CN117795194A - 使用安装在风力涡轮机上的LidDAR传感器来确定风速的方法 - Google Patents
使用安装在风力涡轮机上的LidDAR传感器来确定风速的方法 Download PDFInfo
- Publication number
- CN117795194A CN117795194A CN202280055386.9A CN202280055386A CN117795194A CN 117795194 A CN117795194 A CN 117795194A CN 202280055386 A CN202280055386 A CN 202280055386A CN 117795194 A CN117795194 A CN 117795194A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- measurement
- wind turbine
- lidar sensor
- 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 75
- 238000005259 measurement Methods 0.000 claims abstract description 148
- 230000033001 locomotion Effects 0.000 claims abstract description 51
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000007667 floating Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001397173 Kali <angiosperm> Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013519 translation 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/26—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting optical wave
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- 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
- F05B2240/00—Components
- F05B2240/90—Mounting on supporting structures or systems
- F05B2240/93—Mounting on supporting structures or systems on a structure floating on a liquid surface
-
- 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
-
- 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
- F05B2270/32—Wind speeds
-
- 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
- F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
- F05B2270/804—Optical devices
- F05B2270/8042—Lidar systems
-
- 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)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种实现利用安装在风力涡轮机(1)上的LiDAR传感器(2)获得的测量和利用至少一个运动传感器(CAM)获得的测量、以及LiDAR测量模型(MOD M)和风模型(MOD V)的方法。该方法然后实现富有信息的自适应卡尔曼滤波器(KAL)以确定在一些估计点处的风速(v)。然后,可以从中可能地导出例如在转子平面中的至少一个风速特性(CAR)。
Description
技术领域
本发明涉及可再生能源的领域,并且尤其涉及出于风预测、浮式风力涡轮机控制(取向、扭矩和速度调节)和/或诊断和/或监测、和/或浮式风力涡轮机数值建模/仿真的目的的浮式风力涡轮机的资源(即风)的测量。
风力涡轮机允许来自风的动能转换成电能或机械能。为了将风能转换成电能,它是由以下元件组成的:
-塔架,其允许将转子置于足够的高度以使其能够运动(水平轴风力涡轮机所必需的)和/或将该转子置于使其能够由比地面水平处更强且更规则的风来驱动的高度。塔架通常容纳部分的电气和电子组件(调制器、控制器、倍增器、发电机等)
-安装在塔架顶部的机舱,其容纳机械、气动组件以及操作机器所必需的一些电气和电子组件(调制器、控制器、倍增器、发电机等)。机舱可以旋转,以使转子定向在正确的方向上,
-固定在机舱上的转子,该转子包括风力涡轮机的若干叶片(通常是三个)以及轮毂。该转子由风能驱动,并且通过机械轴杆直接或间接(经由齿轮箱和机械轴杆系统)连接到电机(发电机),该电机将所回收的能量转换成电能。转子可能配备有控制系统,诸如可变角度叶片或空气动力制动器,
-可能的变速箱,尤其是由通过倍增器(齿轮箱)连接的两个轴杆(转子的机械轴杆和转换机的机械轴杆)组成。
当风力涡轮机是浮式涡轮机时,塔架驻留在浮式支撑结构(也称为浮体)上。这种浮式结构可通过锚索被连接至海床。
自1990年代早期以来,人们对风力重新产生了兴趣,特别是在年增长率约为20%的欧盟。这一增长归因于无碳发电的固有可能性。为了维持这一增长,风力涡轮机的发电量仍需进一步提高。风力发电产量增长的前景要求开发有效的生产工具和先进的控制工具,以提高机器的性能。风力涡轮机被设计来以尽可能低的成本发电。因此,通常将它们构造成在大约12m/s的风速(称为“标称”速度)下达到其最大性能。不必设计在更高风速(这是不常见的)下最大化其产量的风力涡轮机。在风速大于涡轮机的标称风速的情况下,有必要损失风中所包含的附加能量的一部分以便避免对风力涡轮机的损坏。因此,所有风力涡轮机均设计有功率调节系统。
对于这种功率调节,已为可变速风力涡轮机设计了控制器。控制器的目的是最大化回收的电力,最小化转子速度波动,以及最小化结构(叶片、塔架和平台)的疲劳和极端力矩。
发明背景
为了优化控制,重要的是知悉风速特性。为此开发了各种技术。
根据第一技术,使用风速计可以估算某一点的风速,但是这种不精确的技术无法测量整个风场或无法知悉风速的三维分量。
根据第二技术,可使用LiDAR(光检测和测距)传感器。LiDAR是一种基于对返回发射器的光束的特性的分析的遥感或光学测量技术。该方法主要被用于借助脉冲激光来确定到物体的距离。与基于类似原理的雷达不同,LiDAR传感器使用可见光或红外光代替无线电波。
在风力涡轮机领域,LiDAR传感器被宣布为是大型风力涡轮机正常运行所必不可少的,尤其是在其尺寸和功率不断增加的今天(对于海上涡轮机如今是8MW,不久将是15MW)。该传感器使得能够实现远程风力测量,首先允许对风力涡轮机进行校准以便它们能够提供最大功率(功率曲线优化)。对于此校准阶段,传感器可以放置在地面上并垂直定向(剖析器),从而允许取决于海拔来测量风速和风向以及风速梯度。该应用是特别关键的,因为它允许了解产生能量的资源。这对于风力涡轮机项目是重要的,因为它调节该项目的财务可行性。
第二应用包括将该传感器设置在风力涡轮机的机舱上,以便在几乎水平定向时测量涡轮机上游的风场。首先,测量风轮机上游的风场允许提前知悉涡轮机随后不久将遇到的湍流。然而,当前的风力涡轮机控制和监测技术不允许考虑由LiDAR传感器通过精确地估计平均风速(即在转子平面中)来执行的测量。这种应用尤其在专利申请FR-3-013777(US-2015-145253)中进行了描述。
此外,当使用LiDAR传感器时一个具体特征是,从测量平面到风力涡轮机的转子平面的距离可以由LiDAR用户来施加,它们可以逐LiDAR传感器而不同并且它们可以是未知的。在这一情形中,不可能使用诸如专利申请FR-3068139(US-2020/0124026)、FR-3088971(US-2020/0166650)中所描述的风速测定方法,这些方法要求对测量平面和风力涡轮机的转子平面之间的距离进行强制。
当风力涡轮机是浮式涡轮机时,它经受波浪运动和/或风力,这可以引起该浮式涡轮机的平移和/或旋转运动。这些运动生成LiDAR传感器相对于静止参考系(例如,陆地参考系)的动态位移。LiDAR传感器的该位移扰乱了LiDAR传感器测量的分析;实际上,LiDAR传感器的光束不再具有恒定相同的原点或在静止参考系中的相同定向,这也持续地修改测量点的位置。随着测量平面远离风力涡轮机,测量点的该修改更加重要。例如,对于属于远离LiDAR传感器400米的测量平面的测量点,测量点在两个极限位置之间随时间的偏移可能是约40米。另外,由于波浪运动的频率和风修改,运动随时间保持可变,其生成测量点位置随时间的变化。因此,对于这种情况,在强波浪和/或高风载荷的情况下,风速的确定可能是错误的。
图1和图2通过非限制性示例示意性地解说了这个问题。图1解说了处于垂直位置的浮式风力涡轮机,并且图2解说了由于风和/或波浪载荷而经受运动的浮式风力涡轮机。在这些附图中,海平面由MSL表示。浮式风力涡轮机1包括机舱3、叶片(未示出)、塔架4以及浮体8。点O对应于与地面或惯性参考系相关联的静止参考点。通常,点O可以是浮式结构在海平面处的点。坐标系R0是具有原点O的静止直接正交坐标系,其轴线x沿着机舱的定向水平地指向,其轴线z垂直上升并且其轴线y被布置成完成正交基,网格Rep与该静止坐标系相关联。点N表示机舱中的几何点。点L表示LiDAR传感器2的光束的原点。线段b表示LiDAR传感器的测量光束。点P表示LiDAR传感器2的光束b的几何测量点。可以通过定位在测量光束上以类似的方式推导出LiDAR传感器的其他测量点。点Nf是当由风力涡轮机和浮体组成的组装件静止(图1的处置位置)时与点N重合的、与坐标系R0相关的点。坐标系Rb是可变坐标系,当由风力涡轮机和浮体组成的组装件静止时,该可变坐标系的原点是点N,并且该可变坐标系的轴线定向与R0的轴线定向相同。应注意,在静止坐标系R0和相关联的网格Rep中,测量光束b的倾斜度和测量点P的位置在图1和2之间极大地变化。
海上风力涡轮机或海上风力涡轮机同样经受不利于LiDAR传感器测量的运动。
发明内容
本发明的目的是为了以精确方式确定风速的至少一个特性,甚至对于可能由波浪或风载荷导致的由风力涡轮机(优选地浮式风力涡轮机)的运动所干扰的测量。因此,本发明涉及一种使用LiDAR传感器的测量和至少一个运动传感器的测量、以及LiDAR测量模型和风模型的方法。该方法随后使用富有信息的自适应卡尔曼滤波器来用于确定在一些估计点处的风速。风速的至少一个特性可以由此可能地导出,例如在转子平面中。运动测量允许将风力涡轮机经历的应力考虑在内,特别是当风力涡轮机是浮式涡轮机时。此外,将这些测量与考虑空间相干性和时间相干性的风模型组合,并且与富有信息的自适应卡尔曼滤波器组合,允许考虑风力涡轮机的动态运动来确定风速。
本发明涉及一种借助于安装在风力涡轮机、优选浮式风力涡轮机上的LiDAR传感器并且借助于安装在所述风力涡轮机上的至少一个运动传感器来确定风速的方法。对于该方法,执行以下步骤:
a)构建所述LiDAR测量的模型,
b)通过考虑风速的空间相干性和时间相干性来构建风模型,
c)借助于所述LiDAR传感器来测量在远离所述风力涡轮机的至少一个测量平面中的风,
d)借助于所述至少一个运动传感器来测量所述风力涡轮机的机舱在静止参考系中的运动,以及
e)使用在步骤a)中构建的所述LiDAR测量的所述模型、在步骤b)中构建的所述风模型、在步骤c)中获得的所述LiDAR传感器的所述测量和在步骤d)中获得的所述至少一个运动传感器的所述测量,借助于富有信息的自适应卡尔曼滤波器确定在不同的估计点处的风速,所述估计点在所述静止坐标系中。
根据一个实施例,所述至少一个运动传感器包括惯性测量单元,所述惯性测量单元优选地包括至少一个加速度计和至少一个陀螺仪。
根据一种实现,所述LiDAR测量的所述模型写为如下:mj,x(k)=ajvj,x(k)+bjvj,y(k)+cjvj,z(k),其中m是测量,x是纵向方向,j是所述LiDAR传感器的测量光束,mj,x是测量光束j在距离x处的测量,k是离散时间,v是风速,vj,x是针对测量光束j的风速的纵向分量,vj,y是针对测量光束j的风速的横向分量,vj,z是针对测量光束j的风速的垂直分量,aj、bj、cj是针对测量光束j的测量系数。
根据一个方面,所述风模型的空间相干性是横向相干性、垂直相干性和纵向相干性的函数。
根据一特征,所述风模型的所述时间相干性写为如下:w(k)=Asw(k-1),其中k是离散时间,ω是首先包括在n个预定义估计点处的风速的纵向分量和所述n个预定义估计点的风速的横向分量的向量,As是常数矩阵,该常数矩阵是通过Kaimal频谱获得的风速的自相关函数。
根据一实施例,所述富有信息的自适应卡尔曼滤波器被应用于以下方程:wx(k)=Aswx(k-1)+η(k)以及
其中k是离散时间,v是风速,x是纵向分量,v1和v2是具有相同纵向和垂直值的两个横向位置,x1和x2是具有相同横向和垂直值的两个纵向位置,z1和z2是具有相同纵向和横向值的两个垂直位置,vx,y1是位置y1处的风速的纵向分量,vx,y2是位置v2处的风速的纵向分量,ft是预定义函数,vx,x1是位置x1处的风速的纵向分量,vx,x2是位置x2处的风速的纵向分量,f1是预定义函数,vx,z1是位置z1处的所述风速的纵向分量,vx,z2是位置z2处的所述风速的纵向分量,f1是预定义函数,α是幂律的系数,j是LiDAR传感器的测量光束,mj,x是测量光束j在距离x处的测量,vj,x是针对测量光束j的风速的纵向分量,vj,y是针对测量光束j的风速的横向分量,vj,z是针对测量光束j的风速的垂直分量,aj、bj、cj是针对测量光束j的测量系数,η是状态方程的噪声,εt是横向噪声,εv是垂直噪声,ε1是纵向噪声,εm是测量噪声,As是常数矩阵,该常数矩阵是通过Kaimal频谱获得的风速的自相关函数。
根据一实现,借助于以下方程确定在不同点处的所述风速:
以及
其中k是离散时间,s是所述富有信息的自适应卡尔曼滤波器的信息状态向量,S是所述富有信息的自适应卡尔曼滤波器的信息矩阵,是给定来自时间k-1的测量的对s(k)的估计,/>是给定来自时间k的测量的对s(k)的估计,S(k|k-1)是给定时间k-1的测量的s(k)的信息矩阵,S(k|k)是给定时间k的测量的s(k)的信息矩阵,As是常数矩阵,该常数矩阵是通过Kaimal频谱获得的风速的自相关函数,Q和R是噪声ε(k)和η(k)的协方差矩阵,Ca是通过线性化/>周围的输出方程来获得的,y(k)包括所述LiDAR传感器的测量。
根据一实施例,该方法包括确定所述风速的至少一个特性的附加步骤,优选地是在垂直平面中、特别是在所述风力涡轮机的转子的垂直平面中的风速特性。
本发明进一步涉及一种控制风力涡轮机的方法,该风力涡轮机优选地是浮式风力涡轮机。对于该方法执行以下步骤:
a)借助于根据上述特征之一的方法来确定所述风速的至少一个特性,以及
b)根据所述风速的至少一个特性来控制所述风力涡轮机。
此外,本发明涉及一种计算机程序产品,包括被设计成当该程序在所述风力涡轮机(优选地,所述浮式风力涡轮机)的控制和/或诊断单元上执行时执行根据以上特征之一的方法的各步骤的代码指令。
此外,本发明涉及一种LiDAR传感器,其包括实现根据上述特征之一的方法的处理单元。
另外,本发明涉及一种风力涡轮机,优选地是浮式风力涡轮机,其包括根据上述特征中的任一者的LiDAR传感器,所述LiDAR传感器优选地布置在所述风力涡轮机的机舱上或布置在所述风力涡轮机的轮毂中。
附图的简要说明
通过参照附图阅读以下通过非限制性示例给出的实施例的说明,根据本发明的方法和系统的其他特征和优点将变得清楚,在附图中:
-已经描述的图1解说了处于垂直位置中的浮式风力涡轮机,
-已经描述的图2解说了由于载荷(例如,波浪载荷)而处于修改位置中的浮式风力涡轮机,
-图3解说了根据本发明的一实施例的确定平均风速的方法的各步骤,
-图4解说了根据本发明的一实施例的装备有LiDAR传感器的浮式风力涡轮机,以及
-图5解说了对于对比示例,针对距风力涡轮机50米的测量平面、针对距风力涡轮机400米的测量平面、分别借助于根据现有技术的方法以及借助于根据本发明的实施例的方法获得的平均风速曲线。
本发明的详细描述
本发明涉及一种借助于布置在风力涡轮机(优选地,浮式风力涡轮机)上的LiDAR传感器来确定不同估计点的平均风速的方法。
在说明书的其余部分中,描述了实现浮式风力涡轮机的优选实施例,因为这种类型的涡轮机经受更高的波浪运动。然而,本发明还可应用于岸上风力涡轮机或固定海上风力涡轮机。
根据本发明,LiDAR传感器允许测量在风力涡轮机上游的至少一个测量平面中的风速。有若干类型的LiDAR传感器,例如扫描式LiDAR传感器、连续波或脉冲式LiDAR传感器。在本发明的上下文内,优选地使用脉冲式LiDAR。然而,在保持在本发明的范围内的同时,也可以使用其他LiDAR技术。
LiDAR传感器提供快速测量。因此,使用这种传感器使得能够快速持续地确定风速。例如,LiDAR传感器的采样速率的范围可以在1和5Hz之间(或在将来甚至更大),且它可以是4Hz。此外,LiDAR传感器允许获得与涡轮机上游的风相关的信息,该信息与迎面而来的风相关。因此,LiDAR传感器可被用于预测涡轮机转子平面中的风速。
图4通过非限制性示例示意性地示出了装备有用于根据本发明的实施例的方法的LiDAR传感器2的水平轴风力涡轮机1。LiDAR传感器2被用来测量在给定距离处在多个测量平面PM(只示出了两个测量平面)中的风速。预先先验地知道风测量允许提供许多信息。该附图还示出了轴x、y和z。该坐标系的参考点是转子的中心。方向x是与转子轴在风力涡轮机上游的方向相对应的纵向方向,该方向还对应于LiDAR传感器2的测量方向。垂直于方向x的方向y是位于水平平面上的侧向或横向方向(方向x、y形成水平平面)。方向z是指向上的垂直方向(基本上对应于塔架4的方向),z轴垂直于x轴和y轴。转子平面由虚线矩形PR来指示,该平面由方向y、z(x为零值)来定义。测量平面PM是由方向y、z在距转子平面PR某一距离处形成的平面(对于非零值x)。测量平面PM平行于转子平面PR。
传统上,浮式风力涡轮机1允许将风动能转换成电能或机械能。为了将风能转换成电能,它是由以下元件组成的:
-塔架4,其允许将转子(未示出)置于一足够的高度以使其能够运动(水平轴风力涡轮机所必需的)和/或允许将该转子置于使其能够由比地面水平6处(例如,在海平面处)更强且更规则的风来驱动的高度。塔架4可能容纳电气和电子组件(调制器、控制器、倍增器、发电机等)的一部分,塔架4搁置在提供浮式涡轮机浮力的浮动结构8上,这种浮动结构8可通过锚索被连接至海底,
-安装在塔架4顶部处的机舱3,其容纳机械、气动以及操作机器所必需的一些电气和电子组件(未示出,例如,调制器、控制器、倍增器、发电机)。机舱3可以旋转,以使机器定向在正确的方向上,
-固定在机舱上的转子,该转子包括风力涡轮机的若干叶片7(通常是三个)以及轮毂。该转子由风能驱动,并且通过机械轴杆直接或间接(经由齿轮箱和机械轴杆系统)连接到电机(发电机)(未示出),该电机将经回收的能量转换成电能。转子可能配备有控制系统,诸如可变角度叶片或空气动力制动器,
-可任选的变速箱,其由通过变速箱(齿轮箱)(未显示)连接的两个轴杆(转子的机械轴杆和电机的机械轴杆)组成。
如在作为脉冲式LiDAR传感器的示例实施例的图4中可以看见的,所使用的LiDAR传感器2包括4个测量光束或轴(b1、b2、b3、b4)。作为非限制性示例,根据本发明的方法还使用包括任何数量的光束的LiDAR传感器来工作。LiDAR传感器在测量平面PM和光束(b1、b2、b3、b4)的每个交叉点处执行斑测量。这些测量点在图4中由黑色圆表示,对于第一测量平面PM,测量点由PT1、PT2、PT3和PT4表示。处理在这些测量点处的测量值允许确定测量平面PM中的风速。
优选地,LiDAR传感器2可安装在风力涡轮机1的机舱3上或风力涡轮机1的轮毂上(即,在风向上在机舱的前端)。
根据本发明,风力涡轮机,优选地浮式风力涡轮机,还装备有用于测量风力涡轮机随时间的位置变化的至少一个运动传感器。这种运动传感器能确定风力涡轮机的至少一部分的平移和/或旋转。优选地,运动传感器中的至少一者可以包括加速度计、陀螺仪、倾斜仪、惯性测量单元(例如,可包括单向传感器或多向传感器的MRU(运动参考单元)型传感器)、或任何类似的运动传感器。
例如,惯性测量单元可包括六个传感器:测量角速度向量的分量的三个陀螺仪和测量特定力向量(其可被定义为除了重力之外的外力的总和除以质量)的分量的三个加速度计。这种惯性测量单元还可包括计算器,该计算器从传感器测量结果中提供姿态角、速度向量、位置的实时确定。这种惯性单元可以是IMU(惯性测量单元)类型、IRS(惯性参考系统)类型或INS(惯性导航系统)类型。要注意,通常,IMU型中央单元不包括计算器。
优选地,该运动传感器或该至少一个运动传感器可以被布置在风力涡轮机的机舱中。实际上,风力涡轮机的机舱经历大幅度的运动。作为替换或补充,运动传感器中的至少一者可以被布置在风力涡轮机的塔架中和/或风力涡轮机的转子中和/或浮动结构上。
根据本发明,确定平均风速的方法包括以下步骤:
1)LiDAR传感器测量模型的构建
2)风模型的构建
3)风测量
4)风力涡轮机运动测量
5)确定风速
6)确定至少一个风速特性(可任选步骤)。
步骤3)至)可以实时地进行,或者替换地,步骤5)和6)可以在测量步骤3)和4)之后离线进行。步骤1)和2)可以离线并且在步骤3)到6)之前执行,并且它们可以按此次序、相反次序或同时执行。此外,步骤3)和4)优选同时进行。所有步骤在说明书的其余部分详细描述。
图3藉由非限制性示例示意性地解说了根据本发明的实施例的方法的各步骤。该方法允许借助布置在风力涡轮机上的LiDAR传感器来确定垂直平面中的平均风速的方法。可以首先离线构建风模型MOD V和测量模型MOD M。然后,借助于LiDAR传感器测量LID风,并且借助于至少一个运动传感器测量CAM风力涡轮机运动。然后,借助于富有信息的自适应卡尔曼滤波器KAL确定不同点处的风速v,该富有信息的自适应卡尔曼滤波器KAL使用风模型MOD V、测量模型MOD M以及测量LID和CAM。最后,可以任选地根据不同点处的风速v来确定至少一个风特性CAR。
1)LiDAR传感器测量模型的构建
该步骤包括构建LiDAR传感器测量的模型。它是将风速的分量与来自LiDAR传感器的测量信号相关联的模型。
根据本发明的一个实施例,LiDAR传感器测量模型可写为如下:mj,x(k)=ajvj,r(k)+bjvj,y(k)+cjvj,z(k),其中m是测量,x是纵向方向,j是所述LiDAR传感器的测量光束,mj,x是测量光束j在距离x处的测量,k是离散时间,v是风速,vj,x是针对测量光束j的风速的纵向分量,vj,y是针对测量光束j的风速的横向分量,vj,z是针对测量光束j的风速的垂直分量,aj、bj、cj是针对测量光束j的测量系数。测量系数aj、bj、cj仅取决于LiDAR传感器的光束角度和风力涡轮机定向角度,并且它们不取决于测量距离。这些测量系数可以是由LiDAR传感器制造商提供的数据,或者它们可以经验地获得并且与风力涡轮机定向角度相关。
在一种变型中,该方法可使用其他LiDAR传感器测量模型。
2)风模型的构建
该步骤包括构建风模型。该风模型考虑了空间相干性和时间相干性,以根据各种参数,特别是时间和空间位置(因此根据所考虑的点在(x,y,z)坐标系中的坐标),来定义空间中任何点处的风速及其分量。换言之,构建满足空间相干性约束和时间相干性约束的风模型。这些空间和时间相干性允许风模型代表风、提供对任何点处的风速的精确确定并且考虑测量点由于波浪运动和/或风引起的位移。
根据本发明的实现,风模型可以确定风速的纵向分量和横向分量。替换地,风模型可确定风速的三个分量。
根据本发明的一实施例,风模型中使用的空间相干性可以取决于横向相干性、纵向相干性和垂直相干性。风模型的代表性从而被改进。
对于本实施例,横向相干性可借助以下方程写为:其中x是纵向分量,y1和y2是具有相同的纵向(x1=x2=x)和垂直(z1=z2=z)值的两个横向位置,vx,y1是位置y1处风速的纵向分量,vx,y2是位置y2处风速的纵向分量,ft是已知预定义函数。因此,点y1处的风速的纵向分量取决于点y2处的风速的纵向分量和点y1和y2之间的距离。根据示例实施例,预定义函数ft可以是指数函数。
对于该实施例,垂直相干性可借助以下方程写为:其中x是纵向分量,z1和z2是具有相同的纵向(x1=x2=x)和横向(y1=y2=y)值的两个垂直位置,vx,z1是位置z1处风速的纵向分量,vx,z2是位置z2处风速的纵向分量,α是幂律的系数。对于该方程,高度z的参考系是相对于平均海平面(而非LiDAR传感器层级)来定义的。因此,点z1处的风速的纵向分量取决于点z2处的风速的纵向分量和点z1和z2的高度之间的比率。幂律的系数α可以被选择成恒定的,或者它可以使用LiDAR传感器测量来估计,例如根据在专利申请FR-3,097,644中描述的方法。
对于该实施例,纵向相干性可借助以下方程写为:其中x是纵向分量,x1和x2是具有相同的横向值(y1=y2=y)和垂直值(z1=z2=z)的两个纵向位置,vx,x1是位置x1处风速的纵向分量,vx,x2是位置x2处风速的纵向分量,f1是已知的预定义函数。因此,点x1处的风速的纵向分量取决于点x2处的风速的纵向分量和点x1和x2之间的距离。根据示例实施例,预定义函数f1可以是指数函数。
时间相干性被理解为单个位置中(即对于相同的x、v和z值)诸风速分量随时间的变化。换言之,时间相干性可以被表达为由k和k-1表示的两个连续的离散时间间隔之间的风速分量之间的关系。
根据本发明的一实现,使用Kaimal谱获得一个已知的时间相干性,Kaimal谱可由以下定义:其中f是以赫兹为单位的频率,t是风速的分量(t因此可对应于x、y或z),St是风速的分量t的Kaimal频谱,U是风力涡轮机转子的高度处的平均风速,Lt是风速的分量t的整数标度参数,而σt是由风湍流强度确定的变量。事实上,Kaimal谱允许确定离散传递函数,该函数可以将时间k处的风值与时间k-1处的风值进行相关。
对于其中仅确定风速的纵向和横向分量的实施例,我们可以令ω是维度2n的向量,其首先可以包括针对所考虑的n个点的风速的纵向分量,随后包括针对所考虑的n个点的风速的横向分量,反之亦然(分量的顺序并不重要)。为了解说简单情形中的向量ω,如果我们认为第一点具有纵向和横向风速分量vx1、vy1并且第二点具有纵向和横向风速分量vx2、vy2,则向量ω可被例如如下写为:
ω=(vx1 vx2 vy1 vy2)T。
使用此表示法并注意到Kaimal谱是风速的自相关函数的傅里叶变换,可针对时间相干性编写以下方程:w(k)=Asw(k-1),其中As是常数矩阵,该矩阵是通过Kaimal谱获得的风速的自相关函数。矩阵As可从如上所定义的Kaimal频谱公式获得。因此,该方程给出了时间k处的风速ω和时间k-1处的风速ω之间的联系。
替换地,对于时间相干性,可以使用von Karman谱或任何类似表示。
3)风测量
在此步骤中,借助LiDAR传感器,在远离风力涡轮机的至少一个测量平面中持续地测量风。该测量与由LiDAR传感器响应于由LiDAR传感器发出的信号所接收到的信号相对应。实际上,通过干涉和多普勒效应,由LiDAR传感器发射的激光信号的一部分被测量点处的空气分子反射,并且还被气溶胶(悬浮灰尘和微粒)反射。
根据本发明的实现,测量平面可处在距转子平面的某一纵向距离(沿图2中的x轴)处,优选地在50到400米之间,或者更多。因此,可以确定风力涡轮机上游的长距离内的风速演变,这也允许改进平均风速确定的准确性。
根据本发明的一实施例,风速测量可以在若干个测量平面(其测量距离不是由根据本发明的方法强制的)中执行,以促进风速确定,这允许LiDAR传感器的用户自由地参数化LiDAR传感器。
根据本发明的一方面,测量可借助于LiDAR传感器的至少两个测量光束来执行,以便改进测量准确性。
对于使用脉冲式LiDAR的实施例,在图2中所示的测量点处从光束b1开始,然后是光束b2,……,直到光束b4,依次获得诸测量。该坐标系的有趣特性在于,它允许针对给定光束,同时测量风速在若干距离处的投影。因此,以LiDAR传感器的采样率,可以获得例如在50米与400米之间的10个相继距离。在每个采样时间处,仅刷新所选当前光束的测量。
4)风力涡轮机运动测量
该步骤包括借助于至少一个运动传感器持续测量风力涡轮机的运动。
对于其中至少一个运动传感器被布置在风力涡轮机的机舱中的实施例,该至少一个运动传感器可确定:
-浪涌和/或摇摆和/或起伏位置测量,和/或
-角俯仰和/或滚动和/或偏航测量。
优选地,至少一个运动传感器可确定所有这些测量。
根据图1和2的参数化,如果我们考虑运动传感器布置在点N处的机舱中,则该运动传感器可尤其允许测量:
-使用位置测量的向量
-使用角度测量的将坐标系Rb关联至R0的旋转矩阵。
使用这些测量允许在几何上导出P在坐标系R0中的位置。
在一变型中,可执行其他类似的测量。
有利地,各种传感器(LiDAR和运动传感器)的安装角度可包括在几何参数化中,其特别允许确定测量点的位置。
替换地,点O’可以有利地被定义为坐标系R0中的移动点,因此它位于海平面处,位于连接至机舱的元件(通常是LiDAR传感器、风力涡轮机运动传感器或风力涡轮机轮毂(叶片连接元件,对应于转子平面的中心)的正下方。通过这样做,点P沿轴线x的位置是相对于该元件的位置,并且它可以允许在该元件沿轴线x平移运动之后构建风场评估网格。因此,例如,可以获得相对于风力涡轮机轮毂沿轴线x定位的网格。因此,可以更直接地获得网格中估计风的点与所讨论的元件之间沿着轴x的距离。
5)风速的确定
该步骤包括使用在步骤2中构建的风模型、在步骤1中构建的LiDAR传感器测量模型和在步骤3和4中执行的测量,借助于富有信息的自适应卡尔曼滤波器来确定风力涡轮机上游空间的各点处的风速。各风速确定点是预定义估计点。应用卡尔曼滤波器允许获得状态观测器。卡尔曼滤波器的自适应特性使得能够根据风速和LiDAR传感器的测量点的位置来自适应噪声协方差矩阵。因此,无论LiDAR传感器测量点的位置如何,滤波器在宽风速范围内都是高效的。此外,自适应卡尔曼滤波器对风速变化和LiDAR传感器相对于静止参考系的运动是稳健的。Dan Simon的著作“Simon,D.,2006,Optimal state estimation KalmanHinfy and nonlinear approaches(最优状态估计Kalman Hinfy和非线性方法)”中介绍了富有信息的卡尔曼滤波器。富有信息的自适应卡尔曼滤波器使用协方差矩阵的逆信息矩阵S和经由信息矩阵S连接至状态ω的信息状态向量S。换言之说,可以写成以下方程:
其中是ω的估计而/>是s的估计。
这样的富有信息的自适应卡尔曼滤波器允许以简化和快速的方式解决问题,如果需要的话,能够实时应用根据本发明的方法(这种实时应用对于传统的自适应卡尔曼滤波器是不可能的:实际上,估计问题的一个特定特性是状态的数量远小于输出方程的数量。因此,估计ω(k)的问题就变成了状态估计问题。因此,通过卡尔曼滤波器估计ω(k)的时间可能比实时应用或后分析所需的时间长得多。例如,对于由LiDAR传感器和至少一个运动传感器测量的一个小时的数据,卡尔曼滤波器可能需要几天时间。
需要提醒的是,在自动化和系统理论中,状态观测器或状态估计器是被表示为状态表示的模型的扩展。当系统的状态不可测量时,构建允许从模型中重建状态的观测器。
对于使用步骤2中所示方程的实施例,可以使用状态方程编写以下状态模型:vr(k)=Asvx(k-1)+η(k)
以及输出方程:
其中η是状态方程的噪声,εt是横向噪声,εv是垂直噪声,εl是纵向噪声,且εm是测量噪声。
因此,估计向量ω(k)的问题变成了状态估计问题,它不需要强加LiDAR传感器的测量平面的位置。估计未知状态向量ω(k)的一种方式是应用富有信息的自适应卡尔曼滤波器的算法,该方法可以考虑与噪声η(k)和ε(k)有关的信息,如下所示:实际上,富有信息的自适应卡尔曼滤波器提供了优化问题的解决方案:/>其中
其中P0、Q和R是合适维度的加权矩阵,是初始状态ω(0)的平均值。
为了借助于富有信息的自适应卡尔曼滤波器解决该优化问题,可做出以下假设,尤其是对于P0、Q和R的数学解释:
·s(0)是不与噪声η(k)和ε(k)相关的随机向量
·s(0)具有已知平均值其中P0作为协方差矩阵,即:
·η(k)和ε(k)是分别具有协方差矩阵Q和R的不与白噪声过程相关的零均值,即:
E[∈(k)η(j)T]=0所有k,j
该最后假设暗示Q和R是对称半正定矩阵。
此外,假设在状态模型中,噪声εl、εv和εt取决于测量点的坐标,则协方差矩阵R根据测量距离进行适配。根据一个实施例,R可以是测量距离的多项式函数。替换地,R可以从映射、神经网络等中获得。
可以采用以下符号:
·是信息状态向量s(k)的估计,给定直到时间k-1为止执行的测量,即y(k-1)、y(k-2),……
·是信息状态向量s(k)的估计,给定直到时间k为止执行的测量,即y(k-1)、y(k-2),……
·S(k|k-1)是向量s(k)的信息矩阵,给定直到时间k-1为止执行的测量,即y(k-1)、y(k-2),……
·S(k|k)是向量s(k)的信息矩阵,给定直到时间k为止执行的测量,即y(k-1)、y(k-2),……
然后,使用以下方程使用富有信息的自适应卡尔曼滤波器的算法来确定各个点的风速:
一方面,时间更新:
另一方面,测量更新:
其中Ca是通过线性化周围的状态模型的输出方程来获得的,y(k)是LiDAR传感器的测量。
一旦获得了风速向量/>可被如下计算:
因此,这些步骤允许确定向量ω,其包括风速在若干点处的分量。换言之,这些步骤允许确定风速在若干点处的分量。
6)至少一个风速特性的确定(可任选步骤)
该可任选步骤包括借助于在步骤5中确定的风速来确定风的至少一个特性,优选地在垂直平面中,例如在转子处的垂直平面中。
根据一个实施例,平均风速可以是所考虑的转子平面中的风速的纵向分量的平均值。
根据本发明的优选实施例,风特性可以是REWS(转子有效风速),其是通常用于风力涡轮机的控制和/或诊断和/或监测和/或风力涡轮机的数值建模/仿真的、转子平面处的风速的估计。
在一变型中,风特性可以是RAWS(转子平均风速),其是由风力涡轮机叶片形成的区域中的转子平面中的平均风速。
替换地,可以在该步骤中确定其他风特性。这些特性可以特别地选自:
-平均风速,
-风速场,尤其是在转子平面中,
-有效平均风速,尤其是在转子平面中,
-关于空间风不均匀性的信息,尤其是在转子平面中,以及
-关于湍流的信息等。
本发明还涉及一种控制装备有LiDAR传感器和至少一个运动传感器的风力涡轮机,优选是浮式风力涡轮机的方法。对于该方法执行以下步骤:
-借助于根据上述变型中任一变型的确定风速的方法来确定至少一个风速特性,以及
-根据由此确定的至少一个风速特性来控制风力涡轮机。
对风速的精确实时确定允许在最小化对涡轮机结构的影响和最大化地回收功率方面对风力涡轮机的适当控制。实际上,通过这种控制,LiDAR传感器可以减少结构上的载荷,其叶片和塔架占成本的54%。因此,使用LiDAR传感器允许优化风力涡轮机结构,从而降低成本和维护。
该方法还可以包括从由该方法确定的风速确定风力涡轮机的转子平面中的风速的中间步骤。因此,可以考虑垂直平面和转子平面之间的风位移时间(尤其可以通过考虑泰勒冻结湍流假设来计算)。还可以考虑垂直平面和转子平面之间的感应现象(例如借助于感应系数),该感应现象反映了与风力涡轮机叶片的存在相关的风力涡轮机上游的风减速。然后根据转子平面中的风速来控制风力涡轮机。
根据本发明的一实现,可根据风速来控制叶片的倾角和/或风力涡轮发电机的电回收扭矩。可以使用其他类型的调节设备。
根据本发明的一实施例,叶片的倾角和/或电回收扭矩可借助风力涡轮机图来确定,作为转子处风速的函数。例如,可以应用专利申请FR-2976630A1(US2012-0321463)中描述的控制方法。
本发明还涉及一种用于诊断和/或监测风力涡轮机、优选是浮式风力涡轮机的方法。对于该实现,该方法可以根据如下的变型或变型组合中的任何一个来执行确定风速的方法的各步骤:
-借助于LiDAR传感器和至少一个运动传感器进行测量并记录测量,
-离线,对所记录的测量执行上述步骤5和可任选步骤6,以及
-监测风力涡轮机的运行或根据速度导出风力涡轮机的运行诊断,例如通过将风速或风速特性与其他测量值(例如风力涡轮机产生的功率、叶片的转速等)进行比较。
此外,本发明涉及一种包括代码指令的计算机程序产品,该代码指令被设计成执行上述方法之一的各步骤(确定转子平面中的风速的方法、控制方法)。该程序可以在LiDAR传感器处理单元或链接至LiDAR传感器或风力涡轮机的任何类似装置上执行。
根据一方面,本发明还涉及用于风力涡轮机的LiDAR传感器,其包括被配置成实现上述方法(确定风速的方法、控制方法)之一的处理单元。
根据本发明的一实现,LiDAR传感器可以是扫描LiDAR传感器、连续波LiDAR传感器或脉冲式LiDAR传感器。LiDAR传感器优选地是脉冲式LiDAR传感器。
本发明还涉及装备有上述LiDAR传感器的风力涡轮机。优选地,本发明涉及装备有上述LiDAR传感器的海上浮式风力涡轮机。根据本发明的实施例,LiDAR传感器可被布置在风力涡轮机的机舱上或涡轮机的轮毂中(在风力涡轮机机舱的端部)。LiDAR传感器被定向成使得对涡轮机上游的风执行测量(即在风力涡轮机之前并沿着其纵轴,如图4中的x轴所示)。根据一实施例,风力涡轮机可以与图1、图2或图4中解说的风力涡轮机相同。
对于控制方法的实施例,风力涡轮机可以包括控制装置,例如用于控制风力涡轮机的至少一个叶片的桨距角或用于实施根据本发明的控制方法的电扭矩。
清楚的是本发明不限于以上通过举例说明的这些实施例并且它涵盖任何变型实施例。
比较示例
根据本发明的方法的特征和优点将通过阅读下面的示例而清楚。
对于该比较示例,浮动风力涡轮机装备有声波风速计、LiDAR传感器和惯性测量单元MRU。声波传感器是从现有技术中已知的传感器,允许确定在单个点处的风速,该声波传感器被布置在风力涡轮机的机舱上。由这个传感器提供的测量结果由风力涡轮机监管器实现的称为“舱体传递函数”的算法处理,以便具有代表“自由”风速的量,即针对由该风力涡轮机的进气区引起的减速进行校正。使用非因果低通滤波器对相应的时间序列进行滤波,以去除声波传感器的非常高的测量噪声水平,特别是由于其在叶片的尾流中的位置。由此获得参考平均速度REWS。
此外,通过借助于LiDAR传感器至少在50米测量平面中和在400米测量平面中执行测量来应用根据本发明的实施例的方法,以便获得平均速度REWS。
图5解说了风速V(以m/s计)作为时间T的函数的曲线。在该图中,曲线AA对应于由根据现有技术的声波传感器确定的REWS(转子有效风速)值,曲线M50对应于50m测量平面中的风速值,曲线M400对应于400米测量平面中的风速值,并且曲线INV对应于通过根据本发明的实施例的方法从50米和400米测量平面中的测量获得的REWS值。应注意,曲线AA和INV接近,因此根据本发明的方法允许以与根据现有技术AA的方法类似的方式确定风速。另外,风速M50小于风速M400,风速M400相当于与风场的风力涡轮机引起的风减速相当的诱导现象。用根据本发明的方法INV测定的REWS类似于风速M400,并且它具有类似于风速M50的动力学。
Claims (12)
1.一种借助于安装在风力涡轮机(1)、优选是浮式风力涡轮机上的LiDAR传感器(2)并且借助于安装在所述风力涡轮机上的至少一个运动传感器来确定风速的方法,其特征在于,执行以下步骤:
a)构建所述LiDAR测量的模型(MOD M),
b)通过考虑所述风速的空间相干性和时间相干性来构建风模型(MOD V),
c)借助于所述LiDAR传感器(LID)来测量在远离所述风力涡轮机的至少一个测量平面中的风,
d)借助于所述至少一个运动传感器(CAM)来测量所述风力涡轮机的机舱在静止参考系(Rep)中的运动,以及
e)使用在步骤a)中构建的所述LiDAR测量的所述模型、在步骤b)中构建的所述风模型、在步骤c)中获得的所述LiDAR传感器的所述测量和在步骤d)中获得的所述至少一个运动传感器的所述测量,借助于富有信息的自适应卡尔曼滤波器来确定在不同的估计点处的所述风速(v),所述估计点在所述静止参考系(Rep)中。
2.如权利要求1所述的方法,其特征在于,所述至少一个运动传感器包括惯性测量单元,所述惯性测量单元优选地包括至少一个加速度计和至少一个陀螺仪。
3.如前述权利要求中任一项所述的方法,其特征在于,所述LiDAR测量的所述模型(MODM)被如下写为:mj,x(k)=ajvj,x(k)+bjvj,y(k)+cjvj,z(k),其中m是所述测量,x是纵向方向,j是所述LiDAR传感器的测量光束,mj,x是测量光束j在距离x处的测量,k是离散时间,v是所述风速,vj,x是针对测量光束j的所述风速的纵向分量,vj,y是针对测量光束j的所述风速的横向分量,vj,z是针对测量光束j的所述风速的垂直分量,aj、bj、cj是针对测量光束j的测量系数。
4.如前述权利要求中任一项所述的方法,其特征在于,所述风模型(MOD V)的所述空间相干性是横向相干性、垂直相干性和纵向相干性的函数。
5.如前述权利要求中任一项所述的方法,其特征在于,所述风模型的所述时间相干性被如下写为:w(k)=Asω(k-1),其中k是离散时间,ω是包括在n个预定义估计点处的所述风速的纵向分量和所述n个预定义估计点的所述风速的横向分量的向量,As是常数矩阵,所述常数矩阵是通过Kaimal频谱获得的所述风速的自相关函数。
6.如前述权利要求中任一项所述的方法,其特征在于,所述富有信息的自适应卡尔曼滤波器被应用于以下方程:wx(k)=Asωx(k-1)+η(k)以及
其中k是离散时间,v是所述风速,x是纵向分量,y1和y2是具有相同纵向和垂直值的两个横向位置,x1和x2是具有相同横向和垂直值的两个纵向位置,z1和z2是具有相同纵向和横向值的两个垂直位置,vx,y1是位置y1处的所述风速的纵向分量,vx,y2是位置y2处的所述风速的纵向分量,ft是预定义函数,vx,x1是位置x1处的所述风速的纵向分量,vx,x2是位置x2处的所述风速的纵向分量,f1是预定义函数,vx,z1是位置z1处的所述风速的纵向分量,vx,z2是位置z2处的所述风速的纵向分量,f1是预定义函数,α是幂律的系数,j是所述LiDAR传感器(2)的测量光束,mj,x是测量光束j在距离x处的测量,vj,x是针对测量光束j的所述风速的纵向分量,vj,y是针对测量光束j的所述风速的横向分量,vj,z是针对测量光束j的风速的垂直分量,aj、bj、cj是针对测量光束j的测量系数,η是状态方程的噪声,εt是横向噪声,εv是垂直噪声,εl是纵向噪声,εm是测量噪声,As是常数矩阵,所述常数矩阵是通过Kaimal频谱获得的所述风速的自相关函数。
7.如前述权利要求中任一项所述的方法,其特征在于,所述风速(v)是借助于以下方程在不同点处确定的:
以及
其中k是离散时间,s是所述富有信息的自适应卡尔曼滤波器的信息状态向量,S是所述富有信息的自适应卡尔曼滤波器的信息矩阵,是给定来自时间k-1的测量的对s(k)的估计,/>是给定来自时间k的测量的对s(k)的估计,S(k|k-1)是给定时间k-1的测量的s(k)的信息矩阵,S(k|k)是给定时间k的测量的s(k)的信息矩阵,As是常数矩阵,所述常数矩阵是通过Kaimal频谱获得的所述风速的自相关函数,Q和R是噪声ε(k)和η(k)的协方差矩阵,Ca是通过线性化/>周围的输出方程来获得的,y(k)包括所述LiDAR传感器的测量。
8.如前述权利要求中任一项所述的方法,其特征在于,包括确定所述风速的至少一个特性(CAR)的附加步骤,优选地是在垂直平面中、特别是在所述风力涡轮机(1)的转子的垂直平面中的风速特性。
9.一种控制风力涡轮机(1)、优选是浮式风力涡轮机的方法,其特征在于,执行以下步骤:
a)借助于根据前述权利要求中的任一项所述的方法来确定所述风速的至少一个特性,以及
b)根据所述风速的所述至少一个特性来控制所述风力涡轮机(1)。
10.一种计算机程序产品,其特征在于,它包括被设计成当所述程序在所述风力涡轮机、优选所述浮式风力涡轮机(1)的控制和/或诊断单元上执行时执行根据前述权利要求中任一项所述的方法的各步骤的代码指令。
11.一种LiDAR传感器(2),其特征在于,它包括实现根据权利要求1到9中任一项所述的方法的处理单元。
12.一种风力涡轮机、优选是浮式风力涡轮机(1),其特征在于,它包括根据权利要求11所述的LiDAR传感器(2),所述LiDAR传感器(2)优选地布置在所述风力涡轮机的机舱上或所述风力涡轮机的轮毂中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FRFR2108790 | 2021-08-20 | ||
FR2108790A FR3126248B1 (fr) | 2021-08-20 | 2021-08-20 | Procédé de détermination de la vitesse du vent au moyen d’un capteur de télédétection par Laser monté sur une éolienne |
PCT/EP2022/072192 WO2023020866A1 (fr) | 2021-08-20 | 2022-08-08 | Procede de determination de la vitesse du vent au moyen d'un capteur de teledetection par laser monte sur une eolienne |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117795194A true CN117795194A (zh) | 2024-03-29 |
Family
ID=77711255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280055386.9A Pending CN117795194A (zh) | 2021-08-20 | 2022-08-08 | 使用安装在风力涡轮机上的LidDAR传感器来确定风速的方法 |
Country Status (4)
Country | Link |
---|---|
CN (1) | CN117795194A (zh) |
CA (1) | CA3226598A1 (zh) |
FR (1) | FR3126248B1 (zh) |
WO (1) | WO2023020866A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2976630B1 (fr) | 2011-06-17 | 2021-07-23 | Ifp Energies Now | Procede pour optimiser la puissance recuperee par une eolienne en reduisant l'impact mecanique sur la structure. |
FR3013777B1 (fr) | 2013-11-25 | 2015-11-13 | IFP Energies Nouvelles | Procede de controle et de surveillance d'une eolienne au moyen d'une estimation de la vitesse du vent au moyen d'un capteur lidar |
FR3068139B1 (fr) | 2017-06-21 | 2019-12-20 | IFP Energies Nouvelles | Procede d'acquisition et de modelisation par un capteur lidar d'un champ de vent incident |
FR3088434B1 (fr) * | 2018-11-12 | 2020-11-13 | Ifp Energies Now | Procede de determination d’un facteur d’induction pour une eolienne equipee d’un capteur de teledetection par laser |
FR3088971B1 (fr) | 2018-11-26 | 2021-02-19 | Ifp Energies Now | procédé d’acquisition et de modélisation par un capteur LIDAR d’un champ de vent incident |
EP3734063B1 (en) * | 2019-04-30 | 2023-03-01 | Wobben Properties GmbH | Method for controlling a wind turbine |
FR3097644B1 (fr) | 2019-06-19 | 2021-06-11 | Ifp Energies Now | Procédé de détermination du profil vertical de la vitesse du vent en amont d’une éolienne équipée d’un capteur de télédétection par Laser |
-
2021
- 2021-08-20 FR FR2108790A patent/FR3126248B1/fr active Active
-
2022
- 2022-08-08 WO PCT/EP2022/072192 patent/WO2023020866A1/fr active Application Filing
- 2022-08-08 CA CA3226598A patent/CA3226598A1/fr active Pending
- 2022-08-08 CN CN202280055386.9A patent/CN117795194A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023020866A1 (fr) | 2023-02-23 |
FR3126248A1 (fr) | 2023-02-24 |
CA3226598A1 (fr) | 2023-02-23 |
FR3126248B1 (fr) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832351B (zh) | 用于藉由lidar传感器来采集入射风场以及对其进行建模的方法 | |
EP3440347B1 (en) | Control of a wind turbine comprising multi-axial accelerometers | |
EP3482070B1 (en) | Lidar-based multivariable feedforward control of wind turbines | |
CN111173686B (zh) | 确定配备有LiDAR传感器的风力涡轮机的感应因子的方法 | |
CN112114332A (zh) | 确定装备lidar传感器的风力涡轮机上游的风速垂直廓线的方法 | |
JP2009501871A (ja) | 塔動力学を用いた通風流推定及び追尾 | |
US11520053B2 (en) | Method for acquiring and modelling with a lidar sensor an incident wind field | |
US20200301020A1 (en) | METHOD FOR PREDICTING WIND SPEED IN THE ROTOR PLANE FOR A WIND TURBINE EQUIPPED WITH A LiDAR SENSOR | |
CN113252940A (zh) | 藉由LiDAR传感器确定风向的方法 | |
US11790138B2 (en) | Method of determining the wind speed in the rotor plane used for controlling a wind turbine | |
US20220106937A1 (en) | METHOD OF DETERMINING AVERAGE WIND SPEED BY MEANS OF A LiDAR SENSOR | |
CN117795194A (zh) | 使用安装在风力涡轮机上的LidDAR传感器来确定风速的方法 | |
CN113390376B (zh) | 确定风力发电机组的机舱位移的方法、装置和系统 | |
Muto et al. | Model-based load estimation for wind turbine blade with Kalman filter | |
CN115867812A (zh) | 借助于激光遥感器和时间相干性确定风速分量的方法 | |
US11578701B2 (en) | Method of determining an induction factor between a measurement plane and the rotor plane of a wind turbine | |
Plaza et al. | Triaxial accelerometer based azimuth estimator for horizontal axis wind turbines | |
CN111706472B (zh) | 预测配备LiDAR传感器的风轮机的转子平面中的风速的方法 | |
Plaza Puértolas et al. | Triaxial accelerometer based azimuth estimator for horizontal axis wind turbines | |
CN114528648A (zh) | 确定风力涡轮机转子平面内风速的方法 | |
Marathe | Investigation of power performance and wakes of wind turbines under yawed flow | |
Nam et al. | Estimation of a nacelle dynamic motion of a wind turbine | |
CN117412900A (zh) | 估计海上风力涡轮机的海洋状态 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |