CN116123029A - 一种桨距角控制方法、装置、电子设备及风电机组 - Google Patents

一种桨距角控制方法、装置、电子设备及风电机组 Download PDF

Info

Publication number
CN116123029A
CN116123029A CN202310118573.3A CN202310118573A CN116123029A CN 116123029 A CN116123029 A CN 116123029A CN 202310118573 A CN202310118573 A CN 202310118573A CN 116123029 A CN116123029 A CN 116123029A
Authority
CN
China
Prior art keywords
pitch angle
signal
azimuth
blade
pitch
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
CN202310118573.3A
Other languages
English (en)
Inventor
李军
杜佳佳
张海涛
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.)
Sany Renewable Energy Co Ltd
Original Assignee
Sany Renewable Energy Co Ltd
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 Sany Renewable Energy Co Ltd filed Critical Sany Renewable Energy Co Ltd
Priority to CN202310118573.3A priority Critical patent/CN116123029A/zh
Publication of CN116123029A publication Critical patent/CN116123029A/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
    • F03D7/046—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
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • 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
    • F03D7/044—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with PID control
    • 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
    • F05B2270/321—Wind directions
    • 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
    • F05B2270/329—Azimuth or yaw angle
    • 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)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Sustainable Development (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种桨距角控制方法、装置、电子设备及风电机组，其中桨距角控制方法包括：获取风机的实时运行数据，根据实时运行数据得到当前最大风速点的方位信息；获取桨距角调节信号和叶片i的方位角信号；根据桨距角调节信号、叶片i的方位角信号和当前最大风速点的方位信息得到叶片i的桨距角调节信号；获取统一变桨信号；根据统一变桨信号和叶片i的桨距角调节信号得到叶片i的桨距角控制信号。由此桨距角执行机构可以根据每个叶片的桨距角控制信号分别控制每个叶片进行变桨动作，实现抑制叶轮旋转频率1P气动载荷振动的同时减小叶轮旋转倍频nP气动转矩对输出功率和机组疲劳载荷的影响，提高风电机组输出电能质量。

Description

一种桨距角控制方法、装置、电子设备及风电机组
技术领域
本发明涉及风力发电控制技术领域，具体涉及一种桨距角控制方法、装置、电子设备及风电机组。
背景技术
风能作为绿色的可再生能源，相比传统化石能源，具有清洁、无污染的特点，因而得到越来越广泛的利用。然而与常规能源发电不同，由于风的随机性和波动性很强，风力发电机组时刻遭受较大程度的扰动，导致功率波动，给电力系统的稳定和经济运行造成了巨大的挑战。因此，了解风速变化的规律，熟悉风速对功率波动变化特性的影响，对电力系统的安全、经济、稳定运行有重要意义。
随着风电机组的单机容量和风轮直径的不断增大，风切变效应及塔影效应对风机的影响不断加剧，直接影响就是叶片受力不均导致叶根载荷增大，而独立变桨技术可根据每个叶片所处位置和受到的风速进行桨距角控制，不仅能够保证机组功率稳定输出，降低机组超速故障率，还能有效减小叶根和轮毂载荷，进而降低机组总体的成本，提高风电机组的可靠性和寿命。
因此，迫切需要一种基于风轮平面风速分布信息的桨距角控制方法，减缓因风速不均引起的叶片振动，改善叶轮旋转倍频对机组载荷和输出功率的影响。
发明内容
有鉴于此，本发明实施例提供了一种桨距角控制方法、装置、电子设备及风电机组，以提供一种可以同时抑制叶轮旋转频率1P气动载荷振动和叶轮旋转倍频nP气动转矩振动两类振动形式的变桨策略。
第一方面，本发明实施例提供了一种桨距角控制方法，包括以下步骤：获取风机的实时运行数据；根据所述实时运行数据得到当前最大风速点的方位信息；获取桨距角调节信号和叶片i的方位角信号；根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号；获取统一变桨信号；根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
具体的，所述获取统一变桨信号包括：分别获取发电机转速和转速参考值；计算所述发电机转速与所述转速参考值的差值；根据所述差值得到所述统一变桨信号。
具体的，所述根据所述实时运行数据得到当前最大风速点的方位信息包括：获取训练数据集，所述训练数据集中包括多组训练数据，每组训练数据包括属于同一时刻的风机历史运行数据和历史最大风速点的方位信息；利用所述训练数据集对所述方位求解模型进行训练将所述实时运行数据输入到经过训练的方位求解模型中，得到当前最大风速点的方位信息。
具体的，所述利用所述训练数据集对所述方位求解模型进行训练包括：获取每组训练数据的历史环境信息；根据所述每组训练数据的历史环境信息将所述训练数据集分成环境信息范围不同的多个子训练数据集；分别利用每个子训练数据集对所述方位求解模型进行训练，得到多个经过训练的方位求解模型。
具体的，将所述实时运行数据输入到预先经过训练的方位求解模型中，得到当前最大风速点的方位信息包括：获取实际环境信息，并确定所述实际环境信息所属的环境信息范围；在多个经过训练的方位求解模型中查找与所述实际环境信息所属的环境信息范围相对应的方位求解模型；将所述实时运行数据输入到查找到的方位求解模型中，得到当前最大风速点的方位信息。
具体的，所述获取桨距角调节信号包括：获取发电机功率；将所述发电机功率输入到带通滤波器中得到所述发电机功率的nP分量；将所述发电机功率的nP分量进行微调得到所述桨距角调节信号；或者，利用叶根载荷得到所述桨距角调节信号。
具体的，所述根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号包括：利用所述叶片i的方位角信号减去所述当前最大风速点的方位信息得到角度差；计算所述角度差的三角函数值；利用所述桨距角调节信号和所述角度差的三角函数值得到所述叶片i的桨距角调节信号。
具体的，所述根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号包括：利用所述统一变桨信号加上所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
第二方面，本发明实施例还提供了一种桨距角控制装置，包括方位求解模块、桨距角微调增量模块、方位角调节模块、统一变桨信号确定模块和桨距角控制信号确定模块；方位求解模块，用于获取实时运行数据，根据所述实时运行数据得到当前最大风速点的方位信息；桨距角微调增量模块，用于获取桨距角调节信号；方位角调节模块，用于获取叶片i的方位角信号，根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号；统一变桨信号确定模块，用于获取统一变桨信号；桨距角控制信号确定模块，用于根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的桨距角控制方法。
第四方面，本发明实施例还提供了一种风电机组，包括第三方面所述的电子设备。
本发明实施例提供的桨距角控制方法、装置、电子设备及风电机组，采用以下技术方案：获取风机的实时运行数据，根据所述实时运行数据得到当前最大风速点的方位信息；获取桨距角调节信号和叶片i的方位角信号；根据桨距角调节信号、叶片i的方位角信号和当前最大风速点的方位信息得到叶片i的桨距角调节信号；获取统一变桨信号；根据统一变桨信号和叶片i的桨距角调节信号得到叶片i的桨距角控制信号。由此，桨距角执行机构可以根据每个叶片的桨距角控制信号分别控制每个叶片进行变桨动作，实现抑制叶轮旋转频率1P气动载荷振动的同时减小叶轮旋转倍频nP气动转矩对输出功率和机组疲劳载荷的影响，提高风电机组输出电能质量。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例中桨距角控制方法的流程示意图；
图2为5层深度神经网络的训练过程示意图；
图3为桨距角控制方法一示例的流程示意图；
图4为本发明实施例中桨距角控制装置的结构示意图；
图5为本发明实施例中电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种桨距角控制方法。图1为本发明实施例中桨距角控制方法的流程示意图。如图1所示，本发明实施例的桨距角控制方法包括以下步骤：
S101：获取风机的实时运行数据。
具体的，实时运行数据为额定风速以上的风机运行数据，包括风速、风向、发电机转速、发电机输出功率、风轮位置等。
S102：根据所述实时运行数据得到当前最大风速点的方位信息。
具体的，可以将所述实时运行数据输入到预先经过训练的方位求解模型中，得到当前最大风速点的方位信息。
在将所述实时运行数据输入到预先经过训练的方位求解模型中之前，还包括：获取训练数据集，所述训练数据集中包括多组训练数据，每组训练数据包括属于同一时刻的风机历史运行数据和历史最大风速点的方位信息；利用所述训练数据集对所述方位求解模型进行训练。其中，风机历史运行数据为在当前时刻之前额定风速以上的风机运行数据，包括风速、风向、发电机转速、发电机输出功率、风轮位置等。
其中，历史最大风速点的方位信息可以通过对风轮平面的风速分布数据进行分析得到。风轮平面的风速分布数据可以利用垂直式多普勒激光雷达获取，也可以通过其他的测风设备获取；另外，还可以通过对风机历史运行数据进行信号处理、小波分析、频谱分析等方法进行得到。
具体的，将历史运行数据作为输入，将历史最大风速点的方位信息作为输出，对所述方位求解模型进行训练。
具体的，方位求解模型可以是深度神经网络(Deep Neural Networks，DNN)模型。其中，神经网络模型可以是长短时记忆神经网络、径向基函数神经网络或广义回归神经网络等其他神经网络模型。
如图2所示，下面以5层深度神经网络为例，对深度神经网络模型的训练过程进行说明：
按不同层的位置划分，深度神经网络模型DNN内部的神经网络层可以分为：输入层，隐藏层和输出层，一般第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。
第一层，隐藏层，神经元输出为
Figure BDA0004079393010000071
其中，d为输入层神经元的个数，H为第一层隐藏层的神经元个数，
Figure BDA0004079393010000072
为输入层第i个神经元到第一层隐藏层第h个神经元的权重系数，
Figure BDA0004079393010000073
为第一层隐藏层第h个神经元的阈值，为了防止梯度消失，激活函数σ采用PReLu函数。
第二层，隐藏层，神经元输出为
Figure BDA0004079393010000074
其中q为第二层隐藏层的神经元个数。
第三层，隐藏层，神经元输出为
Figure BDA0004079393010000075
其中n为第三层隐藏层的神经元个数。
输出层，神经元输出为
Figure BDA0004079393010000076
如上所述，神经元输出公式可一般化为：
假设第l-1层共有m个神经元，则第l层第h个神经元的输出
Figure BDA0004079393010000077
具体表达式为
Figure BDA0004079393010000078
因此，使用前向传播计算训练样本的输出，使用损失函数，来度量训练样本计算出的输出和真实的训练样本标签之间的损失。一般使用网络输出的均方误差作为损失函数进行反向更新，表达式为
Figure BDA0004079393010000081
其中m为一次训练所使用的样本数，
Figure BDA0004079393010000082
为神经网络输出层的期望值，yk为实际输出值。
通过对损失函数用梯度下降法进行迭代优化求极小值，找到合适的隐藏层和输出层对应的权重系数和阈值，让所有的训练样本输入计算出的输出尽可能的等于或接近样本标签。
输出层与隐藏层的权重系数和阈值形式为
Figure BDA0004079393010000083
其中η为学习率，gk为输出层神经元的梯度项。
采用误差反向传播进行各层神经元之间的权重系数和阈值更新，则输入层与隐藏层的权重系数和阈值更新形式为
Figure BDA0004079393010000084
其中
Figure BDA0004079393010000085
为第一层隐藏层第h个神经元的梯度项。
同时，为了防止训练过程中出现过拟合现象，采用Dropout方法按照一定的概率随机忽略某些隐藏层神经元的权重系数。
此外，为了避免人为选取隐藏层数N、每层隐藏层所含神经元个数M和学习率η的不便及可能造成的误差，本发明采用智能优化算法对上述模型参数进行寻优，同时将训练误差极小化作为优化目标，即
Figure BDA0004079393010000091
其中N为神经网络每次训练的迭代次数，
Figure BDA0004079393010000092
为期望输出值，yi为实际输出值。
需要说明的是，为了提高建模质量，消除缺失值、重复值、异常值对建模的影响，可以在利用训练数据集对方位求解模型进行训练之前，对训练数据集中的训练数据进行预处理。为了消除不同量纲对模型训练结果的影响，可以将预处理后的训练数据进行归一化处理。
考虑到不同风况情况下风速随机变化幅度大小存在较大差异，对方位求解模型求解最大风速点方位信息的精度产生一定的影响，因此可以根据环境信息将训练数据集划分为不同区间段的训练数据。需要说明的是，可以根据湍流强度将训练数据划分为不同区间段的训练数据，也可以利用风速区间或者滑动时间窗口等方式划分训练数据。
也就是说，所述利用所述训练数据集对所述方位求解模型进行训练包括：获取每组训练数据的历史环境信息；根据所述每组训练数据的历史环境信息将所述训练数据集分成环境信息范围不同的多个子训练数据集；分别利用每个子训练数据集对所述方位求解模型进行训练，得到多个经过训练的方位求解模型。
当训练得到多个经过训练的方位求解模型时，将所述实时运行数据输入到预先经过训练的方位求解模型中，得到当前最大风速点的方位信息可以采用以下方法：获取实际环境信息，并确定所述实际环境信息所属的环境信息范围；在多个经过训练的方位求解模型中查找与所述实际环境信息所属的环境信息范围相对应的方位求解模型；将所述实时运行数据输入到查找到的方位求解模型中，得到当前最大风速点的方位信息。
S103：获取桨距角调节信号和叶片i的方位角信号。
具体的，获取桨距角调节信号可以采用现有技术中的任一技术方案。例如可以获取发电机功率；将所述发电机功率输入到带通滤波器中得到所述发电机功率的nP分量；将所述发电机功率的nP分量进行微调得到所述桨距角调节信号；再例如，可以利用叶根载荷得到所述桨距角调节信号。其中，nP即叶轮旋转倍频；另外，由于nP中的n为整数，nP还可以称为叶轮旋转整数倍频。
叶片i的方位角信号可以通过测量得到。
S104：根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号。
具体的，所述根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号可以采用以下方法：利用所述叶片i的方位角信号减去所述当前最大风速点的方位信息得到角度差；计算所述角度差的三角函数值；利用所述桨距角调节信号和所述角度差的三角函数值得到所述叶片i的桨距角调节信号。
S105：获取统一变桨信号。
具体的，获取统一变桨信号可以采用以下方法：分别获取发电机转速和转速参考值；计算所述发电机转速与所述转速参考值的差值；根据所述差值得到所述统一变桨信号。
S106：根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
具体的，所述根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号可以采用以下方法：利用所述统一变桨信号加上所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
采用本发明实施例的桨距角调节方法可以分别得到每个叶片的桨距角控制信号，由此桨距角执行机构可以根据每个叶片的桨距角控制信号分别控制每个叶片进行变桨动作，实现抑制叶轮旋转频率1P气动载荷振动的同时减小叶轮旋转倍频nP气动转矩对输出功率和机组疲劳载荷的影响。
为了详细的说明本发明实施例的桨距角调节方法，给出一个具体的示例。如图3所示，桨距角调节方法包括以下步骤：
Step1：利用发电机转速与额定转速参考值的转速偏差eω(t)通过PID控制器和限幅限速处理，输出统一变桨信号β0；同时，利用带通滤波器获取功率的叶轮旋转倍频nP分量，并经过桨距角微调增量模块得到桨距角调节信号Δβ；
Step2：将实时运行数据中的功率、风速、风向、发电机转速、风轮位置等信息进行适当处理后，作为输入代入已训练好的方位求解模块，并根据当前环境信息选择相应的神经网络模型，获得当前最大风速点的方位信息θ*；同时，桨距角调节信号Δβ通过方位角调节模块利用叶片方位角信号θi和最大风速点方位信息θ*转化为叶片i的桨距角调节信号Δβi，具体表达式为Δβi＝Δβcos(θi-θ*)；
Step3在统一变桨信号β0基础上，叠加信号Δβi得到叶片i的实际桨距角指令信号βi，具体表达式为βi＝β0+Δβi；同时，独立变桨信号βi通过变桨执行机构实现机组独立变桨动作。
综上，本发明实施例提供了一种基于方位辨识的变桨距控制方法，根据风轮平面最大风速点的方位信息，在统一变桨信号的基础上，独立微调三支叶片的桨距角指令，实现抑制叶轮旋转频率1P气动载荷振动的同时减小叶轮旋转倍频nP气动转矩对输出功率和机组疲劳载荷的影响。
首先，通过获取额定风速以上时的风机当前运行数据和环境信息数据；输入当前风机运行数据和环境信息数据至方位求解模块，输出预测的风轮平面最大风速点方位信息，所述方位求解模块是基于运行数据样本、环境信息数据和风轮平面最大风速点方位信息样本进行训练所得。在根据转速偏差PID控制获得的统一变桨信号基础上，利用功率叶轮旋转倍频nP分量得到桨距角微量调节信号，并经过方位角调节模块转化为每个叶片的实际桨距角调节信号，桨距角执行机构进行独立变桨动作，实现改善叶片气动特性，减缓风速不均匀引起的叶片振动，改善叶轮旋转倍频对气动转矩和输出功率的影响，有助于提高机组输出电能质量、减小机组疲劳载荷。
与上述桨距角调节方法相对应，本发明实施例还提供了一种桨距角调节装置。如图4所示，桨距角调节装置包括方位求解模块10、桨距角微调增量模块20、方位角调节模块30、统一变桨信号确定模块40和桨距角控制信号确定模块50。
方位求解模块10，用于获取实时运行数据，根据所述差值得到所述统一变桨信号；
桨距角微调增量模块20，用于获取桨距角调节信号；
方位角调节模块30，用于获取叶片i的方位角信号，根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号；
统一变桨信号确定模块40，用于获取统一变桨信号；
桨距角控制信号确定模块50，用于根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
桨距角调节装置还包括方位求解模型训练模块60。方位求解模型训练模块60用于：获取训练数据集，所述训练数据集中包括多组训练数据，每组训练数据包括属于同一时刻的风机历史运行数据和历史最大风速点的方位信息；利用所述训练数据集对所述方位求解模型进行训练。
方位求解模型训练模块60具体用于：获取每组训练数据的历史环境信息；根据所述每组训练数据的历史环境信息将所述训练数据集分成环境信息范围不同的多个子训练数据集；分别利用每个子训练数据集对所述方位求解模型进行训练，得到多个经过训练的方位求解模型。
统一变桨信号确定模块40具体用于：分别获取发电机转速和转速参考值；计算所述发电机转速与所述转速参考值的差值；将所述差值进行PID控制和限幅限速处理得到所述统一变桨信号。
方位求解模块10具体用于：获取实际环境信息，并确定所述实际环境信息所属的环境信息范围；在多个经过训练的方位求解模型中查找与所述实际环境信息所属的环境信息范围相对应的方位求解模型；将所述实时运行数据输入到查找到的方位求解模型中，得到当前最大风速点的方位信息。
桨距角微调增量模块20具体用于：获取发电机功率；将所述发电机功率输入到带通滤波器中得到所述发电机功率的nP分量；将所述发电机功率的nP分量进行微调控制得到所述桨距角调节信号；或者，利用叶根载荷得到所述桨距角调节信号。
方位角调节模块30具体用于：利用所述叶片i的方位角信号减去所述当前最大风速点的方位信息得到角度差；计算所述角度差的三角函数值；利用所述桨距角调节信号和所述角度差的三角函数值得到所述叶片i的桨距角调节信号。
桨距角控制信号确定模块50具体用于：利用所述统一变桨信号加上所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
上述桨距角调节装置的具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
在上述桨距角控制方法的基础上，本发明实施例还提供了一种电子设备，如图5所述该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接。
进一步的，本发明实施例还提供了一种风电机组，包括上述的电子设备。
具体的，处理器51可以为中央处理器51(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器51、数字信号处理器51(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的桨距角控制方法对应的程序指令/模块(例如，图4所示的方位求解模块10、桨距角微调增量模块20、方位角调节模块30、统一变桨信号确定模块40、桨距角控制信号确定模块50和方位求解模型训练模块60)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器51的各种功能应用以及数据处理，即实现上述方法实施例中的桨距角控制方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器52，还可以包括非暂态存储器52，例如至少一个磁盘存储器52件、闪存器件、或其他非暂态固态存储器52件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器52，这些远程存储器52可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1至图3所示实施例中的桨距角控制方法。
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器52(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器52的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种桨距角控制方法，其特征在于，包括：
获取风机的实时运行数据；
根据所述实时运行数据得到当前最大风速点的方位信息；
获取桨距角调节信号和叶片i的方位角信号；
根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号；
获取统一变桨信号；
根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
2.根据权利要求1所述的方法，其特征在于，所述获取统一变桨信号包括：
分别获取发电机转速和转速参考值；
计算所述发电机转速与所述转速参考值的差值；
根据所述差值得到所述统一变桨信号。
3.根据权利要求1所述的方法，其特征在于，所述根据所述实时运行数据得到当前最大风速点的方位信息包括：
获取训练数据集，所述训练数据集中包括多组训练数据，每组训练数据包括属于同一时刻的风机历史运行数据和历史最大风速点的方位信息；
利用所述训练数据集对所述方位求解模型进行训练；
将所述实时运行数据输入到经过训练的方位求解模型中，得到当前最大风速点的方位信息。
4.根据权利要求3所述的方法，其特征在于，所述利用所述训练数据集对所述方位求解模型进行训练包括：
获取每组训练数据的历史环境信息；
根据所述每组训练数据的历史环境信息将所述训练数据集分成环境信息范围不同的多个子训练数据集；
分别利用每个子训练数据集对所述方位求解模型进行训练，得到多个经过训练的方位求解模型。
5.根据权利要求4所述的方法，其特征在于，将所述实时运行数据输入到预先经过训练的方位求解模型中，得到当前最大风速点的方位信息包括：
获取实际环境信息，并确定所述实际环境信息所属的环境信息范围；
在多个经过训练的方位求解模型中查找与所述实际环境信息所属的环境信息范围相对应的方位求解模型；
将所述实时运行数据输入到查找到的方位求解模型中，得到当前最大风速点的方位信息。
6.根据权利要求1所述的方法，其特征在于，所述获取桨距角调节信号包括：
获取发电机功率；
将所述发电机功率输入到带通滤波器中得到所述发电机功率的nP分量；
将所述发电机功率的nP分量进行微调得到所述桨距角调节信号；
或者，利用叶根载荷得到所述桨距角调节信号。
7.根据权利要求1所述的方法，其特征在于：
所述根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号包括：
利用所述叶片i的方位角信号减去所述当前最大风速点的方位信息得到角度差；
计算所述角度差的三角函数值；
利用所述桨距角调节信号和所述角度差的三角函数值得到所述叶片i的桨距角调节信号；
所述根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号包括：
利用所述统一变桨信号加上所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
8.一种桨距角控制装置，其特征在于，包括：
方位求解模块，用于获取实时运行数据，根据所述实时运行数据得到当前最大风速点的方位信息；
桨距角微调增量模块，用于获取桨距角调节信号；
方位角调节模块，用于获取叶片i的方位角信号，根据所述桨距角调节信号、所述叶片i的方位角信号和所述当前最大风速点的方位信息得到所述叶片i的桨距角调节信号；
统一变桨信号确定模块，用于获取统一变桨信号；
桨距角控制信号确定模块，用于根据所述统一变桨信号和所述叶片i的桨距角调节信号得到所述叶片i的桨距角控制信号。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1～7中任一项所述的桨距角控制方法。
10.一种风电机组，其特征在于，包括权利要求9所述的电子设备。
CN202310118573.3A 2023-01-31 2023-01-31 一种桨距角控制方法、装置、电子设备及风电机组 Pending CN116123029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310118573.3A CN116123029A (zh) 2023-01-31 2023-01-31 一种桨距角控制方法、装置、电子设备及风电机组

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310118573.3A CN116123029A (zh) 2023-01-31 2023-01-31 一种桨距角控制方法、装置、电子设备及风电机组

Publications (1)

Publication Number Publication Date
CN116123029A true CN116123029A (zh) 2023-05-16

Family

ID=86297216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310118573.3A Pending CN116123029A (zh) 2023-01-31 2023-01-31 一种桨距角控制方法、装置、电子设备及风电机组

Country Status (1)

Country Link
CN (1) CN116123029A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116857118A (zh) * 2023-09-01 2023-10-10 江苏纳泉弘远新能源科技有限公司 一种基于物联网技术的风力发电变桨方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116857118A (zh) * 2023-09-01 2023-10-10 江苏纳泉弘远新能源科技有限公司 一种基于物联网技术的风力发电变桨方法和系统
CN116857118B (zh) * 2023-09-01 2023-11-10 江苏纳泉弘远新能源科技有限公司 一种基于物联网技术的风力发电变桨方法和系统

Similar Documents

Publication Publication Date Title
EP2940296B1 (en) Systems and methods for optimizing operation of a wind farm
CN107885959B (zh) 一种基于置信等效功率曲线带的风电建模及性能评估方法
US20220186709A1 (en) Reinforcement learning-based real time robust variable pitch control of wind turbine systems
CN112031998B (zh) 基于激光雷达的风电机组独立变桨控制优化方法及系统
CN110365053B (zh) 基于延迟优化策略的短期风电功率预测方法
CN107045574B (zh) 基于svr的风力发电机组低风速段有效风速估计方法
EP4194684A1 (en) Load control method and apparatus for wind turbine generator system
CN114048930B (zh) 一种超短期风电功率预测方法和装置
CN116123029A (zh) 一种桨距角控制方法、装置、电子设备及风电机组
WO2023115425A1 (zh) 一种超短时风速预测方法及系统
CN115013258B (zh) 一种风电机组机前风速智能软测量方法
CN111091236A (zh) 一种按桨距角分类的多分类深度学习短期风功率预测方法
Tang et al. Review and perspectives of machine learning methods for wind turbine fault diagnosis
CN113685314B (zh) 变桨控制方法、系统和可读存储介质
Mulders et al. Efficient tuning of individual pitch control: a Bayesian optimization machine learning approach
Lai et al. Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
CN115977874B (zh) 基于激光测风雷达的风电机组偏航自适应校准方法及系统
Lara et al. Optimization with genetic algorithms of individual pitch control design with and without azimuth offset for wind turbines in the full load region
CN108537372B (zh) 一种风向预测方法及风力发电机组的偏航控制方法
Asghar et al. Online estimation of wind turbine tip speed ratio by adaptive neuro-fuzzy algorithm
CN116306236A (zh) 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统
Sheibat-Othman et al. Estimation of the wind turbine yaw error by support vector machines
Ayenew et al. Application of artificial intelligent technique to maximize power yielding ability of wind turbine
CN106499583A (zh) 基于rbf神经网络技术的风力发电机组系统辨识方法

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