CN115506945A - 用于控制风力涡轮的系统和方法 - Google Patents

用于控制风力涡轮的系统和方法 Download PDF

Info

Publication number
CN115506945A
CN115506945A CN202210637612.6A CN202210637612A CN115506945A CN 115506945 A CN115506945 A CN 115506945A CN 202210637612 A CN202210637612 A CN 202210637612A CN 115506945 A CN115506945 A CN 115506945A
Authority
CN
China
Prior art keywords
wind turbine
wind
controller
sampling intervals
doe
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
CN202210637612.6A
Other languages
English (en)
Inventor
S·B·沙策尔
S·C·埃文斯
A·苏布拉马尼安
D·阿罗拉
S·达沃斯特
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 CN115506945A publication Critical patent/CN115506945A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D1/00—Wind motors with rotation axis substantially parallel to the air flow entering the rotor 
    • F03D1/02—Wind motors with rotation axis substantially parallel to the air flow entering the rotor  having a plurality of rotors
    • 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
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • 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
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • F03D9/255—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor
    • F03D9/257—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor the wind motor being part of a wind farm
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/83—Testing, e.g. methods, components or tools therefor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • 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
    • F05B2270/10—Purpose of the control system
    • F05B2270/20—Purpose of the control system to optimise the performance of a machine
    • 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
    • F05B2270/32—Wind speeds
    • 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
    • F05B2270/325—Air temperature
    • 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
    • F05B2270/327—Rotor or generator speeds
    • 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
    • F05B2270/328—Blade pitch angle
    • 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
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • 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
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/803—Sampling thereof
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

提供了用于控制风电场的风力涡轮的系统和方法。因此，控制器实现第一模型以确定针对第一风力涡轮的建模性能参数。建模性能参数至少部分地基于所述多个风力涡轮中的指定分组的风力涡轮的操作，该指定分组不包括第一风力涡轮。控制器然后在多个采样间隔处确定针对第一风力涡轮的性能参数差别。该性能参数差别指示针对第一风力涡轮的监测性能参数和建模性能参数之间的差。实现第二模型以至少部分地基于第一风力涡轮的性能参数差别来确定在多个设定点组合中的每一个处第一风力涡轮的预测性能参数。然后基于预测性能参数选择设定点组合，并且基于设定点组合改变第一风力涡轮的操作状态。

Description

用于控制风力涡轮的系统和方法
技术领域
本公开大体上涉及风力涡轮，并且更特别地涉及用于经由多个模型控制风电场的多个风力涡轮中的风力涡轮的系统和方法。
背景技术
风电被认为是目前可用的最清洁、最环保的能量源之一，并且风力涡轮在这方面得到了越来越多的关注。现代风力涡轮典型地包括塔架、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和发电机的转子组件。转子组件和齿轮箱安装在位于机舱内的底板支撑框架上。一个或多个转子叶片利用已知的翼型件原理捕获风的动能。转子叶片以旋转能量的形式传递动能，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，并且电能可传输到容纳在塔架内的转换器和/或变压器，并随后部署到公用电网。现代风力发电系统典型地采取具有多个这样的风力涡轮发电机的风电场的形式，所述风力涡轮发电机可操作以向为功率电网提供功率的传输系统供应功率。
典型地，风力涡轮将配备有传感器系统以监测影响风力涡轮的环境条件。该信息然后可用来确定针对风力涡轮的控制设定点。然而，由传感器系统收集的数据中的某些限制和/或不准确可导致风力涡轮在相对于真实环境条件的次优设定点下操作。例如，如由安装在风力涡轮上的传感器测量的风速与真实风速之间的差异可导致转子叶片被设置成与针对真实风速的最佳桨距角不同的桨距角。
另外，典型地采用的性能优化系统依赖于基于在测试时段内收集的数据的最佳设定点的静态确定，并且将代表对该测试时段期间的平均值的最佳设置。因此，对于在任何特定时刻影响风力涡轮的环境条件，设定点可能不是最佳的。
鉴于上述情况，本领域不断寻求用于控制风电场的风力涡轮的新的和改进的系统和方法。
发明内容
本发明的方面和优点将在下面的描述中部分地阐述，或者可从描述中显而易见，或者可通过本发明的实践获知。
在一个方面，本公开涉及一种用于控制风电场的多个风力涡轮中的第一风力涡轮的方法。该方法可包括经由由控制器实现的第一模型确定针对第一风力涡轮的建模性能参数。建模性能参数可至少部分地基于所述多个风力涡轮中的指定分组的风力涡轮的操作。该指定分组可不包括第一风力涡轮。另外，该方法可包括经由控制器在多个采样间隔处确定针对第一风力涡轮的性能参数差别。性能参数差别可指示针对第一风力涡轮的建模性能参数和监测性能参数之间的差。该方法还可包括经由控制器实现第二模型，以至少部分地基于第一风力涡轮的性能参数差别来确定在多个设定点组合中的每一个处第一风力涡轮的预测性能参数。控制器然后可用来基于预测性能参数选择所述多个设定点组合中的设定点组合。此外，该方法可包括基于该设定点组合改变第一风力涡轮的操作状态。
在实施例中，确定建模性能参数可包括经由控制器生成针对所述多个风力涡轮中的每一个相对于第一风力涡轮的相关性分数。另外，风力涡轮的指定分组的形成可至少部分地基于针对所述多个风力涡轮中的每一个的相关性分数。可集合第一训练数据集，该第一训练数据集包括至少对应于在多个采样间隔处和跨越多个实验设计(DOE)状态监测的指定分组的风力涡轮的多个操作环境变量，其中，所述多个设定点组合可切换。另外，控制器可用来生成第一回归模型，该第一回归模型配置成基于对应于指定分组的风力涡轮的操作环境变量来预测针对第一风力涡轮的建模性能参数。此外，控制器可用来基于第一训练数据集来训练第一回归模型。
在附加实施例中，生成相关性分数可包括经由控制器确定具有对于第一涡轮和所述多个风力涡轮中的每一个两者来说在标称功率产生状态下的功率产生量的指示的采样间隔的数量。另外，控制器可确定建模性能参数与所述多个风力涡轮中的每一个的性能之间的线性相关性。此外，可经由控制器将加权函数应用于采样间隔的数量和线性相关性，以便生成相关性分数。
在另一个实施例中，集合第一训练数据集可包括在第一DOE状态下建立指定分组的每个风力涡轮。然后可建立停顿间隔，其中，指定分组的每个风力涡轮在停顿间隔的开始处处于第一DOE状态下。该方法还可包括在停顿间隔的结束处将指定分组的每个风力涡轮转变到第二DOE状态。
在又一个实施例中，环境变量可包括由指定分组的每个风力涡轮在每个停顿间隔期间遇到的DOE状态风速。照此，集合第一训练数据集还可包括确定针对处于第一DOE状态下的指定分组的每个风力涡轮的第一风速指示。指定分组的每个风力涡轮可在第二DOE状态的停顿间隔之后从第二DOE状态转变到第三DOE状态。可在第三DOE状态下确定针对指定分组的每个风力涡轮的第二风速指示。另外，该方法可包括通过在第二风速指示中组合第一风速指示来确定第二DOE状态风速。第二DOE状态风速可指示由指定分组的每个风力涡轮在与第二DOE状态相关联的停顿间隔期间遇到的风速。当指定分组的每个风力涡轮处于第二DOE状态中时，经由组合确定第二DOE状态风速可避免记录指示第二DOE状态风速的数据。
在实施例中，在所述多个采样间隔处集合第一训练数据集可包括经由控制器在所述多个采样间隔中的每一个处对指定分组的每个风力涡轮的估计风速进行建模。至少部分地基于建模的估计风速，控制器可在所述多个采样间隔中的每一个处确定针对指定分组的每个风力涡轮的湍流强度。
在附加实施例中，在所述多个采样间隔处集合第一训练数据集可包括经由控制器在所述多个采样间隔中的每一个处接收指示影响指定分组的每个风力涡轮的大气温度的数据。控制器还可在所述多个采样间隔中的每一个处确定针对指定分组的每个风力涡轮的滚动平均温度以及针对指定分组的每个风力涡轮的温度偏差，该温度偏差在所述多个采样间隔中的每一个处对应于指示大气温度的数据与指示滚动平均温度的数据之间的差。
在另一个实施例中，在所述多个采样间隔处集合第一训练数据集可包括经由控制器在多个采样间隔中的每一个处接收指示针对指定分组的每个风力涡轮的发电机轴加速度的数据。指示发电机轴加速度的数据可指示进入或离开转子系统的动能的一部分。
在又一个实施例中，在所述多个采样间隔处集合第一训练数据集可包括经由控制器过滤指示第一风力涡轮的所述多个操作变量和影响第一风力涡轮的多个环境变量的多个数据观测值。过滤所述多个数据观测值可防止包括具有大于标准偏差极限的偏差的数据观测值。
在实施例中，在所述多个采样间隔处集合第一训练数据集可包括过滤对应于针对指定分组的每个风力涡轮的功率输出的功率输出观测值，以便防止包括至少一个功率输出观测值，其具有大于与标称功率曲线的标准偏差极限的偏差。
在附加实施例中，在第一回归模型的训练之后，该方法可包括经由控制器确定性能参数预测值。控制器然后可确定用于性能参数预测值的统计不确定性值。另外，控制器可基于统计不确定性实现第一回归模型的贝叶斯优化。
在另一个实施例中，形成指定分组还可包括经由贝叶斯优化使针对多个潜在指定分组的不同DOE状态之间的平均增量性能不确定性最小化。另外，可确定对应于最小化的增量性能不确定性的指定分组的风力涡轮的最大数量。另外，可确定对应于最小化的增量性能不确定性的指定分组的风力涡轮的最小数量。
在又一个实施例中，实现第二模型可包括集合第二训练数据集。第二训练数据集可包括针对第一风力涡轮的多个操作环境变量和性能参数差别。所述多个操作环境变量可至少对应于在多个采样间隔处和DOE状态下监测的指定分组的风力涡轮以及第一风力涡轮。另外，该方法可包括经由控制器生成第二回归模型，该第二回归模型配置成基于操作环境变量和性能参数差别来确定针对第一风力涡轮的预测性能参数。控制器还可利用第二训练数据集来训练第二回归模型。
在实施例中，集合第二训练数据集可包括经由控制器至少部分地基于如所建模的估计风速或测量风速在所述多个采样间隔中的每一个处确定针对指定分组的每个风力涡轮和第一风力涡轮的湍流强度。
在附加实施例中，集合第二训练数据集可包括经由控制器接收指示影响第一风力涡轮的大气温度和多个采样间隔中的每一个的数据。控制器然后可确定针对第一风力涡轮的滚动平均温度。另外，控制器可在多个采样间隔中的每一个处确定针对第一风力涡轮的温度偏差，该温度偏差在所述多个采样间隔中的每一个处对应于指示大气温度的数据与指示滚动平均温度的数据之间的差。
在另一个实施例中，集合第二训练数据集可包括经由控制器确定第一风力涡轮的操作的至少一个低权限区域。(多个)低权限区域可对应于操作条件的范围，在该操作条件的范围内，期望命令设定点基于第一风力涡轮的操作极限来限制，并且与最佳转子速度或桨距设置去同步。另外，当操作环境变量对应于(多个)低权限区域时，控制器可将加权因子应用于性能参数差别。加权因子可配置成减小性能参数差别对预测性能参数的影响。
在又一个实施例中，训练第二回归模型可包括将第二训练数据集的一部分分离成具有多个第一采样间隔的训练部分和具有多个第二采样间隔的测试部分。训练部分可包括相对于测试部分更大数量的采样间隔。另外，第二回归模型可经由训练部分来训练。第二回归模型还可经由测试部分来测试。在训练和测试之后，该方法可包括通过重新分配第二训练数据集的所述部分的多个第一和第二采样间隔来重整训练部分和测试部分。在重整之后，该方法可包括重复第二回归模型的训练和测试。重复第二回归模型的训练和测试可有利于第二回归模型的交叉验证测试。
在实施例中，该方法可包括经由控制器实现贝叶斯优化以使用于交叉验证测试的预测性能参数最大化。
在附加实施例中，所述多个设定点组合可包括对应于多个DOE状态的多个测试设定点组合。因此，在设定点组合的标测图中的每一个处确定第一风力涡轮的预测性能参数可包括确定针对测试设定点组合中的每一个的预测功率输出以及选择使第一风力涡轮的预测功率输出最大化的测试设定点组合中的设定点组合。
在另一个实施例中，所述多个测试设定点组合可包括多个桨距设定点和多个叶尖速比(TSR)设定点。所选择的设定点组合可包括使第一风力涡轮的预测功率输出最大化的桨距设定点和TSR设定点。
参考以下描述和所附权利要求书，本发明的这些和其它特征、方面和优点将变得更好理解。并入并构成本说明书的一部分的附图图示本发明的实施例，并与描述一起用于解释本发明的原理。
技术方案1. 一种用于控制风电场的多个风力涡轮中的第一风力涡轮的方法，所述方法包括：
经由由控制器实现的第一模型确定针对所述第一风力涡轮的建模性能参数，所述建模性能参数至少部分地基于所述多个风力涡轮中的指定分组的风力涡轮的操作，其中，所述指定分组不包括所述第一风力涡轮；
经由所述控制器在多个采样间隔处确定针对所述第一风力涡轮的性能参数差别，所述性能参数差别指示针对所述第一风力涡轮的所述建模性能参数与监测性能参数之间的差；
经由所述控制器实现第二模型，以至少部分地基于所述第一风力涡轮的所述性能参数差别来确定在多个设定点组合中的每一个处所述第一风力涡轮的预测性能参数；
经由所述控制器基于所述预测性能参数选择所述多个设定点组合中的设定点组合；和
基于所述设定点组合改变所述第一风力涡轮的操作状态。
技术方案2. 根据技术方案1所述的方法，其中，确定所述建模性能参数还包括：
经由所述控制器生成针对所述多个风力涡轮中的每一个相对于所述第一风力涡轮的相关性分数；
至少部分地基于针对所述多个风力涡轮中的每一个的所述相关性分数形成所述指定分组的风力涡轮；
集合第一训练数据集，所述第一训练数据集包括至少对应于在所述多个采样间隔处和跨越多个实验设计(DOE)状态监测的所述指定分组的风力涡轮的多个操作变量和环境变量，其中，所述多个设定点组合被切换；
经由所述控制器生成第一回归模型，所述第一回归模型配置成基于对应于所述指定分组的风力涡轮的所述操作变量和环境变量来预测针对所述第一风力涡轮的所述建模性能参数；和
经由所述控制器基于所述第一训练数据集来训练所述第一回归模型。
技术方案3. 根据技术方案2所述的方法，其中，生成所述相关性分数还包括：
经由所述控制器确定具有对于所述第一涡轮和所述多个风力涡轮中的每一个两者来说在标称功率产生状态下的功率产生量的指示的采样间隔的数量；
经由所述控制器确定所述建模性能参数与所述多个风力涡轮中的每一个的性能之间的线性相关性；和
经由所述控制器将加权函数应用于采样间隔的所述数量和所述线性相关性，以便生成所述相关性分数。
技术方案4. 根据技术方案2所述的方法，其中，集合所述第一训练数据集还包括：
在第一DOE状态下建立所述指定分组的每个风力涡轮；
建立停顿间隔，其中，在所述停顿间隔的开始处，所述指定分组的每个风力涡轮处于所述第一DOE状态下；和
在所述停顿间隔的结束处，将所述指定分组的每个风力涡轮转变到第二DOE状态。
技术方案5. 根据技术方案4所述的方法，其中，所述环境变量包括在每个停顿间隔期间由所述指定分组的每个风力涡轮遇到的DOE状态风速，并且其中，集合所述第一训练数据集还包括：
确定针对处于所述第一DOE状态下的所述指定分组的每个风力涡轮的第一风速指示；
在所述第二DOE状态的所述停顿间隔之后，将所述指定分组的每个风力涡轮从所述第二DOE状态转变到第三DOE状态；
确定针对处于所述第三DOE状态下的所述指定分组的每个风力涡轮的第二风速指示；和
通过组合所述第一风速指示和所述第二风速指示来确定第二DOE状态风速，所述第二DOE状态风速指示在与所述第二DOE状态相关联的所述停顿间隔期间由所述指定分组的每个风力涡轮遇到的风速，其中，当所述指定分组的每个风力涡轮处于所述第二DOE状态下时，所述第二DOE状态风速经由所述组合的所述确定避免指示所述第二DOE状态风速的数据的记录。
技术方案6. 根据技术方案2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处对所述指定分组的每个风力涡轮的估计风速进行建模；和
经由所述控制器至少部分地基于如所建模的所述估计风速在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮的湍流强度。
技术方案7. 根据技术方案2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处接收指示影响所述指定分组的每个风力涡轮的大气温度的数据；
经由所述控制器确定针对所述指定分组的每个风力涡轮的滚动平均温度；和
经由所述控制器在所述多个采样间隔中的每一个处确定所述指定分组的每个风力涡轮的温度偏差，所述温度偏差在所述多个采样间隔中的每一个处对应于指示所述大气温度的数据与指示所述滚动平均温度的数据之间的差。
技术方案8. 根据技术方案2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处接收指示针对所述指定分组的每个风力涡轮的发电机轴加速度的数据，其中，指示所述发电机轴加速度的所述数据指示从风中提取的动能的一部分。
技术方案9. 根据技术方案2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器过滤指示所述第一风力涡轮的所述多个操作变量和影响所述第一风力涡轮的多个环境变量的多个数据观测值，其中，过滤所述多个数据观测值防止包括具有大于标准偏差极限的偏差的数据观测值。
技术方案10. 根据技术方案2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
过滤对应于针对所述指定分组的每个风力涡轮的功率输出的功率输出观测值，以便防止包括具有大于标准偏差极限的偏差的至少一个功率输出观测值。
技术方案11. 根据技术方案2所述的方法，其中，确定所述建模性能参数还包括：
在所述第一回归模型的所述训练之后，经由所述控制器确定性能参数预测值；
经由所述控制器确定针对所述性能参数预测值的统计不确定性值；和
经由所述控制器基于统计不确定性实现所述第一回归模型的贝叶斯优化。
技术方案12. 根据技术方案2所述的方法，其中，形成所述指定分组还包括：
经由贝叶斯优化使针对多个潜在指定分组的不同DOE状态之间的平均增量性能不确定性最小化；
确定对应于所述最小化的增量性能不确定性的所述指定分组的风力涡轮的最大数量；和
确定对应于所述最小化的增量性能不确定性的所述指定分组的风力涡轮的最小数量。
技术方案13. 根据技术方案1所述的方法，其中，实现所述第二模型还包括：
集合包括所述第一风力涡轮的多个操作变量和环境变量和所述性能参数差别的第二训练数据集，所述多个操作变量和环境变量至少对应于在所述多个采样间隔处和DOE状态下监测的所述指定分组的风力涡轮以及所述第一风力涡轮；
经由所述控制器生成第二回归模型，所述第二回归模型配置成基于所述操作变量和环境变量以及所述性能参数差别来确定针对所述第一风力涡轮的所述预测性能参数；和
经由所述控制器基于所述第二训练数据集训练所述第二回归模型。
技术方案14. 根据技术方案13所述的方法，其中，集合所述第二训练数据集还包括：
经由所述控制器至少部分地基于如所建模的估计风速或测量风速在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮和所述第一风力涡轮的湍流强度。
技术方案15. 根据技术方案13所述的方法，其中，集合所述第二训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处接收指示影响所述第一风力涡轮的大气温度的数据；
经由所述控制器确定针对所述第一风力涡轮的滚动平均温度；和
经由所述控制器在所述多个采样间隔中的每一个处确定针对所述第一风力涡轮的温度偏差，所述温度偏差在所述多个采样间隔中的每一个处对应于指示所述大气温度的数据与指示所述滚动平均温度的数据之间的差。
技术方案16. 根据技术方案13所述的方法，其中，集合所述第二训练数据集还包括：
经由所述控制器确定所述第一风力涡轮的操作的至少一个低权限区域，所述至少一个低权限区域对应于操作条件的范围，在所述操作条件的范围内，期望命令设定点基于所述第一风力涡轮的操作极限来限制，并且与最佳转子速度或桨距设置去同步；和
当所述操作变量和环境变量对应于所述至少一个低权限区域时，经由所述控制器将加权因子应用于所述性能参数差别，所述加权因子配置成减小所述性能参数差别对所述预测性能参数的影响。
技术方案17. 根据技术方案13所述的方法，其中，训练所述第二回归模型还包括：
将所述第二训练数据集的一部分分离成具有多个第一采样间隔的训练部分和具有多个第二采样间隔的测试部分，其中，所述训练部分包括相对于所述测试部分更大数量的采样间隔；
经由所述训练部分训练所述第二回归模型；
经由所述测试部分测试所述第二回归模型；
通过重新分配所述第二训练数据集的所述部分的多个第一和第二采样间隔来重整所述训练部分和所述测试部分；和
重复所述第二回归模型的所述训练和测试，其中，重复所述第二回归模型的所述训练和测试有利于所述第二回归模型的交叉验证测试。
技术方案18. 根据技术方案17所述的方法，还包括：
经由所述控制器实现贝叶斯优化，以使针对所述交叉验证测试的所述预测性能参数最大化。
技术方案19. 根据技术方案1所述的方法，其中，所述多个设定点组合包括对应于多个DOE状态的多个测试设定点组合，并且其中，在所述多个设定点组合中的每一个处确定所述第一风力涡轮的所述预测性能参数还包括：
确定针对所述测试设定点组合中的每一个的预测功率输出；和
选择所述测试设定点组合中的设定点组合，所述设定点组合使所述第一风力涡轮的所述预测功率输出最大化。
技术方案20. 根据技术方案19所述的方法，其中，所述多个测试设定点组合包括多个桨距设定点和多个叶尖速比(TSR)设定点，并且其中，所述选择的设定点组合包括使所述第一风力涡轮的所述预测功率输出最大化的桨距设定点和TSR设定点。
附图说明
在参考附图的说明书中阐述了针对本领域普通技术人员的本发明的完整且能够实现的公开内容，包括其最佳模式，在附图中：
图1图示根据本公开的风力涡轮的一个实施例的透视图；
图2图示根据本公开的风力涡轮的机舱的一个实施例的内部透视图；
图3图示根据本公开的具有多个风力涡轮的风电场的一个实施例的示意图；
图4图示根据本公开的图3的风电场的一部分的俯视图；
图5图示根据本公开的控制器的一个实施例的示意图；
图6图示根据本公开的用于操作风力涡轮的系统的控制逻辑的一个实施例的示意图；
图7图示根据本公开的图6的控制逻辑的一部分的示意图；
图8图示根据本公开的图6的控制逻辑的一部分的示意图；
图9呈现根据本公开的多个实验设计和采样间隔的图形表示；
图10呈现根据本公开的多个数据观测值和标准偏差极限的图形表示；和
图11呈现根据本公开的将训练数据集的一部分分成训练部分和测试部分以便于交叉验证测试的多次划分。
在本说明书和附图中重复使用附图标记旨在表示本发明的相同或相似的特征或元件。
具体实施方式
现在将详细参考本发明的实施例，其一个或多个示例在附图中被图示。每个示例通过解释本发明的方式而不是限制本发明的方式被提供。事实上，对于本领域技术人员来说将显而易见的是，在不脱离本发明的范围或精神的情况下，可在本发明中进行各种修改和变型。例如，作为一个实施例的部分被图示或描述的特征可与另一个实施例一起使用，以产生又一另外的实施例。因此，意图是，本发明覆盖如归入所附权利要求书的范围内的这种修改和变型及其等同物。
术语“联接”、“固定”、“附接到”等是指直接联接、固定或附接以及通过一个或多个中间部件或特征的间接联接、固定或附接两者，除非本文中另有说明。
如本文中在整个说明书和权利要求书中所使用的，近似语言用于修饰任何定量表示，在不导致与其相关的基本功能方面改变的情况下可容许该定量表示变化。因此，由诸如“约”、“大约”和“基本上”的一个或多个术语修饰的值不限于指定的精确值。在至少一些情况下，近似语言可对应于用于测量值的仪器的精度，或者用于构造或制造部件和/或系统的方法或机器的精度。例如，近似语言可指在10%的裕度内。
这里以及整个说明书和权利要求书中，范围限制被组合和互换，这样的范围被标识并包括其中包含的所有子范围，除非上下文或语言另有指示。例如，本文中公开的所有范围都包括端点，并且端点能够彼此独立地组合。
大体上，本公开涉及用于控制风力涡轮的系统和方法，该风力涡轮可为风电场的一部分。特别地，本公开可包括使用至少一对模型来促进针对风力涡轮的桨距设定点和叶尖速比(TSR)设定点的优化的系统和方法。因此，本文中公开的系统和方法可确定关键参考涡轮(例如，指定分组)，对于所述关键参考涡轮来说，在关键参考涡轮性能和所关注的涡轮(例如，第一风力涡轮)的性能之间存在最佳相关性。该相关性可有利于由第一模型基于关键参考涡轮的性能来预测所关注的涡轮的性能。可将该预测性能与所关注的涡轮的监测性能进行比较，以确定基于参考涡轮的性能预测的性能与监测性能之间的差异。然后，可在第二模型的生成、训练和/或采用中利用所关注的涡轮相对于参考涡轮以可预测方式运行的能力。特别地，第二模型可用来确定在多个潜在设定点组合处针对所关注的涡轮的预测性能参数。该建模的结果然后可用来针对影响风电场的给定环境条件选择和实现针对风力涡轮的最佳设定点。
根据本公开，本文中描述的系统和方法可包括在风电场级别处收集现场数据以训练机器学习模型(例如，第一和第二模型)。该系统和方法还可包括使用风电场的风力涡轮的一部分的性能来为所关注的单个涡轮(例如，第一风力涡轮)开发目标基线功率模型。在每个测量的现场数据观测值处，该第一模型可有利于性能参数差别的确定，该性能参数差别表示所关注的涡轮如何相对于关键参考涡轮表现不佳或表现更优。在各种环境条件下估计和捕获的性能参数差别可用于训练和构建机器学习模型(例如，第二模型，其可被视为代理模型)。第二模型可预测在各种环境条件下所关注的涡轮的性能。因此，第二模型可用来预测在所有潜在的设定点组合处所关注的涡轮的性能改善。基于这些预测，可选择导致最理想的性能(例如，最高估计功率产生量)的设定点组合，并且可基于所选择的设定点组合改变所关注的涡轮的操作状态。另外，可执行聚焦场切换实验(focused field toggleexperiment )以验证所关注的涡轮的期望性能的实现。
应当意识到，利用关键参考涡轮的性能来预测所关注的涡轮的功率产生量可排除在所关注的涡轮处监测某些参数的要求。换句话说，由于可基于参考涡轮的性能来预测所关注的涡轮的性能，可能没有必要监测影响所关注的涡轮的某些条件。这反过来可降低传感器要求，并且因此降低针对风电场的成本。例如，利用参考涡轮的性能而不是直接监测的环境条件可消除对设置在风电场内的气象桅杆、激光雷达或其它传感器系统的要求。
还应当认识到，利用性能差别而不是直接测量性能参数可减少必须由控制系统考虑的变量的数量。例如，基于所关注的涡轮的功率输出的计算可能受到风速率中的波动的影响。因此，这可能需要监测风速率，并使确定功率变化是否可能指示次优桨距设定点和TSR设定点变得更加困难。
现在参考附图，图1图示了根据本公开的风力涡轮100的一个实施例的透视图。如图所示，风力涡轮100大体上包括从支撑表面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包括可旋转的毂110和至少一个转子叶片112，所述至少一个转子叶片22联接到毂110并从毂20向外延伸。例如，在图示实施例中，转子108包括三个转子叶片112。然而，在备选实施例中，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可围绕毂110间隔开，以有利于旋转转子108，从而使动能能够从风能转换成可用的机械能，并随后转换成电能。例如，毂110可能够旋转地联接到定位在机舱106内的发电机118(图2)，以允许产生电能。
风力涡轮100还可包括控制器200，该控制器200配置为集中在机舱106内的涡轮控制器。然而，在其它实施例中，控制器200可位于风力涡轮100的任何其它部件内或者风力涡轮或风电场152(图3)外部的位置处。例如，在实施例中，控制器200可为配置成执行风力涡轮100的性能的离线分析的计算系统。此外，控制器200可通信地联接到风力涡轮100的任何数量的部件，以便控制所述部件。照此，控制器200可包括计算机或其它合适的处理单元。因此，在若干实施例中，控制器200可包括合适的计算机可读指令，当被实施时，所述指令配置控制器200以执行各种不同的功能，诸如建模、预测、接收、发送和/或执行风力涡轮控制信号(例如，设定点)和/或参数。
现在参考图2，图示了图1中所示的风力涡轮100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可联接到转子108，用于从由转子108生成的旋转能量产生电功率。例如，如图示实施例中所示，转子108可包括联接到毂110的转子轴122，用于与其一起旋转。转子轴122可由主轴承能够旋转地支撑。转子轴122又可通过连接到底板支撑框架136的齿轮箱126能够旋转地联接到发电机118的高速轴124。如通常理解的，响应于转子叶片112和毂110的旋转，转子轴122可向齿轮箱126提供低速、高扭矩输入。齿轮箱126然后可构造成将低速、高扭矩输入转换成高速、低扭矩输出，以驱动高速轴124和因此发电机118。
每个转子叶片112还可包括变桨控制机构120，该变桨控制机构120配置成使每个转子叶片112围绕其变桨轴线116旋转。变桨控制机构120可包括变桨控制器150，其配置成从控制器200接收至少一个变桨设定点命令。此外，每个变桨控制机构120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。在这样的实施例中，变桨驱动马达128可联接到变桨驱动齿轮箱130，使得变桨驱动马达128将机械力施加到变桨驱动齿轮箱130。类似地，变桨驱动齿轮箱130可联接到变桨驱动小齿轮132，以便与其一起旋转。变桨驱动小齿轮132又可与联接在毂110和对应的转子叶片112之间的变桨轴承134旋转接合，使得变桨驱动小齿轮132的旋转引起变桨轴承134的旋转。因此，在这样的实施例中，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(多个)转子叶片112。
类似地，风力涡轮100可包括可通信地联接到控制器200的一个或多个偏航驱动机构138，其中每个偏航驱动机构138配置成改变机舱106相对于风的角度(例如，通过接合风力涡轮100的偏航轴承140)。应当意识到，控制器200可引导机舱106的偏航和/或转子叶片112的俯仰，以便相对于作用在风力涡轮100上的风(W)空气动力学地定向风力涡轮100，从而有利于功率产生。
现在参考图3和图4，图示了根据本公开的风电场152的示意图和俯视图。如图所示，风电场152可包括本文中描述的多个风力涡轮100和配置为风电场控制器的控制器200。例如，如在图3的图示实施例中所示，风电场152可包括22个风力涡轮100。然而，在其它实施例中，风电场152可包括任何其它数量的风力涡轮100，诸如少于十二个风力涡轮100或多于十二个风力涡轮100。在一个实施例中，(多个)控制器200可经由有线连接、诸如由通过适当的通信链路154(例如，适当的线缆)连接(多个)控制器而通信地联接。备选地，(多个)控制器可通过无线连接通信地联接，诸如通过使用本领域已知的任何合适的无线通信协议。
在几个实施例中，风电场152可包括多个环境传感器156，用于监测影响风电场152和因此风力涡轮100的风(W)的风速剖面(wind profile，有时也称为风剖面图)。环境传感器156可配置用于收集指示至少一个环境条件的数据。环境传感器156可能够操作地联接到控制器200。因此，在实施例中，(多个)环境传感器156例如可为风向标、风速计、激光雷达传感器、温度计、气压计或其它合适的传感器。由(多个)环境传感器156收集的数据可包括风向、风速、风切变、阵风、风顺转、大气压力、压力梯度和/或温度的度量。在至少一个实施例中，(多个)环境传感器156可在转子108的下风位置处安装到机舱106。应当意识到，(多个)环境传感器156可包括传感器的网络，并且可远离(多个)涡轮100定位。应当意识到，环境条件遍及整个风电场152可能显著变化。因此，(多个)环境传感器156可允许由相应的涡轮控制器单独地和由场控制器共同地监测在每个风力涡轮100处的局部环境条件。然而，应当意识到，利用本文中公开的系统和方法可避免对(多个)环境传感器156监测某些环境条件(诸如风速)以便确定(多个)风力涡轮100的性能参数的要求。
在实施例中，(多个)风力涡轮100可包括配置成监测(多个)风力涡轮100的操作的至少一个操作传感器158。照此，(多个)操作传感器158可配置成监测与(多个)风力涡轮100的至少一个部件的性能和/或健康相关联的多个参数。例如，(多个)操作传感器158可监测与振动、可听信号、可视指示、角位置、旋转速率、弯矩、功率消耗、功率生成、温度和/或其它合适参数相关联的参数。(多个)操作传感器158可为例如可操作地联接到控制器200的旋转速度传感器。例如，(多个)操作传感器158可指向诸如风力涡轮114的(多个)风力涡轮100的转子轴122。(多个)操作传感器158可收集以转子速度和/或转子方位角的形式的指示转子轴122和因此转子108的旋转速度和/或旋转位置的数据。在实施例中，(多个)操作传感器158可为模拟转速表、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。
例如，(多个)操作传感器158可配置成收集指示(多个)风力涡轮100的(多个)部件对(多个)环境条件或其它负载的响应的数据。例如，(多个)操作传感器158可配置成监测(多个)风力涡轮100的输出的电气参数。照此，(多个)操作传感器158可为监测(多个)风力涡轮100的电气输出的电流传感器、电压传感器、温度传感器、功率传感器和/或频率计。
还应当意识到，如本文中所用，术语“监测”及其变型指示(多个)风力涡轮100的各种传感器可配置成提供被监测参数的直接测量值或这样的参数的间接测量值。因此，本文中描述的传感器可例如用来生成与被监测的参数相关的信号，所述信号然后可由控制器200利用来确定(多个)风力涡轮100的条件或响应。
现在参考图3至图11，其中呈现了根据本公开的用于控制风力涡轮100的系统300的多个实施例的各个方面。特别地如图5中所示，图示了可包括在控制器200内的合适部件的一个实施例的示意图。例如，如图所示，控制器200可包括一个或多个处理器206和(多个)相关联的存储器设备208，其配置成执行各种计算机实现的功能(例如，执行如本文中公开的方法、步骤、计算等和存储相关数据)。此外，控制器200还可包括通信模块210，以有利于控制器200和风力涡轮100及其部件之间的通信。此外，通信模块210可包括传感器接口212(例如，一个或多个模数转换器)，以允许从诸如(多个)环境传感器156的一个或多个传感器传输的信号被转换成可由处理器206理解和处理的信号。应当意识到、传感器可使用任何合适的手段通信地联接到通信模块210。例如，如图4中所示，传感器可经由有线连接联接到传感器接口212。然而，在其它实施例中，传感器可经由无线连接联接到传感器接口212，诸如通过使用本领域已知的任何合适的无线通信协议。另外，通信模块210还可能够操作地联接到操作状态控制模块214，该操作状态控制模块214配置成改变至少一个风力涡轮操作状态。应当意识到，在实施例中，控制器200可通信地联接到附加控制器200，诸如配置成执行对风电场152的风力涡轮100的环境参数和操作参数的离线分析的控制器200。
如本文中所用，术语“处理器”不仅指在本领域中被称为包含在计算机中的集成电路，还指控制器、微控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其它可编程电路。另外，(多个)存储器设备208大体上可包括(多个)存储器元件，包括但不限于计算机可读介质(例如，随机存取存储器(RAM))、计算机可读非易失性介质(例如，闪存存储器)、软盘、致密盘只读存储器(CD-ROM)、磁光盘(MOD)、数字多功能盘(DVD)和/或其它合适的存储器元件。(多个)这样的存储器设备208可大体上配置成存储合适的计算机可读指令，当由(多个)处理器206实现时，所述指令将控制器202配置成执行各种功能，包括但不限于如本文中所述控制风电场152的多个风力涡轮100中的风力涡轮100以及各种其它合适的计算机实现的功能。
特别地参考图6，在实施例中，系统300的控制器200可配置成实现第一模型400。可被认为是功率组合模型的第一模型400可配置成确定针对第一风力涡轮306(例如，所关注的涡轮)的建模性能参数304。建模性能参数304可至少部分地基于风电场152的多个风力涡轮中的指定分组310的风力涡轮100的操作308。指定分组310可不包括第一风力涡轮306。换句话说，通过采用第一模型400，控制器200可利用不包括第一风力涡轮306的风力涡轮100的选定部分(例如，指定分组310的关键参考涡轮)的性能来确定对于影响风电场152的环境条件来说针对第一风力涡轮306的性能参数304应该是什么样的。
作为说明，在实施例中，建模性能参数304可对应于第一风力涡轮306的功率输出。照此，可由控制器200接收指定分组310的每个风力涡轮100的功率输出和影响指定分组310的环境条件。控制器200然后可利用第一模型400来基于响应于环境条件的指定分组310的风力涡轮100的功率输出来确定预期/建模性能参数304。
在实施例中，控制器200可确定针对第一风力涡轮306的性能参数差别312。可在多个采样间隔314处确定性能参数差别312。性能参数差别312可指示针对第一风力涡轮的建模性能参数304和监测性能参数316之间的差。在实施例中，监测性能参数316可小于建模性能参数304。在这样的实施例中，性能参数差别312可指示第一风力涡轮306的实际性能可能小于预测值。例如，性能参数差别312可指示第一风力涡轮306的监测功率输出可小于由第一模型400基于指定分组310的性能预测的功率输出。应当意识到，在附加实施例中，性能参数差别312可指示第一风力涡轮306的性能超过预测值。
仍然特别地参考图6，在实施例中，控制器200可配置成接收和/或生成多个设定点组合318。多个设定点组合318中的各个设定点组合320可包括针对第一风力涡轮306的各种部件的潜在设定点的不同组合。例如，设定点组合320中的每一个(例如，设定点组合1到设定点组合n)可反映针对第一风力涡轮306的桨距和/或TSR的设定点值的不同组合。
在实施例中，控制器200可配置成实现第二模型500。因此，控制器200可经由第二模型500在多个设定点组合318中的每个设定点组合320处确定第一风力涡轮306的预测性能参数324。预测性能参数324可至少部分地基于针对第一风力涡轮306的性能参数差别312。换句话说，第二模型500可至少部分地基于由第一模型400预测的性能与监测性能参数316之间的差来模拟第一风力涡轮306的性能。因此，第二模型500可用来在改变第一风力涡轮306的操作状态之前确定潜在设定点组合320的预测效果。
如在326处所描绘，控制器200可基于预测性能参数324选择多个设定点组合318中的设定点组合320。所选择的设定点组合320可为由第二模型500预测的设定点组合320，该第二模型500可优化第一风力涡轮306以满足特定操作目标。
例如，在实施例中，操作目标可对应于针对给定环境条件从第一风力涡轮306获得最大功率产生量。在这样的实施例中，控制器200可选择导致如由预测性能参数324所指示的最大功率产生量的设定点组合320。然而，在附加实施例中，操作目标可反映风力涡轮的操作条件和/或电力网内的可导致它希望生成小于最大功率产生量的条件。因此，控制器200可选择导致如由预测形式参数324指示的次最大功率产生量的设定点组合320。应当意识到，操作目标不限于功率产生量的测量，并且可包括任何其它合适的操作目标，诸如使用时间、磨损减轻、无功功率生成、电网形成和/或转子惯量管理。
如在328处所描绘，第一风力涡轮306的操作状态可基于所选择的设定点组合320而改变。例如，可修改(多个)转子叶片112的桨距和/或发电机扭矩，以便实现针对给定环境条件的最佳桨距和/或TSR设定点。
现在特别地参考图7，其中呈现了在根据本公开的系统300的多个实施例中采用第一模型400中形成的各个方面。由于建模性能参数304可基于指定分组310的操作308(如由多个操作变量344所描绘的)，可能希望选择来形成指定分组310的风电场152的特定风力涡轮100的性能与第一风力涡轮306的性能相关。照此，为了选择指定分组310，可能希望根据它们与第一风力涡轮306的相关性对风电场152的所有风力涡轮100进行排序。照此，在实施例中，控制器200可为风电场152的多个风力涡轮100中的每个风力涡轮100生成相对于第一风力涡轮306的相关性分数402。
为了生成相关性分数402，控制器200在实施例中可确定采样间隔314的数量406，其具有对于第一风力涡轮306和多个风力涡轮中的每个风力涡轮100两者来说在标称功率产生状态下的功率产生量的指示。数量406可表示针对第一风力涡轮306和风力涡轮100的共同功率产生同时发生。通过识别其中第一风力涡轮306和多个风力涡轮100两者都在操作并且对于给定的环境条件处于标称操作状态的采样间隔的数量406，控制器200可识别这样的数据点，所述数据点可比在不考虑两者的操作状态的情况下可能的那样更能指示第一风力涡轮306和多个风力涡轮100的性能之间的相关性的值。例如，在实施例中，多个风力涡轮100中的风力涡轮可与第一风力涡轮306很好地相关，但是可能由于不相关的故障仅很少地联机。因此，尽管相关性可能是良好的，但风力涡轮可能不提供在建模性能参数304的生成中具有重要价值的足够数量的观测值。
在实施例中，控制器200可确定建模性能参数304与风电场152的多个风力涡轮100中的每一个的性能之间的线性相关性408，以便确定/细化相关性分数402。例如，在实施例中，控制器200可分别外推在第一风力涡轮306处和在风电场152的每个风力涡轮100处的风速的基于模型的估计。控制器200然后可逐个观测值地比较基于模型的风速估计，以确定它们之间的线性相关性。在这样的实施例中，具有最接近1的相关性的风力涡轮100的性能可被认为在预测建模性能参数304中是最有价值的。
如图7中进一步描绘的，或者为了生成相关性分数402，控制器200可将加权函数410应用于采样间隔314的数量406和/或线性相关性408。采样间隔314的数量406和线性相关性408中的每一个可单独加权，以便修改各自对最终相关性分数的影响。应当意识到，可基于操作考虑和/或告知相关性的评估的历史数据来确定因素的权重。
如在412处所描绘，在实施例中，风力涡轮100的指定分组310的形成可至少部分地基于针对每个风力涡轮的相关性分数402。例如，控制器200可基于如由相关性分数402所指示的风电场152的特定风力涡轮100的性能与第一风力涡轮306的性能之间的相关性的强度将风电场152的特定风力涡轮100指定为关键参考涡轮。应当意识到，如图4中所描绘，可在不考虑风力涡轮100在风电场152内的物理位置的情况下进行这种指定。
在附加实施例中，形成指定分组310可包括经由贝叶斯优化使针对多个潜在指定分组的不同实验设计(DOE)状态之间的平均增量性能不确定性414最小化。照此，可基于并对应于最小化的平均增量性能不确定性414来确定指定分组310的风力涡轮100的最大数量416。在附加实施例中，可基于并对应于最小化的平均增量性能不确定性414来确定指定分组310的风力涡轮100的最小数量418。
应当意识到，实验设计对应于在风电场152处进行的现场测试，在该测试期间，风力涡轮100以各种设定点操作，以便收集用于进一步分析的数据。因此，DOE状态对应于如在现场测试期间由各种设定点控制的风力涡轮100的各种操作状态。设定点组合可在各个DOE状态和/或DOE状态的分组之间切换。例如，现场测试可具有总持续时间，该总持续时间包括在各种操作状态和环境条件下收集的多周数据点。应当意识到，在实施例中，现场测试可跨越诸如不同季节的多个非连续的测试间隔进行。
还应当意识到，通过将风电场152的哪些风力涡轮100集合为指定分组310的一部分可能影响建模性能参数304的准确性和/或有效性。因此，在实施例中，可能希望优化风力涡轮100的最大数量416和最小数量418、线性相关性和采样间隔314的数量406。在至少一个实施例中，这可经由贝叶斯优化来实现，其目标是使不同DOE状态之间的平均增量性能不确定性414最小化。在这样的实施例中，第一模型400可尝试不同的参数组合并开发专门用于优化任务的模型/算法。该算法可将参数与使平均增量性能不确定性414最小化的目标相关联。第一模型400可搜索最优参数，同时关注其中最小化目标被推进的组合。当搜索最佳组合时，第一模型400可随着新搜索迭代完成而更新。例如，可完成120次迭代以得到可接受的参数解。
仍然参考图7，在实施例中，确定建模性能参数304可包括集合第一训练数据集420。第一训练数据集420可包括至少对应于指定分组310的风力涡轮100的多个操作变量344和环境变量346。操作变量344和环境变量346可在多个采样间隔314处并跨越多个DOE状态来监测。应当意识到，在实施例中，操作变量344可经由风力涡轮100的(多个)操作传感器158获得。
在实施例中，控制器200可生成第一回归模型424以形成第一模型400。第一回归模型424可配置成基于对应于指定分组310的风力涡轮100的操作变量344和环境变量346来预测针对第一风力涡轮306的建模性能参数304。例如，控制器200可生成回归模型，由此可采用指定分组310的操作变量344和环境变量346来预测针对第一风力涡轮306的建模性能参数304。
如在426处所描绘，在实施例中，控制器200可配置成训练第一回归模型424。第一回归模型424的训练可基于第一训练数据集420。因此，机器学习技术可用来迭代地细化第一回归模型424。
应当意识到，对于第一模型400和第二模型500的训练可能期望的数据点/变量可在DOE和/或风电场152的操作使用期间获得。例如，变量可包括平均功率生成量、机舱-风速计测量的平均风速、基于模型的平均风速、基于模型的风速标准偏差、偏航位置、DOE状态、平均周围温度、发电机速度、发电机轴加速度、发电机扭矩、发电机功率、过滤变量和/或风力涡轮标识符的指示。这样的数据点/变量可例如以一秒的间隔记录。然后可将一秒数据求平均，以产生更长持续时间的平均数据观测值。平均数据观测值可在第一模型400和第二模型500的训练中采用。一分钟时间尺度可等效于第一风力涡轮306的实时优化的优化频率。
例如，在实施例中，在多个采样间隔314处集合第一训练数据集420可包括在多个采样间隔314的多个记录间隔中的每一个处记录指示多个操作变量344和环境变量346的数据。然后，可在每个采样间隔处对记录的数据求平均，以生成指示第一训练数据集420的多个操作变量344和环境变量346的多个平均数据观测值。
仍然参考图7并且还参考图9，为了建立第一训练数据集420，在实施例中，指定分组310的每个风力涡轮100可在第一DOE状态428下建立。另外，可建立停顿间隔430，其中在停顿间隔430的开始处，指定分组310的每个风力涡轮100处于第一DOE状态428中。在实施例中，停顿间隔可具有小于或等于10分钟的持续时间。在停顿间隔430的结束处，指定分组310的每个风力涡轮100可转变到第二DOE状态432，并且可重新建立停顿间隔430。例如，在现场测试期间，每个风力涡轮100可每隔几分钟从一个DOE状态转变到另一个DOE状态。类似地，风力涡轮100可在停顿间隔430的结束处从第二DOE状态432转变到第三DOE状态434。
应当意识到，针对风力涡轮100中的一个的第一DOE状态428的设定点可不同于针对风力涡轮100中的另一个的第一DOE状态428的设定点。因此，风力涡轮100中的每一个可处于第一DOE状态428中，但是风力涡轮100中的至少两个可在不同的设定点组合下操作。例如，可经由纯随机选择过程来选择设定点，使得风电场152的所有风力涡轮100不在相同时间接收相同的设定点，除非通过随机的机会。
仍然特别地参考图7和图9，在实施例中，环境变量346可包括DOE状态风速436。DOE状态风速436可指示由指定分组310的每个风力涡轮100在每个停顿间隔430期间遇到的风(W)的速率。
应当意识到，影响风力涡轮100的风速可为第一风力涡轮306的性能的有效预测子。然而，联接到机舱106的风速计的准确度可能受到某些桨距设定点和TSR设定点影响。在实施例中，这种对桨距设定点和TSR设定点的敏感性可通过风速测量值来减轻，所述风速测量值随时间偏移而不是在特定停留间隔期间被监测。换句话说，控制器200可配置成组合在先前和随后的DOE状态期间获取的风速测量值，以计算用于中间DOE状态的DOE状态风速436。因此，控制器200可配置成采用偏移切换风速测量值来确定中间DOE状态的风速，而不是在处于中间DOE状态时直接测量。由于DOE状态在现场实验期间可随机选择，因此通过每次观测都可在对应的随机DOE状态下记录偏移切换风速。因此，当组合针对给定停顿间隔430的所有偏移切换风速测量值时，所得的观测值可为平衡的，并且所得的DOE状态风速436可为非偏置的风速测量值。
例如，如图9中所描绘，在实施例中，为了确定针对第二DOE状态432的DOE状态风速436，可在对应于第一DOE状态428的停顿间隔430(例如，四分钟停顿间隔430)的最后两个采样间隔314(例如，最后两分钟)中的每一个中获取第一风速指示438。当风力涡轮100从第二DOE状态432转变到第三DOE状态434时，可在对应于第三DOE状态434的停顿间隔430(例如，四分钟停顿间隔430)的前两个采样间隔314(例如，前两分钟)中获取第二风速指示440。
在实施例中，控制器200可配置成通过组合第一风速指示438和第二风速指示440来确定第二DOE状态风速442。第二DOE状态风速442可指示由指定分组310的每个风力涡轮100在与第二DOE状态432相关联的停顿间隔430期间遇到的风速。当指定分组310的每个风力涡轮100处于第二DOE状态432中时，经由组合确定第二DOE状态风速442可避免记录指示第二DOE状态风速442的数据。
再次特别地参考图7，在实施例中，在多个采样间隔314处集合第一训练数据集420可包括在多个采样间隔314中的每一个处经由控制器和针对指定分组310的每个风力涡轮100的估计风速444来建模。另外，控制器200可配置成至少部分地基于如所建模的估计风速444在多个采样间隔314中的每一个处确定针对指定分组310的每个风力涡轮100的湍流强度350。应当意识到，基于建模风速确定湍流强度350可减轻某些桨距设定点和TSR设定点对风速测量的影响。然而，应当意识到，在其中测量的风速值中存在足够置信度的实施例中，湍流强度可基于如由(多个)环境传感器156监测的风速的指示来确定。
在实施例中，在多个采样间隔314处集合第一训练数据集420可包括接收指示大气温度348的数据。大气温度348可为在多个采样间隔314中的每一个处影响指定分组310的每个风力涡轮100的温度。在这样的实施例中，控制器200可配置成确定针对指定分组310的每个风力涡轮100的滚动平均温度352。例如，滚动平均温度352可为24小时滚动平均值。另外，控制器200可在多个采样间隔314中的每一个处确定针对指定分组310的每个风力涡轮100的温度偏差354。温度偏差354在多个采样间隔314中的每一个处可对应于指示大气温度348的数据与指示在数小时的过程中的滚动平均温度352的数据之间的差。应当意识到，温度偏差354可用作替代度量，用于理解风切变和/或湍流强度对指定分组310的风力涡轮100的影响。
为了响应于环境条件准确地确定(多个)风力涡轮100的功率输出，可能希望考虑由转子108产生的动能的部分，该部分动能可能受到发电机118的加速和/或减速的影响。因此，在实施例中，第一训练数据集420的集合可包括经由控制器接收指示针对多个采样间隔314中的每一个的指定分组310的每个风力涡轮100的发电机轴加速度454的数据。指示发电机轴加速度454的数据可指示由转子108从风(W)提取的动能的一部分。应当意识到，在训练数据集中包括指示发电机轴加速度454的数据可有利于相比可以其它方式能够获得的更准确地响应于设定点组合320预测从风(W)捕获的实际功率。
如果第一训练数据集420包括离群数据点，则第一回归模型424的准确度可能受到影响。因此，可能希望确保清除第一训练数据集420中的离群数据点。照此，过滤器可应用于操作变量344和/或环境变量346。例如，在实施例中，控制器200可配置成应用风速过滤器以滤除处于或高于风力涡轮100的额定风速以及低于切入风速的风速操作。在附加实施例中，控制器200可采用湍流强度过滤器和/或风向过滤器来排除超过针对每一个的对应阈值的数据点。
在另一个实施例中，控制器200可采用切换瞬态过滤器。切换瞬态过滤器可确保在DOE状态切换之后桨距和TSR设定点控制已经稳定。照此，切换瞬态过滤器可用来排除在切换已经发生之后的第一采样间隔期间记录的观测值。
如图10中所描绘，控制器200可在456过滤指示对应于第一风力涡轮306的多个操作变量344和影响第一风力涡轮的多个环境变量346的多个数据观测值。这种过滤可防止包括具有大于标准偏差极限462的偏差460的多个数据观测值458。应当意识到，类似的过滤器可应用于指定分组310的每个风力涡轮100。在这样的实施例中，过滤器可例如为功率曲线离群过滤器。
如在464处所描绘，在实施例中，集合第一训练数据集420可包括过滤对应于针对指定分组310的每个风力涡轮100的功率输出的功率输出观测值，以便防止包括具有大于标准偏差极限的偏差的至少一个功率输出观测值。应当意识到，指定分组310的风力涡轮100的性能中的高差异(例如，在任何给定时间非常不同的功率输出)可降低建模性能参数304的准确性。因此，当指定分组310的一部分的性能的差异超过标准偏差极限时，可能希望过滤从该部分接收的数据。
应当意识到，一旦第一回归模型424被生成和训练，就可使用相同的训练数据来预测和/或交叉验证建模性能参数304。在实施例中，这可基于操作变量344和环境变量346创建目标性能参考。
再次参考图7，在实施例中，确定建模性能参数304可包括第一回归模型424的优化。因此，一旦第一回归模型424被训练，控制器200就可配置成确定性能参数预测值466。然后可通过确定针对性能参数预测值466的统计不确定性值468而由控制器量化预测中的置信度。应当意识到，统计不确定性值468可用来评估第一回归模型424的性能。照此，当由统计不确定性值468保证时，控制器200可如在470所描绘那样实现第一回归模型424的贝叶斯优化。
现在参考图8，其中描绘了系统300的控制逻辑的一部分的示意图。特别地，图8描绘了第二模型500的各种实施例/实现方式，其配置成在多个设定点组合318中的每个设定点组合320处确定第一风力涡轮306的预测性能参数324。因此，可集合第二训练数据集502。第二训练数据集502可包括多个操作变量344和多个环境变量346。多个操作变量344和多个环境变量346可至少对应于第一风力涡轮306和指定分组310的风力涡轮100。在实施例中，操作变量344和环境变量346可在多个采样间隔314处和DOE状态下被监测。
第二训练数据集502可被裁剪/优化以包括最佳地捕获影响第一风力涡轮306的环境条件的预测子。例如，湍流强度350可被认为是风稳定性和/或风切变的有价值的预测子。因此，在实施例中，控制器200可配置成确定针对指定分组310的风力涡轮100和第一风力涡轮306两者的湍流强度350。可在多个采样间隔314中的每一个处确定湍流强度350。在实施例中，湍流强度350可至少部分地基于测量或监测的风速506。在实施例中，湍流强度350可至少部分地基于估计的风速(例如，基于模型的风速)。应当意识到，利用估计的风速可减轻已知的机舱风速计对桨距设置和/或TSR设置的敏感性。
应当意识到，环境变量346可指示风条件模式，其可为每日的并且由日晒和温度变化驱动(例如，环境变量346可为周期性的)。例如，在白天的时段期间，较高的自然对流流可导致相对高的湍流强度350。相反，在夜晚的时段期间，风(W)可能相对更稳定，并且因此指示比白天的时段期间可能观察到的更高的切变程度。该趋势可由大气温度348和滚动平均值352之间的差来指示。
还应当意识到，这种温度偏差354的度量可优于绝对温度测量。例如，利用温度偏差354可有利于第二模型500适应季节变化。作为说明，如果仅在夏季期间获得环境变量346，则在优化期间(多个)风力涡轮100转变到较冷的时段将把不可接受的不准确程度引入到第二模型500中。这种不准确可能是由于第二模型500在较冷温度下缺乏训练。然而，利用温度偏差354可减轻这种可能性，因为温度偏差354可遍及各个测试周期(例如，季节)更加一致。
为了集合/裁剪第二训练数据集502以考虑周期性自然温度，在实施例中，控制器200可配置成在多个采样间隔314中的每一个处接收指示影响第一风力涡轮306的大气温度348的数据。控制器200还可配置成确定针对第一风力涡轮306的滚动平均温度352。另外，在实施例中，控制器200可配置成在多个采样间隔314中的每一个处确定针对第一风力涡轮306的温度偏差354。温度偏差354在多个采样间隔314中的每一个处可对应于指示大气温度348的数据与指示滚动平均温度352的数据之间的差。
在某些条件期间，系统300可具有相对较小的权限来控制(例如，优化)桨距设定点和/或TSR设定点。例如，当在诸如高于或低于标称操作范围的风速的某些风条件下操作时，(多个)风力涡轮100的操作极限可防止优化桨距设定点和/或TSR设定点的实现。照此，可能希望将第二模型500的优化导向这样的条件，其中系统300可对控制第一风力涡轮306的操作具有可接受程度的权限。这种优化可经由对第二训练数据集502的裁剪来实现。
裁剪第二训练数据集502以针对其中系统300具有可接受程度的权限的条件优化第二模型500可包括确定/识别第一风力涡轮306的操作的至少一个低权限区域508。操作的低权限区域508可对应于操作条件的范围，在该范围内，期望命令设定点的实现可基于第一风力涡轮306的卓越操作极限来限制、约束或重写。在这样的操作条件的范围内，期望命令设定点可与最佳转子速度和/或桨距设置去同步。换句话说，由于操作极限，控制器200可优先考虑可不同于最佳转子速度和/或桨距设置的设定点。
在其中控制器200确定操作变量344和/或环境变量346对应于低权限区域508的实施例中，控制器200可将加权因子510应用于性能参数差别312。加权因子510可配置成减少性能参数差别312对由第二模型500生成的预测性能参数324的影响或作用。例如，在实施例中，性能参数差别312可乘以使性能参数差别312的值向零减小的因子。然而，在其中系统300具有足够/可接受程度的权限来控制第一风力涡轮306的实施例中，加权因子510可等于1。在这样的实施例中，性能参数差别312可对预测的性能参数312具有最大的影响/作用。
仍然参考图8，在实施例中，实现第二模型500可包括经由控制器200生成第二回归模型512。在实施例中，第二回归模型512可配置成确定针对第一风力涡轮306的预测性能参数324。这种确定可基于操作变量344和环境变量346以及性能参数差别312。例如，控制器200可生成支持向量机回归模型，由此针对第一风力涡轮306的性能参数差别312以及操作变量344和环境变量346可用来在多个设定点组合318中的每一个处对第一风力涡轮306的预测性能参数324建模。
如在514处所描绘，控制器200可配置成基于第二训练数据集502训练第二回归模型512。因此，机器学习技术可用来迭代地细化第二回归模型512。应当意识到，细化第二回归模型512可有利于基于在设定点组合320中的每一个处的性能参数差别312的性能参数预测中提高准确度。
在诸如图11中所描绘的实施例中，训练第二回归模型512可包括经由多个训练和测试迭代(在图11中描绘为迭代(A)、(B)和(C))来测试第二回归模型512。在这样的实施例中，第二训练数据502的部分516可被分离成测试部分518和训练部分520。训练部分520可具有多个第一采样间隔522。在实施例中，测试部分518可具有多个第二采样间隔524。在实施例中，训练部分520可包括相对于测试部分518更大数量的采样间隔314。例如，在实施例中，测试数据可包括采样间隔314的40%，而训练数据包括剩余的60%。应当意识到，测试部分518可从第二回归模型512的训练中排除。
如在526处所描绘，测试第二回归模型512可包括经由训练部分520训练第二回归模型512，以排除掉测试部分518。在526处对第二回归模型512的训练之后，如在528所描绘，第二回归模型512可经由测试部分518进行测试。
在526和528处对第二回归模型512的训练和测试之后，如在530处所描绘，训练部分520和测试部分518可通过重新分配第二训练数据集502的部分516的多个第一采样间隔522和多个第二采样间隔524而被重整。例如，如图11中所描绘，多个采样间隔522、524可具有迭代(A)中的第一分布、迭代(B)中的第二分布、迭代(C)中的第三分布，等等。如在532处所描绘，第二回归模型512的训练和测试可针对每个迭代重复。例如，在实施例中，可在多个第一采样间隔522和多个第二采样间隔524的十个分布中完成训练和测试的十次迭代。重复第二回归模型512的训练和测试可有利于第二回归模型512和因此第二模型500的交叉验证测试。还应当意识到，上面讨论的训练和测试步骤可类似地用来训练和测试第一回归模型424。
如在534处所描绘，控制器200可配置成实现贝叶斯优化以使用于交叉验证测试的预测性能参数324最大化。在实施例中，控制器200可利用专门为优化任务配置的优化模型。优化模型可搜索最佳参数，同时关注其中第二回归模型512预测最大预测性能参数324的配置，同时探索其它选项。例如，优化模型可寻求使用来自第一回归模型424的结果来使预测的性能改善度量最大化。在附加示例中，优化模型可寻求使第一回归模型424的误差最小化。
应当意识到，当搜索最佳参数时，优化模型可随着新搜索迭代完成而被更新。照此，在示例性实施例中，可能需要60次迭代来得到可接受的参数解。
再次特别地参考图6，在实施例中，多个设定点组合318可包括对应于多个DOE状态的多个测试设定点组合356。照此，在多个设定点组合318中的每一个处确定针对第一风力涡轮306的预测性能参数324可包括确定针对多个测试设定点组合356中的每一个的预测功率输出。因此，可选择多个测试设定点组合356中的设定点组合320，该设定点组合使第一风力涡轮306的预测功率输出最大化。
在实施例中，多个测试设定点组合356可包括多个设定点和/或多个TSR设定点。照此，所选择的设定点组合320可包括响应于当前环境条件使第一风力涡轮306的预测功率输出最大化的桨距设定点和/或TSR设定点。
此外，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针对每个这样的方法和特征的其它已知等同物可由本领域的普通技术人员混合和匹配，以根据本公开的原理构造另外的系统和技术。当然，应当理解，不一定可根据任何特定实施例实现上述所有这些目的或优点。因此，例如，本领域技术人员将认识到，本文中描述的系统和技术可以实现或优化如本文中教导的一个优点或一组优点的方式来实施或执行，而不必实现如本文中可教导或建议的其它目的或优点。
本书面描述使用示例来公开包括最佳模式的本发明，并且还使得本领域的任何技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何并入的方法。本发明的可专利性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它示例。如果这些其它示例包括不异于权利要求书的字面语言的结构要素，或者如果它们包括与权利要求书的字面语言具有非实质性差异的等效结构要素，则这些其它示例旨在处于权利要求书的范围内。
本发明的另外的方面由以下条款的主题提供：
条款1. 一种用于控制风电场的多个风力涡轮中的第一风力涡轮的方法，所述方法包括：经由由控制器实现的第一模型确定针对所述第一风力涡轮的建模性能参数，所述建模性能参数至少部分地基于所述多个风力涡轮中的指定分组的风力涡轮的操作，其中，所述指定分组不包括所述第一风力涡轮；经由所述控制器在多个采样间隔处确定针对所述第一风力涡轮的性能参数差别，所述性能参数差别指示针对所述第一风力涡轮的所述建模性能参数与监测性能参数之间的差；经由所述控制器实现第二模型，以至少部分地基于所述第一风力涡轮的所述性能参数差别来确定在多个设定点组合中的每一个处所述第一风力涡轮的预测性能参数；经由所述控制器基于所述预测性能参数选择所述多个设定点组合中的设定点组合；和基于所述设定点组合改变所述第一风力涡轮的操作状态。
条款2. 根据条款1所述的方法，其中，确定所述建模性能参数还包括：经由所述控制器生成针对所述多个风力涡轮中的每一个相对于所述第一风力涡轮的相关性分数；至少部分地基于针对所述多个风力涡轮中的每一个的所述相关性分数形成所述指定分组的风力涡轮；集合第一训练数据集，所述第一训练数据集包括至少对应于在所述多个采样间隔处和跨越多个实验设计(DOE)状态监测的所述指定分组的风力涡轮的多个操作变量和环境变量，其中，所述多个设定点组合被切换；经由所述控制器生成第一回归模型，所述第一回归模型配置成基于对应于所述指定分组的风力涡轮的所述操作变量和环境变量来预测针对所述第一风力涡轮的所述建模性能参数；和经由所述控制器基于所述第一训练数据集来训练所述第一回归模型。
条款3. 根据前述条款中的任一项所述的方法，其中，生成所述相关性分数还包括：经由所述控制器确定采样间隔的数量，该采样间隔的数量具有对于所述第一涡轮和所述多个风力涡轮中的每一个两者来说在标称功率产生状态下的功率产生量的指示；经由所述控制器确定所述建模性能参数与所述多个风力涡轮中的每一个的性能之间的线性相关性；和经由所述控制器将加权函数应用于所述采样间隔的数量和所述线性相关性，以便生成所述相关性分数。
条款4. 根据前述条款中的任一项所述的方法，其中，集合所述第一训练数据集还包括：在第一DOE状态下建立所述指定分组的每个风力涡轮；建立停顿间隔，其中，在所述停顿间隔的开始处，所述指定分组的每个风力涡轮处于所述第一DOE状态下；和在所述停顿间隔的结束处，将所述指定分组的每个风力涡轮转变到第二DOE状态。
条款5. 根据前述条款中的任一项所述的方法，其中，所述环境变量包括在每个停顿间隔期间由所述指定分组的每个风力涡轮遇到的DOE状态风速，并且其中，集合所述第一训练数据集还包括：确定针对处于所述第一DOE状态下的所述指定分组的每个风力涡轮的第一风速指示；在所述第二DOE状态的所述停顿间隔之后，将所述指定分组的每个风力涡轮从所述第二DOE状态转变到第三DOE状态；确定针对处于所述第三DOE状态下的所述指定分组的每个风力涡轮的第二风速指示；和通过组合所述第一风速指示和所述第二风速指示来确定第二DOE状态风速，所述第二DOE状态风速指示在与所述第二DOE状态相关联的所述停顿间隔期间由所述指定分组的每个风力涡轮遇到的风速，其中，当所述指定分组的每个风力涡轮处于所述第二DOE状态下时，所述第二DOE状态风速经由所述组合的所述确定避免指示所述第二DOE状态风速的数据的记录。
条款6. 根据前述条款中的任一项所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：经由所述控制器在所述多个采样间隔中的每一个处对所述指定分组的每个风力涡轮的估计风速进行建模；和经由所述控制器至少部分地基于如所建模的所述估计风速在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮的湍流强度。
条款7. 根据前述条款中的任一项所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：经由所述控制器在所述多个采样间隔中的每一个处接收指示影响所述指定分组的每个风力涡轮的大气温度的数据；经由所述控制器确定针对所述指定分组的每个风力涡轮的滚动平均温度；和经由所述控制器在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮的温度偏差，所述温度偏差在所述多个采样间隔中的每一个处对应于指示所述大气温度的数据与指示所述滚动平均温度的数据之间的差。
条款8. 根据前述条款中的任一项所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：经由所述控制器在所述多个采样间隔中的每一个处接收指示针对所述指定分组的每个风力涡轮的发电机轴加速度的数据，其中，指示所述发电机轴加速度的所述数据指示从风中提取的动能的一部分。
条款9. 根据前述条款中的任一项所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：经由所述控制器过滤指示所述第一风力涡轮的所述多个操作变量和影响所述第一风力涡轮的多个环境变量的多个数据观测值，其中，过滤所述多个数据观测值防止包括具有大于标准偏差极限的偏差的数据观测值。
条款10. 根据前述条款中的任一项所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：过滤对应于针对所述指定分组的每个风力涡轮的功率输出的功率输出观测值，以便防止包括具有大于标准偏差极限的偏差的至少一个功率输出观测值。
条款11. 根据前述条款中的任一项所述的方法，其中，确定所述建模性能参数还包括：在所述第一回归模型的所述训练之后，经由所述控制器确定性能参数预测值；经由所述控制器确定针对所述性能参数预测值的统计不确定性值；和经由所述控制器基于统计不确定性实现所述第一回归模型的贝叶斯优化。
条款12. 根据前述条款中的任一项所述的方法，其中，形成所述指定分组还包括：经由贝叶斯优化使针对多个潜在指定分组的不同DOE状态之间的平均增量性能不确定性最小化；确定对应于所述最小化的增量性能不确定性的所述指定分组的风力涡轮的最大数量；和确定对应于所述最小化的增量性能不确定性的所述指定分组的风力涡轮的最小数量。
条款13. 根据前述条款中的任一项所述的方法，其中，实现所述第二模型还包括：集合包括针对所述第一风力涡轮的多个操作变量和环境变量和所述性能参数差别的第二训练数据集，所述多个操作变量和环境变量至少对应于在所述多个采样间隔处和DOE状态下监测的所述指定分组的风力涡轮以及所述第一风力涡轮；经由所述控制器生成第二回归模型，所述第二回归模型配置成基于所述操作变量和环境变量以及所述性能参数差别来确定针对所述第一风力涡轮的所述预测性能参数；和经由所述控制器基于所述第二训练数据集训练所述第二回归模型。
条款14. 根据前述条款中的任一项所述的方法，其中，集合所述第二训练数据集还包括：经由所述控制器至少部分地基于如所建模的估计风速或测量风速在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮和所述第一风力涡轮的湍流强度。
条款15. 根据前述条款中的任一项所述的方法，其中，集合所述第二训练数据集还包括：经由所述控制器在所述多个采样间隔中的每一个处接收指示影响所述第一风力涡轮的大气温度的数据；经由所述控制器确定针对所述第一风力涡轮的滚动平均温度；和经由所述控制器在所述多个采样间隔中的每一个处确定针对所述第一风力涡轮的温度偏差，所述温度偏差在所述多个采样间隔中的每一个处对应于指示所述大气温度的数据与指示所述滚动平均温度的数据之间的差。
条款16. 根据前述条款中的任一项所述的方法，其中，集合所述第二训练数据集还包括：经由所述控制器确定所述第一风力涡轮的操作的至少一个低权限区域，所述至少一个低权限区域对应于操作条件的范围，在所述操作条件的范围内，期望命令设定点基于所述第一风力涡轮的操作极限来限制，并且与最佳转子速度或桨距设置去同步；和当所述操作变量和环境变量对应于所述至少一个低权限区域时，经由所述控制器将加权因子应用于所述性能参数差别，所述加权因子配置成减小所述性能参数差别对所述预测性能参数的影响。
条款17. 根据前述条款中的任一项所述的方法，其中，训练所述第二回归模型还包括：将所述第二训练数据集的一部分分离成具有多个第一采样间隔的训练部分和具有多个第二采样间隔的测试部分，其中，所述训练部分包括相对于所述测试部分更大数量的采样间隔；经由所述训练部分训练所述第二回归模型；经由所述测试部分测试所述第二回归模型；通过重新分配所述第二训练数据集的所述部分的多个第一和第二采样间隔来重整所述训练部分和所述测试部分；和重复所述第二回归模型的所述训练和测试，其中，重复所述第二回归模型的所述训练和测试有利于所述第二回归模型的交叉验证测试。
条款18. 根据前述条款中的任一项所述的方法，还包括：经由所述控制器实现贝叶斯优化，以使针对所述交叉验证测试的所述预测性能参数最大化。
条款19. 根据前述条款中的任一项所述的方法，其中，所述多个设定点组合包括对应于多个DOE状态的多个测试设定点组合，并且其中，在所述多个设定点组合中的每一个处确定所述第一风力涡轮的所述预测性能参数还包括：确定针对所述测试设定点组合中的每一个的预测功率输出；和选择所述测试设定点组合中的设定点组合，所述设定点组合使所述第一风力涡轮的所述预测功率输出最大化。
条款20. 根据前述条款中的任一项所述的方法，其中，所述多个测试设定点组合包括多个桨距设定点和多个叶尖速比(TSR)设定点，并且其中，所述选择的设定点组合包括使所述第一风力涡轮的所述预测功率输出最大化的桨距设定点和TSR设定点。

Claims (10)

1.一种用于控制风电场的多个风力涡轮中的第一风力涡轮的方法，所述方法包括：
经由由控制器实现的第一模型确定针对所述第一风力涡轮的建模性能参数，所述建模性能参数至少部分地基于所述多个风力涡轮中的指定分组的风力涡轮的操作，其中，所述指定分组不包括所述第一风力涡轮；
经由所述控制器在多个采样间隔处确定针对所述第一风力涡轮的性能参数差别，所述性能参数差别指示针对所述第一风力涡轮的所述建模性能参数与监测性能参数之间的差；
经由所述控制器实现第二模型，以至少部分地基于所述第一风力涡轮的所述性能参数差别来确定在多个设定点组合中的每一个处所述第一风力涡轮的预测性能参数；
经由所述控制器基于所述预测性能参数选择所述多个设定点组合中的设定点组合；和
基于所述设定点组合改变所述第一风力涡轮的操作状态。
2.根据权利要求1所述的方法，其中，确定所述建模性能参数还包括：
经由所述控制器生成针对所述多个风力涡轮中的每一个相对于所述第一风力涡轮的相关性分数；
至少部分地基于针对所述多个风力涡轮中的每一个的所述相关性分数形成所述指定分组的风力涡轮；
集合第一训练数据集，所述第一训练数据集包括至少对应于在所述多个采样间隔处和跨越多个实验设计(DOE)状态监测的所述指定分组的风力涡轮的多个操作变量和环境变量，其中，所述多个设定点组合被切换；
经由所述控制器生成第一回归模型，所述第一回归模型配置成基于对应于所述指定分组的风力涡轮的所述操作变量和环境变量来预测针对所述第一风力涡轮的所述建模性能参数；和
经由所述控制器基于所述第一训练数据集来训练所述第一回归模型。
3.根据权利要求2所述的方法，其中，生成所述相关性分数还包括：
经由所述控制器确定具有对于所述第一涡轮和所述多个风力涡轮中的每一个两者来说在标称功率产生状态下的功率产生量的指示的采样间隔的数量；
经由所述控制器确定所述建模性能参数与所述多个风力涡轮中的每一个的性能之间的线性相关性；和
经由所述控制器将加权函数应用于采样间隔的所述数量和所述线性相关性，以便生成所述相关性分数。
4.根据权利要求2所述的方法，其中，集合所述第一训练数据集还包括：
在第一DOE状态下建立所述指定分组的每个风力涡轮；
建立停顿间隔，其中，在所述停顿间隔的开始处，所述指定分组的每个风力涡轮处于所述第一DOE状态下；和
在所述停顿间隔的结束处，将所述指定分组的每个风力涡轮转变到第二DOE状态。
5.根据权利要求4所述的方法，其中，所述环境变量包括在每个停顿间隔期间由所述指定分组的每个风力涡轮遇到的DOE状态风速，并且其中，集合所述第一训练数据集还包括：
确定针对处于所述第一DOE状态下的所述指定分组的每个风力涡轮的第一风速指示；
在所述第二DOE状态的所述停顿间隔之后，将所述指定分组的每个风力涡轮从所述第二DOE状态转变到第三DOE状态；
确定针对处于所述第三DOE状态下的所述指定分组的每个风力涡轮的第二风速指示；和
通过组合所述第一风速指示和所述第二风速指示来确定第二DOE状态风速，所述第二DOE状态风速指示在与所述第二DOE状态相关联的所述停顿间隔期间由所述指定分组的每个风力涡轮遇到的风速，其中，当所述指定分组的每个风力涡轮处于所述第二DOE状态下时，所述第二DOE状态风速经由所述组合的所述确定避免指示所述第二DOE状态风速的数据的记录。
6. 根据权利要求2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处对所述指定分组的每个风力涡轮的估计风速进行建模；和
经由所述控制器至少部分地基于如所建模的所述估计风速在所述多个采样间隔中的每一个处确定针对所述指定分组的每个风力涡轮的湍流强度。
7.根据权利要求2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处接收指示影响所述指定分组的每个风力涡轮的大气温度的数据；
经由所述控制器确定针对所述指定分组的每个风力涡轮的滚动平均温度；和
经由所述控制器在所述多个采样间隔中的每一个处确定所述指定分组的每个风力涡轮的温度偏差，所述温度偏差在所述多个采样间隔中的每一个处对应于指示所述大气温度的数据与指示所述滚动平均温度的数据之间的差。
8.根据权利要求2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器在所述多个采样间隔中的每一个处接收指示针对所述指定分组的每个风力涡轮的发电机轴加速度的数据，其中，指示所述发电机轴加速度的所述数据指示从风中提取的动能的一部分。
9.根据权利要求2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
经由所述控制器过滤指示所述第一风力涡轮的所述多个操作变量和影响所述第一风力涡轮的多个环境变量的多个数据观测值，其中，过滤所述多个数据观测值防止包括具有大于标准偏差极限的偏差的数据观测值。
10.根据权利要求2所述的方法，其中，在所述多个采样间隔处集合所述第一训练数据集还包括：
过滤对应于针对所述指定分组的每个风力涡轮的功率输出的功率输出观测值，以便防止包括具有大于标准偏差极限的偏差的至少一个功率输出观测值。
CN202210637612.6A 2021-06-07 2022-06-07 用于控制风力涡轮的系统和方法 Pending CN115506945A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/340387 2021-06-07
US17/340,387 US11649804B2 (en) 2021-06-07 2021-06-07 Systems and methods for controlling a wind turbine

Publications (1)

Publication Number Publication Date
CN115506945A true CN115506945A (zh) 2022-12-23

Family

ID=82156658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637612.6A Pending CN115506945A (zh) 2021-06-07 2022-06-07 用于控制风力涡轮的系统和方法

Country Status (3)

Country Link
US (1) US11649804B2 (zh)
EP (1) EP4102060A1 (zh)
CN (1) CN115506945A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3095246B1 (fr) * 2019-04-16 2022-12-09 Ifp Energies Now Procédé et système de contrôle d’une grandeur d’une éolienne par choix du contrôleur par un apprentissage automatique
EP3859147A1 (en) * 2020-02-03 2021-08-04 Ventus Engineering GmbH Wake monitoring, wake management and sensory arrangements to such
EP4227523A1 (de) * 2022-02-15 2023-08-16 Wobben Properties GmbH Verfahren zum betrieb eines windparks, windenergieanlage und windpark
CN116838547B (zh) * 2023-02-23 2024-02-23 北京金风科创风电设备有限公司 多转子风力发电机的监测方法及多转子风力发电机
CN117418999B (zh) * 2023-08-31 2024-09-13 广东电网有限责任公司 一种海上风电机组出力控制方法及相关装置

Family Cites Families (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0970308B1 (en) 1997-03-26 2003-05-21 Forskningscenter Riso A wind turbine with a wind velocity measurement system
US7004724B2 (en) 2003-02-03 2006-02-28 General Electric Company Method and apparatus for wind turbine rotor load control based on shaft radial displacement
US7118339B2 (en) 2004-06-30 2006-10-10 General Electric Company Methods and apparatus for reduction of asymmetric rotor loads in wind turbines
DE102004056254B4 (de) 2004-11-22 2006-11-09 Repower Systems Ag Verfahren zum Optimieren des Betriebs von Windenergieanlagen
WO2008041066A1 (en) 2006-10-02 2008-04-10 Clipper Windpower Technology, Inc. Wind turbine with blade pitch control to compensate for wind shear and wind misalignment
EP1911968A1 (en) 2006-10-10 2008-04-16 Ecotecnia Energias Renovables S.L. Control system for a wind turbine and method of controlling said wind turbine
US7883317B2 (en) 2007-02-02 2011-02-08 General Electric Company Method for optimizing the operation of a wind turbine
US8239071B2 (en) 2007-08-31 2012-08-07 Vestas Wind Systems A/S Method for controlling at least one adjustment mechanism of a wind turbine, a wind turbine and a wind park
WO2009027509A1 (en) 2007-08-31 2009-03-05 Vestas Wind Systems A/S Wind turbine siting and maintenance prediction
DK2048562T3 (da) 2007-10-12 2009-11-30 Siemens Ag Fremgangsmåde og indretning til at tilvejebringe i det mindste ét inputsensorsignal til en styre- og/eller overvågningsapplikation og styreindretning
ES2723877T3 (es) 2007-11-15 2019-09-03 Siemens Gamesa Renewable Energy Innovation & Technology SL Método y sistema para el funcionamiento de un aerogenerador
US8577822B2 (en) 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
US8057174B2 (en) 2008-10-09 2011-11-15 General Electric Company Method for controlling a wind turbine using a wind flow model
EP2175129A1 (en) 2008-10-10 2010-04-14 Siemens Aktiengesellschaft Adaptive adjustment of the blade pitch angle of a wind turbine
US20100092292A1 (en) 2008-10-10 2010-04-15 Jacob Johannes Nies Apparatus and method for continuous pitching of a wind turbine
US8712593B2 (en) 2008-11-18 2014-04-29 Vestas Wind Systems A/S Method for controlling operation of a wind turbine
DK2192456T3 (en) 2008-11-26 2017-12-11 Siemens Ag Estimation of an achievable power production of a wind turbine by means of a neural network
EP2213873A1 (en) 2009-01-30 2010-08-04 Siemens Aktiengesellschaft Estimating an effective wind direction for a wind turbine by means of a learning system
US20110020122A1 (en) 2009-07-24 2011-01-27 Honeywell International Inc. Integrated condition based maintenance system for wind turbines
US8162788B2 (en) 2009-08-27 2012-04-24 General Electric Company System, device and method for wind turbine control based on operating profiles
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8025476B2 (en) 2009-09-30 2011-09-27 General Electric Company System and methods for controlling a wind turbine
US20110106680A1 (en) 2009-10-30 2011-05-05 General Electric Company Turbine operation degradation determination system and method
GB2476316B (en) 2009-12-21 2014-07-16 Vestas Wind Sys As A wind turbine having a control method and controller for predictive control of a wind turbine generator
DK2354541T3 (da) 2010-01-20 2014-10-20 Siemens Ag Vindparkeffektstyring på basis af en matriks, som viser en effektbelastningsfordeling mellem individuelle vindmøller
US7987067B2 (en) 2010-03-26 2011-07-26 General Electric Company Method and apparatus for optimizing wind turbine operation
DK2372479T3 (da) 2010-03-31 2013-02-04 Gen Electric Systemer og fremgangsmåder til effektovervågning og identificering af opgraderinger til vindmøller
US8924162B2 (en) 2010-05-13 2014-12-30 University Of Cincinnati Turbine-to-turbine prognostics technique for wind farms
EP2577055B8 (en) 2010-06-02 2016-10-12 Vestas Wind Systems A/S A method for operating a wind turbine at improved power output
US20120083933A1 (en) 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
EP2444659B1 (en) 2010-10-19 2016-07-06 Siemens Aktiengesellschaft Method and system for adjusting a power parameter of a wind turbine
US8996334B2 (en) 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
EP2518308A1 (en) 2011-04-29 2012-10-31 Siemens Aktiengesellschaft Controlling the operation of a wind turbine based on a terrain class parameter value
US8249852B2 (en) 2011-05-19 2012-08-21 General Electric Company Condition monitoring of windturbines
JP5832644B2 (ja) 2011-06-03 2015-12-16 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
US20130024179A1 (en) * 2011-07-22 2013-01-24 General Electric Company Model-based approach for personalized equipment degradation forecasting
DE102011054211B3 (de) 2011-10-05 2013-01-10 Kenersys Gmbh Verfahren zum Betreiben einer Windenergieanlage und entsprechende Windenergieanlage
US9606518B2 (en) 2011-12-28 2017-03-28 General Electric Company Control system and method of predicting wind turbine power generation
US20130184838A1 (en) 2012-01-06 2013-07-18 Michigan Aerospace Corporation Resource optimization using environmental and condition-based monitoring
KR20150038405A (ko) 2012-07-26 2015-04-08 엠에이치아이 베스타스 오프쇼어 윈드 에이／에스 풍력 터빈 경사 최적화 및 제어
US9460478B2 (en) 2012-12-17 2016-10-04 Arizona Board Of Regents On Behalf Of Arizona State University System and method for wind generation forecasting
US9518560B2 (en) 2013-05-28 2016-12-13 Siemens Aktiengesellschaft Method to individually optimize respective pitch angles of a plurality of blades in a wind turbine
US8853877B1 (en) 2013-05-29 2014-10-07 General Electric Company System and method for controlling a wind farm
US9605558B2 (en) 2013-08-20 2017-03-28 General Electric Company System and method for preventing excessive loading on a wind turbine
US20150086357A1 (en) 2013-09-24 2015-03-26 General Electric Company Wind turbine and method for adjusting yaw bias in wind turbine
EP2860395B1 (en) 2013-10-09 2017-09-27 Siemens Aktiengesellschaft System for automatic power estimation adjustment
US20150101401A1 (en) 2013-10-11 2015-04-16 General Electric Company Method And System For Determining Wind Turbine Reliability
US9991771B2 (en) 2013-11-05 2018-06-05 The University Of Maryland, Baltimore County Active control system for a variable electromotive-force generator with applications to wind turbines, ships, and hybrid vehicles
ES2826173T3 (es) 2013-11-21 2021-05-17 Gen Electric Sistema y procedimiento para evaluar el impacto en el rendimiento de actualizaciones de turbinas eólicas
ES2879915T3 (es) 2013-11-29 2021-11-23 Ge Renewable Tech Wind Bv Procedimientos para operar una turbina eólica, y turbinas eólicas
US9920742B2 (en) 2014-02-20 2018-03-20 General Electric Company Dynamic cut-in wind speed for wind turbines
US9683552B2 (en) 2014-03-06 2017-06-20 General Electric Company System and method for robust wind turbine operation
US9551322B2 (en) * 2014-04-29 2017-01-24 General Electric Company Systems and methods for optimizing operation of a wind farm
CN106460793B (zh) 2014-06-19 2019-01-15 维斯塔斯风力系统集团公司 响应于风切变而对风力涡轮机的控制
US9347432B2 (en) 2014-07-31 2016-05-24 General Electric Company System and method for enhanced operation of wind parks
EP3194999B1 (en) 2014-09-15 2022-02-23 Synaptive Medical Inc. System and method for magnetic resonance image acquisition
US9644612B2 (en) 2014-09-23 2017-05-09 General Electric Company Systems and methods for validating wind farm performance measurements
US10253758B2 (en) 2014-09-23 2019-04-09 General Electric Company System and method for optimizing wind farm performance
EP3224474B1 (en) 2014-11-24 2020-03-25 Vestas Wind Systems A/S Determination of wind turbine configuration
US9739262B2 (en) 2014-12-10 2017-08-22 State Grid Corporation Of China Static testing and calibrating method for PID link of control system of wind turbine
CN107208607A (zh) 2015-01-28 2017-09-26 Kk风能解决方案公司 校准风力机的风向标
US10487804B2 (en) 2015-03-11 2019-11-26 General Electric Company Systems and methods for validating wind farm performance improvements
US10132295B2 (en) 2015-05-15 2018-11-20 General Electric Company Digital system and method for managing a wind farm having plurality of wind turbines coupled to power grid
WO2016186694A1 (en) 2015-05-15 2016-11-24 General Electric Company Condition-based validation of performance updates
CN106812658B (zh) 2015-11-27 2019-09-06 中国船舶重工集团海装风电股份有限公司 一种风力发电机组的控制方法及装置
CN108431404B (zh) 2015-12-23 2020-03-03 维斯塔斯风力系统集团公司 用于控制多个风力涡轮机的方法和系统
US20180364694A1 (en) 2016-01-19 2018-12-20 Hitachi, Ltd. Electric Power System Analysis Device and Electric Power System Analysis Method
WO2017139046A1 (en) 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
US10385829B2 (en) 2016-05-11 2019-08-20 General Electric Company System and method for validating optimization of a wind farm
WO2017211367A1 (en) 2016-06-07 2017-12-14 Vestas Wind Systems A/S Adaptive control of a wind turbine by detecting a change in performance
US10247170B2 (en) 2016-06-07 2019-04-02 General Electric Company System and method for controlling a dynamic system
EP3464891B1 (en) 2016-06-07 2022-01-19 Vestas Wind Systems A/S Adaptive control of a wind turbine by detecting a change in performance
US10260481B2 (en) * 2016-06-28 2019-04-16 General Electric Company System and method for assessing farm-level performance of a wind farm
US10047722B2 (en) 2016-07-28 2018-08-14 General Electric Company System and method for controlling a wind turbine
US10594712B2 (en) * 2016-12-06 2020-03-17 General Electric Company Systems and methods for cyber-attack detection at sample speed
DE102016224207A1 (de) 2016-12-06 2018-06-07 Siemens Aktiengesellschaft Verfahren und Steuereinrichtung zum Steuern eines technischen Systems
CN110168220B (zh) 2016-12-30 2021-03-26 远景能源有限公司 一种评估风力涡轮机发电机性能的方法和系统
US10330081B2 (en) 2017-02-07 2019-06-25 International Business Machines Corporation Reducing curtailment of wind power generation
US10360500B2 (en) 2017-04-20 2019-07-23 Sas Institute Inc. Two-phase distributed neural network training system
WO2018198225A1 (ja) 2017-04-26 2018-11-01 三菱電機株式会社 Ａｉ装置、レーザレーダ装置、及びウインドファーム制御システム
US11396825B2 (en) * 2017-08-14 2022-07-26 General Electric Company Turbine diagnostic feature selection system
US11519386B2 (en) 2017-09-15 2022-12-06 Vestas Wind Systems A/S Individual pitch control for wind turbines
CN107944142B (zh) 2017-11-24 2019-12-03 国电联合动力技术有限公司 高电压穿越能力仿真评估模型及基于其的仿真评估方法
US11293404B2 (en) 2017-12-06 2022-04-05 Vestas Wind Systems A/S Model predictive control in local systems
US10731630B2 (en) 2018-01-03 2020-08-04 General Electric Company Extended reaction power for wind farms
CN110206685B (zh) 2018-02-28 2020-07-28 北京金风科创风电设备有限公司 风电场中的风力发电机组的前馈控制方法和设备
DE102018001763A1 (de) 2018-03-06 2019-09-12 Senvion Gmbh Verfahren und System zum Warten einer Windenergieanlage aus einer Gruppe von Windenergieanlagen
US20190278242A1 (en) 2018-03-07 2019-09-12 Distech Controls Inc. Training server and method for generating a predictive model for controlling an appliance
CN108448610B (zh) 2018-03-12 2020-05-22 华南理工大学 一种基于深度学习的短期风功率预测方法
US11157833B2 (en) 2018-03-14 2021-10-26 International Business Machines Corporation Learning service blockchain
US10635095B2 (en) 2018-04-24 2020-04-28 Uptake Technologies, Inc. Computer system and method for creating a supervised failure model
US10666076B1 (en) 2018-08-14 2020-05-26 Veritone Alpha, Inc. Using battery state excitation to control battery operations
US10605228B2 (en) * 2018-08-20 2020-03-31 General Electric Company Method for controlling operation of a wind turbine
CN109492777A (zh) 2018-09-14 2019-03-19 国电电力宁夏新能源开发有限公司 一种基于机器学习算法平台的风电机组健康管理方法
US10921755B2 (en) 2018-12-17 2021-02-16 General Electric Company Method and system for competence monitoring and contiguous learning for control
US20200218232A1 (en) * 2019-01-03 2020-07-09 General Electric Company System and method for fluid flow control design
SG10201902011UA (en) 2019-03-06 2020-10-29 Univ Singapore Technology & Design Industrial control systems anomaly detection by learning algorithms with physical process features
US10815972B2 (en) 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
EP3730780B1 (en) 2019-04-24 2022-01-19 Vestas Wind Systems A/S Rotor speed control of a wind turbine
US20190317880A1 (en) 2019-06-27 2019-10-17 Intel Corporation Methods and apparatus to improve runtime performance of software executing on a heterogeneous system
US11036477B2 (en) 2019-06-27 2021-06-15 Intel Corporation Methods and apparatus to improve utilization of a heterogeneous system executing software
US11231012B1 (en) * 2020-09-22 2022-01-25 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine

Also Published As

Publication number Publication date
US11649804B2 (en) 2023-05-16
EP4102060A1 (en) 2022-12-14
US20220389906A1 (en) 2022-12-08

Similar Documents

Publication Publication Date Title
US11649804B2 (en) Systems and methods for controlling a wind turbine
EP3613982B1 (en) Method for controlling operation of a wind turbine
CN109154281B (zh) 用于预测风场的功率输出的系统和方法
US10253758B2 (en) System and method for optimizing wind farm performance
JP6783110B2 (ja) 予兆診断装置及びそれを有する発電装置制御システム
EP3855019A1 (en) System and method for operating a wind turbine
EP3249218B1 (en) System and method for micrositing a wind farm for loads optimization
EP3608538A1 (en) Model-based repowering solutions for wind turbines
CN114251223A (zh) 用于控制风力涡轮的系统和方法
CN117905638B (zh) 基于强化学习的风力发电机优化控制方法及系统
EP4124748A1 (en) Systems and methods for operating a wind farm
EP4060430B1 (en) Systems and methods for operating power generating assets
CN114352483A (zh) 风力涡轮中的疲劳载荷以及操作元数据的使用
US20190226456A1 (en) System and Method for Evaluating Loads of a Potential Wind Farm Site for Multiple Wind Scenarios
US20240295211A1 (en) Systems and methods for controlling an industrial asset of an asset family
EP3971413B1 (en) Systems and methods for controlling a wind turbine
EP4002024A1 (en) Systems and methods for multivariable control of a power generating system
EP4040626A1 (en) Systems and methods for operating a power generating asset
CN118056072A (zh) 用于控制风力涡轮的系统和方法
US20220364549A1 (en) System and method for scheduling preventative maintenance actions based on operational usage
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
CN114810487A (zh) 基于其实际操作使用累积负载直方图操作风力涡轮的系统

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