CN115755639A - 一种风电机组数字孪生仿真方法及系统 - Google Patents
一种风电机组数字孪生仿真方法及系统 Download PDFInfo
- Publication number
- CN115755639A CN115755639A CN202211234665.XA CN202211234665A CN115755639A CN 115755639 A CN115755639 A CN 115755639A CN 202211234665 A CN202211234665 A CN 202211234665A CN 115755639 A CN115755639 A CN 115755639A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- digital twin
- simulation
- wind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组数字孪生仿真方法及系统,方法包括:1)获取实物风电机组的多维度数据源,具体包括风电场测试数据、测风数据、风电机组状态监测数据和风电机组主控数据;2)根据实物风电机组的多维度数据源,提取风电机组动力学特征参数;3)将所述多维度数据源和风电机组动力学特征参数输入至预先构建的风电机组数字孪生仿真模型中,对风电机组数字孪生仿真模型进行实时修正;4)基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,基于仿真运行结果对风电机组进行监测、诊断、预测或优化。本发明能够实现风电机组的实时动态监测和智能化运维,对降低风电场运维成本、提升机组发电量和寿命具有显著意义。
Description
技术领域
本发明主要涉及风力发电机技术领域,具体涉及一种风电机组数字孪生仿真方法及系统。
背景技术
随着风电技术的迅猛发展,风电装机容量急剧增加,随之而来的风电运维压力也与日俱增,风电机组故障发现不及时、定位不准确、维护不到位等问题直接影响到风电场的经济效益。为了保证风电机组安全、高效、可靠的运行,急需一种更为高效的实时动态监测和智能化运维的方式。
目前现有的技术方案多是针对风电机组关键部件和系统建立物理模型,根据离线数据源复现机组的运行状态,实现机组的故障诊断;或者通过传感器实时监测机组的运行状态来实现机组的状态监测。以上技术大多数是针对风电机组特定部件和系统开发,多用于机组部件设计和静态性能分析,往往不具备实时运行能力;即使可以捕获机组动态性能,但由于基于传感器的监测系统是一种滞后控制系统,面对于突发的极端荷载,很有可能在控制系统给出指令前,机组便已遭受到破坏与损伤。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种对机组进行精准监测、诊断、预测或优化的风电机组数字孪生仿真方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
一种风电机组数字孪生仿真方法,包括步骤:
1)获取实物风电机组的多维度数据源;多维度数据源包括风电场测试数据、测风数据、风电机组状态监测数据、风电机组主控数据中的一种或多种;
2)根据实物风电机组的多维度数据源,提取风电机组动力学特征参数;
3)将所述多维度数据源和风电机组动力学特征参数输入至预先构建的风电机组数字孪生仿真模型中,对风电机组数字孪生仿真模型进行实时修正;
4)基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,基于仿真运行结果对风电机组进行监测、诊断、预测或优化。
优选地,在步骤3)中,风电机组数字孪生仿真模型的构建过程如下:
3.1)从风电机组的关键部件机理建模出发,构建风电机组子系统与多系统集成动力学模型,最终建立风电机组初始机理模型;
3.2)基于步骤2)中提取的机组动力学特征参数,对风电机组初始机理模型进行实时修正,得到风电机组数字孪生仿真模型;
3.3)基于风电机组数字孪生仿真模型,对机组运行状态进行实时仿真,输出机组的时域仿真结果;
3.4)将机组的时域仿真结果与步骤1)中的多维度数据源进行对比分析,将根据对比分析结果迭代修正风电机组数字孪生仿真模型。
优选地,所述风电机组数字孪生仿真模型包括风电机组仿真模型、机理模型、控制模型和数据驱动模型。
优选地,在步骤1)中,风电场测试数据包括叶片载荷、主轴载荷、塔筒载荷和功率;测风数据包含风速、风向、大气压和温度;风电机组状态监测数据包括风轮振动信号、传动链振动信号、塔筒振动信号、油液温度和噪声;风电机组主控数据包括风轮转速、变桨参数、发电机转速和变流器参数。
优选地,在步骤1)中,在获取多维度数据源后,对多维度数据源进行预处理并进行挖掘,提取机组实时运行特性,存储于基于MySQL数据库建立的大数据平台中。
优选地,在步骤2)中,所述风电机组动力学特征参数包括风轮叶片的气动载荷、叶片和塔架的结构特性、传动系统的动力学特性和电气系统的动态特性。
优选地,通过步骤1)中采集的测风数据,采用叶素动量理论计算风轮叶片的气动载荷;
提取叶片和塔架结构的初始结构特性,并通过步骤1)中采集的叶根、塔架振动数据实时修正和更新叶片、塔架的结构特性;
通过步骤1)中SCADA数据中的主轴转速数据、主轴承振动数据实时修正和更新传动系统的动力学特性;
通过步骤1)中主控数据来修正电气系统的动态特性;其中主控系统采用与运行实物风电机组一致的控制策略和控制器进行控制。
优选地,在步骤4)中,风电机组监测、诊断、预测和优化的具体过程为:
基于机组实际外部条件进行数字化仿真,将仿真运行结果与实测运行数据进行对比,提供数字化在线监测和对比分析;
基于机组实际外部条件进行数字化振动仿真分析,将理论振动数据与实测数据进行对比,提供数字化振动预警;
基于风电机组零部件的可靠性分析,预测机组不可更换大部件的剩余可用寿命,提供智能维护决策;
基于风资源和地形,根据LCOE模型进行优化分析,给出最优方案,提供收入和成本的可视化和洞察,帮助项目按最优计划推进。
优选地,在步骤4)中,依据机组仿真运行结果,再结合机组多维度数据源,通过3D可视化在线显示风电机组数字孪生仿真模型的输出结果。
本发明还公开了一种风电机组数字孪生仿真系统,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述方法的步骤。
与现有技术相比,本发明的优点在于:
本发明通过风电机组的多维度数据源,对机组运行状态进行实时分析和处理,将分析后的数据传递给数字孪生仿真模型,实现数字孪生仿真模型的实时在线修正,动态更新数字孪生仿真模型,进而基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,再基于仿真运行结果对风电机组进行监测、诊断、预测或优化;其中数字孪生仿真模型根据实时测量数据进行实时在线修正,能够实现对运行机组的精准映射。
本发明的风电机组数字孪生仿真方法,采用“多维度数据源+多平台仿真模型”的技术路线,构建实时数据源结合预测模型的形影系统,实现风电机组的实时动态监测和智能化运维,其具有高保真度和高预测性,能够显著提升风电机组的实时动态监测和智能化运维效率和水平,对降低风电场运维成本、提升机组发电量和寿命具有显著意义。
附图说明
图1为本发明的仿真方法在实施例的流程图。
图2为本发明的仿真系统在实施例的方框图。
图3为本发明的大数据平台结构示意图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本发明实施例的风电机组数字孪生仿真方法,包括步骤:
1)获取实物风电机组的多维度数据源;多维度数据源包括风电场测试数据、测风数据、风电机组状态监测数据、风电机组主控数据中的一种或多种;
2)根据实物风电机组的多维度数据源,提取风电机组动力学特征参数;
3)将多维度数据源和风电机组动力学特征参数输入至预先构建的风电机组数字孪生仿真模型中,对风电机组数字孪生仿真模型进行实时修正;
4)基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,基于仿真运行结果对风电机组进行监测、诊断、预测或优化。
本发明通过风电机组的多维度数据源,对机组运行状态进行实时分析和处理,将分析后的数据传递给数字孪生仿真模型,实现数字孪生仿真模型的实时在线修正,动态更新数字孪生仿真模型,进而基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,再基于仿真运行结果对风电机组进行监测、诊断、预测或优化;其中数字孪生仿真模型根据实时测量数据进行实时在线修正,能够实现对运行机组的精准映射;另外也可以将仿真运行结果与多维度数据源进行对比分析,再根据对比分析结果迭代修正风电机组数字孪生仿真模型,进一步提升数字孪生仿真模型的诊断、评估与预测能力。
在一具体实施例中,在步骤1)中,提取运行实物风电机组的多维度数据源,具体为:
提取风电场测试数据:具体包括叶片载荷、主轴载荷、塔筒载荷、功率等数据;
提取测风数据:具体包含风速、风向、大气压、温度等数据;
提取风电机组状态监测数据:具体包括风轮振动信号、传动链振动信号、塔筒振动信号、油液温度、噪声等数据;
提取风电机组主控数据:具体包括风轮转速、变桨参数、发电机转速、变流器参数等数据。
对风电场测试数据、测风数据、风电机组状态监测数据、风电机组主控数据等这些海量数据进行清洗、转换、抽取和合并等预处理,再基于人工智能、机器学习等技术对数据进行挖掘,提取机组实时运行特性,存储于基于MySQL数据库建立的大数据平台,具体如图3所示。
在一具体实施例中,步骤2)的具体过程为:
由于风电机组风轮气动特性决定机组的出力特性,因此准确表征风轮叶片气动特性对正确得到机组运行特性至关重要。通过步骤1)中采集的实时风速、风向、大气压、温度、空气密度等数据,采用叶素动量理论计算风轮叶片的气动载荷;
叶片和塔架采用有限元分析建模方法,通过ansys等仿真平台高精度提取叶片、塔架结构的初始结构特性,并通过步骤1)中采集的叶根、塔架振动数据实时修正和更新叶片、塔架的结构特性;
传动系统采用集总参数建模方法,提供满足应用需求的低频动态载荷特性,并通过步骤1)中SCADA数据中的主轴转速数据、主轴承振动数据实时修正和更新传动系统的动力学特性;
由于电气系统快速响应能力,电气系统基于电气仿真平台采用一阶惯性环节表征,并通过步骤1)中主控数据来修正电气系统的动态特性;主控系统采用与运行实物风电机组一致的控制策略和控制器进行控制。
其中风电机组作为一个气弹-液压-电磁-控制多耦合作的旋转机械系统,运行于复杂多变的大气环境中,机组性能在多重耦合作用下可能发生损伤和退化,通过上述方法提取并更新机组各主要系统和部件的结构特性,对在线监测机组运行特性、保证机组智能化运维至关重要。
在一具体实施例中,如图2所示,在步骤3)中,在风电物联网架构和大数据平台的基础上,创建一个协作的、交互式风电运维数字孪生仿真系统,为运行实物风电机组创造一个数字模型。通过实时监测数据和多平台仿真模型的机组特征提取,动态更新机组数学物理模型,构建“风电机组数字孪生仿真系统”,提升系统的诊断、评估与预测能力;同时在线优化实际系统的操作、运行与维护,避免频繁的周期性检修与维护,保证系统的安全性。
其中风电机组数字孪生仿真模型的构建过程如下:
3.1)风电机组初始机理模型的构建
以FAST开源气弹代码为内核,从风电机组的关键部件机理建模出发,构建风电机组子系统与多系统集成动力学模型,最终建立风电机组初始机理模型。
3.2)风电机组初始机理模型的实时修正
基于步骤2)中提取的机组动力学特性,对风电机组初始机理模型(如叶片和塔架、传动系统、电气系统以及控制系统)进行实时修正。
3.3)仿真分析
基于建立的风电机组仿真模型,对机组运行状态进行实时仿真,输出机组的时域仿真结果(载荷、振动、位移、功率等);其中采用边缘计算方式将部分仿真、计算以及实效性要求高的业务放在靠近实物机组附近的边缘侧处理,从而加快仿真计算速度,为平台侧分担压力。
3.4)数字化形影系统:
根据业务需求(监测、诊断、预测、优化)将处理后的数据发送到大数据平台侧进行与实时监测数据进行对比分析,在线验证数字孪生仿真系统的准确性,迭代修正数字孪生仿真系统。
其中数字孪生仿真模型主要包括风电机组仿真模型、机理模型、控制模型和数据驱动模型,同时数字孪生仿真模型(仿真平台)提供智能算法接口方便未来更多应用场景对应模型的开发和拓展。
在一具体实施例中,在步骤4)中,风电机组监测、诊断、预测和优化的具体过程为:
基于机组实际外部条件进行数字化仿真,将仿真运行数据与实测运行数据进行对比,提供数字化在线监测和对比分析;
基于机组实际外部条件进行数字化振动仿真分析,将理论振动数据与实测数据进行对比,提供数字化振动预警;
基于风电机组零部件的可靠性分析,预测机组不可更换大部件的剩余可用寿命,提供智能维护决策;
基于能源指南平台的风资源和地形,根据LCOE模型进行优化分析,给出最优方案,提供收入和成本的可视化和洞察,帮助项目按最优计划推进。
在一具体实施例中,还包括对风电机组进行3D可视化虚拟显示。具体地,基于风电机组仿真模型参数进行3D可视化建模;实时传输仿真数据,结合机组多维度数据源,最终将模型输出结果映射至数字孪生风机Web可视化界面上。
本发明的风电机组数字孪生仿真方法,采用“多维度数据源+多平台仿真模型”的技术路线,构建实时数据源结合预测模型的形影系统,实现风电机组的实时动态监测和智能化运维,其具有高保真度和高预测性,能够显著提升风电机组的实时动态监测和智能化运维效率和水平,对降低风电场运维成本、提升机组发电量和寿命具有显著意义。
本发明实施例还提供了一种风电机组数字孪生仿真系统,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述方法的步骤。本发明的仿真系统与上述仿真方法相对应,同样具有如上仿真方法所述的优点。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种风电机组数字孪生仿真方法,其特征在于,包括步骤:
1)获取实物风电机组的多维度数据源;多维度数据源包括风电场测试数据、测风数据、风电机组状态监测数据、风电机组主控数据中的一种或多种;
2)根据实物风电机组的多维度数据源,提取风电机组动力学特征参数;
3)将所述多维度数据源和风电机组动力学特征参数输入至预先构建的风电机组数字孪生仿真模型中,对风电机组数字孪生仿真模型进行实时修正;
4)基于风电机组数字孪生仿真模型进行仿真分析,得到仿真运行结果,基于仿真运行结果对风电机组进行监测、诊断、预测或优化。
2.根据权利要求1所述的风电机组数字孪生仿真方法,其特征在于,在步骤3)中,风电机组数字孪生仿真模型的构建过程如下:
3.1)从风电机组的关键部件机理建模出发,构建风电机组子系统与多系统集成动力学模型,最终建立风电机组初始机理模型;
3.2)基于步骤2)中提取的机组动力学特征参数,对风电机组初始机理模型进行实时修正,得到风电机组数字孪生仿真模型;
3.3)基于风电机组数字孪生仿真模型,对机组运行状态进行实时仿真,输出机组的时域仿真结果;
3.4)将机组的时域仿真结果与步骤1)中的多维度数据源进行对比分析,将根据对比分析结果迭代修正风电机组数字孪生仿真模型。
3.根据权利要求2所述的风电机组数字孪生仿真方法,其特征在于,所述风电机组数字孪生仿真模型包括风电机组仿真模型、机理模型、控制模型和数据驱动模型。
4.根据权利要求1或2或3所述的风电机组数字孪生仿真方法,其特征在于,在步骤1)中,风电场测试数据包括叶片载荷、主轴载荷、塔筒载荷和功率;测风数据包含风速、风向、大气压和温度;风电机组状态监测数据包括风轮振动信号、传动链振动信号、塔筒振动信号、油液温度和噪声;风电机组主控数据包括风轮转速、变桨参数、发电机转速和变流器参数。
5.根据权利要求4所述的风电机组数字孪生仿真方法,其特征在于,在步骤1)中,在获取多维度数据源后,对多维度数据源进行预处理并进行挖掘,提取机组实时运行特性,存储于基于MySQL数据库建立的大数据平台中。
6.根据权利要求4所述的风电机组数字孪生仿真方法,其特征在于,在步骤2)中,所述风电机组动力学特征参数包括风轮叶片的气动载荷、叶片和塔架的结构特性、传动系统的动力学特性和电气系统的动态特性。
7.根据权利要求6所述的风电机组数字孪生仿真方法,其特征在于,通过步骤1)中采集的测风数据,采用叶素动量理论计算风轮叶片的气动载荷;
提取叶片和塔架结构的初始结构特性,并通过步骤1)中采集的叶根、塔架振动数据实时修正和更新叶片、塔架的结构特性;
通过步骤1)中SCADA数据中的主轴转速数据、主轴承振动数据实时修正和更新传动系统的动力学特性;
通过步骤1)中主控数据来修正电气系统的动态特性;其中主控系统采用与运行实物风电机组一致的控制策略和控制器进行控制。
8.根据权利要求1或2或3所述的风电机组数字孪生仿真方法,其特征在于,在步骤4)中,风电机组监测、诊断、预测和优化的具体过程为:
基于机组实际外部条件进行数字化仿真,将仿真运行结果与实测运行数据进行对比,提供数字化在线监测和对比分析;
基于机组实际外部条件进行数字化振动仿真分析,将理论振动数据与实测数据进行对比,提供数字化振动预警;
基于风电机组零部件的可靠性分析,预测机组不可更换大部件的剩余可用寿命,提供智能维护决策;
基于风资源和地形,根据LCOE模型进行优化分析,给出最优方案,提供收入和成本的可视化和洞察,帮助项目按最优计划推进。
9.根据权利要求1或2或3所述的风电机组数字孪生仿真方法,其特征在于,在步骤4)中,依据机组仿真运行结果,再结合机组多维度数据源,通过3D可视化在线显示风电机组数字孪生仿真模型的输出结果。
10.一种风电机组数字孪生仿真系统,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~9中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234665.XA CN115755639A (zh) | 2022-10-10 | 2022-10-10 | 一种风电机组数字孪生仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234665.XA CN115755639A (zh) | 2022-10-10 | 2022-10-10 | 一种风电机组数字孪生仿真方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115755639A true CN115755639A (zh) | 2023-03-07 |
Family
ID=85351057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234665.XA Pending CN115755639A (zh) | 2022-10-10 | 2022-10-10 | 一种风电机组数字孪生仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755639A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
CN117350114A (zh) * | 2023-10-11 | 2024-01-05 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
-
2022
- 2022-10-10 CN CN202211234665.XA patent/CN115755639A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117108445A (zh) * | 2023-07-25 | 2023-11-24 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
CN117108445B (zh) * | 2023-07-25 | 2024-05-03 | 华北电力大学 | 一种串列式双风轮风电机组数字孪生仿真方法 |
CN117350114A (zh) * | 2023-10-11 | 2024-01-05 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
CN117350114B (zh) * | 2023-10-11 | 2024-03-29 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
CN109340062B (zh) | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 | |
EP3791060B1 (en) | Wind turbine control method | |
CN108027908B (zh) | 模拟方法和系统 | |
CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
CN110985309B (zh) | 偏航对风异常检测方法、装置、设备和存储介质 | |
CN105508149B (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
EP3947961B1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
EP4038462A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
CN112855460B (zh) | 风电机组轴系实时疲劳寿命预测方法、系统、介质及设备 | |
Mohammadi et al. | DeepWind: an accurate wind turbine condition monitoring framework via deep learning on embedded platforms | |
CN114254549A (zh) | 用于操作功率生成资产的系统和方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
CN116085212A (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
Chen | Automated on-line fault prognosis for wind turbine monitoring using scada data | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
US20220341393A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
CN112202924A (zh) | 基于物联网的大功率风电机组高强螺栓智能检测系统 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence |
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 |