CN116720437A - 风电机组叶片净空距离的建模方法、系统、终端及介质 - Google Patents
风电机组叶片净空距离的建模方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN116720437A CN116720437A CN202310700761.7A CN202310700761A CN116720437A CN 116720437 A CN116720437 A CN 116720437A CN 202310700761 A CN202310700761 A CN 202310700761A CN 116720437 A CN116720437 A CN 116720437A
- Authority
- CN
- China
- Prior art keywords
- clearance distance
- blade
- data
- wind turbine
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 90
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000005452 bending Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 24
- 238000010248 power generation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects 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
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电改造技术领域，公开了一种风电机组叶片净空距离的建模方法、系统、终端及介质，在选定样机并取得充分的测量数据后，根据风电机组叶片的气动特性与载荷分析，建立从风速到叶片载荷再到叶片净空距离的数学模型，使得风电机组能够通过对入流风速的测量，在无需安装监测装置的条件下也能够实时检测叶片净空距离并加以控制。更进一步的，可以通过安装高精度风速测量仪器或者引入风速预测技术，实现对叶片净空距离的预测并提前预警，构成风电机组叶片净空距离闭环控制回路，同时无需受到环境影响，大大提高了对叶片净空距离监测的准确性。
Description
技术领域
本发明涉及风电改造技术领域，具体为一种风电机组叶片净空距离的建模方法、系统、终端及介质。
背景技术
随着新能源发电的大力发展，风力发电技术作为新能源发电技术中相对成熟且装机容量占比相对较大的能源形式，在追求快速发展的同时，风电机组的安全运行也越来越收到行业内的广泛重视。风电机组的快速发展不可避免地要考虑到成本问题，为了降低叶片成本，提高机组地市场化竞争力，风电机组的叶片设计也逐步向着轻量化靠拢。轻量化叶片虽然能够有效的降低叶片生产制造成本，但轻量化叶片也势必导致叶片刚度下降，导致风电机组在运行过程中的净空距离极大可能无法达到标准，大大增加了叶片扫塔的风险。近年来风电机组倒塔事故频发，其中因叶片净空距离未能得到有效的监测与控制引发叶片扫塔进而导致风机倒塔事故是常见的事故原因。随着风力发电机组正慢慢向海上与高原地区发展，高塔筒、长叶片的风电机组是行业发展的必然趋势，因而对机组的叶片净空距离监测与控制的相关研究也变得更加迫切。
目前在风电行业，对叶片净空距离监测的方法主要集中于使用各种监测系统直接测量上。常见的净空距离监测系统包括激光雷达或摄像头等。根据安装位置不同，使用雷达作为净空距离监测装置的位置通常安装于机舱底部或塔筒的相应高度。使用机舱底部安装激光雷达测量净空距离的方法，是通过光的反射原理，以当前光束和塔筒间的距离代表叶片到塔筒的距离。由于激光雷达测距受天气影响很大，在大雾天气或空气湿度较大的时候，激光雷达测距数据不可靠，甚至无法测量，因而这种净空距离测量方法误差非常大。安装与塔筒的雷达装置，由于雷达要时刻根据机舱的偏航位置而变化，通常这种雷达需要安装配套的导轨，以保证雷达测距装置能够时刻跟随偏航动作，这使得监测成本大大提高。另外，依靠安装摄像头通过拍摄叶片旋转并通过图像识别算法来推算叶片净空距离的方法，由于需要大量训练集，且摄像头的可拍摄范围有限，加之图像识别算法在进行运动物体的追踪识别时本身具有一定缺陷，使得这种方法对叶片净空距离的监测也存在较大误差，同时这种摄像的方法也会受雨雪或大雾天气影响。
基于叶片净空距离监测技术的应用现状，目前常用的监测装置受天气影响较大，并且受监测装置安装时的人为因素的影响，即便是同一种机型的风电机组在采用同样的检测设备，也会因安装时的误差导致测量结果不一致。
发明内容
为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种风电机组叶片净空距离的建模方法、系统、终端及介质，以解决现有技术中叶片净空距离监测存在较大误差受到环境影响的技术问题。
本发明是通过以下技术方案来实现：
一种风电机组叶片净空距离的建模方法，包括如下步骤：
步骤1：选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
步骤2，建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
步骤3，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
步骤4，设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
优选的，步骤1中，采集的原始数据的过程中对天气和净空距离监测装置的安装高度进行标准化测试，其中对天气要求为在天气晴朗的条件下各项测量得到的数据；对净空距离监测装置的安装高度要求为选取相对固定高度安装净空距离监测装置，即对净空距离的测量主要集中于叶尖处，净空距离监测装置安装于塔筒表面，高度约为叶尖处，约叶片长度10％的位置。
优选的，步骤1中，对所采集的原始数据进行处理，具体为剔除数据集中的无效数据，包括风速不达标的数据点、风机停机的数据点与存在明显测量误差的数据点，其次对剔除的数据点利用线性插值法补充数据，完成数据清洗。
优选的，步骤1中，所采集的原始数据集进行处理后对数据集按风向区间进行分组，其中风向区间为±45°以机舱中轴线为零点，按每5°一个区间划分数据集。
优选的，步骤2中，建立叶片载荷计算模型的过程如下：
步骤21，选定载荷计算坐标系，确定输入与输出，其中输入为风速或风速风向，输出为叶尖处xy方向载荷；
步骤22，根据叶素-动量理论，在matlab中建立叶片载荷计算传递函数表达式；
步骤23，结合机组技术参数，确定载荷计算传递函数的系数；
步骤24，根据叶片长度，按照有限元法将叶片分为若干有限元，计算不同长度处叶片弯矩，构成以风速风向为输入，以不同长度处叶片弯矩(x、y方向)为输出的载荷计算模型。
进一步的，步骤22中，根据动量叶素理论，在matlab中建立叶片载荷计算传递函数表达式如下：
单位长度的翼型截面气动力为：
其中ρ为空气密度，W为相对速度，a为入流角，CL、CD为升力系数与阻力系数；
气动力弯矩为：
其中R为叶轮半径，r为叶根半径，r1为积分变量。
优选的，步骤3中，利用BP神经网络建立净空距离计算神经网络模型的过程如下：
将处理后数据样本分为训练数据样本与检测数据样本在BP网络学习的过程中，先调整输出层与隐含层之间的连接权值，然后调整中间隐含层间的连接权值，最后调整隐含层与输入层之间的连接权值；使用训练数据样本通过多次迭代循环训练后确定各层链接权值，得到净空距离计算神经网络模型。
一种风电机组叶片净空距离的建模系统，包括
第一数据处理模块，用于选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
模型建立模块，用于建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
第二数据处理模块，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
数据比较模块，用于设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述一种风电机组叶片净空距离的建模方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述一种风电机组叶片净空距离的建模方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供了一种风电机组叶片净空距离的建模方法，在选定样机并取得充分的测量数据后，根据风电机组叶片的气动特性与载荷分析，建立从风速到叶片载荷再到叶片净空距离的数学模型，使得风电机组能够通过对入流风速的测量，在无需安装监测装置的条件下也能够实时检测叶片净空距离并加以控制。更进一步的，可以通过安装高精度风速测量仪器或者引入风速预测技术，实现对叶片净空距离的预测并提前预警，构成风电机组叶片净空距离闭环控制回路，同时无需受到环境影响，大大提高了对叶片净空距离监测的准确性。
进一步的，基于净空距离计算的风电机组净空距离预警及控制技术。通过选取样机进行标准化的测试与数据采集，根据风电机组启动特性与力学原理，构建风电机组的叶片载荷计算模型，以及利用BP神经网络与实测数据集训练的净空距离计算模型，并应用于相同型号的风电机组，实现无需测距装置的风电机组叶片净空距离的实时计算与监测，并通过控制手段将实时监测的净空距离作为反馈信号，构成风电机组净空距离的闭环控制系统，保障机组健康运行。
进一步的，本发明的技术关键点在于通过计算叶片载荷构建净空距离计算模型的方法。风电机组叶片净空距离的计算设计空气动力学与材料力学等诸多复杂理论，采用纯机理建模的方法构建计算模型十分困难，且容易停留在理论建模，导致模型计算结果与实际相差较大，因此本发明提出了这种基于叶片气动载荷的净空距离计算模型构建方法，将机理建模与黑箱建模相结合，以叶素动量理论与空气动力学原理构建“风速(风向)-叶片载荷”的传递函数机理模型，以样机实测数据为基础训练“叶片载荷-净空距离”黑箱模型，即降低了建模难度，同时也使得模型更加贴合实际应用场景。
进一步的，对风电机组叶片净空距离的监测与预警的目的都是为了控制净空距离在安全范围内，以防止扫塔事故的发生。而常用的净空距离监测方法为安装距离检测装置，根据装置种类的不同，这种直接测距的方法固有的受天气影响较严重，实时性相对较差等缺点。本发明提出的以建模方法进行实时净空距离计算，在应用过程中无需额外安装测量装置，在节省成本的同时，也克服了测距装置的主要缺点，实时性也大大提高。更重要的时，通过对净空距离计算的建模，可以实现对净空距离的预测，让机组能够提前预警、提前控制干预，进一步提高机组运行的安全性。
附图说明
图1为本发明流程图；
图2为本发明的测距装置安装位置图；
图3为本发明的风向区间划分图；
图4为本发明的风电机组载荷计算坐标系图；
图5为本发明载荷计算模型建立步骤图；
图6为本发明BP神经网络建模过程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面结合附图对本发明做进一步详细描述：
本发明的目的在于提供一种风电机组叶片净空距离的建模方法、系统、终端及介质，以解决现有技术中叶片净空距离监测存在较大误差受到环境影响的技术问题。
具体的，该风电机组叶片净空距离的建模方法，包括如下步骤：
步骤1：选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
具体的，选定风电机组型号。风电机组净空距离的计算虽然受多种因素共同影响，但是叶片弯折主要受空气动力影响与作用。型号不同的风机从叶片长度到翼型均有差异，因此需指定具体机组型号。
具体的，采集的原始数据的过程中对天气和净空距离监测装置的安装高度进行标准化测试，其中对天气要求为在天气晴朗的条件下各项测量得到的数据；
即保证在天气晴朗的条件下开展各项测量，以避免因天气原因造成测量结果又较大误差或数据无效问题。
对净空距离监测装置的安装高度要求为选取相对固定高度安装净空距离监测装置，本发明的核心目的为通过对净空距离计算模型的建立，实现低成本的叶片净空距离实时监测，构成叶片净空距离的闭环控制与提前预警，避免扫塔事故等发生，即对净空距离的测量主要集中于叶尖处，净空距离监测装置安装于塔筒表面，高度约为叶尖处，约叶片长度10％的位置，如图2所示。
采集的原始数据集足够充分，尽可能包含从切入风速到切出风速间的各风速段数据。其中大风工况下的数据尤其是额定风速以上的数据量需要充足。
具体的，对所采集的原始数据进行处理，具体为剔除数据集中的无效数据，包括风速不达标的数据点、风机停机的数据点与存在明显测量误差的数据点。其次对剔除的数据点利用线性插值法补充数据，完成数据清洗。
具体的，所采集的原始数据集进行处理后对数据集按风向区间进行分组，其中风向区间为±45°以机舱中轴线为零点，按每5°一个区间划分数据集，如图3所示。
上述风向区间的划分也可以按照现场的实测风资源情况放大或缩小，例如该风机点位的主势风向较为集中，或历史数据分析中机组的偏航误差在某一较小的区间内，则风向区间的划分可以进一步缩小。
风向划分步骤也可以省略，但是在后续步骤的建模过程中需要把风向作为另一个输入，这种方法虽然可以大大降低建模的工作量，提高净空距离计算时的计算速度，减少模型部署需要的容量(以±45°/5°划分区间为例，共划分18个子区间，对应需建立18个计算模型，会占用更多的存储空间，且降低计算效率)，但另一方面增加一个输入信号也会增加模型的复杂程度，可能会降低模型的计算精度。
步骤2，建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
具体的，根据图5所示，建立叶片载荷计算模型的过程如下：
步骤21，如图4所示，选定载荷计算坐标系，确定输入与输出，其中输入为风速或风速风向，输出为叶尖处xy方向载荷；
步骤22，根据叶素-动量理论，在matlab中建立叶片载荷计算传递函数表达式；
其中，根据动量叶素理论，在matlab中建立叶片载荷计算传递函数表达式如下：
单位长度的翼型截面气动力为：
其中ρ为空气密度，W为相对速度，a为入流角，CL、CD为升力系数与阻力系数；
气动力弯矩为：
其中R为叶轮半径，r为叶根半径，r1为积分变量。
步骤23，结合机组技术参数，确定载荷计算传递函数的系数；
步骤24，根据叶片长度，按照有限元法将叶片分为若干有限元，计算不同长度处叶片弯矩，构成以风速风向为输入，以不同长度处叶片弯矩(x、y方向)为输出的载荷计算模型。
本发明中以使用常见的风电机组仿真软件直接计算载荷-时间历程，如bladed、Fast软件等，首先根据机组的技术参数设置机组仿真模型参数值，之后将风电机组仿真模型导入matlab中进行运算，根据输入风速得到叶尖处的载荷值。
步骤3，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
BP网络是多层前向网络的权值学习采用误差逆传播学习的一种算法。BP神经网络模型包含输入层、隐含层、输出层，在网络训练阶段，根据给定的训练模式，按照“模式的顺传播”到“误差逆传播”到“记忆训练”到“学习收敛”4个过程进行网络权值的训练。输入信号从输入层节点，依次传过各隐含层节点，然后传到输出层节点，如果在输出层得不到期望输出，则转入反向传播，将误差信号沿原来通路返回，通过学习来修改各层神经元的权值，使误差信号最小。
具体的，根据图6所示，利用BP神经网络建立净空距离计算神经网络模型的过程如下：
将处理后数据样本分为训练数据样本与检测数据样本在BP网络学习的过程中，先调整输出层与隐含层之间的连接权值，然后调整中间隐含层间的连接权值，最后调整隐含层与输入层之间的连接权值；使用训练数据样本通过多次迭代循环训练后确定各层链接权值，得到净空距离计算神经网络模型。
利用BP神经网络建立由载荷计算净空距离的数学模型。以风向区间对数据集的划分，将原数据集分为若干子数据集，每个子数据集对应训练一个神经网络模型。以一个子数据集为例：(1)首先将数据集分割为两份，以80％的数据量为训练集，余下20％作为验证集。(2)设置网络层数。通常设置一层即可。根据应力与应变的关系，应力是应变的原因，应变是应力的结果，应力与应变在一定程度上呈线性关系，因此单层神经网络已经可以满足要求。(3)用训练数据对网络进行训练。(4)利用验证集数据验证模型，若计算结果精确度较低，则增加神经元个数，或增加神经网络层数，重复(2)(3)(4)步。(5)在matlab中提取模型的数学表达式。
步骤4，设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
具体的，计算机组叶片净空距离的数学模型以独立于风机主控的外挂控制器形式接入机组控制系统，实时采集风速计与风向标测量信号，计算净空距离。
具体的，若报警较长时间未解除，即当增大桨距角不能有效增大净空距离的情况下，可以利用外挂控制器控制机组偏航系统，启动主动偏航与当前入流方向形成一定偏航误差，待大风过去净空距离回到安全范围内后重新进行偏航对风。
具体的，可以引入超短期风速预测技术。由于启动变桨控制或偏航控制需要一定时间，闭环调节的实时性难以保证，一旦短时间出现大风或阵风，通过变桨或偏航难以及时调节，因此可以引入超短期风速预测技术预测当前风机点位未来数分钟内的风速大小，进而预测叶片净空距离，提前启动变桨控制保证机组运行安全。
综上所述，本发明提供了一种一种风电机组叶片净空距离的建模方法，在选定样机并取得充分的测量数据后，根据风电机组叶片的气动特性与载荷分析，建立从风速到叶片载荷再到叶片净空距离的数学模型，使得风电机组能够通过对入流风速的测量，在无需安装监测装置的条件下也能够实时检测叶片净空距离并加以控制。更进一步的，可以通过安装高精度风速测量仪器或者引入风速预测技术，实现对叶片净空距离的预测并提前预警，构成风电机组叶片净空距离闭环控制回路。
本发明还提供了一种风电机组叶片净空距离的建模系统，包括第一数据处理模块、模型建立模块、第二数据处理模块和数据比较模块；
第一数据处理模块，用于选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
模型建立模块，用于建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
第二数据处理模块，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
数据比较模块，用于设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
本发明还提供了一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如风电机组叶片净空距离的建模程序。
所述处理器执行所述计算机程序时实现上述风电机组叶片净空距离的建模方法的步骤，例如：选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：第一数据处理模块，用于选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
模型建立模块，用于建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
第二数据处理模块，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
数据比较模块，用于设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述移动终端中的执行过程。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述移动终端的各种功能。
所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种风电机组叶片净空距离的建模方法的步骤。
所述移动终端集成的模块/单元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，可以存储在一个计算机可读取存储介质中。
基于这样的理解，本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述水电LCU控制系统变量实时监控方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种风电机组叶片净空距离的建模方法，其特征在于，包括如下步骤：
步骤1：选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
步骤2，建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
步骤3，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
步骤4，设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
2.根据权利要求1所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤1中，采集的原始数据的过程中对天气和净空距离监测装置的安装高度进行标准化测试，其中对天气要求为在天气晴朗的条件下各项测量得到的数据；对净空距离监测装置的安装高度要求为选取相对固定高度安装净空距离监测装置，即对净空距离的测量主要集中于叶尖处，净空距离监测装置安装于塔筒表面，高度约为叶尖处，约叶片长度10％的位置。
3.根据权利要求1所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤1中，对所采集的原始数据进行处理，具体为剔除数据集中的无效数据，包括风速不达标的数据点、风机停机的数据点与存在明显测量误差的数据点，其次对剔除的数据点利用线性插值法补充数据，完成数据清洗。
4.根据权利要求1所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤1中，所采集的原始数据集进行处理后对数据集按风向区间进行分组，其中风向区间为±45°以机舱中轴线为零点，按每5°一个区间划分数据集。
5.根据权利要求1所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤2中，建立叶片载荷计算模型的过程如下：
步骤21，选定载荷计算坐标系，确定输入与输出，其中输入为风速或风速风向，输出为叶尖处xy方向载荷；
步骤22，根据叶素-动量理论，在matlab中建立叶片载荷计算传递函数表达式；
步骤23，结合机组技术参数，确定载荷计算传递函数的系数；
步骤24，根据叶片长度，按照有限元法将叶片分为若干有限元，计算不同长度处叶片弯矩，构成以风速风向为输入，以不同长度处叶片弯矩(x、y方向)为输出的载荷计算模型。
6.根据权利要求5所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤22中，根据动量叶素理论，在matlab中建立叶片载荷计算传递函数表达式如下：
单位长度的翼型截面气动力为：
其中ρ为空气密度，W为相对速度，a为入流角，CL、CD为升力系数与阻力系数；
气动力弯矩为：
其中R为叶轮半径，r为叶根半径，r1为积分变量。
7.根据权利要求1所述的一种风电机组叶片净空距离的建模方法，其特征在于，步骤3中，利用BP神经网络建立净空距离计算神经网络模型的过程如下：
将处理后数据样本分为训练数据样本与检测数据样本在BP网络学习的过程中，先调整输出层与隐含层之间的连接权值，然后调整中间隐含层间的连接权值，最后调整隐含层与输入层之间的连接权值；使用训练数据样本通过多次迭代循环训练后确定各层链接权值，得到净空距离计算神经网络模型。
8.一种风电机组叶片净空距离的建模系统，其特征在于，包括
第一数据处理模块，用于选定风电机组型号，根据所选定的风电机组型号采集建模所需的原始数据集，并对所采集的原始数据集进行处理；
模型建立模块，用于建立叶片载荷计算模型，将处理后的原始数据集作为叶片载荷计算模型的输入，输出载荷数据；
第二数据处理模块，利用BP神经网络建立净空距离计算神经网络模型，净空距离计算神经网络模型与叶片载荷计算模型结合得到计算机组叶片净空距离的数学模型，并将载荷数据作为输入，输出得到净空距离；
数据比较模块，用于设置净空距离安全阈值，当净空距离大于净空距离安全阈值时，进行报警，并控制机组变桨系统增大桨距角，并将净空距离计算结果实时反馈，反之则正常监测。
9.一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种风电机组叶片净空距离的建模方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述一种风电机组叶片净空距离的建模方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700761.7A CN116720437A (zh) | 2023-06-12 | 2023-06-12 | 风电机组叶片净空距离的建模方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700761.7A CN116720437A (zh) | 2023-06-12 | 2023-06-12 | 风电机组叶片净空距离的建模方法、系统、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720437A true CN116720437A (zh) | 2023-09-08 |
Family
ID=87871138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310700761.7A Pending CN116720437A (zh) | 2023-06-12 | 2023-06-12 | 风电机组叶片净空距离的建模方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720437A (zh) |
-
2023
- 2023-06-12 CN CN202310700761.7A patent/CN116720437A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2591366C1 (ru) | Ветроэнергетическая установка и способ управления ветроэнергетической установкой или ветровой электростанцией | |
| EP3121442B1 (en) | Operating wind turbines | |
| CN105844361B (zh) | 风电机组风功率预测方法、解缆方法和装置 | |
| CN108953060B (zh) | 基于激光雷达测风仪的风电场场级偏航控制方法 | |
| CN112459965B (zh) | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 | |
| Foti et al. | Wake meandering of a model wind turbine operating in two different regimes | |
| CN103216383B (zh) | 风力发电机组控制系统和控制方法 | |
| CN105649875B (zh) | 风力发电机组的变桨控制方法及装置 | |
| CN107045574B (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
| US11668284B2 (en) | Method of determining an induction factor for a wind turbine equipped with a lidar sensor | |
| CN115013258B (zh) | 一种风电机组机前风速智能软测量方法 | |
| EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
| CN108537372B (zh) | 一种风向预测方法及风力发电机组的偏航控制方法 | |
| CN116720437A (zh) | 风电机组叶片净空距离的建模方法、系统、终端及介质 | |
| CN116123029A (zh) | 一种桨距角控制方法、装置、电子设备及风电机组 | |
| JP2014202190A (ja) | 制御装置、制御方法及びプログラム | |
| CN113027674A (zh) | 风力发电机组的控制方法及其装置 | |
| US20230026286A1 (en) | Method for computer-implemented monitoring of a wind turbine | |
| EP4166782A1 (en) | Wind turbine model predictive control (mpc) with thrust and/or power correction | |
| CN109611268A (zh) | 一种双叶轮水平轴风力机设计优化方法 | |
| Bertelè et al. | Brief communication: Wind inflow observation from load harmonics–wind tunnel validation of the rotationally symmetric formulation | |
| CN112884262A (zh) | 一种风电机组载荷适应性确定方法和系统 | |
| CN113279904B (zh) | 一种风电机组最大功率跟踪的桨距角寻优方法及装置 | |
| CN116663935B (zh) | 风力机发电量计算方法、装置、计算机设备及存储介质 | |
| CN212563523U (zh) | 适用于海上风电场的含抗台风模式的叶轮控制系统 |
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 |