CN116090309B - 风力发电机组仿真模型的生成方法、装置、设备及介质 - Google Patents
风力发电机组仿真模型的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116090309B CN116090309B CN202310147717.8A CN202310147717A CN116090309B CN 116090309 B CN116090309 B CN 116090309B CN 202310147717 A CN202310147717 A CN 202310147717A CN 116090309 B CN116090309 B CN 116090309B
- Authority
- CN
- China
- Prior art keywords
- wind
- simulation model
- generator
- wind wheel
- torque
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims abstract description 57
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 117
- 239000011159 matrix material Substances 0.000 claims description 36
- 239000006185 dispersion Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Sustainable Energy (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了一种风力发电机组仿真模型的生成方法、装置、设备及介质,其中,该方法包括:对风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;目标数据集中的各个历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;分别使用每个目标数据集对初始仿真模型进行模型训练,得到每个目标数据集各自对应的气动分段仿真模型;基于历史运行数据,构建传动系统和发电机系统的传动发电仿真模型;针对每个风速范围,将该风速范围对应的气动分段仿真模型与传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。通过该方法有利于提高建立出的风机仿真数学模型的精度。
Description
技术领域
本申请涉及风力发电技术领域,尤其是涉及一种风力发电机组仿真模型的生成方法、装置、设备及介质。
背景技术
风力发电机组指的是将风能转换为电能的设备,考虑到风力发电机组通常会设置在空旷的野外,使得科研人员无法时时接触到真实的风力发电机组,因此,为了方便对风力发电技术进行更深入的研究,通常需要建立一个风力发电机组的风机仿真数学模型,以模拟出真实的风力发电机组。
在实际应用中,风力发电机组中的风轮上的叶片在捕获风能时,风速的大小与风力发电机组最终产生的电能的多少之间是非线性的关系,特别是风力发电机组中的气动部分,风速的大小与气动部分产生的机械能的多少之间是非线性的关系。
现有技术中,在建立风力发电机组的风机仿真数学模型时,建立出的风机仿真数学模型中的风速大小与风力发电机组产生的电能的多少之间通常都是线性的关系,具体体现在风速大小与气动部分产生的机械能的多少之间是线性的关系,导致建立出的风机仿真数学模型的精度较差。
发明内容
有鉴于此,本申请的目的在于提供一种风力发电机组仿真模型的生成方法、装置、设备及介质,以提高建立出的风机仿真数学模型的精度。
第一方面,本申请实施例提供了一种风力发电机组仿真模型的生成方法,所述风力发电机组包括:包含风轮的气动系统、传动系统和发电机系统;所述方法包括:
对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;所述目标数据集中的各个所述历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有所述目标数据集共同构成的风速范围是连续的;
针对所述气动系统的初始仿真模型,分别使用每个所述目标数据集对所述初始仿真模型进行模型训练,拟合所述初始仿真模型中的模型参数,得到每个所述目标数据集各自对应的气动分段仿真模型;
针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个所述气动分段仿真模型对应一个超平面系数;由所述超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个所述气动分段仿真模型中选择出一个气动分段仿真模型使用;
基于所述历史运行数据,构建所述传动系统和所述发电机系统的传动发电仿真模型;
针对每个所述风速范围,将该风速范围对应的所述气动分段仿真模型与所述传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述历史运行数据还包括:风轮转速、发电机转速、桨距角和风轮气动转矩;所述对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集,包括:
基于有限差分回归向量的计算公式,确定每个所述历史运行数据对应的有限差分回归向量,以及基于所述有限差分回归向量和所述风轮气动转矩确定所述历史运行数据对应的数据点;所述有限差分回归向量的计算公式为:
x(t)=[yT(t-1)yT(t-2)…yT(t-na)uT(t-1)uT(t-2)…uT(t-nb)]
其中,t表示所述历史运行数据的生成时刻;x(t)为t时刻对应的有限差分回归向量;y表示所述风轮气动转矩;u表示所述风速、所述风轮转速、所述发电机转速和所述桨距角;na表示所述风速、所述风轮转速、所述发电机转速和所述桨距角的第一延迟阶次;nb表示所述风轮气动转矩的第二延迟阶次;
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述风力发电机组为双风轮风力发电机组,所述气动系统包括第一风轮和第二风轮;所述气动分段仿真模型为:
其中,i表示第i个气动分段仿真模型,y(t)表示t时刻对应的历史运行数据中的风轮气动转矩,y1(t)表示所述第一风轮的风轮气动转矩,y2(t)表示所述第二风轮的风轮气动转矩,μ1,i表示第i个气动分段仿真模型的第一风轮的风轮气动转矩对应的模型参数,μ2,i表示第i个气动分段仿真模型的第二风轮的风轮气动转矩对应的模型参数,x(t)表示t时刻对应的历史运行数据对应的有限差分回归向量。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数,包括:
通过以下公式计算超平面不等式中的超平面系数:
约束条件为:
其中,为法向量,d为偏移量,超平面系数包括法向量和偏移量;γ表示惩罚系数;ξk表示松弛变量;m表示相邻的两个风速范围对应的两个目标数据集中包含的历史运行数据的数量;xk表示相邻的两个风速范围对应的两个目标数据集中的第k个历史运行数据对应的有限差分回归向量;bk表示第k个历史运行数据所属的目标数据集的数据集标签。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述历史运行数据还包括:发动机电磁转矩,所述传动系统的传动仿真模型为:
其中,Tr表示风轮气动转矩,Tg表示发电机电磁转矩,ωr表示风轮转速,ωg表示发电机转速,Tshaft表示等效中间轴转矩,Jr表示风轮转动惯量,Jg表示发电机转动惯量,δr为风轮角位移,δg为发电机角位移,d(δr)/dt=ωr,d(δg)/dt=ωg,N表示传动系统中齿轮箱的变速比,Astif表示等效中间轴刚度系数,Bdamp表示等效中间轴阻尼系数;
所述发电机系统的发电仿真模型为:
其中,为发电机电磁转矩参考值,τg为等效时间常数,Tg为发电机电磁转矩;
所述传动发电仿真模型为:
所述风力发电机组仿真模型为:
其中,Mi表示第i个风力发电机组仿真模型;h(t)表示在t时刻的风轮转速、发电机转速、发电机电磁转矩和δp,s(t)表示在t时刻的第三延迟阶次对应的风速、风轮转速、发电机转速、桨距角和发电机电磁转矩参考值,f(t)表示在t时刻的风轮转速和等效中间轴转矩;α1-α9表示风力发电机组仿真模型的模型参数;G=0。
结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,其中,在得到各个所述风速范围对应的风力发电机组仿真模型之后,所述方法还包括:
获取所述风力发电机组仿真模型在进行模拟仿真运行时的第一当前风轮转速;
判断所述第一当前风轮转速是否大于预设风轮转速,以及从预设的转速转矩曲线表中,查询出所述第一当前风轮转速对应的第一目标发电机电磁转矩;
当所述第一当前风轮转速大于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角,以使所述风力发电机组仿真模型的当前发电机电磁转矩保持在额定发电机电磁转矩的允许变动范围内;
当所述第一当前风轮转速小于等于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角为0,以使所述风力发电机组仿真模型的当前发电机电磁转矩达到所述目标发电机电磁转矩;所述目标发电机电磁转矩小于所述额定发电机电磁转矩。
结合第一方面的第五种可能的实施方式,本申请实施例提供了第一方面的第六种可能的实施方式,其中,在得到各个所述风速范围对应的风力发电机组仿真模型之后,所述方法还包括:
获取所述风力发电机组仿真模型在进行模拟仿真运行时在当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩;
从所述转速转矩曲线表中,查询出所述第二当前风轮转速对应的第二目标发电机电磁转矩;
根据所述第二目标发电机电磁转矩、所述当前时刻的当前风速、所述第二当前风轮转速、所述当前发送机转速、所述当前桨距角、所述当前发电机电磁转矩,预测所述风力发电机组仿真模型在当前时刻的下一时刻的发动机电磁转矩。
第二方面,本申请实施例还提供一种风力发电机组仿真模型的生成装置,所述风力发电机组包括:包含风轮的气动系统、传动系统和发电机系统;所述装置包括:
聚类模块,用于对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;所述目标数据集中的各个所述历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有所述目标数据集共同构成的风速范围是连续的;
拟合模块,用于针对所述气动系统的初始仿真模型,分别使用每个所述目标数据集对所述初始仿真模型进行模型训练,拟合所述初始仿真模型中的模型参数,得到每个所述目标数据集各自对应的气动分段仿真模型;
计算模块,用于针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个所述气动分段仿真模型对应一个超平面系数;由所述超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个所述气动分段仿真模型中选择出一个气动分段仿真模型使用;
构建模块,用于基于所述历史运行数据,构建所述传动系统和所述发电机系统的传动发电仿真模型;
拼接模块,用于针对每个所述风速范围,将该风速范围对应的所述气动分段仿真模型与所述传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述历史运行数据还包括:风轮转速、发电机转速、桨距角和风轮气动转矩;所述聚类模块在用于对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集时,具体用于:
基于有限差分回归向量的计算公式,确定每个所述历史运行数据对应的有限差分回归向量,以及基于所述有限差分回归向量和所述风轮气动转矩确定所述历史运行数据对应的数据点;所述有限差分回归向量的计算公式为:
x(t)=[yT(t-1)yT(t-2)…yT(t-na)uT(t-1)uT(t-2)…uT(t-nb)]
其中,t表示所述历史运行数据的生成时刻;x(t)为t时刻对应的有限差分回归向量;y表示所述风轮气动转矩;u表示所述风速、所述风轮转速、所述发电机转速和所述桨距角;na表示所述风速、所述风轮转速、所述发电机转速和所述桨距角的第一延迟阶次;nb表示所述风轮气动转矩的第二延迟阶次;
根据任意两个所述数据点之间的欧几里得距离,对多个所述历史运行数据进行划分,得到多个初始数据集;
采用最小二乘法计算每个所述初始数据集的参数向量;
确定每个所述初始数据集中的每个所述历史运行数据各自对应的所述有限差分回归向量的均值;
针对每个所述初始数据集,根据该初始数据集对应的所述均值和所述参数向量,生成该初始数据集对应的特征向量;
计算每个所述特征向量的经验协方差矩阵,以及分别计算用于表示各个所述初始数据集的离散度的离散度矩阵;
根据所述特征向量对应的所述经验协方差矩阵和所述离散度矩阵,确定该特征向量的置信度;
使用K均值聚类算法,基于每个所述特征向量对应的所述置信度、所述离散度矩阵和所述经验协方差矩阵,对多个所述特征向量进行聚类,以根据所述特征向量的聚类结果确定所述历史运行数据的聚类结果,得到预设数量的目标数据集。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述风力发电机组为双风轮风力发电机组,所述气动系统包括第一风轮和第二风轮;所述气动分段仿真模型为:
其中,i表示第i个气动分段仿真模型,y(t)表示t时刻对应的历史运行数据中的风轮气动转矩,y1(t)表示所述第一风轮的风轮气动转矩,y2(t)表示所述第二风轮的风轮气动转矩,μ1,i表示第i个气动分段仿真模型的第一风轮的风轮气动转矩对应的模型参数,μ2,i表示第i个气动分段仿真模型的第二风轮的风轮气动转矩对应的模型参数,x(t)表示t时刻对应的历史运行数据对应的有限差分回归向量。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第三种可能的实施方式,其中,所述计算模块在用于针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数时,具体用于:
通过以下公式计算超平面不等式中的超平面系数:
约束条件为:
其中,为法向量,d为偏移量,超平面系数包括法向量和偏移量;γ表示惩罚系数;ξk表示松弛变量;m表示相邻的两个风速范围对应的两个目标数据集中包含的历史运行数据的数量;xk表示相邻的两个风速范围对应的两个目标数据集中的第k个历史运行数据对应的有限差分回归向量;bk表示第k个历史运行数据所属的目标数据集的数据集标签。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第四种可能的实施方式,其中,所述历史运行数据还包括:发动机电磁转矩,所述传动系统的传动仿真模型为:
其中,Tr表示风轮气动转矩,Tg表示发电机电磁转矩,ωr表示风轮转速,ωg表示发电机转速,Tshaft表示等效中间轴转矩,Jr表示风轮转动惯量,Jg表示发电机转动惯量,δr为风轮角位移,δg为发电机角位移,d(δr)/dt=ωr,d(δg)/dt=ωg,N表示传动系统中齿轮箱的变速比,Astif表示等效中间轴刚度系数,Bdamp表示等效中间轴阻尼系数;
所述发电机系统的发电仿真模型为:
其中,为发电机电磁转矩参考值,τg为等效时间常数,Tg为发电机电磁转矩;
所述传动发电仿真模型为:
所述风力发电机组仿真模型为:
其中,Mi表示第i个风力发电机组仿真模型;h(t)表示在t时刻的风轮转速、发电机转速、发电机电磁转矩和δp,s(t)表示在t时刻的第三延迟阶次对应的风速、风轮转速、发电机转速、桨距角和发电机电磁转矩参考值,f(t)表示在t时刻的风轮转速和等效中间轴转矩;α1-α9表示风力发电机组仿真模型的模型参数;G=0。
结合第二方面,本申请实施例提供了第二方面的第五种可能的实施方式,其中,所述装置还包括:
第一获取模块,用于在所述拼接模块得到各个所述风速范围对应的风力发电机组仿真模型之后,获取所述风力发电机组仿真模型在进行模拟仿真运行时的第一当前风轮转速;
判断模块,用于判断所述第一当前风轮转速是否大于预设风轮转速,以及从预设的转速转矩曲线表中,查询出所述第一当前风轮转速对应的第一目标发电机电磁转矩;
第一调整模块,用于当所述第一当前风轮转速大于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角,以使所述风力发电机组仿真模型的当前发电机电磁转矩保持在额定发电机电磁转矩的允许变动范围内;
第二调整模块,用于当所述第一当前风轮转速小于等于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角为0,以使所述风力发电机组仿真模型的当前发电机电磁转矩达到所述目标发电机电磁转矩;所述目标发电机电磁转矩小于所述额定发电机电磁转矩。
结合第二方面的第五种可能的实施方式,本申请实施例提供了第二方面的第六种可能的实施方式,其中,所述装置还包括:
第二获取模块,用于在所述拼接模块得到各个所述风速范围对应的风力发电机组仿真模型之后,获取所述风力发电机组仿真模型在进行模拟仿真运行时在当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩;
查询模块,用于从所述转速转矩曲线表中,查询出所述第二当前风轮转速对应的第二目标发电机电磁转矩;
预测模块,用于根据所述第二目标发电机电磁转矩、所述当前时刻的当前风速、所述第二当前风轮转速、所述当前发送机转速、所述当前桨距角、所述当前发电机电磁转矩,预测所述风力发电机组仿真模型在当前时刻的下一时刻的发动机电磁转矩。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种风力发电机组仿真模型的生成方法、装置、设备及介质,其中,在构建风力发电机组的风力发电机组仿真模型时,对历史运行数据进行聚类,得到预设数量的目标数据集后,使用各个目标数据集分别训练气动系统的初始仿真模型,得到每个目标数据集各自对应的气动分段仿真模型。由于不同目标数据集对应的风速范围不同,所有目标数据集共同构成的风速范围是连续的,因此,每个气动分段仿真模型适用的风速范围是不同的。在一个风速范围(例如3米/秒-8米/秒,8米/秒-11米/秒)内,风速大小与气动系统产生的机械能的多少之间是线性的关系,但是,在整个连续的风速范围(包含所有风速范围,例如3米/秒-24米/秒)中,风速大小与气动系统产生的机械能的多少之间是非线性的关系,从而提高了气动分段仿真模型的精度,进而提高了风机仿真数学模型的精度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种风力发电机组仿真模型的生成方法的流程图;
图2示出了本申请实施例所提供的一种桨距角的示意图;
图3示出了本申请实施例所提供的一种风力发电机组仿真模型的生成装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
风力发电机组指的是将风能转换为电能的设备,风力发电机组主要包括三个组成部分:气动部分、传动部分和发电机部分。其中,气动部分主要用于将风能转换为机械能,具体地,气动部分主要包括风轮,风轮上的叶片会根据捕获到的风能带动风轮进行转动,从而将风能转换为机械能。传动部分主要用于放大机械能,具体地,传动部分主要由齿轮箱构成,齿轮箱中的大齿轮连接风轮,大齿轮会跟随风轮的转速进行转动,齿轮箱中的小齿轮会根据大齿轮的带动进行转动,由于小齿轮的转速大于大齿轮的转速(例如,当齿轮箱中大齿轮与小齿轮之间的传动比为1:10时,大齿轮转动一圈时,小齿轮转动10圈),因此可以通过传动部分放大由风能转换而来的机械能。发电机部分主要用于将机械能转换为电能,具体地,发电机连接小齿轮,小齿轮会带动发电机旋转,从而产生电能。
在实际应用中,风轮上的叶片在捕获风能时,风速的大小与风力发电机组最终产生的电能的多少之间是非线性的关系,特别是风力发电机组中的气动部分,风速的大小与气动部分产生的机械能的多少之间是非线性的关系。
考虑到风力发电机组通常会设置在空旷的野外,使得科研人员无法时时接触到真实的风力发电机组,因此,为了方便对风力发电技术进行更深入的研究,需要建立一个风力发电机组的风机仿真数学模型,以模拟出真实的风力发电机组,以便科研人员进行研究。
现有技术中,在建立风力发电机组的风机仿真数学模型时,建立出的风机仿真数学模型中,风速大小与风力发电机组产生的电能的多少之间通常都是线性的关系,具体体现在风速大小与气动部分产生的机械能的多少之间是线性的关系,导致建立出的风机仿真数学模型的精度较差。
考虑到上述问题,基于此,本申请实施例提供了一种风力发电机组仿真模型的生成方法、装置、设备及介质,以提高建立出的风机仿真数学模型的精度,下面通过实施例进行描述。
实施例一:
为便于对本实施例进行理解,首先对本申请实施例所公开的一种风力发电机组仿真模型的生成方法进行详细介绍。该风力发电机组包括:包含风轮的气动系统、传动系统和发电机系统。图1示出了本申请实施例所提供的一种风力发电机组仿真模型的生成方法的流程图,如图1所示,包括以下步骤S101-S105:
S101:对风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;目标数据集中的各个历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有目标数据集共同构成的风速范围是连续的。
该实施例中,风力发电机组包括单风轮风力发电机组和/或双风轮风力发电机组。其中,双风轮风力发电机组具体为水平轴对转双风轮风力发电机组。
风力发电机组中的气动系统主要包括风轮,风轮上的叶片会根据捕获到的风能带动风轮进行转动,从而将风能转换为机械能,也就是说,气动系统主要用于将风能转换为机械能。传动系统主要由齿轮箱构成,齿轮箱中的大齿轮连接风轮,大齿轮会跟随风轮的转速进行转动,齿轮箱中的小齿轮会根据大齿轮的带动进行转动,由于小齿轮的转速大于大齿轮的转速(例如,当齿轮箱中大齿轮与小齿轮之间的传动比为1:10时,大齿轮转动一圈时,小齿轮转动10圈),因此可以通过传动系统放大由风能转换而来的机械能。发电机系统主要用于将机械能转换为电能,具体地,发电机连接小齿轮,小齿轮会带动发电机旋转,从而产生电能。
历史运行数据包括:风速、风轮转速、发电机转速、桨距角、风轮气动转矩和发电机电磁转矩。当风力发电机组为双风轮风力发电机组时,该风力发电机组包括:包含第一风轮的第一气动系统,包含第二风轮的第二气动系统,第一传动系统,第二传动系统,第一发电机系统和第二发电机系统。此时,历史运行数据包括:第一风轮对应的第一风速、第一风轮转速和第一桨距角,第一发电机系统对应的第一发电机电磁转矩,以及第二风轮对应的第二风速、第二风轮转速和第二桨距角,第二发电机系统对应的第二发电机电磁转矩。
图2示出了本申请实施例所提供的一种桨距角的示意图,如图2所示,风的方向与风轮的叶片构成的平面之间的夹角为该风轮对应的桨距角。具体地,当风的方向垂直于风轮的叶片构成的平面时,桨距角为90度;当风的方向平行于风轮的叶片构成的平面时,桨距角为0度。桨距角越小,风能利用率越高。
历史运行数据有多个,各个历史时刻对应各自的历史运行数据。每个目标数据集中均包含多个历史运行数据。
示例性的,若预设数量为5,所有目标数据集共同构成的风速范围为3米/秒-24米/秒时,此时,目标数据集有5个,风速范围有5个,假设具体为:3米/秒-6米/秒、6米/秒-9米/秒、9米/秒-15米/秒、15米/秒-20米/秒、20米/秒-24米/秒。那么,风速范围3米/秒-6米/秒对应的目标数据集中包含的所有的历史运行数据中的风速均位于3米/秒-6米/秒中。目标数据集与风速范围之间是一一对应的。两个相邻的风速范围(例如:9米/秒-15米/秒、15米/秒-20米/秒)中,除了风速范围的边界值(此时为15米/秒),其他风速范围之间是不重叠的。
在一种可能的实施方式中,在执行步骤S101时,具体可以按照以下步骤S1011-S1018执行:
S1011:基于有限差分回归向量的计算公式,确定每个历史运行数据对应的有限差分回归向量,以及基于有限差分回归向量和风轮气动转矩确定历史运行数据对应的数据点;有限差分回归向量的计算公式为:
x(t)=[yT(t-1)yT(t-2)…yT(t-na)uT(t-1)uT(t-2)…uT(t-nb)]
其中,t表示历史运行数据的生成时刻;x(t)为t时刻对应的有限差分回归向量;y表示风轮气动转矩;u表示风速、风轮转速、发电机转速和桨距角;na表示风速、风轮转速、发电机转速和桨距角的第一延迟阶次;nb表示风轮气动转矩的第二延迟阶次。
该实施例中,每个历史运行数据对应各自的有限差分回归向量。t表示该历史运行数据的生成时刻,t-1表示该生成时刻的前一时刻,t-na表示该生成时刻的前第一延迟阶次时刻。延迟阶次表征延迟时间,即t的前na时刻。
针对每个历史运行数据,根据该历史运行数据对应的有限差分回归向量和风轮气动转矩,生成该历史运行数据对应的数据点(x(t),y(t)),其中,x(t)为有限差分回归向量,y(t)为风轮气动转矩。
S1012:根据任意两个数据点之间的欧几里得距离,对多个历史运行数据进行划分,得到多个初始数据集。
计算任意两个数据点之间的欧几里得距离,以根据任意两个数据点之间的欧几里得距离,对多个历史运行数据进行划分,得到多个初始数据集。每个初始数据集中分别包括多个历史运行数据。同一初始数据集中的两个历史运行数据之间的欧几里得距离小于该初始数据集中的历史运行数据与其他数据集中的历史运行数据之间的欧几里得距离。
S1013:采用最小二乘法计算每个初始数据集的参数向量。
具体的,通过以下公式计算每个初始数据集的参数向量:
其中,PVc表示第c个初始数据集对应的参数向量,每个初始数据集对应一个参数向量;yc,1表示第c个初始数据集中的第一个历史运行数据中的风轮气动转矩;yc,k表示第c个初始数据集中的第k个历史运行数据中的风轮气动转矩;第c个初始数据集中的历史运行数据一共有k个;xc1(t)表示第c个初始数据集中的第一个历史运行数据对应的有限差分回归向量;xck(t)表示第c个初始数据集中的第k个历史运行数据对应的有限差分回归向量。
S1014:确定每个初始数据集中的每个历史运行数据各自对应的有限差分回归向量的均值。
S1015:针对每个初始数据集,根据该初始数据集对应的均值和参数向量,生成该初始数据集对应的特征向量。
特征向量为:
FVc=[(PVc)TMc]T
其中,FVc表示第c个初始数据集对应的特征向量,Mc表示第c个初始数据集中所有有限差分回归向量的均值。该实施例中,每个初始数据集对应一个特征向量。
S1016:计算每个特征向量的经验协方差矩阵,以及分别计算用于表示各个初始数据集的离散度的离散度矩阵。
每个特征向量对应一个经验协方差矩阵,也即每个初始数据集对应一个经验协方差矩阵,该实施例中,具体可以通过以下公式计算特征向量的经验协方差矩阵:
其中,Vc表示第c个初始数据集(第c个特征向量)对应的经验协方差矩阵;yc表示第c个初始数据集中包含的各个历史运行数据中的风轮气动转矩;I为单位矩阵;xc1(t)表示第c个初始数据集中的第一个历史运行数据对应的有限差分回归向量;xck(t)表示第c个初始数据集中的第k个历史运行数据对应的有限差分回归向量;ne表示有限差分回归向量的维度;nc表示初始数据集的个数。
每个初始数据集对应一个离散度矩阵,该实施例中,具体可以通过以下公式计算各个初始数据集对应的离散度矩阵:
其中,Qc表示第c个初始数据集对应的离散度矩阵;c表示第c个初始数据集;xk表示初始数据集中的第k个历史运行数据对应的有限差分回归向量;Mc表示第c个初始数据集对应的均值。
S1017:根据特征向量对应的经验协方差矩阵和离散度矩阵,确定该特征向量的置信度。
将特征向量视为服从高斯分布的随机向量,则特征向量对应的协方差矩阵为:
其中,Rc表示第c个初始数据集对应的特征向量对应的协方差矩阵;Vc表示第c个初始数据集对应的经验协方差矩阵;Qc表示第c个初始数据集对应的离散度矩阵。
通过以下公式计算特征向量的置信度:
其中,βC表示第c个初始数据集对应的特征向量的置信度;Rc表示第c个初始数据集对应的特征向量对应的协方差矩阵;ne表示有限差分回归向量的维度。
S1018:使用K均值聚类算法(K-Means算法),基于每个特征向量对应的置信度、离散度矩阵和经验协方差矩阵,对多个特征向量进行聚类,以根据特征向量的聚类结果确定历史运行数据的聚类结果,得到预设数量的目标数据集。
该实施例中,对多个特征向量进行聚类,以将特征向量聚类分为S个数据蔟,与其对应的初始数据集也就划分为S组,即得到S组目标数据集。其中,每个目标数据集中包含多个初始数据集中的历史运行数据。
S102:针对气动系统的初始仿真模型,分别使用每个目标数据集对初始仿真模型进行模型训练,拟合初始仿真模型中的模型参数,得到每个目标数据集各自对应的气动分段仿真模型。
该实施例中,每个目标数据集所对应的初始仿真模型是相同的,示例性的,假设目标数据集有2个,分别为目标数据集1、目标数据集2,那么本申请中使用目标数据集1对初始仿真模型进行模型训练,拟合初始仿真模型中的模型参数得到目标数据集1对应的气动分段仿真模型1。同样的,使用目标数据集2对初始仿真模型进行模型训练,拟合初始仿真模型中的模型参数得到目标数据集2对应的气动分段仿真模型2。
该实施例中,在训练初始仿真模型时,由于使用的目标数据集不同,所以不同目标数据集对应的气动分段仿真模型中的模型参数可能不同,每个目标数据集对应一个气动分段仿真模型。
承接步骤S101中的实施例,假设目标数据集有5个,风速范围有5个,假设具体为:3米/秒-6米/秒、6米/秒-9米/秒、9米/秒-15米/秒、15米/秒-20米/秒、20米/秒-24米/秒。那么分别使用这5个目标数据集对初始仿真模型进行训练,可以得到5个气动分段仿真模型,这5个气动分段仿真模型所适用的风速范围不同,具体分别为:3米/秒-6米/秒、6米/秒-9米/秒、9米/秒-15米/秒、15米/秒-20米/秒、20米/秒-24米/秒。
在一种可能的实施方式中,风力发电机组为双风轮风力发电机组,气动系统包括第一风轮和第二风轮;气动分段仿真模型为:
其中,i表示第i个气动分段仿真模型,y(t)表示t时刻对应的历史运行数据中的风轮气动转矩,y1(t)表示所述第一风轮的风轮气动转矩,y2(t)表示所述第二风轮的风轮气动转矩,μ1,i表示第i个气动分段仿真模型的第一风轮的风轮气动转矩对应的模型参数,μ2,i表示第i个气动分段仿真模型的第二风轮的风轮气动转矩对应的模型参数,x(t)表示t时刻对应的历史运行数据对应的有限差分回归向量。
S103:针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个气动分段仿真模型对应一个超平面系数;由超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个气动分段仿真模型中选择出一个气动分段仿真模型使用。其中,气动分段仿真模型用于基于风速、风轮转速、发电机转速和桨距角确定风轮气动转矩。
承接上述实施例,当目标数据集有5个,风速范围有5个,风速范围具体为:3米/秒-6米/秒、6米/秒-9米/秒、9米/秒-15米/秒、15米/秒-20米/秒、20米/秒-24米/秒时,此时,5个气动分段仿真模型分别适用的风速范围具体为:3米/秒-6米/秒、6米/秒-9米/秒、9米/秒-15米/秒、15米/秒-20米/秒、20米/秒-24米/秒。而针对位于风速范围临界处的风速大小(例如6米/秒),使用3米/秒-6米/秒对应的气动分段仿真模型还是6米/秒-9米/秒对应的气动分段仿真模型是需要确定的,因此本申请中,可以通过以下方式确定使用哪个气动分段仿真模型确定该风速对应的风轮气动转矩:
在一种可能的实施方式中,针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个目标数据集,计算超平面不等式中的超平面系数,包括:
通过以下公式计算超平面不等式中的超平面系数:
约束条件为:
其中,为法向量,d为偏移量,超平面系数包括法向量和偏移量;γ表示惩罚系数;ξk表示松弛变量;m表示相邻的两个风速范围对应的两个目标数据集中包含的历史运行数据的数量;xk表示相邻的两个风速范围对应的两个目标数据集中的第k个历史运行数据对应的有限差分回归向量;bk表示第k个历史运行数据所属的目标数据集的数据集标签。
该实施例中,3米/秒-6米/秒和6米/秒-9米/秒是相邻的两个风速范围,6米/秒-9米/秒和9米/秒-15米/秒是相邻的两个风速范围。相邻的两个风速范围对应一个超平面不等式,也即风速范围3米/秒-6米/秒和6米/秒-9米/秒对应一个超平面不等式,当风速范围有5个时,超平面不等式有4个。具体地,超平面不等式的一侧为0,另一侧为:
该实施例中,以风速范围3米/秒-6米/秒和6米/秒-9米/秒对应的超平面不等式为例进行说明:当确定出风速范围3米/秒-6米/秒和6米/秒-9米/秒对应的超平面不等式中的超平面系数和d后,在确定出需要输入的风速、风轮转速、发电机转速和桨距角后,确定出用于表示输入的风速、风轮转速、发电机转速和桨距角的有限差分回归向量x’。将x’输入到上述不等式公式中,判断与0之间的大小关系。若小于0,那么表示需要使用风速范围3米/秒-6米/秒对应的气动分段仿真模型确定风轮气动转矩;若大于0,那么表示需要使用风速范围6米/秒-9米/秒对应的气动分段仿真模型确定风轮气动转矩。
S104:基于历史运行数据,构建传动系统和发电机系统的传动发电仿真模型。
在一种可能的实施方式中,历史运行数据还包括:发动机电磁转矩,传动系统的传动仿真模型为:
其中,Tr表示风轮气动转矩,Tg表示发电机电磁转矩,ωr表示风轮转速,ωg表示发电机转速,Tshaft表示等效中间轴转矩,Jr表示风轮转动惯量,Jg表示发电机转动惯量,δr为风轮角位移,δg为发电机角位移,d(δr)/dt=ωr,d(δg)/dt=ωg,N表示传动系统中齿轮箱的变速比,Astif表示等效中间轴刚度系数,Bdamp表示等效中间轴阻尼系数;
发电机系统的发电仿真模型为:
其中,为发电机电磁转矩参考值,τg为等效时间常数,Tg为发电机电磁转矩;
传动发电仿真模型用于基于风轮气动转矩确定发动机电磁转矩。传动发电仿真模型为:
S105:针对每个风速范围,将该风速范围对应的气动分段仿真模型与传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
其中,风力发电机组仿真模型用于基于风速、风轮转速、发电机转速、桨距角确定发动机电磁转矩,发动机电磁转矩用于表征风力发电的发电量。每个风速范围对应一个风力发电机组仿真模型。不同风力发电机组仿真模型中的气动分段仿真模型不同。风力发电机组仿真模型为:
其中,Mi表示第i个风力发电机组仿真模型;h(t)表示在t时刻的风轮转速、发电机转速、发电机电磁转矩和δp,s(t)表示在t时刻的第三延迟阶次对应的风速、风轮转速、发电机转速、桨距角和发电机电磁转矩参考值,f(t)表示在t时刻的风轮转速和等效中间轴转矩;α1-α9表示风力发电机组仿真模型的模型参数;G=0。
在一种可能的实施方式中,在得到各个风速范围对应的风力发电机组仿真模型之后,具体还可以通过以下步骤S1061-S1064执行:
S1061:获取风力发电机组仿真模型在进行模拟仿真运行时的第一当前风轮转速。
该实施例中,当风力发电机组仿真模型为双风轮风力发电机组仿真模型时,第一当前风轮转速包含第一风轮的当前风轮转速和第二风轮的当前风轮转速。
模拟仿真运行指的是向风力发电机组仿真模型中输入预设的风速、风轮转速、发电机转速和桨距角,以使风力发电机组仿真模型输出对应的发动机电磁转矩,以预测出发电量。
S1062:判断第一当前风轮转速是否大于预设风轮转速,以及从预设的转速转矩曲线表中,查询出第一当前风轮转速对应的第一目标发电机电磁转矩。
转速转矩曲线表中预先包含有各个风轮转速对应的目标发电机电磁转矩。
S1063:当第一当前风轮转速大于预设风轮转速时,基于目标发电机电磁转矩,调整风力发电机组仿真模型的桨距角,以使风力发电机组仿真模型的当前发电机电磁转矩保持在额定发电机电磁转矩的允许变动范围内。
该实施例中,第一当前风轮转速越大,表示当前风速越大,此时调整风力发电机组仿真模型的桨距角变大,少吸收风能,控制风力发电机仿真模型保持在额定功率附近发电。具体地,控制当前发电机电磁转矩在额定发电机电磁转矩附近,从而控制风力发电机仿真模型保持在额定功率附近发电。
S1064:当第一当前风轮转速小于等于预设风轮转速时,基于目标发电机电磁转矩,调整风力发电机组仿真模型的桨距角为0,以使风力发电机组仿真模型的当前发电机电磁转矩达到目标发电机电磁转矩;目标发电机电磁转矩小于额定发电机电磁转矩。
该实施例中,第一当前风轮转速越小,表示当前风速越小,此时,调整风力发电机组仿真模型的桨距角为0,以使风力发电机组仿真模型的当前发电机电磁转矩达到目标发电机电磁转矩,从而提高风力发电机组仿真模型的发电量。
在一种可能的实施方式中,在得到各个风速范围对应的风力发电机组仿真模型之后,具体还可以通过以下步骤S1071-S1073执行:
S1071:获取风力发电机组仿真模型在进行模拟仿真运行时在当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩。
S1072:从转速转矩曲线表中,查询出第二当前风轮转速对应的第二目标发电机电磁转矩。
转速转矩曲线表中预先包含有各个风轮转速对应的目标发电机电磁转矩。
S1073:根据第二目标发电机电磁转矩、当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩,预测风力发电机组仿真模型在当前时刻的下一时刻的发动机电磁转矩。
实施例二:
基于相同的技术构思,本申请实施例还提供了一种风力发电机组仿真模型的生成装置,图3示出了本申请实施例所提供的一种风力发电机组仿真模型的生成装置的结构示意图,如图3所示,该装置包括:
聚类模块301,用于对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;所述目标数据集中的各个所述历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有所述目标数据集共同构成的风速范围是连续的;
拟合模块302,用于针对所述气动系统的初始仿真模型,分别使用每个所述目标数据集对所述初始仿真模型进行模型训练,拟合所述初始仿真模型中的模型参数,得到每个所述目标数据集各自对应的气动分段仿真模型;
计算模块303,用于针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个所述气动分段仿真模型对应一个超平面系数;由所述超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个所述气动分段仿真模型中选择出一个气动分段仿真模型使用;
构建模块304,用于基于所述历史运行数据,构建所述传动系统和所述发电机系统的传动发电仿真模型;
拼接模块305,用于针对每个所述风速范围,将该风速范围对应的所述气动分段仿真模型与所述传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
可选的,所述历史运行数据还包括:风轮转速、发电机转速、桨距角和风轮气动转矩;所述聚类模块301在用于对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集时,具体用于:
基于有限差分回归向量的计算公式,确定每个所述历史运行数据对应的有限差分回归向量,以及基于所述有限差分回归向量和所述风轮气动转矩确定所述历史运行数据对应的数据点;所述有限差分回归向量的计算公式为:
x(t)=[yT(t-1)yT(t-2)…yT(t-na)uT(t-1)uT(t-2)…uT(t-nb)]
其中,t表示所述历史运行数据的生成时刻;x(t)为t时刻对应的有限差分回归向量;y表示所述风轮气动转矩;u表示所述风速、所述风轮转速、所述发电机转速和所述桨距角;na表示所述风速、所述风轮转速、所述发电机转速和所述桨距角的第一延迟阶次;nb表示所述风轮气动转矩的第二延迟阶次;
根据任意两个所述数据点之间的欧几里得距离,对多个所述历史运行数据进行划分,得到多个初始数据集;
采用最小二乘法计算每个所述初始数据集的参数向量;
确定每个所述初始数据集中的每个所述历史运行数据各自对应的所述有限差分回归向量的均值;
针对每个所述初始数据集,根据该初始数据集对应的所述均值和所述参数向量,生成该初始数据集对应的特征向量;
计算每个所述特征向量的经验协方差矩阵,以及分别计算用于表示各个所述初始数据集的离散度的离散度矩阵;
根据所述特征向量对应的所述经验协方差矩阵和所述离散度矩阵,确定该特征向量的置信度;
使用K均值聚类算法,基于每个所述特征向量对应的所述置信度、所述离散度矩阵和所述经验协方差矩阵,对多个所述特征向量进行聚类,以根据所述特征向量的聚类结果确定所述历史运行数据的聚类结果,得到预设数量的目标数据集。
可选的,所述风力发电机组为双风轮风力发电机组,所述气动系统包括第一风轮和第二风轮;所述气动分段仿真模型为:
其中,i表示第i个气动分段仿真模型,y(t)表示t时刻对应的历史运行数据中的风轮气动转矩,y1(t)表示所述第一风轮的风轮气动转矩,y2(t)表示所述第二风轮的风轮气动转矩,μ1,i表示第i个气动分段仿真模型的第一风轮的风轮气动转矩对应的模型参数,μ2,i表示第i个气动分段仿真模型的第二风轮的风轮气动转矩对应的模型参数,x(t)表示t时刻对应的历史运行数据对应的有限差分回归向量。
可选的,所述计算模块303在用于针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数时,具体用于:
通过以下公式计算超平面不等式中的超平面系数:
约束条件为:
其中,为法向量,d为偏移量,超平面系数包括法向量和偏移量;γ表示惩罚系数;ξk表示松弛变量;m表示相邻的两个风速范围对应的两个目标数据集中包含的历史运行数据的数量;xk表示相邻的两个风速范围对应的两个目标数据集中的第k个历史运行数据对应的有限差分回归向量;bk表示第k个历史运行数据所属的目标数据集的数据集标签。
可选的,所述历史运行数据还包括:发动机电磁转矩,所述传动系统的传动仿真模型为:
其中,Tr表示风轮气动转矩,Tg表示发电机电磁转矩,ωr表示风轮转速,ωg表示发电机转速,Tshaft表示等效中间轴转矩,Jr表示风轮转动惯量,Jg表示发电机转动惯量,δr为风轮角位移,δg为发电机角位移,d(δr)/dt=ωr,d(δg)/dt=ωg,N表示传动系统中齿轮箱的变速比,Astif表示等效中间轴刚度系数,Bdamp表示等效中间轴阻尼系数;
所述发电机系统的发电仿真模型为:
其中,为发电机电磁转矩参考值,τg为等效时间常数,Tg为发电机电磁转矩;
所述传动发电仿真模型为:
所述风力发电机组仿真模型为:
其中,Mi表示第i个风力发电机组仿真模型;h(t)表示在t时刻的风轮转速、发电机转速、发电机电磁转矩和δp,s(t)表示在t时刻的第三延迟阶次对应的风速、风轮转速、发电机转速、桨距角和发电机电磁转矩参考值,f(t)表示在t时刻的风轮转速和等效中间轴转矩;α1-α9表示风力发电机组仿真模型的模型参数;G=0。
可选的,所述装置还包括:
第一获取模块,用于在所述拼接模块得到各个所述风速范围对应的风力发电机组仿真模型之后,获取所述风力发电机组仿真模型在进行模拟仿真运行时的第一当前风轮转速;
判断模块,用于判断所述第一当前风轮转速是否大于预设风轮转速,以及从预设的转速转矩曲线表中,查询出所述第一当前风轮转速对应的第一目标发电机电磁转矩;
第一调整模块,用于当所述第一当前风轮转速大于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角,以使所述风力发电机组仿真模型的当前发电机电磁转矩保持在额定发电机电磁转矩的允许变动范围内;
第二调整模块,用于当所述第一当前风轮转速小于等于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角为0,以使所述风力发电机组仿真模型的当前发电机电磁转矩达到所述目标发电机电磁转矩;所述目标发电机电磁转矩小于所述额定发电机电磁转矩。
可选的,所述装置还包括:
第二获取模块,用于在所述拼接模块得到各个所述风速范围对应的风力发电机组仿真模型之后,获取所述风力发电机组仿真模型在进行模拟仿真运行时在当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩;
查询模块,用于从所述转速转矩曲线表中,查询出所述第二当前风轮转速对应的第二目标发电机电磁转矩;
预测模块,用于根据所述第二目标发电机电磁转矩、所述当前时刻的当前风速、所述第二当前风轮转速、所述当前发送机转速、所述当前桨距角、所述当前发电机电磁转矩,预测所述风力发电机组仿真模型在当前时刻的下一时刻的发动机电磁转矩。
实施例三:
基于相同的技术构思,本申请实施例还提供一种电子设备,图4示出了本申请实施例所提供的一种电子设备的结构示意图,如图4所示,该电子设备400包括:处理器401、存储器402和总线403,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器401与存储器402之间通过总线403通信,处理器401执行机器可读指令,以执行实施例一中所述的方法步骤。
实施例四:
基于相同的技术构思,本申请实施例四还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行实施例一中所述的方法步骤。
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,上述描述的装置、电子设备及计算机可读存储介质的具体工作过程,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,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,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通信接口,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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种风力发电机组仿真模型的生成方法,其特征在于,所述风力发电机组包括:包含风轮的气动系统、传动系统和发电机系统;所述方法包括:
对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;所述目标数据集中的各个所述历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有所述目标数据集共同构成的风速范围是连续的;
针对所述气动系统的初始仿真模型,分别使用每个所述目标数据集对所述初始仿真模型进行模型训练,拟合所述初始仿真模型中的模型参数,得到每个所述目标数据集各自对应的气动分段仿真模型;
针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个所述气动分段仿真模型对应一个超平面系数;由所述超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个所述气动分段仿真模型中选择出一个气动分段仿真模型使用;
基于所述历史运行数据,构建所述传动系统和所述发电机系统的传动发电仿真模型;
针对每个所述风速范围,将该风速范围对应的所述气动分段仿真模型与所述传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
2.根据权利要求1所述方法,其特征在于,所述历史运行数据还包括:风轮转速、发电机转速、桨距角和风轮气动转矩;所述对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集,包括:
基于有限差分回归向量的计算公式,确定每个所述历史运行数据对应的有限差分回归向量,以及基于所述有限差分回归向量和所述风轮气动转矩确定所述历史运行数据对应的数据点;所述有限差分回归向量的计算公式为:
x(t)=[yT(t-1)yT(t-2)...yT(t-na)uT(t-1)uT(t-2)...uT(t-nb)]
其中,t表示所述历史运行数据的生成时刻;x(t)为t时刻对应的有限差分回归向量;y表示所述风轮气动转矩;u表示所述风速、所述风轮转速、所述发电机转速和所述桨距角;na表示所述风速、所述风轮转速、所述发电机转速和所述桨距角的第一延迟阶次;nb表示所述风轮气动转矩的第二延迟阶次;
根据任意两个所述数据点之间的欧几里得距离,对多个所述历史运行数据进行划分,得到多个初始数据集;
采用最小二乘法计算每个所述初始数据集的参数向量;
确定每个所述初始数据集中的每个所述历史运行数据各自对应的所述有限差分回归向量的均值;
针对每个所述初始数据集,根据该初始数据集对应的所述均值和所述参数向量,生成该初始数据集对应的特征向量;
计算每个所述特征向量的经验协方差矩阵,以及分别计算用于表示各个所述初始数据集的离散度的离散度矩阵;
根据所述特征向量对应的所述经验协方差矩阵和所述离散度矩阵,确定该特征向量的置信度;
使用K均值聚类算法,基于每个所述特征向量对应的所述置信度、所述离散度矩阵和所述经验协方差矩阵,对多个所述特征向量进行聚类,以根据所述特征向量的聚类结果确定所述历史运行数据的聚类结果,得到预设数量的目标数据集。
3.根据权利要求2所述方法,其特征在于,所述风力发电机组为双风轮风力发电机组,所述气动系统包括第一风轮和第二风轮;所述气动分段仿真模型为:
其中,i表示第i个气动分段仿真模型,y(t)表示t时刻对应的历史运行数据中的风轮气动转矩,y1(t)表示所述第一风轮的风轮气动转矩,y2(t)表示所述第二风轮的风轮气动转矩,μ1,i表示第i个气动分段仿真模型的第一风轮的风轮气动转矩对应的模型参数,μ2,i表示第i个气动分段仿真模型的第二风轮的风轮气动转矩对应的模型参数,x(t)表示t时刻对应的历史运行数据对应的有限差分回归向量。
4.根据权利要求2所述方法,其特征在于,所述针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数,包括:
通过以下公式计算超平面不等式中的超平面系数:
约束条件为:
其中,为法向量,d为偏移量,超平面系数包括法向量和偏移量;γ表示惩罚系数;ξk表示松弛变量;m表示相邻的两个风速范围对应的两个目标数据集中包含的历史运行数据的数量;xk表示相邻的两个风速范围对应的两个目标数据集中的第k个历史运行数据对应的有限差分回归向量;bk表示第k个历史运行数据所属的目标数据集的数据集标签。
5.根据权利要求2所述方法,其特征在于,所述历史运行数据还包括:发动机电磁转矩,所述传动系统的传动仿真模型为:
其中,Tr表示风轮气动转矩,Tg表示发电机电磁转矩,ωr表示风轮转速,ωg表示发电机转速,Tshaft表示等效中间轴转矩,Jr表示风轮转动惯量,Jg表示发电机转动惯量,δr为风轮角位移,δg为发电机角位移,d(δr)/dt=ωr,d(δg)/dt=ωg,N表示传动系统中齿轮箱的变速比,Astif表示等效中间轴刚度系数,Bdamp表示等效中间轴阻尼系数;
所述发电机系统的发电仿真模型为:
其中,为发电机电磁转矩参考值,τg为等效时间常数,Tg为发电机电磁转矩;
所述传动发电仿真模型为:
所述风力发电机组仿真模型为:
Mi:
其中,Mi表示第i个风力发电机组仿真模型;h(t)表示在t时刻的风轮转速、发电机转速、发电机电磁转矩和δp,s(t)表示在t时刻的第三延迟阶次对应的风速、风轮转速、发电机转速、桨距角和发电机电磁转矩参考值,f(t)表示在t时刻的风轮转速和等效中间轴转矩;α1-α9表示风力发电机组仿真模型的模型参数;G=0。
6.根据权利要求1所述方法,其特征在于,在得到各个所述风速范围对应的风力发电机组仿真模型之后,所述方法还包括:
获取所述风力发电机组仿真模型在进行模拟仿真运行时的第一当前风轮转速;
判断所述第一当前风轮转速是否大于预设风轮转速,以及从预设的转速转矩曲线表中,查询出所述第一当前风轮转速对应的第一目标发电机电磁转矩;
当所述第一当前风轮转速大于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角,以使所述风力发电机组仿真模型的当前发电机电磁转矩保持在额定发电机电磁转矩的允许变动范围内;
当所述第一当前风轮转速小于等于所述预设风轮转速时,基于所述目标发电机电磁转矩,调整所述风力发电机组仿真模型的桨距角为0,以使所述风力发电机组仿真模型的当前发电机电磁转矩达到所述目标发电机电磁转矩;所述目标发电机电磁转矩小于所述额定发电机电磁转矩。
7.根据权利要求6所述方法,其特征在于,在得到各个所述风速范围对应的风力发电机组仿真模型之后,所述方法还包括:
获取所述风力发电机组仿真模型在进行模拟仿真运行时在当前时刻的当前风速、第二当前风轮转速、当前发送机转速、当前桨距角、当前发电机电磁转矩;
从所述转速转矩曲线表中,查询出所述第二当前风轮转速对应的第二目标发电机电磁转矩;
根据所述第二目标发电机电磁转矩、所述当前时刻的当前风速、所述第二当前风轮转速、所述当前发送机转速、所述当前桨距角、所述当前发电机电磁转矩,预测所述风力发电机组仿真模型在当前时刻的下一时刻的发动机电磁转矩。
8.一种风力发电机组仿真模型的生成装置,其特征在于,所述风力发电机组包括:包含风轮的气动系统、传动系统和发电机系统;所述装置包括:
聚类模块,用于对所述风力发电机组的多个历史运行数据进行聚类,得到预设数量的目标数据集;所述目标数据集中的各个所述历史运行数据包含的风速位于该目标数据集对应的风速范围内;不同目标数据集对应的风速范围不同;所有所述目标数据集共同构成的风速范围是连续的;
拟合模块,用于针对所述气动系统的初始仿真模型,分别使用每个所述目标数据集对所述初始仿真模型进行模型训练,拟合所述初始仿真模型中的模型参数,得到每个所述目标数据集各自对应的气动分段仿真模型;
计算模块,用于针对任意两个相邻的风速范围,基于相邻的两个风速范围对应的两个所述目标数据集,计算超平面不等式中的超平面系数;每两个相邻的风速范围对应的两个所述气动分段仿真模型对应一个超平面系数;由所述超平面系数构建的超平面不等式用于从两个相邻的风速范围对应的两个所述气动分段仿真模型中选择出一个气动分段仿真模型使用;
构建模块,用于基于所述历史运行数据,构建所述传动系统和所述发电机系统的传动发电仿真模型;
拼接模块,用于针对每个所述风速范围,将该风速范围对应的所述气动分段仿真模型与所述传动发电仿真模型进行拼接,得到该风速范围对应的风力发电机组仿真模型。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147717.8A CN116090309B (zh) | 2023-02-20 | 2023-02-20 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
US18/400,389 US20240281573A1 (en) | 2023-02-20 | 2023-12-29 | Method and device for generating wind turbine generator set simulation model, equipment, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147717.8A CN116090309B (zh) | 2023-02-20 | 2023-02-20 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090309A CN116090309A (zh) | 2023-05-09 |
CN116090309B true CN116090309B (zh) | 2023-08-01 |
Family
ID=86208286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310147717.8A Active CN116090309B (zh) | 2023-02-20 | 2023-02-20 | 风力发电机组仿真模型的生成方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240281573A1 (zh) |
CN (1) | CN116090309B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 基于有效风速估计的变速风力发电机组最大风能捕获方法 |
CN109960823A (zh) * | 2017-12-22 | 2019-07-02 | 北京金风科创风电设备有限公司 | 风力发电机组的等效风速确定方法和设备 |
CN110781574A (zh) * | 2019-09-03 | 2020-02-11 | 中国能源建设集团甘肃省电力设计院有限公司 | 大规模风电场中多风力发电机组建模方法 |
CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
WO2022001248A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京金风科创风电设备有限公司 | 风力发电机组及其避转速控制方法、装置 |
CN115186452A (zh) * | 2022-06-20 | 2022-10-14 | 国电联合动力技术有限公司 | 风电机组极限载荷的仿真方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
FR3116123B1 (fr) * | 2020-11-06 | 2022-10-14 | Ifp Energies Now | Procédé de détermination de la vitesse du vent dans le plan du rotor d’une éolienne |
US11761427B2 (en) * | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
-
2023
- 2023-02-20 CN CN202310147717.8A patent/CN116090309B/zh active Active
- 2023-12-29 US US18/400,389 patent/US20240281573A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960823A (zh) * | 2017-12-22 | 2019-07-02 | 北京金风科创风电设备有限公司 | 风力发电机组的等效风速确定方法和设备 |
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 基于有效风速估计的变速风力发电机组最大风能捕获方法 |
CN110781574A (zh) * | 2019-09-03 | 2020-02-11 | 中国能源建设集团甘肃省电力设计院有限公司 | 大规模风电场中多风力发电机组建模方法 |
WO2022001248A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京金风科创风电设备有限公司 | 风力发电机组及其避转速控制方法、装置 |
CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
CN115186452A (zh) * | 2022-06-20 | 2022-10-14 | 国电联合动力技术有限公司 | 风电机组极限载荷的仿真方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
Modeling wind-turbine power curve: A data partitioning and mining approach;Tinghui Ouyang 等;《Renewable Energy》;第1-8页 * |
风力发电机组数字孪生系统;房方 等;《中国科学: 技术科学》;第52卷(第10期);第1582-1594页 * |
风速和翼型弯度对垂直轴风机气动性能的影响;宋晨光 等;《排灌机械工程学报》;第36卷;第243-249页 * |
Also Published As
Publication number | Publication date |
---|---|
US20240281573A1 (en) | 2024-08-22 |
CN116090309A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3791060B1 (en) | Wind turbine control method | |
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 | |
Annoni et al. | Evaluating wake models for wind farm control | |
CN102012956B (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
Sessarego et al. | A hybrid multi-objective evolutionary algorithm for wind-turbine blade optimization | |
CN101344065B (zh) | 基于满意控制的水轮机调速系统参数优化方法 | |
CN108468622B (zh) | 基于极限学习机的风电机组叶根载荷估计方法 | |
CN109737008A (zh) | 风电机组智能变桨控制系统及方法、风电机组 | |
CN117418999B (zh) | 一种海上风电机组出力控制方法及相关装置 | |
EP2541052B1 (en) | Controlling a wind turbine using a neural network function | |
CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及系统 | |
CN107313898B (zh) | 基于Markov跳变规律的风力发电系统控制的方法 | |
CN116090309B (zh) | 风力发电机组仿真模型的生成方法、装置、设备及介质 | |
CN111734585A (zh) | 风力发电机的极限载荷的确定方法、装置及可读存储介质 | |
CN111027169A (zh) | 一种适用于风力发电机叶轮面等效风速的改进型观测方法 | |
CN104408223B (zh) | 一种风电机组的跟踪优化控制方法 | |
CN111022254B (zh) | 奇异摄动风力发电模型最大功率点跟踪的时滞控制方法 | |
Yao et al. | RBF neural network based self-tuning PID pitch control strategy for wind power generation system | |
Li | Coupled computational fluid dynamics/multibody dynamics method with application to wind turbine simulations | |
Thomsen et al. | Individual pitch control of wind turbines using local inflow measurements | |
CN103362741A (zh) | 基于adaline技术的风力发电机组系统辨识方法 | |
CN116498499A (zh) | 一种风电机组尾流计算方法及系统、设备、介质 | |
CN101515719B (zh) | 一种建立发电机轴系多质量块变阻尼模型的方法及装置 | |
Iori et al. | Including the power regulation strategy in aerodynamic optimization of wind turbines for increased design freedom | |
CN110489801B (zh) | 利用粒子群优化算法的发电机轴系多质块参数简化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |