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 Renovables Espana SL filed Critical General Electric Renovables Espana SL
Publication of CN115111115A publication Critical patent/CN115111115A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Wind Motors (AREA)

Abstract

提供了用于操作发电资产的系统和方法。因此，由控制器接收指示影响发电资产的性能的多个变量的至少一个外部数据集。控制器还接收指示发电资产的性能的至少一个操作数据集。生成对于发电资产的多个生产‑评估模型并且基于数据集进行训练。然后对于多个模型‑变量组合的每一个生成性能预测，并且基于其中一个性能预测实施控制动作。

Description

用于操作发电资产的系统和方法
技术领域
本发明公开总体上涉及发电资产，并且更特别地涉及用于通过基于各种模型-变量组合生成性能预测来操作发电资产的系统和方法。
背景技术
如此处所公开的，发电资产可以采取多种形式，并且可以包括依赖可再生和/或不可再生能源的发电资产。依赖可再生能源的那些发电资产通常可被认为是目前可用的最清洁、最环保的能源之一。例如，风力涡轮机在这方面已经得到了越来越多的关注。现代的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。机舱包括联接到齿轮箱并联接到发电机的转子组件。转子组件和齿轮箱安装在位于机舱内的底板支座框架上。转子叶片使用已知的翼型原理捕获风的动能。转子叶片以旋转能的形式传递动能，从而转动轴，该轴将转子叶片联接到齿轮箱，或者如果不使用齿轮箱，则直接联接到发电机。发电机然后将机械能转换成电能，并且电能可以被传输到容纳在塔架内的转换器和/或变压器并且随后被调度到公用电网。现代风力发电系统典型地采用具有多个风力涡轮发电机的风电场的形式，这些风力涡轮发电机可操作以向传输系统供电，该传输系统向电网提供电力。
通常期望的是预测对于发电资产的预期发电量。例如，预测可以用作对于生产保证协议的基础。典型地，这种预测可以使用考虑变量（例如风速）和发电资产的能量生产之间的线性关系的传统手段来完成。该变量常以按月的级别进行回顾性建模。这种传统方法可能会导致产量估算上的较大变化，尤其是在样本量较小的情况下。因此，可能期望的是生成发电资产的性能的更精确的预测。
鉴于前述，本领域不断寻求新的和改进的系统和方法，用于基于对发电资产的性能预测来操作发电资产。
发明内容
本发明的多个方面和优点将在以下说明中部分地阐述，或者可由该说明而显而易见，或者可通过实践本发明而获悉。
一方面，本发明公开涉及一种用于操作发电资产的方法。该方法可包括步骤a)到f)。因此，该方法可包括经由控制器从与发电资产分离的至少一个源接收对于采样周期的至少一个外部数据集。外部数据集可以指示影响发电资产性能的多个变量。该方法还可以包括经由控制器接收用于发电资产对于采样周期的至少一个操作数据集。操作数据集可以指示发电资产的性能。控制器还可以为发电资产生成多个生产-评估模型。生产-评估模型可以经由外部数据集和操作数据集进行训练，以将发电资产的性能作为多个变量的函数进行关联。此外，该方法可以包括经由控制器为多个模型-变量组合中的每一个在预测实施周期内生成性能预测。模型-变量组合可以包括每个生产-评估模型和多个变量的多个组合。因此，性能预测每个均可包括发电预测及其置信区间。此外，基于性能预测之一，控制器可以实施控制动作。
在一个实施例中，多个变量可以至少包括指示以采样周期的采样间隔的风速和风向的数据。
在一个另外的实施例中，多个变量还可以包括指示时间相关性、温度、大气压力、空气密度、风切变、风向顺转(wind veer)和湍流强度的至少其中一个的数据。
在另一个实施例中，生成多个生产-评估模型还可以包括为多个生产-评估模型中的每一个生成统计算法或机器学习算法，该统计算法或机器学习算法被配置为确定多个变量的至少其中两个变量和发电资产的性能之间的最佳传递函数。
在又另一实施例中，可以以第一采样间隔和第二采样间隔分别生成外部数据集和操作数据集。因此，生成多个生产-评估模型还可以包括基于具有第一采样间隔的外部数据集和操作数据集生成多个生产-评估模型的第一部分。此外，可以基于具有第二采样间隔的外部数据集和操作数据集生成多个生产-评估模型的第二部分。第二采样间隔可以具有相对于第一采样间隔更高的频率。
在一个实施例中，外部数据集可包括指示影响发电资产的多个环境变量的建模环境数据集。
在另一个实施例中，外部数据集可以包括从一组发电子系统组装的环境数据集。因此，该方法可以包括以采样周期的每个采样间隔，经由控制器从组中的每个发电子系统接收多个变量中的每个变量的指示。然后，控制器可以组合从组中的多个发电子系统的每个发电子系统接收的多个变量，以便生成一致环境数据集，该一致环境数据集指示影响发电资产性能的多个一致环境变量。
在另一个实施例中，外部数据集可以包括由气象桅杆收集的多个环境测量值。
在又另一个实施例中，训练多个生产-评估模型还可以包括经由发电资产的环境传感器所获得的多个环境变量训练多个生产-评估模型。
在一个实施例中，外部数据集和操作数据集的至少其中一个还可以包括针对采样周期的采样间隔的至少一个异常输入。因此，控制器可以经由插补算法为针对采样间隔的异常输入生成插补值。
在另一个实施例中，发电资产可包括风力涡轮机。
在另一个实施例中，发电资产可包括多个发电子系统。
在又另一个实施例中，发电资产可包括风电场、太阳能发电设施和/或混合发电设施。
在一个实施例中，发电资产可为多个发电资产的其中一个。在这种实施例中，可以对多个发电资产中的每一个重复步骤a）到e）。此外，控制器可以根据期望的性能预测特性为多个发电资产中的每一个建立等级秩序。控制动作的实施可基于该等级秩序。
在另一个实施例中，实施控制动作可以包括升级多个发电资产的至少其中一个。因此，可以建立升级阈值，其对应于性能预测相对于如由操作数据集指示的发电资产的性能的百分比增加。百分比增加可归因于发电资产的展望升级。因此，控制动作可以包括升级具有大于升级阈值的性能预测的百分比增加的发电资产的发电能力。
在另一个实施例中，实现控制动作可以包括对多个发电资产的至少其中一个实施诊断过程。因此，可以建立诊断阈值，其可以指示如操作数据集所示的发电资产的性能相对于性能预测的不足百分比。因此，控制动作可包括实施根本-原因分析，以确定不足百分比的根本原因。
一方面，本发明公开涉及一种用于操作发电资产的系统。该系统包括可操作地联接至发电资产的至少一个传感器。此外，该系统包括通信地联接至传感器的控制器。控制器包括至少一个处理器，其被配置为执行多个操作。多个操作可包括但不限于接收外部数据集和操作数据集，生成和训练多个生产-评估模型，生成针对多个模型-变量组合的性能预测，以及基于如此处所述的性能预测来实施控制动作。然而，在另外的实施例中，多个操作可以包括此处所述的任何方法、步骤和/或特征。
参考以下说明和所附权利要求，本发明的这些和其他特征、方面以及优点将变得被更好地理解。结合在此说明书中并构成此说明书的一部分的附图图示了本发明的实施例，并且与说明一起用于解释本发明的原理。
附图说明
说明书中描述了针对本领域普通技术人员的本发明的完整而能够实施的公开，包括其最佳模式，其引用了附图，其中：
图1图示了根据本发明公开构造成风力涡轮机的发电资产的一个实施例的透视图;
图2 图示了根据本发明公开的风力涡轮机的机舱的一个实施例的透视、内部视图；
图3图示了根据本发明公开构造成风电场的多个风力涡轮机；
图4图示了根据本发明公开的控制器的一个实施例的原理图；
图5图示了根据本发明公开用于操作发电资产的系统的控制逻辑的一个实施例的原理图；
图6图示了根据本发明公开操作数据集和至少一个外部数据集的两个变量之间关系的图示；以及
图7图示了根据本发明公开针对单个发电资产的多个模型-变量组合的性能预测的表格化呈现。
本说明书和附图中参考标号的重复使用旨在代表本发明中相同或类似的特征或元件。
具体实施方式
现在将详细参考本发明的实施例，其一个或更多示例在附图中图示。每个示例作为本发明的解释而非本发明的限制提供。实际上，对于本领域技术人员将会明显的是在本发明中可做出各种改型和变型而不背离本发明的范围或精神。例如，作为一个实施例的一部分图示并描述的特征可结合另一实施例使用来产生又其他的实施例。因此，其意图在于本发明覆盖落入所附权利要求书及其等价物范围内的此类改型和变型。
除非此处另有规定，否则术语“联接”、“固定”、“附接”等既指直接联接、固定或附接，也指通过一个或多个中间部件或特征的间接联接、固定或附接。
总体上，本发明公开涉及用于操作发电资产的机器学习、基于模型的分析。特别地，本发明公开可包括系统和方法，这些系统和方法有助于在指定时间段内基于多个不同的模型-变量组合生成多个不同的性能预测。因此，可以采用各种机器-学习算法来生成各种不同的模型，这些模型可以使用不同的建模方法来模拟发电资产的性能。例如，这些模型可反映发电资产的性能与可能影响发电资产性能的各种变量之间的线性或非线性关系。因此，各种模型可以基于各种变量、变量的组合和/或采样间隔生成对应的性能预测。每个性能预测都可以包括发电预测和预测的置信区间。
应当理解的是，此处描述的变量指的是对应于特定因素而不是其特定测量值的特定值集。这些变量可对应于各种环境因素，比方说风速、风向、风切变、温度、空气密度、湿度水平或其他类似因素。因此，这些模型可能反映发电资产的性能与选择因素之间的线性或非线性关系。例如，一个模型-变量组合可能反映性能与风速之间的关系，而另一个模型-变量组合可能反映性能与风速和风向两者之间的关系。
作为说明，此处公开的系统和方法可以生成并采用如下所示的模型-变量组合A）到J）：
Figure 280926DEST_PATH_IMAGE001
表格
Figure 729225DEST_PATH_IMAGE002
。
模型-变量组合A）到J）中的每一个都可以对发电资产输出不同的性能预测。每个不同的性能预测可代表不同的预期发电值和相对于预测值的预期偏差范围。例如，基于具有每小时采样间隔的两变量、非线性模型（例如组合（A））确定性能预测可能会导致预期偏差范围相对较小。相比之下，基于具有每月采样间隔的单变量、非线性模型（例如组合（I））确定性能预测可能会导致更大的预测性能，但也会导致相对于组合（A）的较大预期偏差范围。由于各种实施策略可能需要不同程度的性能预测保真度，因此可以基于某些操作考虑来选择控制动作所基于的模型-变量组合和对应的性能预测。换言之，与另一种实施策略相对，针对一种实施策略的最佳模型-变量组合可能不同。
应理解的是各种性能预测可用于各种应用中。例如，各种性能预测可用于形成比方说与购电协议相关的生产协议/担保。在考虑此类协议时，可能期望的是选择模型-变量组合，对该组合围绕预测发电量的不确定性相对于其余性能预测最小，且因此预测发电量的置信度相对较高。
作为一个另外的示例，可以采用各种性能预测来分析对发电资产的预期升级的合理性。当以这种方式采用时，可能期望的是选择以最小不确定性输出最大预测发电量模型-变量组合。
作为进一步的示例，可以采用各种模型-变量组合来分析多个发电资产。对于每个发电资产的结果性能预测可促进发电资产的排序。根据排序，可以选择用于满足运营目标的发电资产。此外，排序可能会说明某些发电资产的性能缺陷。因此，可以实施诊断系统来确定相对于其余发电资产的性能缺陷的根本原因，以便于它的纠正。
此外，可以采用各种性能预测来确定对于发电资产的至少一种操作模式。例如，可以采用各种性能预测来确定最佳或期望的推力极限、目标转子速度和/或额定功率。
现在参考附图，图1图示了根据本发明公开的发电资产100的一个实施例的透视图。如图所示，发电资产100可以构造为风力涡轮机114。在另一个实施例中，发电资产100例如可以构造为太阳能发电资产、水力发电厂、化石燃料发电机和/或混合发电资产。
在比方说图3中所绘的实施例中，发电资产100可以构造为发电设施142。如图3中所示，在一个实施例中，发电设施142可以构造为风电场，然而，在另外的实施例中，发电设施142可以构造为太阳能发电设施和/或混合发电设施。
在另一个实施例中，发电资产100可构造为多个发电子系统146。子系统148可构造为风力涡轮机114、太阳能发电资产、水力发电厂、化石燃料发电机、混合发电资产或其组合。
再次参考图1，当构造为风力涡轮机114时，发电资产100通常可包括从支撑面104延伸的塔架102、安装在塔架102上的机舱106、以及联接到机舱106的转子108。转子108可包括可旋转轮毂110和至少一个转子叶片112，该转子叶片112联接至轮毂110并从轮毂110向外延伸。例如，在该图示实施例中，转子108包括三个转子叶片112。然而，在另一个实施例中，转子108可包括多于或少于三个转子叶片112。每个转子叶片112均可围绕轮毂110隔开，以便于旋转转子108，从而使动能能够从风转换为可用机械能，且随后转换为电能。例如，轮毂110可以可旋转地联接至位于机舱106内的发电机118（图2），以允许产生电能。
发电资产100还可以包括控制器200。当构造为风力涡轮机114时，控制器200可以构造为集中在机舱106内的涡轮控制器。然而，在其他实施例中，控制器200可位于风力涡轮机100的任何其他部件内或风力涡轮机外部的位置。此外，控制器200可以通信地联接至发电资产100的任意数量的部件，以便控制这些部件。因此，控制器200可以包括计算机或其他合适的处理单元。因此，在若干实施例中，控制器200可以包括适当的计算机-可读指令，这些指令在实施时将控制器200配置为执行各种不同的功能，比方说接收、发送和/或执行风力涡轮机控制信号。
现在参考图2，示出了图1中所示的风力涡轮机114的机舱106的一个实施例的简化内部视图。如图所示，发电机118可联接至转子108，用于从转子108所产生的旋转能量产生电力。例如，如图示实施例中所示，转子108可包括联接至轮毂110以随其旋转的转子轴122。转子轴122可由主轴承144可旋转地支撑。转子轴122转而可通过连接至底板支座框架136的齿轮箱126可旋转地联接至发电机118的高速轴124。如通常理解的那样，转子轴122可响应于转子叶片112和轮毂110的旋转，向齿轮箱126提供低速、高扭矩输入。然后，齿轮箱126可构造为将低速、高扭矩输入转换为高速、低扭矩输出，以驱动高速轴124，并从而驱动发电机118。
每个转子叶片112还可包括变桨控制机构120，变桨控制机构120被配置为使每个转子叶片112围绕其变桨轴线116旋转。每个变桨控制机构120均可包括变桨驱动马达128、变桨驱动齿轮箱130和变桨驱动小齿轮132。在这种实施例中，变桨驱动马达128可联接至变桨驱动齿轮箱130，以便变桨驱动马达128向变桨驱动齿轮箱130施加机械力。类似地，变桨驱动齿轮箱130可联接至变桨驱动小齿轮132，以便随之旋转。变桨驱动小齿轮132转而可与联接在轮毂110和相应转子叶片112之间的变桨轴承134成旋转接合，使得变桨驱动小齿轮132的旋转导致变桨轴承134的旋转。因此，在这种实施例中，变桨驱动马达128的旋转驱动变桨驱动齿轮箱130和变桨驱动小齿轮132，从而围绕变桨轴线116旋转变桨轴承134和转子叶片112。
类似地，风力涡轮机114可以包括通信地联接至控制器200的一个或多个偏航驱动机构138，且每个偏航驱动机构138被构造为改变机舱106相对于风的角度（例如，通过接合风力涡轮机114的偏航轴承140）。应当理解的是，控制器200可以引导机舱106的偏航和/或转子叶片112的变桨，以便相对于作用在风力涡轮机114上的风对风力涡轮机114进行空气动力学定向，从而促进发电。
在若干实施例中，发电资产100可以包括至少一个环境传感器156，其用于监测影响发电资产100的至少一个环境条件。在一个实施例中，环境传感器156例如可以是风向标、风速计、激光雷达传感器、温度计、气压计或任何其他合适的传感器。因此，环境传感器156可以收集指示风向、风速、风切变、阵风、风向顺转、大气压力、压力梯度和/或温度的数据。在至少一个实施例中，环境传感器156可安装在位于转子108的下风位置的机舱106上。
应当理解的是，环境传感器156可以包括传感器网络，并且可以远离发电资产100定位。例如，在一个实施例中，环境传感器156可构造为气象桅杆150。
此外，发电资产100可以包括一个或多个操作传感器158。操作传感器158可被配置为响应于环境条件检测发电资产100的性能。操作传感器158可被配置为监测与发电资产100的部件的性能和/或健康相关联的多个参数。例如，操作传感器158可以监测与振动、音频信号、视觉指示、角位置、旋转速度、弯矩、功耗、发电、温度和/或其他合适参数相关的参数。
在一个实施例中，操作传感器158例如可以是可操作地联接至控制器200的转速传感器。例如，操作传感器158可以指向发电资产100（比方说风力涡轮机114）的转子轴122。操作传感器158可以以转子速度和/或转子方位角的形式收集指示转子轴122、且因此转子108的转速和/或旋转位置的数据。在一个实施例中，操作传感器158可以是模拟转速表、直流（DC）转速表、交流（AC）转速表、数字转速表、接触式转速表、非接触式转速表或时间和频率转速表。
仍然参考图2，在一个实施例中，操作传感器158可被配置为收集指示发电资产100的部件对环境条件或其他负载的响应的数据。例如，操作传感器158可被配置为监测发电资产100的输出的电参数。因此，操作传感器158可以是电流传感器、电压传感器、温度传感器、功率传感器和/或频率计，其监测发电资产100的电输出。
作为进一步说明，在一个实施例中，操作传感器158可以被构造为应变计，该应变计配置为检测部件（比方说转子108）上的拉伸载荷。在另一个实施例中，操作传感器158可包括加速计、光电传感器、声学传感器、换能器、激光雷达系统、振动传感器、力传感器、速率传感器、压电传感器、位置传感器、倾斜仪和/或扭矩传感器中的至少一个。在一个实施例中，操作传感器158例如可被配置为收集指示机舱加速度，塔架102的振动，转子轴122的弯曲，发电资产100的声学特征(acoustic signature)，由于转子叶片112的通过、转子叶片112的不连续性、转子108的水平和垂直偏转、和/或转子108的加速度而导致的光学传感器堵塞的至少其中一个的传感器数据。
还应当理解的是，如此处所使用的，术语“监测”及其变体指的是发电资产100的各种传感器可以被配置为提供被监测参数的直接测量或此类参数的间接测量。因此，此处所述的传感器例如可用于生成与被监测参数相关的信号，该信号随后可被控制器200利用来确定发电资产100的状态或响应。
现在参考图3，其中发电资产100被构造为发电设施142（例如，风电场）。如图所绘，发电设施可包括如此处所述的多个发电子系统148（例如，风力涡轮机114）。例如，如图示实施例中所示，发电设施142可包括十二个发电子系统148。然而，在其他实施例中，发电设施142可包括任何其他数量的发电子系统148，比方说少于十二个发电子系统148或多于十二个发电子系统148。应当理解的是，发电设施142可以经由通信链路154联接至控制器200和/或POI 152。
现在参考图4-7，展示了根据本发明公开的用于操作发电资产100的系统300的多个实施例的各个方面。例如，如此处所述，系统300可用于操作上述风力涡轮机114。然而，应当理解的是，所公开的系统300可用于具有任何适当构造的任何其他发电资产100。另外，尽管图5描绘了出于说明和讨论目的以特定顺序执行的步骤，但此处描述的方法和步骤并不限于任何特定的顺序或布置。本领域技术人员使用此处提供的公开将会理解，方法的各种步骤可以以各种方式省略、重新安排、组合和/或改变。
如图4中具体所示，示出了可包括在控制器200内的适当部件的一个实施例的示意图。例如，如图所示，控制器200可包括配置成执行各种计算机实施功能（例如，执行此处公开的方法、步骤、计算等并存储相关数据）的一个或更多处理器206以及相关的存储装置208。此外，控制器200还可以包括通信模块210，以促进控制器200和发电资产100及其部件之间的通信。此外，通信模块210可以包括传感器接口212（例如，一个或多个模数转换器），以允许将从一个或多个传感器（比方说环境传感器156和/或操作传感器158）发送的信号转换为可由处理器206理解和处理的信号。应当理解的是，可以使用任何合适的手段将传感器通信地联接到通信模块210。例如，如图4中所示，传感器可以经由有线连接联接到传感器接口212。然而，在其他实施例中，传感器156、158可以经由无线连接（比方说通过使用本领域中已知的任何合适的无线通信协议）联接到传感器接口212。此外，通信模块210还可操作地联接到配置为实施控制动作的操作状态控制模块214。
在一个实施例中，控制器200可以构造为资产控制器，并且可以与发电资产100集成。例如，控制器200可以构造为涡轮控制器、场控制器和/或其他类似控制器，这些控制器配置为指导发电资产100的操作。在另一个实施例中，控制器200可包括计算装置的分布式网络。在这种实施例中，分布式计算装置之一可与发电资产100集成，而附加的计算装置可位于远离发电资产的位置，比方说在设计或制造设施处。
如此处所用，术语“处理器”不仅仅指本领域中称作包括在计算机中的集成电路，而是还指控制器、微控制器、微计算机、可编程逻辑控制器(PLC)、专门用途集成电路和其他的可编程电路。另外，存储装置208通常可包括存储元件，其包括但不限于，计算机可读取介质（例如随机存取存储器（RAM）），计算机可读取非易失性介质（例如闪存），软盘，只读式紧凑光盘（CD-ROM），磁光盘（MOD），数字多功能光盘（DVD），和/或其他合适的存储元件。此类存储装置208通常可被构造为存储适当的计算机可读取指令，当由处理器206实施时，这些指令将控制器200配置为执行各种功能，包括但不限于：生成对应于至少一个外部数据集和至少一个操作数据集的多个生产-评估模型，训练生产-评估模型，并为多个模型-变量组合中的每一个生成性能预测，以便实施此处所述的控制动作，以及各种其他合适的计算机实施的功能。
具体参考图5，在一个实施例中，系统300的控制器200可被配置为从与发电资产100分离的至少一个源接收对于采样周期304的至少一个外部数据集302。外部数据集302可以指示多个变量306。多个变量306可以影响发电资产100的性能。控制器200还可以被配置为对于采样周期304接收对于发电资产100的至少一个操作数据集308。操作数据集308可以指示发电资产100的性能，比方说响应于变量306。此外，控制器200可以对发电资产100生成多个生产-评估模型310。如312处所示，控制器200随后可经由外部和操作数据集302、308训练（例如经由机器学习）多个生产-评估模型310。训练多个生产-评估模型310可以将发电资产100的性能作为多个变量306的函数关联起来。一旦训练了多个生产-评估模型310，控制器200就可以针对多个模型-变量组合318中的每一个，在预测实施周期316期间生成性能预测314（图7）。多个模型-变量组合318可包括生产评估模型310和多个变量306中的每一个的多个组合。性能预测314可各自包括发电预测320和置信区间322。此外，控制器200可以基于性能预测314之一来实施控制动作324。
在一个实施例中，外部数据集302的多个变量306可包括至少两个独立变量306。因此，发电资产100的性能（例如，历史发电量326（图6））可以作为两个独立变量306的函数进行关联。如图6中所示，发电资产100的性能与两个独立变量306之间的相关函数可以可视化为三维图。由于生产-评估模型310可以基于性能（例如历史发电量326）与两个独立变量306的相关性进行训练，因此，性能预测314可基于两个独立变量306对发电资产100的预测性能的预测影响。应当理解的是，控制器200对至少两个变量306的利用可促进比仅利用单个变量306可获得的更高保真度的性能预测314。
还应当理解的是，变量306指的是与影响发电资产100的性能的特定因素相对应的特定值集，而不是以特定采样间隔的该因素的特定测量值。因此，多个模型-变量组合318中的每一个都可以反映发电资产的性能和由特定生产-评估模型310建模的选定因素之间的线性或非线性关系。例如，一个模型-变量组合318可以反映性能与风速328之间的关系，而另一个模型-变量组合318可以反映性能与风速328和风向330两者之间的关系。
还应当理解的是，利用多于两个变量306可以进一步细化相关函数，从而增加性能预测314的保真度。在增加性能预测314的保真度的同时，利用多于两个变量306还可增加其数据收集和/或分析的复杂性。因此，可能期望的是平衡可归因于性能预测314的保真度的增加的益处与其数据收集和/或分析的增加的复杂性。
如图6中所绘，在一个实施例中，外部数据集302的多个变量306包括影响发电资产100的性能的风速328和风向330。因此，响应于风速328和风向330的发电资产100的性能（例如，历史发电量326）可由操作数据集308反映。风速328和风向330两者与发电资产100的历史性能的同时相关性可促进比仅利用风速328或风向330之一可获得的更高保真度的性能预测314。例如，风力涡轮机114可以遇到来自第一方向的特定风速328，并且可以产生第一数量的功率。然而，当相同风速328来自不同方向时，风力涡轮机114可产生第二、较少数量的功率。例如，这可归因于扰动气流（比方说尾流效应）、障碍物、操作极限和/或其他条件。因此，相对于至少基于风速328和风向330的性能预测314，仅基于风速328或风向330中的一个来开发性能预测314会降低性能预测314的精度和/或置信度。
在一个实施例中，多个变量306还可包括至少一个附加变量306，其可进一步限定发电资产100的性能与外部数据集302的相关性。因此，在一个实施例中，多个变量306可以包括至少三个变量306。例如，多个变量306可以包括风速328、风向330和至少一个附加变量306。在一个实施例中，附加变量306可以是时间相关性332。时间相关性332可以将发电资产100的性能与限定的时间段（比方说白天、夜晚、季节或其他类似度量）相关联。例如，时间相关性332可以说明在一年的某些时段（比方说可能经历风速增加的季节）期间发电资产100的性能上的变化。在附加实施例中，附加变量306可包括可能影响发电资产100性能的风切变334、湍流强度336和/或其他变量（例如温度、气压、空气密度、湿度水平、风切变、风向顺转、湍流强度等）的测量。
在一个实施例中，采样周期304可以包括多个采样间隔，以这些采样间隔，可以收集包括外部数据集302和/或操作数据集308的数据。可以选择采样间隔，以便开发具有足够数量的历史数据点的外部和/或操作数据集302、308，以支持生产-评估模型310的训练。例如，可以以每月的频率建立采样间隔。在附加实施例中，每个采样间隔可对应于24小时。在又一附加实施例中，采样间隔可具有小于或等于60分钟的持续时间（例如，10分钟的采样间隔）。
仍然参考图5，在一个实施例中，外部和操作数据集302、308各自可以以第一采样间隔338和至少第二采样间隔340生成。在一个实施例中，第二采样间隔340可以相对于第一采样间隔338具有更高的频率/采样率。例如，在一个实施例中，第一采样间隔338可对应于每月采样间隔，第二采样间隔340可对应于每日采样间隔，而第三采样间隔可对应于每小时采样间隔，且外部和操作数据集302，308对应于每个采样间隔。在这种实施例中，各种生产-评估模型310可以以每个采样间隔针对相应的变量306进行训练（如表1所示）。换言之，在一个实施例中，可以基于具有第一采样间隔338的外部数据集302和操作数据集308来生成生产-评估模型310的第一部分342。在这种实施例中，可以基于具有第二采样间隔340的外部数据集302和操作数据集308来生成生产-评估模型310的第二部分344。
应当理解的是，在相同的采样周期304持续时间内，每个采样间隔所生成的数据点数量上的差异可能导致生产-评估模型310上的差异，且因此可能导致对于每个模型-变量组合318的性能预测314上的变化。
在一个实施例中，外部数据集302和/或操作数据集308可以包括对于采样周期304的采样间隔的至少一个异常输入。异常输入可能是一部分外部和/或操作数据集302、308的质量问题。例如，异常输入可能是由于风速计风速测量不准确、发电资产100的运行条件受限、转子叶片112结冰和/或采样间隔的发电数据缺失造成的。
异常输入的影响可以通过对异常输入的插补来减轻。因此，在一个实施例中，控制器200可以采用插补算法来对采样间隔的异常输入生成插补值346。例如，在一个实施例中，控制器200可以利用操作数据集308来学习发电资产100的发电特性（例如，功率曲线）。然后，控制器可以利用所学习的特征来估计/输入对于缺失的发电数据的发电值。
在一个实施例中，外部数据集302可以包括建模的环境数据集。建模的环境数据集可以指示可能影响发电资产100的多个环境变量。例如，外部数据集302可由环境模型开发，比方说现代研究和应用回顾性分析，第2版（MERRA-2）模型或其他类似的再分析方法。
在另一个实施例中，外部数据集302可包括由至少一个气象桅杆150（例如，气象桅杆）收集的多个环境测量值。气象桅杆150可安装在发电资产100附近，并可用作环境传感器156的安装位置。因此，气象桅杆150可包括风速计、风向标、气压计、比重计、温度计和/或其他类似气象仪器，其配置成用于收集指示影响发电资产100的性能的变量306的测量值。
在另一个实施例中，外部数据集302可以包括从发电资产100的一组发电子系统148组装而成的环境数据集。因此，控制器200可以以采样周期304的每个采样间隔从组中的每个发电子系统148接收多个变量306中的每个变量的指示。然后，控制器可以组合从每个发电子系统148接收的多个变量306，以生成一致环境数据集，该一致环境数据集指示影响发电资产100的性能的多个一致环境变量306。例如，在涉及多个风力涡轮机114的实施例中，控制器200可以从每个风力涡轮机114接收偏航设定点指示。由于风力涡轮机114通常优化为平行于风向330对齐，指定组的风力涡轮机114的组合偏航设定点可提供影响发电资产100的主要风向330的一致指示。美国专利申请第17/027789号对利用从一组发电子系统148获得的数据来确定影响发电资产100的环境条件进行了更全面的描述。因此，通过引用将2020年9月22日提交的标题为“Systems and Methods for Controlling a Wind Turbine”的美国专利申请第17/027789号出于所有目的而整体结合在此处。
仍然参考图5，在一个实施例中，控制器200可以为发电资产100生成和训练多个生产-评估模型310。在一个实施例中，生成生产-评估模型310可以包括为多个生产-评估模型310中的每一个生成统计算法或机器学习算法，并经由外部和操作数据集302、308训练算法。因此，统计算法或机器学习算法可配置为确定多个变量306中的至少两个变量306与由操作数据集308反映的发电资产100的性能之间的最佳传递函数341。
例如，在一个实施例中，逐步回归可用于生成和训练至少其中一个生产-评估模型310。通常，逐步回归一次添加或去除一个特征，以求在不过度拟合的情况下获得最佳回归模型。此外，逐步回归典型地具有两种变体，包括正向和反向回归，这两种变体均在本发明的范围和精神内。例如，正向逐步回归是通过连续添加预测变量来建立模型的逐步过程。在每一步，比较有和没有潜在预测变量的模型，并且只有当更大的模型导致显著地更好拟合于数据时，才接受更大的模型。备选地，反向逐步回归从具有所有预测因子的模型开始，并去除在响应变量建模方面并非统计学上显著的项。
可在一个实施例中用来生成和训练至少其中一个生产-评估模型310的另一统计方法可以是最小绝对收缩和选择算子（LASSO）算法。通常，LASSO算法会在系数绝对值之和小于常数的约束下最小化负对数发生可能性。可用于生成和训练至少其中一个生产-评估模型310的又另一个统计算法是M5 Prime（M5P）算法，该算法是一种基于树的回归算法，其在许多领域中有效。例如，逐步回归可能会为数据产生单一的全局线性模型，而基于树的回归算法会对特征进行逻辑测试，以形成树结构。通常，M5P算法在树的每个节点上使用线性回归模型，以提供更专门的模型。
在另一个实施例中，可用于生成和训练各种生产-评估模型310的其他机器学习方法可包括例如高斯过程模型、随机森林模型、神经网络、深度神经网络和/或支持向量机。此外，可由控制器200采用广义相加模型（GAM）来开发一个或多个生产-评估模型310。在一个实施例中，GAM可以实施打包和提升方法。在另一个实施例中，GAM可以实施样条方法。应当理解的是，系统300可以采用此处公开的统计算法或机器学习算法的组合，以便确定模型-变量组合318，该模型变量组合318对于指定的操作目标生成最期望的性能预测314。
除了外部数据集302之外，在一个实施例中，控制器200可被配置为从发电资产100的环境传感器156接收多个环境变量348。然后，控制器200可以将如由发电资产100的环境传感器156监测的多个环境变量348合并到生产-评估模型310的训练中。应当理解的是，发电资产100对多个环境变量348的感知会影响发电资产100的各种设定点，并从而影响发电资产100的性能。因此，在生产-评估模型310的训练中包括由发电资产100监测的多个环境变量348可促进相关函数的细化。
在一个实施例中，在生产-评估模型310的训练之后，可以测试生产-评估模型310以确定生产-评估模型310的准确性。为了便于测试，可以从生产-评估模型310的训练中使用的数据集排除与特定采样周期相对应的一部分外部和操作数据集302、308。然后，控制器200可以采用外部数据集302的保留部分来在由保留部分指示的条件下对发电资产100的性能进行建模。然后，可以将建模的性能与操作数据集308的保留部分进行比较，以确定生产-评估模型310的准确性。
如图7中所示，每个模型-变量组合318都可以为发电资产100生成不同的性能预测314。每个性能预测314在发电预测320和/或置信区间322上可能有差异。性能预测314上的差异可归因于建模差异、变量选择和/或采样周期304的采样间隔。因此，可以基于发电资产100的操作目标和/或操作约束，从多个模型-变量组合318中选择最佳模型-变量组合318。
作为说明，当采用系统300来预测发电资产100的能源生产以便形成能源保证协议时，最佳模型-变量组合318可以是具有最窄置信区间322的模型-变量组合318。在这样的实施例中，置信区间322可以指示发电预测320和发电资产100的实际发电量之间的偏差范围可小于使用其他模型-变量组合318可实现的范围。换言之，所选择的最佳模型-变量组合318可以指示发电资产的实际发电量不会显著偏离发电预测320。因此，可以依赖发电预测320来形成能量保证协议。
作为进一步说明，在一个实施例中，可以采用性能预测314来确定是否可以从发电资产100的升级实现足够的效益，以证明升级的成本是合理的。在这种实施例中，最佳模型-变量组合318可以是具有最大发电预测320和最窄置信区间322的模型-变量组合318。换言之，在这种实施例中，如果预测伴随着相对较宽的置信区间322，则最佳模型-变量组合318可以不是具有最大总发电预测320的模型-变量组合318。
再次参考图5，在一个实施例中，控制器200可以基于性能预测314实施至少一个控制动作324。例如，在一个实施例中，控制动作324可以包括生成警报。警报的生成可促进维护事件的调度，以便处理小于预期值和/或包括显著程度的潜在可变性的性能预测314。因此，警报可包括听觉信号、视觉信号、通知、系统输入和/或任何其他系统，其可识别对于发电资产100不能满足性能预期的可能性，并从而识别发电资产100内的潜在故障。应当理解的是，如此处所述的控制动作324还可以包括控制器200的任何适当命令或约束。例如，在一个实施例中，控制动作324可包括临时降低发电资产100的评级。此外，在一个实施例中，控制动作324可包括限制发电资产100的至少一个部件的操作。例如，控制动作324可限制转子叶片112的变桨和/或风力涡轮机114的机舱106的偏航。
在一个实施例中，发电资产可以是多个发电资产160中的一个。例如，在一个实施例中，发电资产100可以是若干风电场中的一个，且每个风电场构成不同的发电资产100。在另一个实施例中，发电资产100可以是多个发电子系统146，其对应于发电设施（例如，风电场）的一部分，使得发电设施可以包括若干多个发电子系统146（例如，发电子系统148的各种分组）。
在一个实施例中，发电资产100是多个发电资产160中的一个，可以针对多个发电资产160中的每个发电资产100重复此处公开的方法。对每个发电资产100重复此处公开的方法的步骤，可以对多个发电资产160的每个发电资产100生成性能预测314。然后，在一个实施例中，控制器200可以根据期望的性能预测特性，为多个发电资产160中的每一个建立等级秩序350。期望性能预测特性可对应于发电预测320、置信区间322或它们的组合。
在一个实施例中，控制动作324的实现可以基于等级秩序350。例如，等级秩序350可以指示多个发电资产160的哪个发电资产100最有可能满足发电保证。因此，相对于剩余的多个发电资产160，可以优先采用所识别的发电资产，其可以是等级最高的发电资产，以满足所需的电力生产。
在一个实施例中，实施控制动作324可涉及升级多个发电资产160的至少一部分。因此，可以对生产-评估模型310进行修改/改变，以考虑对发电资产100的建议改变/升级。因此，如果执行所考虑的升级，则性能预测314可反映多个发电资产160中的每一个的预期性能。
在其中控制动作324涉及升级多个发电资产160的至少一部分的实施例中，要升级的发电资产100的确定可以至少部分地基于反映预期性能的性能预测314的等级秩序350。因此，可以建立升级阈值352。升级阈值352可对应于性能预测314相对于发电资产100的当前性能（例如，发电量）的百分比增加，如操作数据集308所示。百分比增加可归因于发电资产100的展望升级。如354处所示，可识别大于升级阈值352的预测性能的增加。当预测性能的增加大于升级阈值352时，如356处所示，相应的发电资产100可以升级。
在一个实施例中，实施控制动作324可包括对多个发电资产160的至少其中一个实施诊断过程。在这种实施例中，可以建立诊断阈值358。诊断阈值358可指示发电资产100的性能相对于多个发电资产160的其余部分的性能预测314的百分比不足。例如，百分比不足可指示相对于多个发电资产160的性能预测314的中值或其他统计度量的百分比不足。因此，如360处所示，可以检测到大于阈值的性能不足的预测百分比。
在其中对于发电资产100的性能预测314的百分比偏差超过诊断阈值358的实施例中，可以实施根本原因分析362。根本原因分析362可能试图确定百分比不足的根本原因。这种根本原因分析362在美国专利申请第17/032218号中被更全面地描述。因此，出于所有目的，2020年9月25日提交的题为“Systems and Methods for Operating a PowerGenerating Asset”的美国专利申请第17/032218号通过引用被整体结合在此处。
此外，本领域技术人员将认识到来自不同实施例的各种特征的可互换性。类似地，所描述的各种方法步骤和特征，以及对于每个此类方法和特征的其他已知等效物，可以由本领域的普通技术人员混合和匹配，以根据此公开的原理构造附加的系统和技术。当然，应当理解的是，不一定可以根据任何特定实施例实现上述所有这样的目的或优点。因此，例如，本领域技术人员将认识到，此处所述的系统和技术可以以实现或优化此处所教导的一个或一组优点的方式来实施或执行，而不一定实现此处所教导或建议的其他目的或优点。
此书面说明书使用示例来公开本发明，包括最佳模式，并且也使得任何本领域技术人员能够实践本发明，包括制造并使用任何装置或系统以及执行任何所结合的方法。本发明可授予专利的范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。此类其他示例如果包括不异于权利要求的字面语言的结构元件，或者如果它们包括与权利要求的字面语言没有实质性区别的等同结构元件，则此类其他示例意在落入权利要求的范围内。
本发明的其他方面由以下条款的主题提供：
条款1. 一种用于操作发电资产的方法，所述方法包括：a)经由控制器从与所述发电资产分离的至少一个源接收对于采样周期的至少一个外部数据集，所述外部数据集指示影响所述发电资产的性能的多个变量；b）经由所述控制器接收对于所述采样周期对于所述发电资产的至少一个操作数据集，所述至少一个操作数据集指示所述发电资产的性能；c）经由所述控制器生成对于所述发电资产的多个生产-评估模型；d）经由所述控制器，经由所述至少一个外部数据集和所述至少一个操作数据集，对所述多个生产-评估模型进行训练，以将所述发电资产的性能作为多个变量的函数进行关联；e）经由所述控制器，为多个模型-变量组合中的每一个生成预测实施期内的性能预测，其中多个模型-变量组合包括每个生产评估-模型和多个变量的多个组合，其中，所述性能预测每一个都包括发电预测和置信区间；以及f）经由所述控制器，基于其中一个所述性能预测实施控制动作。
条款2. 根据条款1所述的方法，其中，所述多个变量至少包括以所述采样周期的采样间隔指示风速和风向的数据。
条款3. 根据任一前述条款的方法，其中，所述多个变量还包括指示时间相关性、气温、空气密度、风切变、风向顺转和湍流强度中的至少一个的数据。
条款4. 根据任一前述条款的方法，其中，生成所述多个生产-评估模型还包括为所述多个生产-评估模型中的每一个生成统计算法或机器学习算法，所述统计算法或机器学习算法配置成确定所述多个变量中的至少两个变量与所述发电资产的性能之间的最佳传递函数。
条款5. 根据任一前述条款的方法，其中，所述至少一个外部数据集和所述至少一个操作数据集各自以第一采样间隔和第二采样间隔生成，并且其中生成所述多个生产-评估模型还包括：基于具有第一采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第一部分；以及基于具有第二采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第二部分，其中所述第二采样间隔相对于所述第一采样间隔具有更高的频率。
条款6. 根据任一前述条款的方法，其中，所述至少一个外部数据集包括建模的环境数据集，所述环境数据集指示影响所述发电资产的多个环境变量。
条款7. 根据任一前述条款的方法，其中，所述至少一个外部数据集包括由一组发电子系统组装而成的环境数据集，所述方法还包括：经由所述控制器接收以所述采样周期的每个采样间隔来自该组中的每个发电子系统的多个变量中的每一个的指示；以及经由所述控制器组合从该组中的多个发电子系统中的每一个接收的多个变量，以便生成指示影响所述发电资产的性能的多个一致环境变量的一致环境数据集。
条款8. 根据任一前述条款的方法，其中，所述至少一个外部数据集包括由气象桅杆收集的多个环境测量值。
条款9. 根据任一前述条款的方法，其中，训练所述多个生产-评估模型还包括经由所述发电资产的环境传感器所获得的多个环境变量训练所述多个生产-评估模型。
条款10. 根据任一前述条款的方法，其中，所述至少一个外部数据集和所述至少一个操作数据集的至少其中一个还包括对于所述采样周期的采样间隔的至少一个异常输入，所述方法还包括：经由所述控制器的插补算法生成对于所述采样间隔的所述异常输入的插补值。
条款11. 根据任一前述条款的方法，其中，所述发电资产包括风力发电机。
条款12. 根据任一前述条款的方法，其中，所述发电资产包括多个发电子系统。
条款13. 根据任一前述条款的方法，其中，所述发电资产包括风电场、太阳能发电设施和混合发电设施的其中一个。
条款14. 根据任一前述条款的方法，其中，所述发电资产是多个发电资产中的一个，所述方法还包括：对所述多个发电资产的每一个重复步骤a）到e）；以及根据期望的性能预测特性，经由所述控制器为所述多个发电资产中的每一个建立等级秩序，其中所述控制动作的实施基于所述等级秩序。
条款15. 根据任一前述条款的方法，其中，实施所述控制动作包括升级所述多个发电资产的至少其中一个，所述方法还包括：建立升级阈值，其对应于所述性能预测相对于如所述至少一个操作数据集所示的所述发电资产的性能的百分比增加，所述百分比增加可归因于所述发电资产的预期升级；以及升级所述至少一个发电资产的发电容量，所述至少一个发电资产具有大于所述升级阈值的所述性能预测的增长百分比。
条款16. 根据任一前述条款的方法，其中，实施所述控制动作包括对所述多个发电资产的至少其中一个实施诊断过程，所述方法还包括：建立指示如由所述至少一个操作数据集所示的所述至少一个发电资产的性能相对于所述多个发电资产的性能预测的不足百分比的诊断阈值；以及实施根本原因分析，以确定不足百分比的根本原因。
条款17. 一种用于操作发电资产的系统，所述系统包括：至少一个传感器，其可操作地联接至所述发电资产；以及控制器，其通信地联接至所述至少一个传感器，所述控制器包括至少一个处理器，其配置成执行多个操作，所述多个操作包括：a)从与所述发电资产分离的至少一个源接收对于采样周期的至少一个外部数据集，所述外部数据集指示影响所述发电资产的性能的多个变量，所述多个变量至少包括以所述采样周期的采样间隔指示风速和风向的数据；b）接收对于所述采样周期对于所述发电资产的至少一个操作数据集，所述至少一个操作数据集指示所述发电资产的性能；c）生成对于发电资产的多个生产-评估模型；d）经由所述至少一个外部数据集和所述至少一个操作数据集，对所述多个生产-评估模型进行训练，以将所述发电资产的性能作为多个变量的函数进行关联；e）为多个模型-变量组合中的每一个生成预测实施期内的性能预测，其中多个模型-变量组合包括每个生产评估-模型和多个变量的多个组合，其中，所述性能预测每一个都包括发电预测和置信区间；以及f）基于其中一个所述性能预测实施控制动作。
条款18. 根据任一前述条款的系统，其中，所述多个变量还包括指示时间相关性、风切变和湍流强度的至少其中一个的数据。
条款19. 根据任一前述条款的系统，其中，所述至少一个外部数据集和所述至少一个操作数据集各自以第一采样间隔和第二采样间隔生成，并且其中生成所述多个生产-评估模型还包括：基于具有第一采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第一部分；以及基于具有第二采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第二部分，其中所述第二采样间隔相对于所述第一采样间隔具有更高的频率。
条款20. 根据任一前述条款的系统，其中，实施所述控制动作包括实施诊断过程，所述方法还包括：建立指示如由所述至少一个操作数据集所示的所述发电资产的性能相对于所述性能预测的不足百分比的诊断阈值；以及实施根本原因分析，以确定不足百分比的根本原因。

Claims (10)

1.一种用于操作发电资产的方法，所述方法包括：
a)经由控制器从与所述发电资产分离的至少一个源接收对于采样周期的至少一个外部数据集，所述外部数据集指示影响所述发电资产的性能的多个变量；
b）经由所述控制器接收对于所述采样周期对于所述发电资产的至少一个操作数据集，所述至少一个操作数据集指示所述发电资产的性能；
c）经由所述控制器生成对于所述发电资产的多个生产-评估模型；
d）经由所述控制器，经由所述至少一个外部数据集和所述至少一个操作数据集，对所述多个生产-评估模型进行训练，以将所述发电资产的性能作为所述多个变量的函数进行关联；
e）经由所述控制器，为多个模型-变量组合中的每一个生成预测实施期内的性能预测，其中所述多个模型-变量组合包括每个所述生产评估-模型和所述多个变量的多个组合，其中，所述性能预测每一个都包括发电预测和置信区间；以及
f）经由所述控制器，基于其中一个所述性能预测实施控制动作。
2.根据权利要求1所述的方法，其中，所述多个变量至少包括以所述采样周期的采样间隔指示风速和风向的数据。
3.根据权利要求2所述的方法，其中，所述多个变量还包括指示时间相关性、气温、空气密度、风切变、风向顺转和湍流强度中的至少一个的数据。
4.根据权利要求1所述的方法，其中，生成所述多个生产-评估模型还包括为所述多个生产-评估模型中的每一个生成统计算法或机器学习算法，所述统计算法或机器学习算法配置成确定所述多个变量中的至少两个变量与所述发电资产的性能之间的最佳传递函数。
5.根据权利要求1所述的方法，其中，所述至少一个外部数据集和所述至少一个操作数据集各自以第一采样间隔和第二采样间隔生成，并且其中生成所述多个生产-评估模型还包括：
基于具有第一采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第一部分；以及
基于具有第二采样间隔的所述至少一个外部数据集和所述至少一个操作数据集生成所述多个生产-评估模型的第二部分，其中所述第二采样间隔相对于所述第一采样间隔具有更高的频率。
6.根据权利要求1所述的方法，其中，所述至少一个外部数据集包括建模的环境数据集，所述环境数据集指示影响所述发电资产的多个环境变量。
7.根据权利要求1所述的方法，其中，所述至少一个外部数据集包括由一组发电子系统组装而成的环境数据集，所述方法还包括：
经由所述控制器接收以所述采样周期的每个采样间隔来自该组中的每个所述发电子系统的多个变量中的每一个的指示；以及
经由所述控制器组合从该组中的所述发电子系统中的每一个接收的多个变量，以便生成指示影响所述发电资产的性能的多个一致环境变量的一致环境数据集。
8.根据权利要求1所述的方法，其中，所述至少一个外部数据集包括由气象桅杆收集的多个环境测量值。
9.根据权利要求1所述的方法，其中，训练所述多个生产-评估模型还包括经由所述发电资产的环境传感器所获得的多个环境变量训练所述多个生产-评估模型。
10.根据权利要求1所述的方法，其中，所述至少一个外部数据集和所述至少一个操作数据集的至少其中一个还包括对于所述采样周期的采样间隔的至少一个异常输入，所述方法还包括：
经由所述控制器的插补算法生成对于所述采样间隔的所述异常输入的插补值。
CN202210275370.0A 2021-03-19 2022-03-18 用于操作发电资产的系统和方法 Pending CN115111115A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/206,331 US11728654B2 (en) 2021-03-19 2021-03-19 Systems and methods for operating power generating assets
US17/206331 2021-03-19

Publications (1)

Publication Number Publication Date
CN115111115A true CN115111115A (zh) 2022-09-27

Family

ID=80683017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210275370.0A Pending CN115111115A (zh) 2021-03-19 2022-03-18 用于操作发电资产的系统和方法

Country Status (3)

Country Link
US (1) US11728654B2 (zh)
EP (1) EP4060430A1 (zh)
CN (1) CN115111115A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11761427B2 (en) * 2021-06-29 2023-09-19 Aspentech Corporation Method and system for building prescriptive analytics to prevent wind turbine failures

Family Cites Families (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2837984A (en) 1956-01-09 1958-06-10 Donald D Klotz Limestone type tennis court
SE517970C2 (sv) 2000-07-20 2002-08-13 Volvo Articulated Haulers Ab Förfarande för att uppskatta en livslängdsreducerande skada på ett i drift belastat objekt,jämte datorprogramprodukt
US6975925B1 (en) 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
US6922640B2 (en) 2002-12-18 2005-07-26 Sulzer Markets And Technology Ag Method for the estimating of the residual service life of an apparatus
DE10327344A1 (de) 2003-06-16 2005-01-27 Repower Systems Ag Windenergieanlage
US7149657B2 (en) 2003-06-23 2006-12-12 General Electric Company Method, system and computer product for estimating a remaining equipment life
US7448853B2 (en) 2005-04-12 2008-11-11 Sundyne Corporation System and method of determining centrifugal turbomachinery remaining life
US8649911B2 (en) 2005-06-03 2014-02-11 General Electric Company System and method for operating a wind farm under high wind speed conditions
US7395188B1 (en) 2006-12-07 2008-07-01 General Electric Company System and method for equipment life estimation
US7725293B2 (en) 2006-12-07 2010-05-25 General Electric Company System and method for equipment remaining life estimation
US7889840B2 (en) 2007-01-10 2011-02-15 The United States Of America As Represented By The Secretary Of The Navy System and method for predicting material fatigue and damage
US7548830B2 (en) 2007-02-23 2009-06-16 General Electric Company System and method for equipment remaining life estimation
EP2053241A1 (en) 2007-10-24 2009-04-29 Ecotecnia Energias Renovables S.L. Method for determining fatigue damage in a power train of a wind turbine
JP5244502B2 (ja) 2008-08-25 2013-07-24 三菱重工業株式会社 風車の運転制限調整装置及び方法並びにプログラム
DE102009027981B4 (de) 2009-07-23 2011-04-28 Suzlon Energy Gmbh Verfahren zum Betreiben einer an einem Stromnetz angeschlossenen Windturbine sowie zur Durchführung des Verfahrens geeignete Windturbine
US20110020122A1 (en) 2009-07-24 2011-01-27 Honeywell International Inc. Integrated condition based maintenance system for wind turbines
US8451134B2 (en) 2009-07-24 2013-05-28 Honeywell International Inc. Wind turbine generator fault diagnostic and prognostic device and method
US7895016B2 (en) 2009-08-31 2011-02-22 General Electric Company System and method for wind turbine health management
EP2502174B1 (en) 2009-11-16 2018-06-13 Simmonds Precision Products, Inc. Data acquisition system for condition-based maintenance
GB2476506A (en) 2009-12-23 2011-06-29 Vestas Wind Sys As Method And Apparatus Protecting Wind Turbines From Low Cycle Fatigue Damage
ES2573127T3 (es) 2010-02-05 2016-06-06 Vestas Wind Systems A/S Método para hacer funcionar una central de energía eólica
US8924162B2 (en) 2010-05-13 2014-12-30 University Of Cincinnati Turbine-to-turbine prognostics technique for wind farms
BRPI1004895A2 (pt) 2010-05-28 2017-01-17 Mitsubishi Heavy Ind Ltd aparelho e método de monitoramento e controle e usina de energia eólica equipada com os mesmos.
US8554386B2 (en) 2010-06-02 2013-10-08 Serge Rutman System and method for self-powered communications networks
GB2491548A (en) 2010-09-30 2012-12-12 Vestas Wind Sys As Over-rating control of a wind turbine power plant
GB2484266A (en) 2010-09-30 2012-04-11 Vestas Wind Sys As Over-rating control of a wind turbine power plant
US8150641B2 (en) * 2010-12-06 2012-04-03 General Electric Company System, device, and method for estimating possible power output of wind turbines
US8930299B2 (en) 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
US9074468B1 (en) 2011-01-27 2015-07-07 Selman and Associates, Ltd. Method for real-time streaming of well logging data with self-aligning satellites
US8249852B2 (en) 2011-05-19 2012-08-21 General Electric Company Condition monitoring of windturbines
US9194376B2 (en) 2011-05-24 2015-11-24 General Electric Company System and method for estimating remaining life for a device
DK201170539A (en) 2011-09-30 2013-03-31 Vestas Wind Sys As Control of wind turbines
GB201200491D0 (en) 2012-01-12 2012-02-22 Romax Technology Ltd Method for operating a wind turbine generator
JP5567044B2 (ja) 2012-02-21 2014-08-06 三菱重工業株式会社 ウインドファームの運転方法及びウインドファームの運転制御システム
US20130320674A1 (en) 2012-05-30 2013-12-05 Clipper Windpower, Llc Net Present Value Optimized Wind Turbine Operation
AU2013207551B2 (en) 2012-07-20 2015-12-17 Tata Consultancy Services Limited Method and system for adaptive forecast of wind resources
US9395270B2 (en) 2012-10-19 2016-07-19 Florida Power & Light Company Method and system for monitoring rotor blades in combustion turbine engine
US10181101B2 (en) 2012-12-17 2019-01-15 Arizona Board Of Regents On Behalf Of Arizona State University Support vector machine enhanced models for short-term wind farm generation forecasting
EP2956831B1 (en) 2013-02-15 2019-08-14 Aktiebolaget SKF Condition monitoring system and method for creating or updating service information
US20140324495A1 (en) 2013-02-22 2014-10-30 Vestas Wind Systems A/S Wind turbine maintenance optimizer
US20140288855A1 (en) 2013-03-20 2014-09-25 United Technologies Corporation Temporary Uprating of Wind Turbines to Maximize Power Output
AT514680A2 (de) 2013-08-05 2015-02-15 Uptime Engineering Gmbh Prozess zur Optimierung der Wartung technischer Systeme
JP5984791B2 (ja) 2013-12-20 2016-09-06 三菱重工業株式会社 風力発電装置のモニタリングシステム及びモニタリング方法
ES2759363T3 (es) 2014-03-12 2020-05-08 Vestas Wind Sys As Turbina eólica con control de sobreestimación
US20150278405A1 (en) * 2014-03-31 2015-10-01 Vestas Wind Systems A/S Method for evaluating a performance prediction for a wind farm
DE102014207612A1 (de) 2014-04-23 2015-10-29 Senvion Gmbh Windenergieanlagen-Diagnosevorrichtung für Generatorkomponenten
US9551322B2 (en) * 2014-04-29 2017-01-24 General Electric Company Systems and methods for optimizing operation of a wind farm
US9035479B1 (en) 2014-07-11 2015-05-19 Wind Stream Properties, Llc Turbine controller for optimizing economic present value of the turbine
EP3180512A1 (en) 2014-08-15 2017-06-21 Vestas Wind Systems A/S Turbine over-rating using turbulence prediction
WO2016077997A1 (en) 2014-11-18 2016-05-26 Abb Technology Ltd Wind turbine condition monitoring method and system
EP3035140B1 (en) 2014-12-19 2018-09-12 Rolls-Royce Deutschland Ltd & Co KG Equipment health monitoring method and system
CN104915747B (zh) * 2015-02-03 2019-02-01 远景能源（江苏）有限公司 一种发电机组的发电性能评估方法及设备
US9859787B2 (en) 2015-04-22 2018-01-02 Ge Energy Power Conversion Technology Limited Life of a semiconductor by reducing temperature changes therein via reactive power
CN107667220B (zh) 2015-05-27 2020-06-16 维斯塔斯风力系统集团公司 考虑疲劳量度的风力涡轮机控制
US20160371405A1 (en) 2015-06-19 2016-12-22 General Electric Company Systems and Methods of Forecasting Power Plant Performance
DK201570560A1 (en) 2015-08-28 2017-03-27 Vestas Wind Sys As Wind Turbine Control Over-ride
CN107709760B (zh) 2015-06-30 2020-05-19 维斯塔斯风力系统集团公司 风力涡轮机控制超驰
ES2873399T3 (es) 2015-06-30 2021-11-03 Vestas Wind Sys As Método y sistema de control para la protección de turbinas eólicas
US10928816B2 (en) 2015-06-30 2021-02-23 Vestas Wind Systems A/S Methods and systems for generating wind turbine control schedules
WO2017000955A1 (en) 2015-06-30 2017-01-05 Vestas Wind Systems A/S Wind turbine control based on forecasts
US10746160B2 (en) 2015-06-30 2020-08-18 Vestas Wind Systems A/S Methods and systems for generating wind turbine control schedules
CN107709764B (zh) 2015-06-30 2019-10-18 维斯塔斯风力系统集团公司 用于生成风力涡轮机控制安排的方法和系统
ES2818100T3 (es) 2015-06-30 2021-04-09 Vestas Wind Sys As Método y sistema de control para turbinas eólicas
US10578080B2 (en) 2015-06-30 2020-03-03 Vestas Wind Systems A/S Initialisation of wind turbine control functions
WO2017000963A1 (en) 2015-06-30 2017-01-05 Vestas Wind Systems A/S Methods and systems for generating wind turbine control schedules
DK201570559A1 (en) 2015-08-28 2017-03-27 Vestas Wind Sys As Methods and Systems for Generating Wind Turbine Control Schedules
US20170337644A1 (en) * 2016-05-23 2017-11-23 General Electric Company Data driven invocation of realtime wind market forecasting analytics
US11242842B2 (en) 2016-05-23 2022-02-08 General Electric Company System and method for forecasting power output of a wind farm
CN106097146A (zh) 2016-06-20 2016-11-09 重庆大学 一种计及运行状态的风电机组短期可靠性预测方法
US10437241B2 (en) 2016-12-16 2019-10-08 General Electric Company Systems and methods for generating maintenance packages
US11101050B2 (en) 2017-01-18 2021-08-24 General Electric Company Systems and methods to evaluate and reduce outages in power plants
US10330081B2 (en) 2017-02-07 2019-06-25 International Business Machines Corporation Reducing curtailment of wind power generation
CN108869173B (zh) 2018-01-31 2019-08-16 北京金风科创风电设备有限公司 风电机组的功率控制方法和设备
CN114423940A (zh) 2019-04-01 2022-04-29 安迅公司 一种用于估计操作性风力涡轮机的组件的剩余使用寿命的方法
CN110059872A (zh) 2019-04-09 2019-07-26 南京航空航天大学 一种基于状态监测的海上风电场运维调度方法
US11358877B2 (en) 2019-08-26 2022-06-14 Bishop Ascendant, Inc. Integrated systems of a modular support system

Also Published As

Publication number Publication date
US20220302705A1 (en) 2022-09-22
EP4060430A1 (en) 2022-09-21
US11728654B2 (en) 2023-08-15

Similar Documents

Publication Publication Date Title
CN109154281B (zh) 用于预测风场的功率输出的系统和方法
EP3263889B1 (en) System and method for assessing farm-level performance of a wind farm
US10371124B2 (en) System and method for determining wind farm wake loss
CN110017249B (zh) 运行风力涡轮的方法
EP3613982A1 (en) Method for controlling operation of a wind turbine
US11649804B2 (en) Systems and methods for controlling a wind turbine
WO2016048461A1 (en) System and method for optimizing wind farm performance
EP3974930B1 (en) Systems and methods for operating a power generating asset
EP3855019A1 (en) System and method for operating a wind turbine
EP3249218A1 (en) System and method for micrositing a wind farm for loads optimization
CN111622898A (zh) 用于预测由于过度振动造成风力涡轮停机的系统和方法
CN115111115A (zh) 用于操作发电资产的系统和方法
EP3608538A1 (en) Model-based repowering solutions for wind turbines
EP3406897B1 (en) System and method for determining wind farm wake loss
US20190226456A1 (en) System and Method for Evaluating Loads of a Potential Wind Farm Site for Multiple Wind Scenarios
CN115680987A (zh) 用于操作风电场的系统和方法
Μπέζος Model-based methodologies for wind turbine performance and condition monitoring: a review
Denysyuk Methodology to Support Optimization of Wind Power Production
Wu Advanced data-driven modelling approaches to alarm-related fault detection and condition monitoring of wind turbines
Meyer et al. Performance Fault Detection in Wind Turbines by Dynamic Reference State Estimation
Javed et al. An Efficient Estimation of Wind Turbine Output Power Using Neural Networks. Energies 2022, 15, 5210
CN113137334A (zh) 用于基于操作使用情况来优化辅助负荷的系统和方法
CN114528648A (zh) 确定风力涡轮机转子平面内风速的方法
CN117980713A (zh) 用于控制资产系列的工业资产的系统和方法
CN114502839A (zh) 用于基于操作使用量安排预防性维护动作的系统和方法

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