CN115263683A - 基于光纤传感的风电机组监测控制方法及系统 - Google Patents
基于光纤传感的风电机组监测控制方法及系统 Download PDFInfo
- Publication number
- CN115263683A CN115263683A CN202210961294.9A CN202210961294A CN115263683A CN 115263683 A CN115263683 A CN 115263683A CN 202210961294 A CN202210961294 A CN 202210961294A CN 115263683 A CN115263683 A CN 115263683A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- data information
- information
- machine learning
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Sustainable Development (AREA)
- Wind Motors (AREA)
Abstract
本申请涉及一种基于光纤传感的风电机组监测控制方法及系统,其方法包括获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息;获取风电机组的运行数据信息;将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息;根据所获取的多点温度信息对风电机组的温度进行监控;根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估;根据所获取的风速数据信息调节风电机组的输出功率。本申请简化了对风电机组进行监测以及控制时所需的机械结构及电子传感器硬件种类,减小了机械侵入性。
Description
技术领域
本申请涉及风力发电系统的领域,尤其是涉及一种基于光纤传感的风电机组监测控制方法及系统。
背景技术
风电机组的各项参数的监测在如今大都是通过电子传感器实现的,例如监测温度、振动等各项信息,从而通过所获取的各个参数来对风电机组的各项运行状态进行检测,并对应的做出控制动作来对风电机组进行控制。
但是现在电子传感器大都容易受到电磁干扰,并且每项参数都需要通过一类电子传感器进行测量,并且电子传感器之间相互独立,大都有自己的布线方式,想要对风电机组的整体进行一个较好的监控就需要布置大量的传感器。而这种大规模布线以及布置传感器的方式难度较大,容易对风电机组的现有结构造成影响。
发明内容
为了简化对风电机组进行监测以及控制时所需的机械结构,本申请提供一种基于光纤传感的风电机组监测控制方法及系统。
第一方面,本申请提供的一种基于光纤传感的风电机组监测控制方法采用如下的技术方案:
一种基于光纤传感的风电机组监测控制方法,包括:
获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息;
获取风电机组的运行数据信息;
将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息;
根据所获取的多点温度信息对风电机组的温度进行监控;
根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估;
根据所获取的风速数据信息调节风电机组的输出功率。
其中,对于光纤光栅传感器而言,其对比于传统的电子传感器有明显的优势,由于光纤光栅传感器对高压电磁干扰不敏感,因此布置在风电机组中时,其测量数据不会因为风电机组的电磁干扰而具有十分明显的偏差。同时由于光纤光栅传感器的物理尺寸较小(近似于头发的直径),且可以任意在风电机组中穿插布置,也可以根据所需的设计要求定制各种形状,在布置方式上较电子传感器也有很大的优势。而通过机器学习的方式,使得光纤光栅传感器通过放置在待测元件的表面也可以得到所需的数据,进一步降低了对风电机组的侵入性。
优选的,所述机器学习模型的训练方法包括:
获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息;
获取风电机组的运行数据信息;
将风电机组的运行数据信息以及光谱传感特征数据信息整合形成输入特征集,每一所述输入特征集包含若干运行条件不同的输入特征子集;
获取与每一输入特征子集相对应的训练风速信息以及训练温度信息并形成输出特征子集,整合输出特征子集以形成输出特征集;
根据所获取的输入特征集以及输出特征集构建并训练机器学习模型。
优选的,
根据风电机组的运行数据信息构建LPTN热路模型;
对构建的LPTN热路模型进行热仿真,获取训练机器学习模型所需的风电机组关键位置节点的训练温度信息。
优选的,根据所获取的输入特征集以及输出特征集构建并训练机器学习模型的方法包括:
将所述输入特征集以预设的划分方式分为训练特征集以及测试特征集;
根据训练特征集中的输入特征子集构建机器学习模型,所述机器学习模型具有若干预设且待定的超参数;
将测试特征集中的输入特征子集输入机器学习模型,并将输出机器学习模型的结果与对应的输出特征集进行验证以判断是否达到预设的终止训练条件;
若未达到预设的终止训练条件,改变并更新各超参数的信息以进行迭代优化,直至达到预设的终止训练条件。
优选的,在分为训练特征集以及测试特征集之前,将所获取的输入特征集以及输出特征集进行标准化处理;
其中,所述标准化处理满足公式:
优选的,所述终止训练条件包括根据输出机器学习模型的结果与对应的输出特征集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个,并将所获得的结果与对应的终止条件进行比较;
其中,所述平均绝对误差采用公式:
所述平均绝对百分比误差采用公式:
所述均方根误差采用公式:
所述回归决定系数采用公式:
式中,N为测试特征集中的输入特征子集的数量,eMAE为平均绝对误差,eMAPE为平均绝对百分比误差,eRMSE为均方根误差,R为回归决定系数,代表第i个测试特征集中的输入特征子集输入机器学习模型后获得的输出数据,代表第i个测试特征集中的输出特征子集的数据。
优选的,改变并更新各超参数的方法采用网格搜索法对各超参数在指定的优化范围内进行组合以更新各超参数的信息。
优选的,所述光谱传感特征数据信息包括振动数据信息,对风电机组的健康状态进行评估包括对风电机组的发电机的健康状态进行评估,其方法包括:
式中,x(i)为时序上的振动数据信息,M为振动数据信息的数量,RMS为均方根结构健康指数。
优选的,根据所获取的风速数据信息调节风电机组的输出功率的方法包括:获取风电机组的最优叶尖速比;
根据最优叶尖速比与所获取的风速数据信息计算第一转速参考信息;
计算风电机组的最优输出功率信息;
计算定长时间下最优输出功率信息的平均功率信息,并将该平均功率信息作为参考功率输出信息;
计算参考功率输出信息与最优输出功率信息之间的能量差以作为变化量调整信息,并根据所述的变化量调整信息调整风电机组的输出功率。
第二方面,本申请提供的一种基于光纤传感的风电机组监测控制系统采用如下的技术方案:
一种基于光纤传感的风电机组监测控制系统,包括:
FBG传感器模块,包括预布置于风电机组中的光纤光栅传感器,用于获取光谱传感特征数据信息;
运行数据读取模块,用于获取风电机组的运行数据信息;
机器学习模块,用于将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息;
温度监控模块,用于根据所获取的多点温度信息对风电机组的温度进行监控;
健康状态评估模块,用于根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估;
功率调节模块,用于根据所获取的风速数据信息,通过调节风电机叶片自身转速进而调节风电机组的输出功率。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过将光纤光栅传感器与机器学习模型的相互结合,可以在待测组件的外侧完成对应参数的获取,与传统的电子传感器相比机械侵入性低,且不容易受到电磁干扰的影响,准确性较高;
2.能够通过较好的方式使风电机组始终平稳的在最大功率附近工作,同时风速的测算也不会受到风电机组的叶片的扰动而产生较大的误差。
附图说明
图1是本发明其中一实施例的监测控制方法的流程示意图。
图2是本发明其中一实施例的机器学习模型的构建方式的流程示意图。
图3是本发明其中一实施例的机器学习模型的训练方式的流程示意图。
图4是本发明其中一实施例的功率调节的流程示意图。
图5是本发明中传感光纤和FBG解调仪连接的示意图。
图6是本发明中一种实施方式中传感光纤的布置方式的示意图。
附图说明:1、传感光纤;2、FBG解调仪;3、风电机;4、风电机轴承;5、发电机;6、风电机驱动控制用电力电子设备;7、电网变压器。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本申请实施例公开一种基于光纤传感的风电机组监测控制方法及系统,其中,本实施例通过采用光纤光栅传感器获取风电机组中各点位的数据,并且通过机器学习的方式构建一个适用于光纤光栅传感器的机器学习模型,在后续测量的过程中通过测量光纤光栅传感器以及风电机组自带的数据即可对风电机组的温度以及寿命等进行预测,同时还可以根据所获取的数据对风电机组的输出功率进行调节,从而使得风电机组处于运行效率最高的情况。
对于光纤光栅传感器而言,其对比于传统的电子传感器有明显的优势,由于光纤光栅传感器对高压电磁干扰不敏感,因此布置在风电机组中时,其测量数据不会因为风电机组的电磁干扰而具有十分明显的偏差。同时由于光纤光栅传感器的物理尺寸较小(近似于头发的直径),且可以任意在风电机组中穿插布置,也可以根据所需的设计要求定制各种形状,在布置方式上较电子传感器也有很大的优势。而通过机器学习的方式,使得光纤光栅传感器通过放置在待测元件的表面也可以得到所需的数据,进一步降低了对风电机组的侵入性。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本发明实施例作进一步详细描述。
本发明实施例提供一种基于光纤传感的风电机组监测控制方法,参照图1,所述方法的主要流程描述如下。
步骤S1000:获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息。
其中,每一光纤光栅传感器可以包含具有获取多种不同类型信息的光纤,例如可以单独采集振动信息,或是采集包含振动信息和温度信息。而每一光纤光栅传感器采集的数据会传输到FBG解调仪,而转化为对应的中心波长数据,而中心波长数据可以通过公式计算而转换为温度信息或振动信息等。此处,光谱传感特征数据信息可以包含温度信息、振动信息以及中心波长数据中的一种或多种。
步骤S2000:获取风电机组的运行数据信息。
其中,风电机组的运行数据信息包含了可以通过风电机组自带的控制模块所能读取到的数据,包括但不限于负载电流I,负载电压V,环境温度Tambient,负载功率Pr,控制模块开关频率fsw,叶片转速ω,风电机输出扭矩τ等信息。
步骤S3000:将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息。
其中,多点温度信息表达了风电机组中被光纤光栅传感器测量的组件的广泛多点内部温度,对于点位的确定与构建机器学习模型时进行训练的数据来源有关。而风速数据信息即代表了当前光谱传感特征数据信息与运行数据信息的情况下对应的风速。
作为具体的机器学习模型的构建方式,参照图2,其方法包括:
步骤S100:获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息。
步骤S200:获取风电机组的运行数据信息。
其中,步骤S100和步骤S200中获取的数据与步骤S1000和步骤S2000中获取的数据种类相同。
步骤S300:将风电机组的运行数据信息以及光谱传感特征数据信息整合形成输入特征集,每一所述输入特征集包含若干运行条件不同的输入特征子集。
其中,输入特征集由若干数量的输入特征子集构成,每一输入特征子集均包含了同一运行条件下(例如可以是同一时刻下的)的运行数据信息以及光谱传感特征数据信息。在前述步骤的前提下,每一输入特征子集可以表示为: 式中,CW1,…CWN代表的是光谱传感特征数据中通过多个光纤光栅传感器获得的中心波长,N代表了布置的光纤光栅传感器的数量,Ts1,…TsN代表的是光谱传感特征数据中通过多个光纤光栅传感器换算得到的温度信息,根据光纤光栅传感器放置的位置而言一般代表了待测组件的表面温度,i表示了第i个样本。
步骤S400:获取与每一输入特征子集相对应的训练风速信息以及训练温度信息并形成输出特征子集,整合输出特征子集以形成输出特征集。
其中,训练风速信息表示的是环境风速,训练温度信息指的是通过预设传感器的方式在待测组件内部、且于所需测量温度处所测得的温度数据,该步骤中训练温度信息也可以使用光纤光栅传感器或是常用的电子传感器对同型号同配置同参数的样机进行测试得到。在一种可以实现的方式下,也可以通过风电机组的运行数据信息构建LPTN热路模型,再通过将构建的LPTN热路模型进行热仿真,获取训练机器学习模型所需的风电机组关键位置节点的训练温度信息。
而合并形成输出特征子集的训练风速信息以及训练温度信息也需要在同一运行条件下实现。此处,每一输入特征子集与每一输出特征子集均一一对应,即代表每一输入机器学习模型的输入特征子集均应当得到该同一运行条件下(同一时刻)该输出特征子集。同样的,每一输出特征集也是通过若干的输出特征子集构成的,且输入特征集中输入特征子集的数量与输出特征集中输出特征子集的数量相同,且均一一对应。
而对于每一获取的输入特征集和输出特征集均需要在此步骤后进行标准化预处理,在经过标准化预处理后,会将其转化为标准化数值,统一比较的标准,保证结果的可靠性,消除不同指标之间因属性不同而带来的影响。对于具体的标准化步骤,满足公式:
步骤S500:根据所获取的输入特征集以及输出特征集构建并训练机器学习模型。
对于步骤S500,参照图3,具体的训练方法包括:
步骤S510:将所述输入特征集以预设的划分方式分为训练特征集以及测试特征集。
其中,输入特征集会按照预设的划分方式被分为两个集合,而任意一个集合均可以被定义为训练特征集,而另一个集合即对应的为测试特征集。
对于训练特征集及以及测试特征集的划分,本申请实施例中将标准化后的数据集采用时序数据划分的方法分为训练特征集和测试特征集,比如,前50%作为训练特征集,后50%作为测试特征集。此处,训练特征集会用于构建机器学习模型,测试特征集用于训练构建的机器学习模型。
步骤S520:根据训练特征集中的输入特征子集构建机器学习模型,所述机器学习模型具有若干预设且待定的超参数。
其中,可选用的机器学习模型的构建类型可以是人工神经网络、支持向量机、贝叶斯模型、线性回归模型、决策树等,在本申请实施例中,优选采用随机森林回归算法模型来构建所需的机器学习模型。随机森林回归算法模型是Bagging学习框架的一个典型代表,通过样本和特征的两个随机性来构造基学习器,由多棵决策树进而形成随机森林。作为并行式集成学习方法最典型的代表框架,其核心概念在于自助采样(bootstrap sampling)。给定包含m个样本的数据集,有放回地随机抽取一个样本放入采样集中,经过m次采样,可得到一个和原始数据集一样大小的采样集。最终可以采样得到T个包含m个样本的采样集,然后基于每个采样集训练出一个基学习器,最后将这些基学习器进行组合形成最终所需的机器学习模型。
对于具体的构建方法,其包括:
步骤S521:在训练特征集中随机的选择一个输入特征子集,其中,选择次数与训练特征集中输入特征子集的数量相同。在此处,每一次随机选择输入特征子集时都是在训练特征集所有的输入特征子集中随机进行选择,因此有可能会选择到重复的输入特征子集。
步骤S522:对每一个随机选择得到输入特征子集训练基学习器,在每次决策的结点需要分裂时,随机从输入特征子集中的N个样本中选择n个特征,从这n个特征中选择特征进行结点分裂。其中,n需要远远小于N。
步骤S523:基于所选择的特征构建大量决策树,将每个决策树的结果进行综合已得到所需的机器学习模型。
对应的,所构建的机器学习模型会具有若干待定的超参数,通过调整各超参数的大小可以改变相同的输入机器学习模型的数据所能得到的输出。
步骤S530:将测试特征集中的输入特征子集输入机器学习模型,并将输出机器学习模型的结果与对应的输出特征集进行验证以判断是否达到预设的终止训练条件。
其中,在该步骤中,测试特征集中的输入特征子集会输入至机器学习模型中,每一个输入机器学习模型的输入特征子集都会得到一个与之对应的结果,而由于每一个输入特征子集都会对应一个正确的输出特征子集,因此通过比对机器学习模型的输出与输出特征子集之间的关系即可判断当前的超参数是否需要进行调整。
步骤S540:若未达到预设的终止训练条件,改变并更新各超参数的信息以进行迭代优化,直至达到预设的终止训练条件。
当没有达到预设的终止训练条件时,即说明超参数的大小有误,需要对超参数进行更改并重新使用测试特征集中的输入特征子集来验证判断新的超参数是否满足要求。其中,改变并更新各超参数的方法可以采用网格搜索法对各超参数在指定的优化范围内进行组合以更新各超参数的信息。其中,网格搜索法指代的即是穷举法,即在每个超参数合理的优化范围内进行穷举并组合,并将每一个超参数的组合带入至所构建的机器学习模型中,不断判断是否达到预设的终止训练条件。
而终止训练条件包括根据输出机器学习模型的结果与对应的输出特征集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个,并将所获得的结果与对应的终止条件进行比较;
其中,平均绝对误差采用公式:
平均绝对百分比误差采用公式:
均方根误差采用公式:
回归决定系数采用公式:
式中,N为测试特征集中的输入特征子集的数量,eMAE为平均绝对误差,eMAPE为平均绝对百分比误差,eRMSE为均方根误差,R为回归决定系数,代表第i个测试特征集中的输入特征子集输入机器学习模型后获得的输出数据,代表第i个测试特征集中的输出特征子集的数据。作为一种可实现的方式,设定终止阈值eMAE<5℃,eMAPE<10%,eRMSE<5℃,R>0.9,并且在当平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数均满足对应要求时才停止超参数的迭代优化。
此时,满足终止训练条件的超参数会带入构建的机器学习算法中,而该机器学习算法即为最终所需的机器学习算法,该机器学习算法会被用于在后续监控中直接输入与输入特征子集的特征同类的、通过光谱传感特征数据信息以及风电机组的运行数据信息组成的集合来得到对应的输出结果,而输出结果即可以表征为当前情况下的风电机组的多点温度信息以及风速数据信息。
步骤S4000:根据所获取的多点温度信息对风电机组的温度进行监控。
其中,对于风电机组的温度的监控具体细化到每一个风电机组中需要被监控温度的组件中,在一种具体的实施方式中,可以对风电机组中轴承进行温度进行监控,而对应的多点温度信息即在训练机器学习模型的过程中选定能表征轴承温度的温度来进行训练。在将当前对应的数据输入及其学习模型之后,即可得到轴承的温度信息,然后通过将该温度信息与所监控的轴承设定的绝缘等级(A、E、B、F、H)规定的温度进行比较来判断该轴承是否过热,从而实现监控功能。采用该种方式,还可以对风电机组的其它组件进行监控,例如风电机组的发电机、控制器等组件。
步骤S5000:根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估。
在一种可以实现的方式中,通过光谱传感特征数据信息可以对风电机组中的发电机的健康状态进行评估。其中,光谱传感特征数据信息包括了通过中心波长换算得到的振动数据信息。对风电机组的发电机的机械健康状态进行评估的方法包括,满足公式:
式中,x(i)为时序上的振动数据信息,M为振动数据信息的数量,RMS为均方根结构健康指数。M的数值与测量振动数据信息的传感器数量有关,RMS实际上即为所获得的一系列数据的均方根,通过均方根来分辨发电机的健康状态。其中,RMS越高的值代表风电机组中存在的振动信号的均方根值较大,机组可能存在危及安全情况的较大机械震动谐波,需要留意。
此外,还可以采用类似的方法对风电机组其他需要进行健康状态评估的组件进行对应的评估,具体的评估方法可以根据监测对象的不同而做出对应的调整。
步骤S6000:根据所获取的风速数据信息调节风电机组的输出功率。
其中,在该步骤中,通过获取的风速数据信息调节风电机组的输出功率的目的是为了提供稳定和输出功率最大化的发电效率。作为具体的调节方法,参照图4,其包括:
步骤S6100:获取风电机组的最优叶尖速比。
其中,叶尖速比指的是叶片尖端线速度与风速之比,由于风电机组被设计定型,因此在设计过程中,其所能产生的机械功率与风电机组的功率系数成正相关,而风电机组的功率系数实则也就是其可以将风能转换为机械能的效率。其中,风电机组的功率系数为与叶尖速比相关的函数,且叶尖速比存在一个最佳的数值使得风电机组的功率系数最大。此时,该叶尖速比即为最优叶尖速比,一般为一定值。
步骤S6200:根据最优叶尖速比与所获取的风速数据信息计算第一转速参考信息。
其中,由于最优叶尖速比为叶片的叶尖与风速的比值,因此通过最优叶尖速比可以反推出此时风电机组的风扇的转速,即第一转速参考信息。其满足公式:
式中,λopti为最优叶尖速比,vwind为风速数据信息,R为叶片半径,ωref1为第一转速参考信息。
那么此时,风电机组的风扇转速可以在风速变化的情况下改变着转速来使其始终在最大的功率系数下进行发电。而对于风电机组风速的改变,可以通过闭环控制的方式,即通过检测输出的转速来不断的对应改变控制量,使其可以较好的维持在最大的功率系数下进行发电。
对此,不难看出,风速的测量精度直接影响着风电机组能否保持在最大功率下进行发电。传统的做法无法在风电机组的叶片附近放置风速计,这是由于叶片在转动过程中会对风电机组叶片附近的空气进行扰动,而如若将风速计放置在较远的位置,也难以保证风速计处的风速和风电机组叶片附近的风速一致。但本申请的方式可以通过在训练机器学习算法的过程中控制输入特征子集与输出特征子集之间的一致性,来取消这种在现场布置风速计的测量方式(例如在风洞中通过风速计测量风洞中的风速,而风洞中的风速一般相等,再对应测量风电机组的其他参数),从而使得风电机组始终可以维持较高的发电效率。
在满足前述最大功率跟踪的前提下,还可以进一步通过功率平滑控制的方式来稳定风电机组的发电。功率平滑控制的原理主要是利用转子转速的变化来储存或释放内部储存的能量。旋转动能控制在与输出功率相反的方向上。在强风天气下,风速会迅速变化。当风速增加,输出功率上升时,控制风扇的转子加速。在负荷范围内,风能转化为旋转动能而不是电能;当风速下降时,转速被重新诱导以释放其存储在转子中的旋转动能,将动能转换为电能作为发电补偿。其具体满足步骤:
步骤S6300:计算风电机组的最优输出功率信息。
其中,如前述可知,最优输出功率信息由最优叶尖速比确定,因而最优输出功率信息也是一定值,其可以直接计算得到。
步骤S6400:计算定长时间下最优输出功率信息的平均功率信息,并将该平均功率信息作为参考功率输出信息。
其中,该步骤满足公式:
式中,T为预设的定长时间,Popti为最优输出功率信息,Poptimean为持续时间T下最优输出功率的平均值,Pref为参考功率输出信息。
步骤S6500:计算参考功率输出信息与最优输出功率信息之间的能量差以作为变化量调整信息,并根据所述的变化量调整信息调整风电机组的输出功率。
其中,该步骤满足公式:
ΔEsmooth=∫(Popti-Pref)
式中,ΔEsmooth为变化量调整信息,即为风电机组所需调整的变化量。
在此基础上,还可以计算所需的调整功率变化ΔPsmooth,满足:
ΔPsmooth=ωΔEsmooth
式中,ω为风电机组的角速度转速。
基于同一发明构思,本申请实施例还公开一种基于光纤传感的风电机组监测控制系统,其包括:
FBG传感器模块,包括预布置于风电机组中的光纤光栅传感器,用于获取光谱传感特征数据信息。
运行数据读取模块,用于获取风电机组的运行数据信息。
机器学习模块,用于将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息。
温度监控模块,用于根据所获取的多点温度信息对风电机组的温度进行监控。
健康状态评估模块,用于根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估。
功率调节模块,用于根据所获取的风速数据信息,通过调节风电机叶片自身转速进而调节风电机组的输出功率。
主动热控制模块,用于保护温度过高的风电机组的组件,例如是温度监控模块监测出的过热部件。而热控制可以通过调节过热部件的电力电子设备开关频率和用于冷却对应组件的强制冷却系统的冷却液流速来实现。
其中,机器学习模型的构建采用步骤S500中的各步实现。
在一种可以实现的实施方式中,FBG传感器模块在风电机组上的应用可以如图5中所示的布置方式进行布置,FBG传感器模块包含具有多栅区的多个传感光纤1,对于FBG传感器模块可以由具有相同类型的光纤(例如温度)构成,或是由不同类型传感器(例如温度和振动)的多个光纤构成。传感光纤1通过光纤连接头连接到FBG解调仪2,而FBG解调仪2用于对光纤获得得到的光谱传感数据进行采集和解调。通过FBG解调仪2解调后的数据即为中心波长数据,而该部分数据在经过对应的换算之后来得到温度数据以及振动信息等待测物理量,来作为机器学习模型的输入,进而用于输出WT组件的多种参数物理量。
其中,图6中所述的布置方式主要用于对风电机组中的风电机轴承4、发电机5以及风电机驱动控制用电力电子设备6进行测量,其中,风电机3依次与发电机5、风电机驱动控制用电力电子设备6以及电网变压器7相连接,FBG传感器模块中的传感光纤1通过既定的布置方式依次对风电机的风电机轴承4、发电机5以及风电机驱动控制用电力电子设备6进行测量以及采集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以对本申请的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于光纤传感的风电机组监测控制方法,其特征在于,包括:
获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息;
获取风电机组的运行数据信息;
将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息;
根据所获取的多点温度信息对风电机组的温度进行监控;
根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估;
根据所获取的风速数据信息调节风电机组的输出功率。
2.根据权利要求1所述的基于光纤传感的风电机组监测控制方法,其特征在于,所述机器学习模型的训练方法包括:
获取布置于风电机组中的光纤光栅传感器的光谱传感特征数据信息;
获取风电机组的运行数据信息;
将风电机组的运行数据信息以及光谱传感特征数据信息整合形成输入特征集,每一所述输入特征集包含若干运行条件不同的输入特征子集;
获取与每一输入特征子集相对应的训练风速信息以及训练温度信息并形成输出特征子集,整合输出特征子集以形成输出特征集;
根据所获取的输入特征集以及输出特征集构建并训练机器学习模型。
3.根据权利要求2所述的基于光纤传感的风电机组监测控制方法,其特征在于,
根据风电机组的运行数据信息构建LPTN热路模型;
对构建的LPTN热路模型进行热仿真,获取训练机器学习模型所需的风电机组关键位置节点的训练温度信息。
4.根据权利要求2所述的基于光纤传感的风电机组监测控制方法,其特征在于,根据所获取的输入特征集以及输出特征集构建并训练机器学习模型的方法包括:
将所述输入特征集以预设的划分方式分为训练特征集以及测试特征集;
根据训练特征集中的输入特征子集构建机器学习模型,所述机器学习模型具有若干预设且待定的超参数;
将测试特征集中的输入特征子集输入机器学习模型,并将输出机器学习模型的结果与对应的输出特征集进行验证以判断是否达到预设的终止训练条件;
若未达到预设的终止训练条件,改变并更新各超参数的信息以进行迭代优化,直至达到预设的终止训练条件。
6.根据权利要求4所述的基于光纤传感的风电机组监测控制方法,其特征在于,
所述终止训练条件包括根据输出机器学习模型的结果与对应的输出特征集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个,并将所获得的结果与对应的终止条件进行比较;
其中,所述平均绝对误差采用公式:
所述平均绝对百分比误差采用公式:
所述均方根误差采用公式:
所述回归决定系数采用公式:
7.根据权利要求4所述的基于光纤传感的风电机组监测控制方法,其特征在于,改变并更新各超参数的方法采用网格搜索法对各超参数在指定的优化范围内进行组合以更新各超参数的信息。
9.根据权利要求1所述的基于光纤传感的风电机组监测控制方法,其特征在于,根据所获取的风速数据信息调节风电机组的输出功率的方法包括:
获取风电机组的最优叶尖速比;
根据最优叶尖速比与所获取的风速数据信息计算第一转速参考信息;
计算风电机组的最优输出功率信息;
计算定长时间下最优输出功率信息的平均功率信息,并将该平均功率信息作为参考功率输出信息;
计算参考功率输出信息与最优输出功率信息之间的能量差以作为变化量调整信息,并根据所述的变化量调整信息调整风电机组的输出功率。
10.一种基于光纤传感的风电机组监测控制系统,其特征在于,包括:
FBG传感器模块,包括预布置于风电机组中的光纤光栅传感器,用于获取光谱传感特征数据信息;
运行数据读取模块,用于获取风电机组的运行数据信息;
机器学习模块,用于将光谱传感特征数据信息与运行数据信息输入预先训练的机器学习模型中以获取风电机组的多点温度信息以及风速数据信息;
温度监控模块,用于根据所获取的多点温度信息对风电机组的温度进行监控;
健康状态评估模块,用于根据所获取的光谱传感特征数据信息对风电机组的机械健康状态进行评估;
功率调节模块,用于根据所获取的风速数据信息调节风电机组的输出功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961294.9A CN115263683A (zh) | 2022-08-11 | 2022-08-11 | 基于光纤传感的风电机组监测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961294.9A CN115263683A (zh) | 2022-08-11 | 2022-08-11 | 基于光纤传感的风电机组监测控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115263683A true CN115263683A (zh) | 2022-11-01 |
Family
ID=83750273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210961294.9A Pending CN115263683A (zh) | 2022-08-11 | 2022-08-11 | 基于光纤传感的风电机组监测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115263683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116398379A (zh) * | 2023-04-18 | 2023-07-07 | 中国长江三峡集团有限公司 | 基于分布式光纤传感的风电机组叶片状态监测装置及方法 |
-
2022
- 2022-08-11 CN CN202210961294.9A patent/CN115263683A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116398379A (zh) * | 2023-04-18 | 2023-07-07 | 中国长江三峡集团有限公司 | 基于分布式光纤传感的风电机组叶片状态监测装置及方法 |
CN116398379B (zh) * | 2023-04-18 | 2024-05-14 | 中国长江三峡集团有限公司 | 基于分布式光纤传感的风电机组叶片状态监测装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DK2518309T3 (en) | Process, system and computer program product for dynamic control machine for a wind farm | |
US8912674B2 (en) | System and method of selecting wind turbine generators in a wind park for change of output power | |
CA2829677C (en) | System and method of selecting wind turbine generators in a wind park for curtailment of output power to provide a wind reserve | |
EP2657517B1 (en) | System and method of wind turbine control | |
CN109063276A (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
KR20150035083A (ko) | 풍력발전단지의 시뮬레이션 장치 | |
CN103477070A (zh) | 控制风力涡轮机包括控制偏转或其它参数的系统和方法 | |
CN115263683A (zh) | 基于光纤传感的风电机组监测控制方法及系统 | |
KR20200119371A (ko) | 모델 기반의 태양광발전 통합 관리 시스템 및 방법 | |
Li et al. | Health condition assessment of wind turbine generators based on supervisory control and data acquisition data | |
Wu et al. | Development of an equivalent wind farm model for frequency regulation | |
Sayed et al. | Wind power plants control systems based on scada system | |
CN116306139A (zh) | 一种风力机叶片寿命智能监测方法及系统 | |
JP2018097733A (ja) | 運転支援システム及び運転支援方法 | |
CN105298751A (zh) | 基于分布式检测和数据判测的垂直轴风力发电测试装置 | |
Yu et al. | Day-ahead wind power prediction based on BP neural network optimized by improved sparrow search algorithm | |
US8407111B2 (en) | Method, system and computer program product for correlating information and location | |
Negri et al. | Artificial Intelligence and Smart Grids: the Cable Joint Test Case | |
Abdillah et al. | Monitoring the potential of horizontal axis wind power plants based on the internet of things | |
Kalay et al. | IoT-Based Data Acquisition and Remote Monitoring System for Large-Scale Photovoltaic Power Plants | |
US20200056590A1 (en) | Wind power plant data infrastructure | |
KR101314716B1 (ko) | 앱기반 풍력발전기 체크시스템 | |
CN105221337A (zh) | 基于多网络融合和分布式传感的垂直轴风力发电监测装置 | |
Hamzah et al. | Web based wind energy conversion system monitoring | |
Ding et al. | Data-Driven Dynamic Modeling Methods for Offshore Wind Turbine Generators |
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 |