CN117763972A - 风电机组塔架的载荷预测方法、装置、设备及介质 - Google Patents
风电机组塔架的载荷预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117763972A CN117763972A CN202311873715.3A CN202311873715A CN117763972A CN 117763972 A CN117763972 A CN 117763972A CN 202311873715 A CN202311873715 A CN 202311873715A CN 117763972 A CN117763972 A CN 117763972A
- Authority
- CN
- China
- Prior art keywords
- tower
- current
- wind turbine
- load
- moment
- 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 51
- 238000012417 linear regression Methods 0.000 claims abstract description 77
- 230000001133 acceleration Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 206010016256 fatigue Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000035777 life prolongation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本申请公开了一种风电机组塔架的载荷预测方法、装置、设备及介质,涉及风电技术领域,该方法包括:获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。风电机组塔顶倾角可以反映塔架载荷低频信息和大小量级,塔顶加速度可以反映塔架载荷高频信息,因此目标线性回归模型利用当前风电机组塔顶倾角和当前塔顶加速度能够输出更加准确的当前塔架力矩,进而根据当前塔架力矩预测出的当前载荷也更加可靠,即能够提高风电机组塔架的载荷预测的准确度。
Description
技术领域
本发明涉及风电技术领域,特别涉及风电机组塔架的载荷预测方法、装置、设备及介质。
背景技术
塔架是风力发电机组的主要承载部件,将风轮和机舱支撑到需要的高度,其载荷安全性和结构稳定性对整个系统来说尤其重要,一旦发生事故将对整个系统造成毁灭性破坏及巨大的经济损失,风电产业深度发展,风电装机量不断提升,塔架载荷安全性面临巨大挑战。风电机组运行场址的复杂性,外部多源环境载荷的不确定性,叠加机组内部多重运行工况变化,使得塔架载荷水平和剩余寿命成为未知之数,难以支撑塔架载荷设计闭环、塔架降载、发电量提升和机组后期延寿。因此,风电机组塔架的载荷预测具有重大意义。
综上可见,如何提高风电机组塔架的载荷预测的准确度是本领域有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种风电机组塔架的载荷预测方法、装置、设备及介质,能够提高风电机组塔架的载荷预测的准确度。其具体方案如下:
第一方面,本申请公开了一种风电机组塔架的载荷预测方法,包括:
获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
可选的,所述获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度之前,还包括:
构建以风电机组塔顶倾角、塔顶加速度为输入变量、以塔架力矩为输出变量的初始线性回归模型;
采集训练数据,并设置状态参数;其中,所述状态参数包括切入风速、切出风速以及工况;
基于所述状态参数,并利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型。
可选的,所述风电机组塔顶倾角包括倾覆角和俯仰角,所述塔顶加速度包括塔顶前后方向的加速度和塔顶左右方向的加速度,所述塔架力矩包括倾覆力矩和俯仰力矩。
可选的,所述利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型,包括:
利用所述训练数据获取当前线性回归模型的均方误差,并判断所述当前线性回归模型的均方误差是否小于预设阈值;
若所述当前线性回归模型的均方误差小于所述预设阈值,则将所述当前线性回归模型的模型系数确定为目标系数,以得到目标线性回归模型。
可选的,所述利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷之后,还包括:
利用所述当前载荷和对应的塔架横截面数据计算出应力时序;其中,所述塔架横截面数据包括塔架横截面半径和截面惯性矩;
对所述应力时序开展雨流计数,以得到等效应力幅值,并从所述待测风电机组塔架的应力与寿命曲线表查找出与所述等效应力幅值对应的累积疲劳损伤,基于所述累积疲劳损伤获取所述待测风电机组塔架的剩余寿命。
可选的,所述风电机组塔架的载荷预测方法,还包括:
判断所述当前塔架力矩是否大于预设阈值;
若所述当前塔架力矩大于所述预设阈值,则触发预警线程,并控制所述待测风电机组塔架的控制器进行顺桨操作。
可选的,所述控制所述待测风电机组塔架的控制器进行顺桨操作之后,包括:
在预设时间段内对所述当前载荷进行频谱分析,以得到特征频率,并判断所述特征频率是否在预设频率段内;
若所述特征频率在所述预设频率段内,则控制所述待测风电机组塔架的控制器调整所述待测风电机组塔架的风轮转频。
第二方面,本申请公开了一种风电机组塔架的载荷预测装置,包括:
当前数据获取模块,用于获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
塔架力矩输出模块,用于将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
当前载荷预测模块,用于利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的风电机组塔架的载荷预测方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的风电机组塔架的载荷预测方法的步骤。
本申请有益效果为:本申请获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。由此可见,风电机组塔顶倾角可以反映塔架载荷低频信息和大小量级,塔顶加速度可以反映塔架载荷高频信息,因此目标线性回归模型利用当前风电机组塔顶倾角和当前塔顶加速度能够输出更加准确的当前塔架力矩,进而根据当前塔架力矩预测出的当前载荷也更加可靠,即能够提高风电机组塔架的载荷预测的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种风电机组塔架的载荷预测方法流程图;
图2为本申请公开的一种具体的风电机组塔架示意图;
图3为本申请公开的一种具体的时序比较图;
图4为本申请公开的另一种具体的时序比较图;
图5为本申请公开的一种风电机组塔架的载荷预测装置结构示意图;
图6为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,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,都属于本发明保护的范围。
塔架是风力发电机组的主要承载部件,将风轮和机舱支撑到需要的高度,其载荷安全性和结构稳定性对整个系统来说尤其重要,一旦发生事故将对整个系统造成毁灭性破坏及巨大的经济损失,风电产业深度发展,风电装机量不断提升,塔架载荷安全性面临巨大挑战。风电机组运行场址的复杂性,外部多源环境载荷的不确定性,叠加机组内部多重运行工况变化,使得塔架载荷水平和剩余寿命成为未知之数,难以支撑塔架载荷设计闭环、塔架降载、发电量提升和机组后期延寿。因此,风电机组塔架的载荷预测具有重大意义。
为此本申请相应的提供了一种风电机组塔架的载荷预测方案,能够提高风电机组塔架的载荷预测的准确度。
参见图1所示,本申请实施例公开了一种风电机组塔架的载荷预测方法,包括:
步骤S11:获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度。
可以理解的是,当存在待测风电机组塔架时,需要获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度,例如图2所示的一种具体的风电机组塔架示意图,当前风电机组塔顶倾角包括当前风电机组塔顶倾覆角和当前风电机组塔顶俯仰角,当前塔顶加速度包括当前风电机塔顶前后方向的加速度和当前风电机塔顶左右方向的加速度。在塔架顶部安装双向倾角测量仪和加速度传感器,双向倾角测量仪测量得到塔架两个方向的倾角,即倾覆角和俯仰角,加速度传感器测量得到塔顶前后加速度和左右加速度,加速度传感器一般为风电机组标配传感器,可测量得到塔顶前后加速度和左右加速度。
本实施例中,所述获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度之前,还包括:构建以风电机组塔顶倾角、塔顶加速度为输入变量、以塔架力矩为输出变量的初始线性回归模型;采集训练数据,并设置状态参数;其中,所述状态参数包括切入风速、切出风速以及工况;基于所述状态参数,并利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型。构建初始线性回归模型,其中风电机组塔顶倾角、塔顶加速度为输入变量、塔架力矩为输出变量,采集训练数据,其中,训练数据可以来自高保真载荷仿真认证数据库,高保真载荷仿真认证数据库为经过第三方认证的风电机组动力学仿真软件得到的载荷仿真数据或现场测试得到的载荷实验数据,设置状态参数,状态参数包括切入风速、切出风速以及工况,工况一般选择正常湍流风下的发电工况或停机工况,例如选取切入风速为2.5m/s、切出风速为20m/s的正常发电工况数据作为塔架载荷线性回归模型的状态参数,利用训练数据对初始线性回归模型进行训练,以得到目标线性回归模型,将目标线性回归模型写入主控程序。
本实施例中,所述风电机组塔顶倾角包括倾覆角θx和俯仰角θy,所述塔顶加速度包括塔顶前后方向的加速度ax和塔顶左右方向的加速度ay,所述塔架力矩包括倾覆力矩Mx和俯仰力矩My。
本实施例中,所述利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型,包括:利用所述训练数据获取当前线性回归模型的均方误差,并判断所述当前线性回归模型的均方误差是否小于预设阈值;若所述当前线性回归模型的均方误差小于所述预设阈值,则将所述当前线性回归模型的模型系数确定为目标系数,以得到目标线性回归模型。具体的,线性回归模型如下所示:
式中,Mx表示倾覆力矩,My表示俯仰力矩,θx表示倾覆角,θy表示俯仰角,ax表示塔顶前后方向的加速度,ay表示塔顶左右方向的加速度,k1、k2、w1、w2、b1、b2表示模型系数,其中,k1、k2、b1与倾覆力矩Mx相关,w1、w2、b2与俯仰力矩My相关。
利用训练数据对线性回归模型进行训练,以最小化模型的均方误差,也就是说,获取当前线性回归模型的均分误差,如果当前线性回归模型的均方误差小于预设阈值,则将当前线性回归模型的模型系数确定为目标系数,以得到目标线性回归模型,具体如下公式所示:
式中,M'x、M'y为仿真或实测塔架力矩,Mx、My为预测的塔架力矩,n为训练数据数量,例如最终得到的目标系数为k1=111.880、k2=24.795、b1=-1.985、w1=189.408、w2=-15.359、b2=17.905。
步骤S12:将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩。
将包含当前风电机组塔顶倾角和当前塔顶加速度的测量数据传入主控程序的目标线性回归模型中,目标线性回归模型可以根据输入的当前风电机组塔顶倾角和当前塔顶加速度输出当前塔架力矩,该当前塔架力矩包括当前塔架倾覆力矩和当前塔架俯仰力矩。其中,输入的当前风电机组塔顶倾角主要反映了塔架载荷低频信息和大小量级,加速度主要反映了塔顶惯性力作用下的塔架载荷高频信息,因此结合倾角和加速度,可以有效实现机组塔架力矩的高精度预测。
步骤S13:利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
可以理解的是,塔架载荷为沿高度任一截面的倾覆力矩和俯仰力矩组成,在实际中一般选择截面高度为零的塔底载荷,该处载荷最大,因此,当获取到当前塔架力矩,就可以预测出待测风电机组塔架的当前载荷。在机组主控内实时计算预测塔底倾覆力矩和俯仰力矩,并进行极限载荷监测和振动监测。如图3所示的一种具体的时序比较图,图中表示预测的塔底倾覆力矩Mx与载荷实际值的时序比较图,如图4所示的另一种具体的时序比较图,图4给出了预测的塔底俯仰力矩My与载荷实际值的时序比较图,发现极限载荷误差仅为-4.55%和2.09%,等效疲劳载荷误差为-2.44%和-4.29%。
本实施例中,所述利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷之后,还包括:利用所述当前载荷和对应的塔架横截面数据计算出应力时序;其中,所述塔架横截面数据包括塔架横截面半径和截面惯性矩;对所述应力时序开展雨流计数,以得到等效应力幅值,并从所述待测风电机组塔架的应力与寿命曲线表查找出与所述等效应力幅值对应的累积疲劳损伤,基于所述累积疲劳损伤获取所述待测风电机组塔架的剩余寿命。倾覆力矩时序Mx(t)和俯仰力矩时序My(t)时序,结合对应的塔架截面数据,得到应力时序:
式中,r表示塔架横截面半径,I表示截面惯性矩。
接下来,对应力时序开展雨流计数,以得到等效应力幅值Six、Siy和相应的循环次数nix、niy,从待测风电机组塔架的应力与寿命曲线表查找出与等效应力幅值对应的累积疲劳损伤,需要注意的是,累积疲劳损伤分为前后、左右两种,即累积疲劳损伤累积疲劳损伤/>其中,j、k分别为σx(t)、σy(t)的总循环次数,进而可以得到塔架前后、左右两个方向的剩余寿命,即如下所示:
本实施例中,还包括:判断所述当前塔架力矩是否大于预设阈值;若所述当前塔架力矩大于所述预设阈值,则触发预警线程,并控制所述待测风电机组塔架的控制器进行顺桨操作。在机组主控内设置倾覆力矩阈值Mx-max和俯仰力矩阈值My-max,如果当前塔架倾覆力矩大于倾覆力矩阈值Mx-max或当前塔架俯仰力矩大于俯仰力矩阈值My-max时,则触发机组警报,控制待测风电机组塔架的控制器进行顺桨操作,以减小塔架载荷,防止出现极限载荷引起的塔架破坏事故。
本实施例中,所述控制所述待测风电机组塔架的控制器进行顺桨操作之后,包括:所述控制所述待测风电机组塔架的控制器进行顺桨操作之后,包括:在预设时间段内对所述当前载荷进行频谱分析,以得到特征频率,并判断所述特征频率是否在预设频率段内;若所述特征频率在所述预设频率段内,则控制所述待测风电机组塔架的控制器调整所述待测风电机组塔架的风轮转频。将一定时间内的塔架载荷时序进行频谱分析,得到特征频率fMx、fMy,若其位于风轮转频fRotor左右约8%区间内,则认为风电机组容易发生共振,易发生结构振动破坏事故,此时应调整控制器使风轮转频跳出共振区,实现机组振动监测,即:
本申请有益效果为:本申请获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。由此可见,风电机组塔顶倾角可以反映塔架载荷低频信息和大小量级,塔顶加速度可以反映塔架载荷高频信息,因此目标线性回归模型利用当前风电机组塔顶倾角和当前塔顶加速度能够输出更加准确的当前塔架力矩,进而根据当前塔架力矩预测出的当前载荷也更加可靠,即能够提高风电机组塔架的载荷预测的准确度。
参见图5所示,本申请实施例公开了一种风电机组塔架的载荷预测装置,包括:
当前数据获取模块11,用于获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
塔架力矩输出模块12,用于将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
当前载荷预测模块13,用于利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
本申请有益效果为:本申请获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。由此可见,风电机组塔顶倾角可以反映塔架载荷低频信息和大小量级,塔顶加速度可以反映塔架载荷高频信息,因此目标线性回归模型利用当前风电机组塔顶倾角和当前塔顶加速度能够输出更加准确的当前塔架力矩,进而根据当前塔架力矩预测出的当前载荷也更加可靠,即能够提高风电机组塔架的载荷预测的准确度。
进一步的,本申请实施例还提供了一种电子设备。图6是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备的结构示意图。具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现以下步骤:
获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
在一些具体实施方式中,所述处理器通过执行所述存储器中保存的计算机程序,具体可以实现以下步骤:
构建以风电机组塔顶倾角、塔顶加速度为输入变量、以塔架力矩为输出变量的初始线性回归模型;
采集训练数据,并设置状态参数;其中,所述状态参数包括切入风速、切出风速以及工况;
基于所述状态参数,并利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型。
在一些具体实施方式中,所述风电机组塔顶倾角包括倾覆角和俯仰角,所述塔顶加速度包括塔顶前后方向的加速度和塔顶左右方向的加速度,所述塔架力矩包括倾覆力矩和俯仰力矩。
在一些具体实施方式中,所述处理器通过执行所述存储器中保存的计算机程序,具体可以实现以下步骤:
利用所述训练数据获取当前线性回归模型的均方误差,并判断所述当前线性回归模型的均方误差是否小于预设阈值;
若所述当前线性回归模型的均方误差小于所述预设阈值,则将所述当前线性回归模型的模型系数确定为目标系数,以得到目标线性回归模型。
在一些具体实施方式中,所述处理器通过执行所述存储器中保存的计算机程序,具体可以实现以下步骤:
利用所述当前载荷和对应的塔架横截面数据计算出应力时序;其中,所述塔架横截面数据包括塔架横截面半径和截面惯性矩;
对所述应力时序开展雨流计数,以得到等效应力幅值,并从所述待测风电机组塔架的应力与寿命曲线表查找出与所述等效应力幅值对应的累积疲劳损伤,基于所述累积疲劳损伤获取所述待测风电机组塔架的剩余寿命。
在一些具体实施方式中,所述处理器通过执行所述存储器中保存的计算机程序,具体可以实现以下步骤:
判断所述当前塔架力矩是否大于预设阈值;
若所述当前塔架力矩大于所述预设阈值,则触发预警线程,并控制所述待测风电机组塔架的控制器进行顺桨操作。
在一些具体实施方式中,所述处理器通过执行所述存储器中保存的计算机程序,还可以进一步包括以下步骤:
在预设时间段内对所述当前载荷进行频谱分析,以得到特征频率,并判断所述特征频率是否在预设频率段内;
若所述特征频率在所述预设频率段内,则控制所述待测风电机组塔架的控制器调整所述待测风电机组塔架的风轮转频。
本实施例中,电源23用于为电子设备上的各硬件设备提供工作电压;通信接口24能够为电子设备创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备执行的风电机组塔架的载荷预测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的风电机组塔架的载荷预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(Random Access Memory,即RAM)、内存、只读存储器(Read-Only Memory,即ROM)、电可编程EPROM(Erasable Programmable Read Only Memory)、电可擦除可编程EEPROM(Electrically Erasable Programmable read only memory)、寄存器、硬盘、可移动磁盘、CD-ROM(CoMP23041315act Disc Read-Only Memory,即紧凑型光盘只读储存器)、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种风电机组塔架的载荷预测方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电机组塔架的载荷预测方法,其特征在于,包括:
获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
2.根据权利要求1所述的风电机组塔架的载荷预测方法,其特征在于,所述获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度之前,还包括:
构建以风电机组塔顶倾角、塔顶加速度为输入变量、以塔架力矩为输出变量的初始线性回归模型;
采集训练数据,并设置状态参数;其中,所述状态参数包括切入风速、切出风速以及工况;
基于所述状态参数,并利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型。
3.根据权利要求2所述的风电机组塔架的载荷预测方法,其特征在于,所述风电机组塔顶倾角包括倾覆角和俯仰角,所述塔顶加速度包括塔顶前后方向的加速度和塔顶左右方向的加速度,所述塔架力矩包括倾覆力矩和俯仰力矩。
4.根据权利要求2所述的风电机组塔架的载荷预测方法,其特征在于,所述利用所述训练数据对所述初始线性回归模型进行训练,以得到目标线性回归模型,包括:
利用所述训练数据获取当前线性回归模型的均方误差,并判断所述当前线性回归模型的均方误差是否小于预设阈值;
若所述当前线性回归模型的均方误差小于所述预设阈值,则将所述当前线性回归模型的模型系数确定为目标系数,以得到目标线性回归模型。
5.根据权利要求1至4任一项所述的风电机组塔架的载荷预测方法,其特征在于,所述利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷之后,还包括:
利用所述当前载荷和对应的塔架横截面数据计算出应力时序;其中,所述塔架横截面数据包括塔架横截面半径和截面惯性矩;
对所述应力时序开展雨流计数,以得到等效应力幅值,并从所述待测风电机组塔架的应力与寿命曲线表查找出与所述等效应力幅值对应的累积疲劳损伤,基于所述累积疲劳损伤获取所述待测风电机组塔架的剩余寿命。
6.根据权利要求1所述的风电机组塔架的载荷预测方法,其特征在于,还包括:
判断所述当前塔架力矩是否大于预设阈值;
若所述当前塔架力矩大于所述预设阈值,则触发预警线程,并控制所述待测风电机组塔架的控制器进行顺桨操作。
7.根据权利要求6所述的风电机组塔架的载荷预测方法,其特征在于,所述控制所述待测风电机组塔架的控制器进行顺桨操作之后,包括:
在预设时间段内对所述当前载荷进行频谱分析,以得到特征频率,并判断所述特征频率是否在预设频率段内;
若所述特征频率在所述预设频率段内,则控制所述待测风电机组塔架的控制器调整所述待测风电机组塔架的风轮转频。
8.一种风电机组塔架的载荷预测装置,其特征在于,包括:
当前数据获取模块,用于获取待测风电机组塔架的当前风电机组塔顶倾角和当前塔顶加速度;
塔架力矩输出模块,用于将所述当前风电机组塔顶倾角和所述当前塔顶加速度输入至目标线性回归模型,以得到所述目标线性回归模型输出的当前塔架力矩;
当前载荷预测模块,用于利用所述当前塔架力矩预测出所述待测风电机组塔架的当前载荷。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的风电机组塔架的载荷预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风电机组塔架的载荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873715.3A CN117763972A (zh) | 2023-12-29 | 2023-12-29 | 风电机组塔架的载荷预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873715.3A CN117763972A (zh) | 2023-12-29 | 2023-12-29 | 风电机组塔架的载荷预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117763972A true CN117763972A (zh) | 2024-03-26 |
Family
ID=90318063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311873715.3A Pending CN117763972A (zh) | 2023-12-29 | 2023-12-29 | 风电机组塔架的载荷预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763972A (zh) |
-
2023
- 2023-12-29 CN CN202311873715.3A patent/CN117763972A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102519651B (zh) | 一种振动方法测试斜拉桥索力时确定拉索基本频率的方法 | |
WO2022111423A1 (zh) | 大跨悬索桥涡振事件的实时识别和监测预警方法 | |
Prowell et al. | Shake table testing and numerical simulation of a utility‐scale wind turbine including operational effects | |
CN107451338A (zh) | 一种基于有限元的分布随机动载荷识别方法 | |
CN108376184A (zh) | 一种桥梁健康监控的方法及系统 | |
CN107423487B (zh) | 一种随机动载荷空间分布及统计特征的识别方法 | |
CN111997831B (zh) | 风电机组的载荷控制方法和装置 | |
Dong et al. | Vibration source identification of offshore wind turbine structure based on optimized spectral kurtosis and ensemble empirical mode decomposition | |
CN107341297A (zh) | 一种基于kl展开的分布随机动载荷识别方法 | |
CN105488307A (zh) | 基于北斗的边坡监测预警系统评价方法 | |
JP2018511734A (ja) | 風力発電装置の余寿命を決定するための方法 | |
CN110426123A (zh) | 一种电厂发电机组的顶盖的振动检测方法 | |
CN110160682A (zh) | 一种载荷监测系统及方法 | |
CN113310650A (zh) | 基于系梁挠度的拱桥吊索损伤识别方法、终端及存储介质 | |
CN113343541B (zh) | 长大跨桥梁的涡激振动预警方法、装置及终端 | |
Ji et al. | Structural performance degradation identification of offshore wind turbines based on variational mode decomposition with a Grey Wolf Optimizer algorithm | |
CN110160492B (zh) | 一种输电塔的倾斜监测方法及装置 | |
CN110008520B (zh) | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 | |
Branlard et al. | A digital-twin solution for floating offshore wind turbines validated using a full-scale prototype | |
JP2009156650A (ja) | 強度評価装置 | |
CN114357567A (zh) | 基于bim的风振监测、系统、存储介质及计算机设备 | |
CN108287964B (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
CN117763972A (zh) | 风电机组塔架的载荷预测方法、装置、设备及介质 | |
KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
CN109100102B (zh) | 基于应变连续监测的风机模态分析方法、装置、终端与计算机可读存储介质 |
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 |