CN117028147A - 一种风电变桨控制系统与风电变桨系统 - Google Patents
一种风电变桨控制系统与风电变桨系统 Download PDFInfo
- Publication number
- CN117028147A CN117028147A CN202311157446.0A CN202311157446A CN117028147A CN 117028147 A CN117028147 A CN 117028147A CN 202311157446 A CN202311157446 A CN 202311157446A CN 117028147 A CN117028147 A CN 117028147A
- Authority
- CN
- China
- Prior art keywords
- blade
- wind
- unit
- module
- regulation
- 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
- 230000033228 biological regulation Effects 0.000 claims abstract description 106
- 238000005457 optimization Methods 0.000 claims abstract description 90
- 238000013016 damping Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012502 risk assessment Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 230000006978 adaptation Effects 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 112
- 238000001514 detection method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000010248 power generation Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004146 energy storage Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 11
- 238000011105 stabilization Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000013486 operation strategy Methods 0.000 claims description 10
- 239000011149 active material Substances 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000005674 electromagnetic induction Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013021 overheating Methods 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004043 responsiveness Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
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
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/024—Adjusting aerodynamic properties of the blades of individual blades
-
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电变桨控制系统与风电变桨系统,属于风电变桨控制系统技术领域,是由智能优化模块、多级桨叶控制模块、主动噪声控制模块、风能风险评估模块、物联网与云平台模块、高温适应模块、摩擦阻尼技术模块、主动变桨控制模块、多模态桨叶调控模块组成。本发明,采用循环神经网络和模糊逻辑的智能优化模块提高了风速预测准确性和桨叶角度适应性。多级桨叶控制模块使每个桨叶可独立控制,提高了灵活性和效率。主动噪声控制模块降低了噪声污染,提高了环境友好性。物联网与云平台模块实现集中控制和监测,提高了效率且降低了成本。高温适应和摩擦阻尼技术模块增强了系统稳定性。主动变桨控制和多模态桨叶调控模块提高了响应性和适应性。
Description
技术领域
本发明属于风电变桨控制系统技术领域,具体地说,涉及风电变桨控制系统与风电变桨系统。
背景技术
风电变桨控制系统是风电变桨系统中的重要部分,用于调节风力发电机组的叶片角度,以优化风能转化和风机的输出功率。风电变桨控制系统的主要功能是根据风速和发电机组运行状态的实时监测,控制风力发电机组的叶片角度调整,以使风机在不同的风速条件下保持稳定并以最佳效率运行。控制系统通过改变叶片角度,调节风机的风能捕获和输出功率,以适应不同风速和负荷需求。
在风电变桨控制系统的实际使用过程中,现有系统通常利用固定模型进行风速预测,这种方法在面对风速变化复杂的环境时,预测结果较差,且无法做到实时优化叶片角度设置。其次,大部分现有系统对于噪声的调控比较被动,且噪声评估精度不足,这可能导致噪声超标,影响周边环境。再者,现有系统在处理多风力发电机组控制时,过程繁琐,效率较低。在面对极端的高温环境时,现有的风电控制系统稳定性较差,无法保证优质输出。而且,对于叶片角度的稳定性控制也不够精确,进一步影响了总体稳定性与能效。最后,现有系统对环境的响应性和适应性不足,影响了充分利用风能资源的能力。
有鉴于此特提出本发明。
发明内容
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种风电变桨控制系统是由智能优化模块、多级桨叶控制模块、主动噪声控制模块、风能风险评估模块、物联网与云平台模块、高温适应模块、摩擦阻尼技术模块、主动变桨控制模块、多模态桨叶调控模块组成;
所述智能优化模块采用循环神经网络和模糊逻辑方法预测风速、优化叶片角度设置及输出功率,输出风速预测与桨叶优化报告;
所述多级桨叶控制模块独立控制每个桨叶的角度,输入所述风速预测与桨叶优化报告进行深度强化学习优化,生成独立桨叶角度调控报告;
所述主动噪声控制模块通过信号处理技术与模糊逻辑进行噪声检测与调控,调整叶片角度和转速降低噪声,生成噪声降低报告;
所述风能风险评估模块进行风能资源评估和风险分析,输出风能资源与风险分析报告;
所述物联网与云平台模块实现多风力发电机组的集中控制与监测,输出风电机组远程控制报告;
所述高温适应模块确保系统在高温环境中稳定运行,输出高温适应性报告;
所述摩擦阻尼技术模块提供精确的叶片角度控制,输出叶片角度稳定报告;
所述主动变桨控制模块通过主动材料感知与响应环境,输出主动响应调控报告;
所述多模态桨叶调控模块根据风场条件选择适合的桨叶调控模式,运用神经网络与遗传算法,输出多模态桨叶控制报告。
作为本发明的进一步方案:所述智能优化模块包括风速预测单元、叶片角度优化单元、输出功率优化单元;
所述风速预测单元利用循环神经网络进行风速预测,通过收集历史风速数据并进行数据准备、构建循环神经网络模型、模型训练和验证;
所述叶片角度优化单元利用模糊逻辑方法对叶片角度进行优化,通过定义模糊规则、进行模糊推理、设计模糊控制器,将输入的风速和功率要求转化为叶片角度调整策略,并通过反馈调优实现输出的稳定与优化;
所述输出功率优化单元根据风速和叶片角度预测来调整风力发电机的输出功率,以最大化发电效益,通过建立功率模型、制定功率优化策略进行实时调整,获得最佳的输出功率调整策略。
作为本发明的进一步方案:所述多级桨叶控制模块包括桨叶角度调整单元、深度学习优化单元、桨叶调控报告生成单元;
所述桨叶角度调整单元采用PID控制算法、模糊逻辑控制算法,根据当前的风速、功率需求,计算出每个桨叶应该调整的角度,独立调整每个桨叶的角度;
所述深度学习优化单元通过与环境的交互和训练,学习到最佳的桨叶角度调整策略,根据实时的风速、功率需求,采用深度强化学习方法来优化桨叶角度的调整,动态地调整桨叶的角度以最大化风力发电机的效率;
所述桨叶调控报告生成单元记录桨叶角度的实时调整历史、功率输出情况、系统运行状态信息,生成每个桨叶的独立调控报告。
作为本发明的进一步方案:所述主动噪声控制模块包括噪声检测单元、噪声调控单元、噪声降低策略生成单元;
所述噪声检测单元利用信号处理技术检测噪声,通过频谱分析、时域分析、统计分析算法,识别和量化噪声的特征;
所述噪声调控单元通过模糊逻辑方法进行噪声调节,依据模糊规则和模糊推理,决定噪声调控策略;
所述噪声降低策略生成单元结合噪声检测单元和噪声调控单元结果,生成噪声降低方案。
作为本发明的进一步方案:所述风能风险评估模块包括风能资源评估单元和风险分析单元;
所述风能资源评估单元利用插值算法和统计分析算法,推算整个区域的风能资源分布情况并计算指标,通过分析风能资源数据,评估特定地区或项目的风能资源情况,提供对风能资源的定量评估;
所述运用敏感性分析算法和风险评价算法,参照地理条件、气候变化、风力变异性因素,对风能项目的潜在风险进行量化和评估。
作为本发明的进一步方案:所述物联网与云平台模块包括集中控制单元、远程监测单元、云平台数据处理单元;
所述集中控制单元应用优化控制和自适应控制算法,对多个风力发电机组进行集中控制;
所述远程监测单元采集风电机组数据,采用数据采集优化算法、异常检测算法、故障诊断算法实现数据监测和预警;
所述云平台数据处理单元利用大数据分析、预测与预警算法,对所述风电机组数据进行深入分析和处理。
作为本发明的进一步方案:所述高温适应模块包括高温环境检测单元、稳定运行策略生成单元;
所述高温环境检测单元通过温度传感器实时采集环境温度数据,包括温度阈值判断算法、温度趋势分析算法、温度传感器数据校准算法;
所述稳定运行策略生成单元接收环境温度数据,采用功率调整算法根据当前环境温度和功率曲线数据,调整叶片角度、转子转速参数以防止系统过热,采用故障处理策略算法,根据高温环境下的故障检测数据和温度信息,选用故障处理策略。
作为本发明的进一步方案:所述摩擦阻尼技术模块包括阻尼检测单元、角度稳定策略生成单元;
所述阻尼检测单元利用振动分析和频谱分析方法,实时监测叶片摩擦阻尼状态,输出摩擦阻尼报告;
所述角度稳定策略生成单元根据摩擦阻尼报告和PID控制算法进行角度调整,对叶片角度进行稳定调整,生成叶片角度稳定策略;
所述主动变桨控制模块包括环境感知单元、桨叶调控响应单元;
所述环境感知单元利用主动材料和传感器网络,感知环境中的风速、湿度参数,生成环境感知报告;
所述桨叶调控响应单元基于环境感知报告,使用深度学习算法进行桨叶调控,自适应地调整桨叶角度和位置,生成桨叶调控策略。
作为本发明的进一步方案:所述多模态桨叶调控模块包括桨叶模式选择单元、神经网络优化单元、遗传算法优化单元;
所述桨叶模式选择单元利用数据驱动的判别分析,根据风场条件选择桨叶调控模式,确定桨叶调控模式选择;
所述神经网络优化单元根据桨叶调控模式选择使用卷积神经网络进行优化,对所述桨叶调控模式选择进行实时优化,生成神经网络优化结果;
所述遗传算法优化单元根据神经网络优化结果使用遗传算法进行二次优化,自动调整桨叶参数达到最佳效能,生成最终桨叶调控策略。
一种风电变桨系统,所述风电变桨系统受风电变桨控制系统控制,所述风电变桨系统是由风能采集模块、动力转换与优化模块、储能与安全模块、电能输出与分发模块组成;
所述风能采集模块实时采集风能,并将风能转换为初级机械能,使用风速和叶片角度数据,根据空气密度和叶片半径等参数,计算风能利用率,输出初级机械能报告;
所述动力转换与优化模块应用电磁感应原理和PID控制算法进行能量转换与优化,将所述初级机械能报告中的机械能转换为电能,并根据桨叶调控策略进行能量优化,输出初级电能报告;
所述储能与安全模块接收初级电能报告,基于蓄电池的电荷和放电算法,并结合风险分析数据进行安全控制,生成安全储能报告;
所述电能输出与分发模块采用智能电网管理和负荷预测算法,根据安全储能报告,进行电能的输出与分发,产生电能分发完成报告。
有益效果:
采用循环神经网络和模糊逻辑的智能优化模块,提高风速预测的准确性和桨叶角度设置的适应性,从而增加了系统的总体能效。多级桨叶控制模块的应用,使得每个桨叶的角度可被独立控制,灵活性和高效性得到提升。通过主动噪声控制模块,系统对于噪声的调控更为主动和准确,降低了噪声污染,提高了环境友好性。利用物联网与云平台模块,可实现对多个风力发电机组的集中控制与监测,提高了效率并且降低了人力成本。系统在高温环境下稳定运行的能力,使其适应性更强,可在不同环境中保持稳定高效输出。加入的摩擦阻尼技术模块,为叶片角度控制提供精确支持,提高了系统稳定性。主动变桨控制模块和多模态桨叶调控模块使得系统的响应性和适应性大幅提升,使系统更能应对各种风场条件。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
在附图中:
图1为本发明风电变桨控制系统流程图;
图2为本发明智能优化模块流程图;
图3为本发明多级桨叶控制模块流程图;
图4为本发明主动噪声控制模块流程图;
图5为本发明风能风险评估模块流程图;
图6为本发明物联网与云平台模块流程图;
图7为本发明高温适应模块流程图;
图8为本发明摩擦阻尼技术模块流程图;
图9为本发明主动变桨控制模块流程图;
图10为本发明多模态桨叶调控模块流程图;
图11为本发明风电变桨系统流程图。
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,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明。
请参阅图1,一种风电变桨控制系统是由智能优化模块、多级桨叶控制模块、主动噪声控制模块、风能风险评估模块、物联网与云平台模块、高温适应模块、摩擦阻尼技术模块、主动变桨控制模块、多模态桨叶调控模块组成;
智能优化模块采用循环神经网络和模糊逻辑方法预测风速、优化叶片角度设置及输出功率,输出风速预测与桨叶优化报告;
多级桨叶控制模块独立控制每个桨叶的角度,输入风速预测与桨叶优化报告进行深度强化学习优化,生成独立桨叶角度调控报告;
主动噪声控制模块通过信号处理技术与模糊逻辑进行噪声检测与调控,调整叶片角度和转速降低噪声,生成噪声降低报告;
风能风险评估模块进行风能资源评估和风险分析,输出风能资源与风险分析报告;
物联网与云平台模块实现多风力发电机组的集中控制与监测,输出风电机组远程控制报告;
高温适应模块确保系统在高温环境中稳定运行,输出高温适应性报告;
摩擦阻尼技术模块提供精确的叶片角度控制,输出叶片角度稳定报告;
主动变桨控制模块通过主动材料感知与响应环境,输出主动响应调控报告;
多模态桨叶调控模块根据风场条件选择适合的桨叶调控模式,运用神经网络与遗传算法,输出多模态桨叶控制报告。
风电变桨控制系统由智能优化模块、多级桨叶控制模块、主动噪声控制模块、风能风险评估模块、物联网与云平台模块、高温适应模块、摩擦阻尼技术模块、主动变桨控制模块和多模态桨叶调控模块组成。系统利用循环神经网络和模糊逻辑方法进行风速预测和叶片角度优化,独立控制桨叶角度,并通过深度强化学习进行优化。主动噪声控制模块检测和调控噪声,风能风险评估模块评估资源和分析风险。物联网与云平台实现集中控制和监测,高温适应模块确保系统在高温环境中稳定运行。摩擦阻尼技术提供精确的叶片角度控制,主动变桨控制模块通过感知和响应环境实现主动调控,多模态桨叶调控模块根据风场条件选择最适模式。整体系统的益处包括提高发电效率、降低噪声、评估风能资源和风险、远程控制、适应高温环境等,为风力发电行业提供更智能、高效和可靠的控制方案。
请参阅图2,智能优化模块包括风速预测单元、叶片角度优化单元、输出功率优化单元;
风速预测单元利用循环神经网络进行风速预测,通过收集历史风速数据并进行数据准备、构建循环神经网络模型、模型训练和验证;
叶片角度优化单元利用模糊逻辑方法对叶片角度进行优化,通过定义模糊规则、进行模糊推理、设计模糊控制器,将输入的风速和功率要求转化为叶片角度调整策略,并通过反馈调优实现输出的稳定与优化;
输出功率优化单元根据风速和叶片角度预测来调整风力发电机的输出功率,以最大化发电效益,通过建立功率模型、制定功率优化策略进行实时调整,获得最佳的输出功率调整策略。
风速预测单元利用循环神经网络进行准确的风速预测,通过历史数据训练和验证模型,为系统提供未来风速的预测信息。叶片角度优化单元利用模糊逻辑方法对叶片角度进行优化,将输入的风速和功率要求转化为叶片角度调整策略,并实现反馈调优以稳定和优化输出。输出功率优化单元根据风速和叶片角度预测来调整风力发电机的输出功率,通过建立功率模型和制定优化策略实现最大化发电效益。
请参阅图3,多级桨叶控制模块包括桨叶角度调整单元、深度学习优化单元、桨叶调控报告生成单元;
桨叶角度调整单元采用PID控制算法、模糊逻辑控制算法,根据当前的风速、功率需求,计算出每个桨叶应该调整的角度,独立调整每个桨叶的角度;
深度学习优化单元通过与环境的交互和训练,学习到最佳的桨叶角度调整策略,根据实时的风速、功率需求,采用深度强化学习方法来优化桨叶角度的调整,动态地调整桨叶的角度以最大化风力发电机的效率;
桨叶调控报告生成单元记录桨叶角度的实时调整历史、功率输出情况、系统运行状态信息,生成每个桨叶的独立调控报告。
首先,桨叶角度调整单元采用PID控制算法和模糊逻辑控制算法,根据实时的风速和功率需求对每个桨叶进行独立的角度调整。这种精确的桨叶控制能够最大程度地捕获风能,提高风力发电机的发电效率,从而增加系统的能源产量和发电量。其次,深度学习优化单元采用深度强化学习方法,通过与环境的交互和训练,学习到最佳的桨叶角度调整策略。这种智能化的优化能够根据实时的风速情况和功率需求动态地调整桨叶角度,从而最大化风力发电机的效率。通过学习和优化,系统能够适应不同的风场条件,使风力发电系统具备更好的适应性和稳定性。另外,桨叶调控报告生成单元记录了桨叶角度的实时调整历史、功率输出情况和系统运行状态信息,并生成每个桨叶的独立调控报告。这样的报告提供了对桨叶角度控制性能和系统运行状况的详细分析,有助于监测和评估系统的性能表现,并为系统改进和优化提供有价值的参考。
请参阅图4,主动噪声控制模块包括噪声检测单元、噪声调控单元、噪声降低策略生成单元;
噪声检测单元利用信号处理技术检测噪声,通过频谱分析、时域分析、统计分析算法,识别和量化噪声的特征;
噪声调控单元通过模糊逻辑方法进行噪声调节,依据模糊规则和模糊推理,决定噪声调控策略;
噪声降低策略生成单元结合噪声检测单元和噪声调控单元结果,生成噪声降低方案。
噪声检测单元利用信号处理技术对环境中的噪声进行检测。通过频谱分析、时域分析和统计分析算法,该单元能够识别和量化噪声的特征。通过准确地分析和测量噪声,系统可以了解噪声的频率分布和强度,并对其进行评估。噪声调控单元利用模糊逻辑方法进行噪声调节。基于预定义的模糊规则和模糊推理机制,该单元能够决定噪声调控策略。通过模糊逻辑的判断和推理,可以根据噪声检测结果以及设定的规则,自动调整噪声控制参数,实现对噪声的主动调节。噪声降低策略生成单元综合噪声检测单元和噪声调控单元的结果,生成噪声降低方案。根据噪声检测的数据和噪声调控单元提供的策略,该单元可以智能地生成适应性的噪声降低方案。通过选择合适的技术手段和控制策略,系统可以针对不同的噪声源和环境条件,降低噪声的影响。
请参阅图5,风能风险评估模块包括风能资源评估单元和风险分析单元;
风能资源评估单元利用插值算法和统计分析算法,推算整个区域的风能资源分布情况并计算指标,通过分析风能资源数据,评估特定地区或项目的风能资源情况,提供对风能资源的定量评估;
运用敏感性分析算法和风险评价算法,参照地理条件、气候变化、风力变异性因素,对风能项目的潜在风险进行量化和评估。
风能资源评估单元利用插值算法和统计分析算法推算整个区域的风能资源分布情况,并计算相关指标。通过分析风能资源数据,该单元能够对特定地区或项目的风能资源情况进行定量评估。这样的评估可以为风力发电项目的规划和建设提供可靠的依据,帮助确定最佳的风力发电场址和选择适当的风力发电机组。风险分析单元运用敏感性分析算法和风险评价算法,考虑地理条件、气候变化、风力变异性因素等,对风能项目的潜在风险进行量化和评估。通过对各种风险因素的考虑和分析,该单元能够识别可能对风力发电项目产生影响的风险,并提供相应的评估结果。这样的评估有助于风力发电项目的风险管控和风险应对策略制定,提高项目的可行性和可持续性。
请参阅图6,物联网与云平台模块包括集中控制单元、远程监测单元、云平台数据处理单元;
集中控制单元应用优化控制和自适应控制算法,对多个风力发电机组进行集中控制;
远程监测单元采集风电机组数据,采用数据采集优化算法、异常检测算法、故障诊断算法实现数据监测和预警;
云平台数据处理单元利用大数据分析、预测与预警算法,对风电机组数据进行深入分析和处理。
集中控制单元通过应用优化控制和自适应控制算法,实现对多个风力发电机组的集中控制。该单元能够对各个机组进行协调管理,优化风力发电系统的运行状态。通过集中控制,可以实现功率调节、负荷均衡和故障处理,提高风力发电的整体效率和可靠性。远程监测单元负责采集风电机组的数据,并采用数据采集优化算法、异常检测算法和故障诊断算法进行数据监测和预警。通过对风电机组数据的实时监测和分析,该单元能够及时发现和预警潜在的异常或故障情况,提高风力发电系统的监测和维护效率,降低故障对系统运行的影响。云平台数据处理单元利用大数据分析、预测与预警算法对风电机组数据进行深入分析和处理。该单元能够处理大量的数据,并利用算法进行数据挖掘和模式识别。通过对数据的分析和预测,可以提供精细化的数据报告、运行建议和预警信息,帮助管理人员做出及时的决策和优化运营策略。
请参阅图7,高温适应模块包括高温环境检测单元、稳定运行策略生成单元;
高温环境检测单元通过温度传感器实时采集环境温度数据,包括温度阈值判断算法、温度趋势分析算法、温度传感器数据校准算法;
稳定运行策略生成单元接收环境温度数据,采用功率调整算法根据当前环境温度和功率曲线数据,调整叶片角度、转子转速参数以防止系统过热,采用故障处理策略算法,根据高温环境下的故障检测数据和温度信息,选用故障处理策略。
高温环境检测单元通过温度传感器实时采集环境温度数据,并应用温度阈值判断算法、温度趋势分析算法和温度传感器数据校准算法进行处理。通过这些算法和方法,可以准确地监测和评估高温环境下的温度情况。这样的实时温度数据以及分析结果,为高温适应模块的后续运行策略生成提供了重要的基础。稳定运行策略生成单元接收高温环境检测单元提供的环境温度数据,并基于此数据应用功率调整算法来调整风力发电系统的叶片角度和转子转速参数,以防止系统过热。该单元还采用故障处理策略算法,根据高温环境下的故障检测数据和温度信息,选择合适的故障处理策略。通过调整角度、转速和采取适当的故障处理策略,该单元可以保证系统在高温环境下稳定运行且降低系统受热的风险。
请参阅图8,摩擦阻尼技术模块包括阻尼检测单元、角度稳定策略生成单元;
阻尼检测单元利用振动分析和频谱分析方法,实时监测叶片摩擦阻尼状态,输出摩擦阻尼报告;
角度稳定策略生成单元根据摩擦阻尼报告和PID控制算法进行角度调整,对叶片角度进行稳定调整,生成叶片角度稳定策略。
阻尼检测单元利用振动分析和频谱分析方法实时监测叶片的摩擦阻尼状态,并输出摩擦阻尼报告。此单元通过分析叶片的振动特征和频谱信息,能够准确评估叶片的摩擦阻尼状况。通过监测叶片摩擦阻尼状态,可以及时发现摩擦阻尼异常,提供实时的监测结果和摩擦阻尼报告。角度稳定策略生成单元根据摩擦阻尼报告和PID控制算法,对叶片的角度进行稳定调整,生成叶片角度稳定策略。该单元基于摩擦阻尼报告中的信息,结合PID控制算法,调整叶片的角度,使其处于稳定状态。通过叶片角度的稳定调整,可以提高风力发电系统的效率和可靠性,降低叶片与风之间的摩擦,减少能量损失。
请参阅图9,主动变桨控制模块包括环境感知单元、桨叶调控响应单元;
环境感知单元利用主动材料和传感器网络,感知环境中的风速、湿度参数,生成环境感知报告;
桨叶调控响应单元基于环境感知报告,使用深度学习算法进行桨叶调控,自适应地调整桨叶角度和位置,生成桨叶调控策略。
环境感知单元利用主动材料和传感器网络感知环境中的风速、湿度等参数,并生成详细的环境感知报告。通过主动材料和传感器网络的应用,这一单元能够准确感知风力发电系统所处的环境条件。环境感知报告提供了关于风速、湿度等环境参数的重要信息,为后续的桨叶调控提供了依据。桨叶调控响应单元基于环境感知报告,运用深度学习算法进行桨叶调控,自适应地调整桨叶角度和位置,生成桨叶调控策略。该单元利用深度学习算法处理环境感知报告中的数据,并根据模型的学习与优化,智能地调整桨叶的角度和位置,以优化风力发电系统的性能。通过自适应地调控桨叶,可以提高系统的发电效率和输出稳定性,适应不同环境条件下的变化。
请参阅图10,多模态桨叶调控模块包括桨叶模式选择单元、神经网络优化单元、遗传算法优化单元;
桨叶模式选择单元利用数据驱动的判别分析,根据风场条件选择桨叶调控模式,确定桨叶调控模式选择;
神经网络优化单元根据桨叶调控模式选择使用卷积神经网络进行优化,对桨叶调控模式选择进行实时优化,生成神经网络优化结果;
遗传算法优化单元根据神经网络优化结果使用遗传算法进行二次优化,自动调整桨叶参数达到最佳效能,生成最终桨叶调控策略。
桨叶模式选择单元利用数据驱动的判别分析方法,根据风场条件选择最佳桨叶调控模式,确定桨叶调控模式的选择。通过分析风场条件和其他相关因素,这一单元能够智能地选择适合当前环境的桨叶调控模式,从而实现灵活且高效的桨叶调控。神经网络优化单元根据桨叶调控模式的选择,利用卷积神经网络进行实时优化。通过神经网络优化,可以对桨叶调控模式进行实时的优化和调整。神经网络利用已有的数据进行训练和学习,提供针对不同桨叶模式的最优化指导,以最大程度地提高风力发电系统的功率输出和性能稳定性。遗传算法优化单元根据神经网络优化的结果,使用遗传算法进行二次优化。遗传算法能够通过模拟进化过程产生新的桨叶控制参数组合,并使用适应度函数评估其性能,进而寻找最佳的桨叶参数配置。这一过程可以自动调整桨叶参数以达到系统的最佳效能,提高风力发电系统的能量利用率和经济效益。
请参阅图11,一种风电变桨系统,风电变桨系统受风电变桨控制系统控制,风电变桨系统是由风能采集模块、动力转换与优化模块、储能与安全模块、电能输出与分发模块组成;
风能采集模块实时采集风能,并将风能转换为初级机械能,使用风速和叶片角度数据,根据空气密度和叶片半径等参数,计算风能利用率,输出初级机械能报告;
动力转换与优化模块应用电磁感应原理和PID控制算法进行能量转换与优化,将初级机械能报告中的机械能转换为电能,并根据桨叶调控策略进行能量优化,输出初级电能报告;
储能与安全模块接收初级电能报告,基于蓄电池的电荷和放电算法,并结合风险分析数据进行安全控制,生成安全储能报告;
电能输出与分发模块采用智能电网管理和负荷预测算法,根据安全储能报告,进行电能的输出与分发,产生电能分发完成报告。
风能采集模块实时采集风能并将其转换为初级机械能,通过计算风能利用率并生成初级机械能报告,实现对风能资源的有效利用评估。动力转换与优化模块利用电磁感应原理和PID控制算法将机械能转换为电能,并进行能量优化,提高能量转换效率,并输出初级电能报告。储能与安全模块通过蓄电池管理和风险分析数据进行安全控制,实现对电能的安全储存和释放,并生成安全储能报告。电能输出与分发模块采用智能电网管理和负荷预测算法,根据安全储能报告实现电能的有效输出与分发。
工作原理:
智能优化模块使用循环神经网络和模糊逻辑方法预测风速,并优化叶片角度设置和输出功率,生成风速预测与桨叶优化报告。多级桨叶控制模块独立控制每个桨叶的角度,利用深度强化学习方法根据风速预测与桨叶优化报告进行优化调控,生成独立桨叶角度调控报告。同时,主动噪声控制模块通过信号处理技术和模糊逻辑检测和调控噪声,通过调整叶片角度和转速降低噪声水平,并生成噪声降低报告。风能风险评估模块对风能资源进行评估和风险分析,并输出风能资源与风险分析报告,用于评估风电项目的可行性和风险水平。物联网与云平台模块实现对多个风力发电机组的集中控制与监测,通过数据采集、异常检测和故障诊断算法进行远程监测,并生成风电机组远程控制报告。高温适应模块保证风电系统在高温环境下的稳定运行,通过环境温度检测和稳定运行策略生成高温适应性报告。摩擦阻尼技术模块提供精确的叶片角度控制,通过阻尼检测和角度稳定策略生成叶片角度稳定报告。主动变桨控制模块通过感知环境和主动材料响应,生成主动响应调控报告,实现根据不同环境调整桨叶角度和位置的目标。多模态桨叶调控模块根据风场条件选择合适的桨叶调控模式,利用神经网络和遗传算法优化桨叶控制策略,生成多模态桨叶控制报告。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书与效物界定。
Claims (10)
1.一种风电变桨控制系统,其特征在于,所述风电变桨控制系统是由智能优化模块、多级桨叶控制模块、主动噪声控制模块、风能风险评估模块、物联网与云平台模块、高温适应模块、摩擦阻尼技术模块、主动变桨控制模块、多模态桨叶调控模块组成;
所述智能优化模块采用循环神经网络和模糊逻辑方法预测风速、优化叶片角度设置及输出功率,输出风速预测与桨叶优化报告;
所述多级桨叶控制模块独立控制每个桨叶的角度,输入所述风速预测与桨叶优化报告进行深度强化学习优化,生成独立桨叶角度调控报告;
所述主动噪声控制模块通过信号处理技术与模糊逻辑进行噪声检测与调控,调整叶片角度和转速降低噪声,生成噪声降低报告;
所述风能风险评估模块进行风能资源评估和风险分析,输出风能资源与风险分析报告;
所述物联网与云平台模块实现多风力发电机组的集中控制与监测,输出风电机组远程控制报告;
所述高温适应模块确保系统在高温环境中稳定运行,输出高温适应性报告;
所述摩擦阻尼技术模块提供精确的叶片角度控制,输出叶片角度稳定报告;
所述主动变桨控制模块通过主动材料感知与响应环境,输出主动响应调控报告;
所述多模态桨叶调控模块根据风场条件选择适合的桨叶调控模式,运用神经网络与遗传算法,输出多模态桨叶控制报告。
2.根据权利要求1所述的风电变桨控制系统,其特征在于,所述智能优化模块包括风速预测单元、叶片角度优化单元、输出功率优化单元;
所述风速预测单元利用循环神经网络进行风速预测,通过收集历史风速数据并进行数据准备、构建循环神经网络模型、模型训练和验证;
所述叶片角度优化单元利用模糊逻辑方法对叶片角度进行优化,通过定义模糊规则、进行模糊推理、设计模糊控制器,将输入的风速和功率要求转化为叶片角度调整策略,并通过反馈调优实现输出的稳定与优化;
所述输出功率优化单元根据风速和叶片角度预测来调整风力发电机的输出功率,以最大化发电效益,通过建立功率模型、制定功率优化策略进行实时调整,获得最佳的输出功率调整策略。
3.根据权利要求1所述的风电变桨控制系统,其特征在于,所述多级桨叶控制模块包括桨叶角度调整单元、深度学习优化单元、桨叶调控报告生成单元;
所述桨叶角度调整单元采用PID控制算法、模糊逻辑控制算法,根据当前的风速、功率需求,计算出每个桨叶应该调整的角度,独立调整每个桨叶的角度;
所述深度学习优化单元通过与环境的交互和训练,学习到最佳的桨叶角度调整策略,根据实时的风速、功率需求,采用深度强化学习方法来优化桨叶角度的调整,动态地调整桨叶的角度以最大化风力发电机的效率;
所述桨叶调控报告生成单元记录桨叶角度的实时调整历史、功率输出情况、系统运行状态信息,生成每个桨叶的独立调控报告。
4.根据权利要求1所述的风电变桨控制系统,其特征在于,所述主动噪声控制模块包括噪声检测单元、噪声调控单元、噪声降低策略生成单元;
所述噪声检测单元利用信号处理技术检测噪声,通过频谱分析、时域分析、统计分析算法,识别和量化噪声的特征;
所述噪声调控单元通过模糊逻辑方法进行噪声调节,依据模糊规则和模糊推理,决定噪声调控策略;
所述噪声降低策略生成单元结合噪声检测单元和噪声调控单元结果,生成噪声降低方案。
5.根据权利要求1所述的风电变桨控制系统,其特征在于,所述风能风险评估模块包括风能资源评估单元和风险分析单元;
所述风能资源评估单元利用插值算法和统计分析算法,推算整个区域的风能资源分布情况并计算指标,通过分析风能资源数据,评估特定地区或项目的风能资源情况,提供对风能资源的定量评估;
所述运用敏感性分析算法和风险评价算法,参照地理条件、气候变化、风力变异性因素,对风能项目的潜在风险进行量化和评估。
6.根据权利要求1所述的风电变桨控制系统,其特征在于,所述物联网与云平台模块包括集中控制单元、远程监测单元、云平台数据处理单元;
所述集中控制单元应用优化控制和自适应控制算法,对多个风力发电机组进行集中控制;
所述远程监测单元采集风电机组数据,采用数据采集优化算法、异常检测算法、故障诊断算法实现数据监测和预警;
所述云平台数据处理单元利用大数据分析、预测与预警算法,对所述风电机组数据进行深入分析和处理。
7.根据权利要求1所述的风电变桨控制系统,其特征在于,所述高温适应模块包括高温环境检测单元、稳定运行策略生成单元;
所述高温环境检测单元通过温度传感器实时采集环境温度数据,包括温度阈值判断算法、温度趋势分析算法、温度传感器数据校准算法;
所述稳定运行策略生成单元接收环境温度数据,采用功率调整算法根据当前环境温度和功率曲线数据,调整叶片角度、转子转速参数以防止系统过热,采用故障处理策略算法,根据高温环境下的故障检测数据和温度信息,选用故障处理策略。
8.根据权利要求1所述的风电变桨控制系统,其特征在于,所述摩擦阻尼技术模块包括阻尼检测单元、角度稳定策略生成单元;
所述阻尼检测单元利用振动分析和频谱分析方法,实时监测叶片摩擦阻尼状态,输出摩擦阻尼报告;
所述角度稳定策略生成单元根据摩擦阻尼报告和PID控制算法进行角度调整,对叶片角度进行稳定调整,生成叶片角度稳定策略;
所述主动变桨控制模块包括环境感知单元、桨叶调控响应单元;
所述环境感知单元利用主动材料和传感器网络,感知环境中的风速、湿度参数,生成环境感知报告;
所述桨叶调控响应单元基于环境感知报告,使用深度学习算法进行桨叶调控,自适应地调整桨叶角度和位置,生成桨叶调控策略。
9.根据权利要求1所述的风电变桨控制系统,其特征在于,所述多模态桨叶调控模块包括桨叶模式选择单元、神经网络优化单元、遗传算法优化单元;
所述桨叶模式选择单元利用数据驱动的判别分析,根据风场条件选择桨叶调控模式,确定桨叶调控模式选择;
所述神经网络优化单元根据桨叶调控模式选择使用卷积神经网络进行优化,对所述桨叶调控模式选择进行实时优化,生成神经网络优化结果;
所述遗传算法优化单元根据神经网络优化结果使用遗传算法进行二次优化,自动调整桨叶参数达到最佳效能,生成最终桨叶调控策略。
10.一种风电变桨系统,其特征在于,所述风电变桨系统受权利要求1-9所述的风电变桨控制系统控制,所述风电变桨系统是由风能采集模块、动力转换与优化模块、储能与安全模块、电能输出与分发模块组成;
所述风能采集模块实时采集风能,并将风能转换为初级机械能,使用风速和叶片角度数据,根据空气密度和叶片半径等参数,计算风能利用率,输出初级机械能报告;
所述动力转换与优化模块应用电磁感应原理和PID控制算法进行能量转换与优化,将所述初级机械能报告中的机械能转换为电能,并根据桨叶调控策略进行能量优化,输出初级电能报告;
所述储能与安全模块接收初级电能报告,基于蓄电池的电荷和放电算法,并结合风险分析数据进行安全控制,生成安全储能报告;
所述电能输出与分发模块采用智能电网管理和负荷预测算法,根据安全储能报告,进行电能的输出与分发,产生电能分发完成报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157446.0A CN117028147A (zh) | 2023-09-08 | 2023-09-08 | 一种风电变桨控制系统与风电变桨系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157446.0A CN117028147A (zh) | 2023-09-08 | 2023-09-08 | 一种风电变桨控制系统与风电变桨系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117028147A true CN117028147A (zh) | 2023-11-10 |
Family
ID=88633833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311157446.0A Pending CN117028147A (zh) | 2023-09-08 | 2023-09-08 | 一种风电变桨控制系统与风电变桨系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117028147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117536800A (zh) * | 2023-11-13 | 2024-02-09 | 无锡学院 | 风电设备数据采集系统 |
-
2023
- 2023-09-08 CN CN202311157446.0A patent/CN117028147A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117536800A (zh) * | 2023-11-13 | 2024-02-09 | 无锡学院 | 风电设备数据采集系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109890176B (zh) | 一种基于人工智能优化机房能耗效率的装置 | |
Kusiak et al. | Adaptive control of a wind turbine with data mining and swarm intelligence | |
CN117028147A (zh) | 一种风电变桨控制系统与风电变桨系统 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
CN110469456B (zh) | 降低变桨疲劳的风电场智能控制方法及系统 | |
Do et al. | State-of-the-art in integrated prognostics and health management control for utility-scale wind turbines | |
CN117411115A (zh) | 储能电源状态的检测控制方法、装置、电子设备及介质 | |
Hosseini et al. | Improving response of wind turbines by pitch angle controller based on gain-scheduled recurrent ANFIS type 2 with passive reinforcement learning | |
CN114567003A (zh) | 基于模糊自适应控制策略的风电机群有功功率控制方法 | |
CN116974234B (zh) | 一种火电厂碳资产的监测控制方法及系统 | |
CN117543835A (zh) | 一种配电柜智能配电控制方法及装置 | |
CN117114290A (zh) | 一种源网储综合能源互动优化系统及方法 | |
CN114429233A (zh) | 一种基于聚类算法的场站级最优功率控制方法及系统 | |
CN109882883B (zh) | 一种基于人工智能优化锅炉燃煤效率的方法及装置 | |
CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
CN111327070B (zh) | 风电场能量管理方法及系统 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
CN218404436U (zh) | 一种基于人工智能的电解制氢控制系统 | |
CN111327070A (zh) | 风电场能量管理方法及系统 | |
CN117193034B (zh) | 一种楼宇智能化控制方法及系统 | |
CN118100161A (zh) | 寒地风光热综合能源智能监测与预警系统 | |
Obdam et al. | Flight leader concept for wind farm load counting: offshore evaluation | |
CN117613984B (zh) | 一种用于风电储能的控制协调方法及系统 | |
CN118114816A (zh) | 一种建筑能耗快速预测方法 |
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 |