CN117852231A - 风力发电机组的异常预测方法和装置、存储介质 - Google Patents
风力发电机组的异常预测方法和装置、存储介质 Download PDFInfo
- Publication number
- CN117852231A CN117852231A CN202211208527.4A CN202211208527A CN117852231A CN 117852231 A CN117852231 A CN 117852231A CN 202211208527 A CN202211208527 A CN 202211208527A CN 117852231 A CN117852231 A CN 117852231A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- historical
- meteorological
- time sequence
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000005452 bending Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000002123 temporal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 239000012530 fluid Substances 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013106 supervised machine learning method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 239000005436 troposphere Substances 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
Abstract
本公开提供一种风力发电机组的异常预测方法和装置、存储介质。异常预测方法包括:获取风力发电机组的机位点的地形数据和气象数据;根据地形数据和气象数据,通过大涡模拟确定风参时序数据;根据风参时序数据,确定机组载荷数据;根据机组载荷数据,预测风力发电机组是否发生异常。本公开通过采用能够模拟不同尺度湍流的大涡模拟方法,结合地形数据和气象数据模拟出较为准确、详细的风参时序数据,并确定出准确、可靠的机组载荷数据,能够揭示机组异常的根本原因,进而实现可靠的异常预测。
Description
技术领域
本公开涉及风机领域,更具体地,涉及一种风力发电机组的异常预测方法和装置、存储介质。
背景技术
风参对于风力发电机组的运行状态有重要影响,极端风况产生的大风、强风速与风向切变、强上升运动与不稳定湍流严重威胁着风力发电机组的安全运行,是对机组稳固性与载荷能力的极大挑战。风力发电机组的异常荷载与异常振动会导致机组极限载荷,长期会导致机组疲劳载荷等运行故障,甚至叶片扫塔与倒塔等事故,带来较大的经济损失,甚至人员伤亡。因此,预测不同天气条件下风力发电机组的运行状态,以便及时做好应对,具有重要的安全和经济意义。
相关技术中,对于机组异常与故障的分析多基于部件损坏现场调查信息、机组运行数据、部件设计参数等。目前基于风参的机组异常研究很少,针对极端风况下风机异常的预测、预警能力非常有限。
发明内容
因此,如何准确模拟出风参,并据此预测机组异常,对于可靠预测极端天气造成的机组异常,至关重要。
在一个总的方面,提供一种风力发电机组的异常预测方法,包括:获取所述风力发电机组的机位点的地形数据和气象数据;根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据;根据所述风参时序数据,确定机组载荷数据;根据所述机组载荷数据,预测所述风力发电机组是否发生异常。
可选地,所述地形数据和所述气象数据的空间分辨率大于或等于预设空间分辨率,所述气象数据的时间分辨率大于或等于预设时间分辨率。
可选地,所述获取所述风力发电机组的机位点的地形数据和气象数据,包括:基于所述风力发电机组的机位点,确定待模拟空间;针对所述待模拟空间,获取空间分辨率大于或等于所述预设空间分辨率的所述地形数据;获取所述待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对所述地面气象观测数据进行四维同化处理,得到所述气象数据,其中,所述目标时间分辨率大于或等于所述预设时间分辨率,所述目标空间分辨率大于或等于所述预设空间分辨率。
可选地,所述根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据,包括:构建所述待模拟空间的模拟网格,并在所述模拟网格的目标高度范围内,按照预设规则增加网格数量;基于所述地形数据和所述气象数据,对所述模拟网格进行大涡模拟计算,得到所述风参时序数据。
可选地,所述根据所述风参时序数据,确定机组载荷数据,包括:将所述风参时序数据输入计算流体力学模型和计算结构力学模型,得到所述机组载荷数据。
可选地,所述根据所述机组载荷数据,预测所述风力发电机组是否发生异常,包括:通过将所述机组载荷数据输入预训练的异常预测模型,预测所述风力发电机组是否发生异常。
可选地,所述预训练的异常预测模型通过以下步骤训练得到:获取参考风力发电机组的历史异常数据,以及与所述历史异常数据相对应的参考地形数据和历史气象数据;根据所述参考地形数据和所述历史气象数据,通过大涡模拟确定历史风参时序数据;根据所述历史风参时序数据,确定历史机组载荷数据;将所述历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;根据所述历史异常数据和所述历史异常预测数据,调整所述待训练的异常预测模型的参数,得到所述预训练的异常预测模型。
可选地,所述风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,所述目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度。
可选地,所述机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据,其中,所述叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,所述塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。
在另一总的方面,提供一种风力发电机组的异常预测装置,包括:获取单元,被配置为获取所述风力发电机组的机位点的地形数据和气象数据;计算单元,被配置为根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据;所述计算单元还被配置为根据所述风参时序数据,确定机组载荷数据;预测单元,被配置为根据所述机组载荷数据,预测所述风力发电机组是否发生异常。
可选地,所述地形数据和所述气象数据的空间分辨率大于或等于预设空间分辨率,所述气象数据的时间分辨率大于或等于预设时间分辨率。
可选地,所述获取单元还被配置为:基于所述风力发电机组的机位点,确定待模拟空间;针对所述待模拟空间,获取空间分辨率大于或等于所述预设空间分辨率的所述地形数据;获取所述待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对所述地面气象观测数据进行四维同化处理,得到所述气象数据,其中,所述目标时间分辨率大于或等于所述预设时间分辨率,所述目标空间分辨率大于或等于所述预设空间分辨率。
可选地,所述计算单元还被配置为:构建所述待模拟空间的模拟网格,并在所述模拟网格的目标高度范围内,按照预设规则增加网格数量;基于所述地形数据和所述气象数据,对所述模拟网格进行大涡模拟计算,得到所述风参时序数据。
可选地,所述计算单元还被配置为:将所述风参时序数据输入计算流体力学模型和计算结构力学模型,得到所述机组载荷数据。
可选地,所述预测单元还被配置为:通过将所述机组载荷数据输入预训练的异常预测模型,预测所述风力发电机组是否发生异常。
可选地,所述预训练的异常预测模型通过以下步骤训练得到:获取参考风力发电机组的历史异常数据,以及与所述历史异常数据相对应的参考地形数据和历史气象数据;根据所述参考地形数据和所述历史气象数据,通过大涡模拟确定历史风参时序数据;根据所述历史风参时序数据,确定历史机组载荷数据;将所述历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;根据所述历史异常数据和所述历史异常预测数据,调整所述待训练的异常预测模型的参数,得到所述预训练的异常预测模型。
可选地,所述风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,所述目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度。
可选地,所述机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据,其中,所述叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,所述塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。
在另一总的方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令被至少一个处理器运行时,促使所述至少一个处理器执行如上所述的异常预测方法。
在另一总的方面,提供一种计算机设备,包括:至少一个处理器;至少一个存储计算机可执行指令的存储器,其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行如上所述的异常预测方法。
本公开通过采用能够模拟不同尺度湍流的大涡模拟方法,结合地形数据和气象数据模拟出较为准确、详细的风参时序数据,并确定出准确、可靠的机组载荷数据,能够揭示机组异常的根本原因,进而实现可靠的异常预测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1是示出根据本公开的实施例的风力发电机组的异常预测方法的流程图。
图2是示出根据本公开的实施例的风力发电机组的异常预测方法的流程示意图。
图3是示出根据本公开的实施例的风力发电机组的异常预测装置的框图。
图4是示出根据本公开的实施例的计算机设备的框图。
具体实施方式
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而,在理解本申请的公开之后,在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如,在此描述的操作的顺序仅是示例,并且不限于在此阐述的那些顺序,而是除了必须以特定的顺序发生的操作之外,可如在理解本申请的公开之后将是清楚的那样被改变。此外,为了更加清楚和简明,本领域已知的特征的描述可被省略。
在此描述的特征可以以不同的形式来实现,而不应被解释为限于在此描述的示例。相反,已提供在此描述的示例,以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式,所述许多可行方式在理解本申请的公开之后将是清楚的。
如在此使用的,术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。
尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分,但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反,这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此,在不脱离示例的教导的情况下,在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
在说明书中,当元件(诸如,层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时,该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件,或者可存在介于其间的一个或多个其他元件。相反,当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时,可不存在介于其间的其他元件。
在此使用的术语仅用于描述各种示例,并不将用于限制公开。除非上下文另外清楚地指示,否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合,但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。
除非另有定义,否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义,否则术语(诸如,在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义,并且不应被理想化或过于形式化地解释。
此外,在示例的描述中,当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时,将省略这样的详细描述。
图1是示出根据本公开的实施例的风力发电机组的异常预测方法的流程图。
参照图1,在步骤S101,获取风力发电机组的机位点的地形数据和气象数据。通过获取地形数据和气象数据,能够在后续步骤中针对机位点所在的空间进行气流流动的推演模拟。
可选地,地形数据和气象数据的空间分辨率大于或等于预设空间分辨率,气象数据的时间分辨率大于或等于预设时间分辨率。空间分辨率可通过数据能够表示的两个相邻空间点的最小距离来表示,其值越小,空间分辨率越高。与之类似,时间分辨率可通过数据能够表示的两个相邻时间点的最小时间间隔来表示,其值越小,时间分辨率越高。地形数据和气象数据的空间分辨率对应的最小距离应当小于或等于预设空间分辨率对应的最小距离,气象数据的时间分辨率对应的最小时间间隔应当小于或等于预设时间分辨率对应的最小时间间隔,从而实现高时空分辨率。通过获取高时空分辨率的地形数据和气象数据,能够为后续的模拟提供高精度的基础数据,有助于得到高精度的模拟结果,提升异常预测准确度。应理解,由于模拟所针对的时段较短,常常只有几小时或几天,而这段时间内下垫面特征大概率不会发生变化,所以可仅获取静态的高空间分辨率的地形数据,对于气象数据,为了反映气象变化,则需获取动态的高时空分辨率的气象数据。
作为示例,地形数据可采用SRTM(Shuttle Radar Topography Mission,航天飞机雷达地形测绘使命)的高程地形数据,例如分辨率为90米的SRTM3数据,作为下垫面地形信息。气象数据则可以包括地面气象观测数据和气象预测数据,前者属于实际观测数据,后者属于预测数据。气象预测数据可以使用GFS(Global Forecast System,全球预报系统)数据,也可以使用FNL(Final Reanalysis Data,再分析数据),FNL是对各种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制和同化处理后,获得的一套完整的再分析数据集,相较于GFS数据能够更准确地反映实际的大气状况,但相较于GFS数据更滞后,实践中可根据不同的需求进行选择。作为示例,若是在预测有极端天气时需要尽快进行异常预测,则使用GFS数据,若是对各地出现过的极端天气进行复现,则使用FNL再分析数据。
可选地,步骤S101进一步包括如下步骤:
首先,基于风力发电机组的机位点,确定待模拟空间。该步骤可为模拟确定出明确的空间,以便明确要获取的地形数据和气象数据的空间范围。为保证模拟效果,待模拟空间的高度通常需要超出对流层,例如可达到平流层,具体地,可将气压作为参考,令待模拟空间的高度上升至10hPa(百帕)至50hPa处。对于待模拟空间在水平面内的覆盖范围,则可以基于要预测的风力发电机组的机位点确定。作为示例,风力发电机组的机位点是该风力发电机组的坐标,可采用经纬度来表示。确定待模拟空间在水平面内的覆盖范围时,可先确认需要预测的风力发电机组是哪些,以及这些风力发电机组的机位点,然后以涵盖要预测的全部风力发电机组为准,确定待模拟空间的水平范围。为便于计算,待模拟空间的水平范围通常取矩形或正方形的区域,且该区域的边长数量级可达几公里至几百公里,满足不同规模的预测需求。
再者,针对待模拟空间,获取空间分辨率大于或等于预设空间分辨率的地形数据。预设空间分辨率对应的最小距离例如为50米、80米,地形数据可为前述的SRTM3数据。
最后,获取待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对地面气象观测数据进行四维同化处理,例如可采用Nudging四维同化技术,得到气象数据,其中,目标时间分辨率大于或等于预设时间分辨率,目标空间分辨率大于或等于预设空间分辨率,预设时间分辨率对应的最小时间间隔可按需设置,例如为“分”级别的1分、3分、5分,又如为“秒”级别的20秒、30秒。通过基于目标时段内实际观测到的地面气象观测数据和气象预测数据来确定气象数据,既能够利用气象预测数据来进行预测性的模拟,又能够融合观测数据,有助于提升模拟准确度。通过进行四维同化处理,可将地面气象观测数据同化到标准化的三维网格中(加上时间维度就是四维),可便于后续模拟计算。
应理解,确定出待模拟空间后,后续获取地形数据和气象数据的两个步骤的执行可不分先后,目标空间分辨率可与地形数据的空间分辨率相等。
在步骤S102,根据地形数据和气象数据,通过大涡模拟确定风参时序数据。大涡模拟在风机领域的应用主要围绕风速与风功率预测、尾流分析、叶片优化等,这种模拟方法是对紊流脉动(或紊流涡)的一种空间平均,其基本思想为用滤波器将物理量分成大尺度量和小尺度量。小尺度量对大尺度运动是通过非线性关联量来实现的,大尺度量由数值计算得到,从而进一步计算小尺度关联量及湍流的细致流谱,可通过有限网格数的计算得到湍流更为详细的描写。风力发电机组的叶轮面受局地地形的影响很大,小尺度湍流对机组载荷与振动存在显著影响。相较于无法模拟出小尺度湍流的中尺度仿真方法,大涡模拟能够可靠模拟出不同尺度的湍流,进而得到不同尺度涡流下的风参时序数据,提高了风参时序数据的准确度,有助于反映不同尺度的涡流对风力发电机组的影响,从而将小尺度湍流纳入模拟范围之内,降低了低估小尺度湍流的风险,提高了异常预测的准确度。结合气象数据执行的大涡模拟可称为WRF-LES(Weather Research and Forecasting Model–Large EddySimulation,天气研究与预报模型-大涡模拟)。
需说明的是,现有WRF模拟输出结果的时间分辨率大小可进行设置,最小为积分步长。对于大涡模拟,输出的时间分辨率可达1s。
可选地,步骤S102包括:构建待模拟空间的模拟网格,并在模拟网格的目标高度范围内,按照预设规则增加网格数量;基于地形数据和气象数据,对模拟网格进行大涡模拟计算,得到风参时序数据。模拟计算得到的具体是模拟网格中各个节点的风参时序数据。通过增加目标高度范围内的网格数量,也就是增加目标高度范围内的网格密度,即提高分辨率,能够得到目标高度范围内多层高度处的风参时序数据,使得模拟结果更为详尽。作为示例,目标高度范围是风力发电机组的叶轮面所在的高度范围,预设规则是网格的尺寸,从而能够保证在叶轮面范围内得到尽可能多的垂直风场信息,便于后续分析叶轮面的载荷分布情况。例如,但不限于,20m至200m的高度范围作为目标高度范围,每10m构建一个网格,也就是能够在20m、30m、40m、……、190m、200m这些高度处构建节点,对于200m以上的高度范围,可以采用默认的网格尺寸。应理解,在目标高度范围内,水平面内的网格也可适当加密,但网格尺寸可大于高度范围的网格尺寸,例如对于前述的高度范围网格尺寸为10m的实施例,水平面内的网络尺寸可为100m,以免计算量过大。
应理解,模拟网络可划分为嵌套区域,外层区域网格密度(分辨率)小,内层区域网格密度(分辨率)大。例如可划分出4层、5层嵌套区域,由外至内,各个嵌套区域的网格密度逐渐增大,从而能够减少非重点关注区域的计算量。但基于步骤S101中获取的气象数据,仅能够确定各层嵌套区域的初始条件以及最外层嵌套区域的边界条件,无法得到内部各层嵌套区域的边界条件,此时,可以采用Ndown技术,由最外层嵌套区域的模拟结果确定内部各层嵌套区域的边界条件,并可更新内部各层嵌套区域的初始条件,保障了数据一致性。具体来说,Ndown技术就是先模拟最外面一层嵌套区域(例如标记为d01),用模拟的结果进行Ndown降尺度,生成里面一层嵌套区域(例如标记为d02,内部的其他嵌套区域按此顺序继续标记)的边界条件,并根据模拟结果更新d02区域的初始条件,接着模拟d02区域,利用d02区域的模拟结果再次进行Ndown降尺度,生成d03区域的边界条件并更新d03区域的初始条件,直到所有嵌套区域模拟完成。可见,步骤S101和步骤S102的执行是相互交织的,而非先执行完整个步骤S101,再执行步骤S102。
可选地,风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度。通过获取上述目标参数的时序数据,能够较为全面的反映风力发电机组的机位点处的风况,进而实现风力发电机组的异常预测。
在步骤S103,根据风参时序数据,确定机组载荷数据。风力发电机组在极端天气下出现异常,根本原因就在于极端风况使得机组承受了异常载荷,通过根据大涡模拟得到的较为准确、详细的风参时序数据,确定出准确、可靠的机组载荷数据,能够揭示机组异常的根本原因,有助于实现可靠的异常预测。
可选地,步骤S103包括:将风参时序数据输入计算流体力学模型和计算结构力学模型,得到机组载荷数据。计算流体力学模型(CFD,Computational Fluid Dynamics)能够基于风参时序数据,采用非定常N-S方程(Navier-Stokes equations,纳维-斯托克斯方程)有限体积求解气动力和水动力,初步得到机组载荷数据。计算结构力学模型(CSD,Computational Structural Dynamics)则采用有限元数值求解结构响应,得到风力发电机组在气动力和水动力作用下的结构响应位移。而位移的改变又会影响机组载荷,所以再将结构响应位移插值到CFD网格点上,得到CFD的变形网格。不断迭代上述过程,以位移或载荷的迭代误差作为耦合的收敛标准,最终得到机组载荷数据。
可选地,机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据。由于叶片和塔架是异常预测中重点关注的结构,所以可重点模拟这两处的载荷数据,实现有针对性的计算。其中,叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。通过具体获得上述载荷数据,能够有效覆盖叶片和塔架的主要异常状况下的载荷变化,为可靠的机组异常预测提供基础。
在步骤S104,根据机组载荷数据,预测风力发电机组是否发生异常。作为示例,除机组载荷数据外,还可加入步骤S102得到的风参时序数据,共同用于预测,以增加预测的基础数据,有助于提升预测准确度。
可选地,步骤S104包括:通过将机组载荷数据输入预训练的异常预测模型,预测风力发电机组是否发生异常。通过采用预训练的异常预测模型来预测异常,能够在预训练过程中学习到机组载荷数据与风力发电机组的异常之间的关联,进而在预测截断迅速得出预测结果,有助于保障预测的时效性和准确性。如前所述,也可以将风参时序数据一起输入预训练的异常预测模型。
可选地,预训练的异常预测模型通过以下步骤训练得到:获取参考风力发电机组的历史异常数据,以及与历史异常数据相对应的参考地形数据和历史气象数据;根据参考地形数据和历史气象数据,通过大涡模拟确定历史风参时序数据;根据历史风参时序数据,确定历史机组载荷数据;将历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;根据历史异常数据和历史异常预测数据,调整待训练的异常预测模型的参数,得到预训练的异常预测模型。简而言之,就是采用有监督的机器学习方法来训练异常预测模型,能够较为有效地学习到机组载荷数据与风力发电机组的异常之间的关联,提高学习效率。应理解,历史异常数据是风力发电机组日常运维中就会记录的数据,例如包括机械系统故障信息、电气系统故障信息、控制系统故障信息等异常数据,每个异常数据例如可包括机组的故障类型、故障位置,又如还包括传感器数据(例如倾角、加速度、应变和温度等数据),从而可得到风机塔筒倾斜、振动、载荷、变形数据,所以可以应用现有的数据实现模型训练,提高了方案的可行性。相应地,预训练的异常预测模型可以输出同样格式的异常数据,作为预测异常数据,若输出的预测异常数据显示会在机组的某个部位出现某种异常,就可以认为步骤S104的预测结果是风力发电机组发生异常,输出的具体预测异常数据还可指导工作人员提前做好应对计划;若未输出的预测异常数据,或输出的预测异常数据为空,就可以认为步骤S104的预测结果是风力发电机组不发生异常。作为示例,可采用XGBoost机器学习算法训练该模型,从而捕捉机组载荷数据和风参时序数据的非线性变化,提升模型的预测效果。具体来说,可先进行数据清洗、缺失值处理,保障数据的有效性;再按照一定的比例(例如4:1)将数据划分为训练集和测试集;最后建立多因子预测模型,利用tune_model处理模型对象,对其超参数进行调整,优化模型。
图2是示出根据本公开的实施例的风力发电机组的异常预测方法的流程示意图。
总体而言,根据本公开的实施例的风力发电机组的异常预测方法,在模型建立的阶段,选取不同异常类型(异常载荷、涡激振动、叶片失速)的个例进行过程模拟。利用FNL再分析数据作为气象仿真模式的驱动数据,WRF-LES输出的历史风参时序数据包括叶轮范围内多层高度的水平风速、风向、垂直速度、风切变与湍流强度的时间序列数据。为保证模拟准确性,得到高时空分辨率的风参,WRF-LES模拟过程中采用的主要技术点包括:
1、引入SRTM3高程地形数据作为下垫面地形信息。
2、采用Nudging四维同化技术对地面气象观测数据进行同化。
3、采用Ndown技术,使用外层区域的气象场为内部高分辨率嵌套区域提供边界条件。
4、对边界层低层进行加密输出,保证叶轮面范围内有尽可能多的垂直风场信息。
将WRF-LES输出的叶轮面时序风参作为输入,供CFD/CSD模拟机组气动弹性载荷分布。CFD采用非定常N-S方程有限体积求解气动力,CSD则采用有限元数值求解结构响应。将结构响应位移插值到CFD网格点上,得到CFD的变形网格。不断迭代上述过程,以位移或载荷的迭代误差作为耦合的收敛标准,最终获取气动弹性载荷。
此后,根据不同的异常类型,利用XGBoost机器学习算法,建立以风参时序数据和机组载荷数据为输入的异常预测模型(对应图2中左侧的宽箭头,即WRF-LES输出的风参时序数据和CFD/CSD输出的机组载荷数据一起输入“XGBoost算法”),或建立以机组载荷数据为输入的异常预测模型(对应图2中右侧的宽箭头,即WRF-LES输出的风参时序数据不输入“XGBoost算法”),并进行模型调优。XGBoost可以捕捉气象要素的非线性变化,订正效果优于常规的统计方法。异常预测模型的建立过程如下:
1、数据清洗,缺失值处理,按照4:1的比例将数据划分为训练集与测试集。
2、建立多因子预测模型,利用tune_model处理模型对象,对其超参数进行调整,优化模型。
模型建立完成后,以预测有极端天气时需要尽快进行异常预测的情况为例,利用异常预测模型进行预测的过程如下:
1、根据常规天气预报,提前关注极端风况发生潜势,例如短期预报(3天)的寒潮大风、对流大风。
2、利用GFS预报作为WRF-LES驱动数据,进行叶轮面的风参时序数据模拟。进一步供CFD/CSD模型进行载荷分布模拟。将风参时序数据、机组载荷数据输入异常预测模型,对机组的运行状态、异常类型进行预测。
本公开利用WRF-LES实现了高分辨率风参时序数据的模拟,耦合CFD/CSD模型,计算机组载荷分布,建立不同类型的机组异常的预测模型,在揭示机组异常的物理机制的前提下建立异常预测模型,预测效果显著提升,可根据天气预报潜势,提前预测机组运行状态,实现了强天气导致的机组故障的根因分析和机组运行状态预测。
作为示例,一个风电场中通常有多台风力发电机组,每台风力发电机组都配置有控制系统,以保障其稳定运行。风电场还配置有场级控制系统,以实现整个风电场的集中、统一控制。根据本公开的实施例的异常预测方法,由于计算量较大,且计算过程中只需获取地形数据和气象数据,无需与控制系统或场级控制系统频繁交互,因而可单独开发异常预测系统,在该异常预测系统上运行本公开的异常预测方法,异常预测系统可以获取指定风力发电机组的地形数据和气象数据,并实现对指定风力发电机组的异常运行的预测。
图3是示出根据本公开的一个实施例的风力发电机组的异常预测装置的框图。
参照图3,风力发电机组的异常预测装置300包括获取单元301、计算单元302、预测单元303。
获取单元301可获取风力发电机组的机位点的地形数据和气象数据。通过获取地形数据和气象数据,能够在后续步骤中针对机位点所在的空间进行气流流动的推演模拟。
可选地,地形数据和气象数据的空间分辨率大于或等于预设空间分辨率,气象数据的时间分辨率大于或等于预设时间分辨率。空间分辨率可通过数据能够表示的两个相邻空间点的最小距离来表示,其值越小,空间分辨率越高。与之类似,时间分辨率可通过数据能够表示的两个相邻时间点的最小时间间隔来表示,其值越小,时间分辨率越高。地形数据和气象数据的空间分辨率对应的最小距离应当小于或等于预设空间分辨率对应的最小距离,气象数据的时间分辨率对应的最小时间间隔应当小于或等于预设时间分辨率对应的最小时间间隔,从而实现高时空分辨率。通过获取高时空分辨率的地形数据和气象数据,能够为后续的模拟提供高精度的基础数据,有助于得到高精度的模拟结果,提升异常预测准确度。应理解,由于模拟所针对的时段较短,常常只有几小时或几天,而这段时间内下垫面特征大概率不会发生变化,所以可仅获取静态的高空间分辨率的地形数据,对于气象数据,为了反映气象变化,则需获取动态的高时空分辨率的气象数据。
可选地,获取单元301还可执行如下步骤:
首先,基于风力发电机组的机位点,确定待模拟空间。该步骤可为模拟确定出明确的空间,以便明确要获取的地形数据和气象数据的空间范围。
再者,针对待模拟空间,获取空间分辨率大于或等于预设空间分辨率的地形数据。预设空间分辨率对应的最小距离例如为50米、80米,地形数据可为前述的SRTM3数据。
最后,获取待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对地面气象观测数据进行四维同化处理,例如可采用Nudging四维同化技术,得到气象数据,其中,目标时间分辨率大于或等于预设时间分辨率,目标空间分辨率大于或等于预设空间分辨率,预设时间分辨率对应的最小时间间隔可按需设置,例如为“分”级别的1分、3分、5分,又如为“秒”级别的20秒、30秒。通过基于目标时段内实际观测到的地面气象观测数据和气象预测数据来确定气象数据,既能够利用气象预测数据来进行预测性的模拟,又能够融合观测数据,有助于提升模拟准确度。通过进行四维同化处理,可将地面气象观测数据同化到标准化的三维网格中(加上时间维度就是四维),可便于后续模拟计算。
应理解,确定出待模拟空间后,后续获取地形数据和气象数据的两个步骤的执行可不分先后,目标空间分辨率可与地形数据的空间分辨率相等。
计算单元302可根据地形数据和气象数据,通过大涡模拟确定风参时序数据。大涡模拟在风机领域的应用主要围绕风速与风功率预测、尾流分析、叶片优化等,这种模拟方法是对紊流脉动(或紊流涡)的一种时、空平均,其基本思想为用滤波器将物理量分成大尺度量和小尺度量。小尺度量对大尺度运动是通过非线性关联量来实现的,大尺度量由数值计算得到,从而进一步计算小尺度关联量及湍流的细致流谱,可通过有限网格数的计算得到湍流更为详细的描写。风力发电机组的叶轮面受局地地形的影响很大,小尺度湍流对机组载荷与振动存在显著影响。相较于无法模拟出小尺度湍流的中尺度仿真方法,大涡模拟能够可靠模拟出不同尺度的湍流,进而得到不同尺度涡流下的风参时序数据,提高了风参时序数据的准确度,有助于反映不同尺度的涡流对风力发电机组的影响,从而将小尺度湍流纳入模拟范围之内,降低了低估小尺度湍流的风险,提高了异常预测的准确度。
需说明的是,现有WRF模拟输出结果的时间分辨率大小可进行设置,最小为积分步长。对于大涡模拟,输出的时间分辨率可达1s。
可选地,计算单元302还可构建待模拟空间的模拟网格,并在模拟网格的目标高度范围内,按照预设规则增加网格数量;基于地形数据和气象数据,对模拟网格进行大涡模拟计算,得到风参时序数据。模拟计算得到的具体是模拟网格中各个节点的风参时序数据。通过增加目标高度范围内的网格数量,也就是增加目标高度范围内的网格密度,即提高分辨率,能够得到目标高度范围内多层高度处的风参时序数据,使得模拟结果更为详尽。作为示例,目标高度范围是风力发电机组的叶轮面所在的高度范围,预设规则是网格的尺寸,从而能够保证在叶轮面范围内得到尽可能多的垂直风场信息,便于后续分析叶轮面的载荷分布情况。
可选地,风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度。通过获取上述目标参数的时序数据,能够较为全面的反映风力发电机组的机位点处的风况,进而实现风力发电机组的异常预测。
计算单元302还可根据风参时序数据,确定机组载荷数据。风力发电机组在极端天气下出现异常,根本原因就在于极端风况使得机组承受了异常载荷,通过根据大涡模拟得到的较为准确、详细的风参时序数据,确定出准确、可靠的机组载荷数据,能够揭示机组异常的根本原因,有助于实现可靠的异常预测。
可选地,计算单元302还可将风参时序数据输入计算流体力学模型和计算结构力学模型,得到机组载荷数据。计算流体力学模型(CFD)能够基于风参时序数据,采用非定常N-S方程有限体积求解气动力和水动力,初步得到机组载荷数据。计算结构力学模型(CSD)则采用有限元数值求解结构响应,得到风力发电机组在气动力和水动力作用下的结构响应位移。而位移的改变又会影响机组载荷,所以再将结构响应位移插值到CFD网格点上,得到CFD的变形网格。不断迭代上述过程,以位移或载荷的迭代误差作为耦合的收敛标准,最终得到机组载荷数据。
可选地,机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据。由于叶片和塔架是异常预测中重点关注的结构,所以可重点模拟这两处的载荷数据,实现有针对性的计算。其中,叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。通过具体获得上述载荷数据,能够有效覆盖叶片和塔架的主要异常状况下的载荷变化,为可靠的机组异常预测提供基础。
预测单元303可根据机组载荷数据,预测风力发电机组是否发生异常。作为示例,除机组载荷数据外,还可加入计算单元302得到的风参时序数据,共同用于预测,以增加预测的基础数据,有助于提升预测准确度。
可选地,预测单元303还可通过将机组载荷数据输入预训练的异常预测模型,预测风力发电机组是否发生异常。通过采用预训练的异常预测模型来预测异常,能够在预训练过程中学习到机组载荷数据与风力发电机组的异常之间的关联,进而在预测截断迅速得出预测结果,有助于保障预测的时效性和准确性。如前所述,也可以将风参时序数据一起输入预训练的异常预测模型。
可选地,预训练的异常预测模型通过以下步骤训练得到:获取参考风力发电机组的历史异常数据,以及与历史异常数据相对应的参考地形数据和历史气象数据;根据参考地形数据和历史气象数据,通过大涡模拟确定历史风参时序数据;根据历史风参时序数据,确定历史机组载荷数据;将历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;根据历史异常数据和历史异常预测数据,调整待训练的异常预测模型的参数,得到预训练的异常预测模型。简而言之,就是采用有监督的机器学习方法来训练异常预测模型,能够较为有效地学习到机组载荷数据与风力发电机组的异常之间的关联,提高学习效率。应理解,历史异常数据是风力发电机组日常运维中就会记录的数据,例如包括机械系统故障信息、电气系统故障信息、控制系统故障信息等异常数据,每个异常数据例如可包括机组的故障类型、故障位置,又如还包括传感器数据(例如倾角、加速度、应变和温度等数据),从而可得到风机塔筒倾斜、振动、载荷、变形数据,所以可以应用现有的数据实现模型训练,提高了方案的可行性。相应地,预训练的异常预测模型可以输出同样格式的异常数据,作为预测异常数据。
根据本公开的实施例的风力发电机组的异常预测方法可被编写为计算机程序并被存储在计算机可读存储介质上。当所述计算机程序对应的指令被处理器执行时,可实现如上所述的风力发电机组的异常预测方法。计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
图4是示出根据本公开的实施例的计算机设备的框图。
参照图4,计算机设备400包括至少一个存储器401和至少一个处理器402,所述至少一个存储器401中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器402执行时,执行根据本公开的示例性实施例的风力发电机组的异常预测方法。
作为示例,计算机设备400可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里,计算机设备400并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算机设备400还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在计算机设备400中,处理器402可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器402可运行存储在存储器401中的指令或代码,其中,存储器401还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器401可与处理器402集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器401可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器401和处理器402可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器402能够读取存储在存储器中的文件。
此外,计算机设备400还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算机设备400的所有组件可经由总线和/或网络而彼此连接。
本公开利用WRF-LES实现了高分辨率风参时序数据的模拟,耦合CFD/CSD模型,计算机组载荷分布,建立不同类型的机组异常的预测模型,在揭示机组异常的物理机制的前提下建立异常预测模型,预测效果显著提升,可根据天气预报潜势,提前预测机组运行状态,实现了强天气导致的机组故障的根因分析和机组运行状态预测。
以上对本公开的具体实施方式进行了详细描述,虽然已表示和描述了一些实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下,可对这些实施例进行修改和变型,这些修改和变型也应在本公开的权利要求的保护范围内。
Claims (18)
1.一种风力发电机组的异常预测方法,其特征在于,包括:
获取所述风力发电机组的机位点的地形数据和气象数据;
根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据;
根据所述风参时序数据,确定机组载荷数据;
根据所述机组载荷数据,预测所述风力发电机组是否发生异常。
2.如权利要求1所述的异常预测方法,其特征在于,所述地形数据和所述气象数据的空间分辨率大于或等于预设空间分辨率,所述气象数据的时间分辨率大于或等于预设时间分辨率。
3.如权利要求2所述的异常预测方法,其特征在于,所述获取所述风力发电机组的机位点的地形数据和气象数据,包括:
基于所述风力发电机组的机位点,确定待模拟空间;
针对所述待模拟空间,获取空间分辨率大于或等于所述预设空间分辨率的所述地形数据;
获取所述待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对所述地面气象观测数据进行四维同化处理,得到所述气象数据,其中,所述目标时间分辨率大于或等于所述预设时间分辨率,所述目标空间分辨率大于或等于所述预设空间分辨率。
4.如权利要求3所述的异常预测方法,其特征在于,所述根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据,包括:
构建所述待模拟空间的模拟网格,并在所述模拟网格的目标高度范围内,按照预设规则增加网格数量;
基于所述地形数据和所述气象数据,对所述模拟网格进行大涡模拟计算,得到所述风参时序数据。
5.如权利要求1至4中任一项所述的异常预测方法,其特征在于,所述根据所述风参时序数据,确定机组载荷数据,包括:
将所述风参时序数据输入计算流体力学模型和计算结构力学模型,得到所述机组载荷数据。
6.如权利要求1至4中任一项所述的异常预测方法,其特征在于,所述根据所述机组载荷数据,预测所述风力发电机组是否发生异常,包括:
通过将所述机组载荷数据输入预训练的异常预测模型,预测所述风力发电机组是否发生异常。
7.如权利要求6所述的异常预测方法,其特征在于,所述预训练的异常预测模型通过以下步骤训练得到:
获取参考风力发电机组的历史异常数据,以及与所述历史异常数据相对应的参考地形数据和历史气象数据;
根据所述参考地形数据和所述历史气象数据,通过大涡模拟确定历史风参时序数据;
根据所述历史风参时序数据,确定历史机组载荷数据;
将所述历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;
根据所述历史异常数据和所述历史异常预测数据,调整所述待训练的异常预测模型的参数,得到所述预训练的异常预测模型。
8.如权利要求1至4中任一项所述的异常预测方法,其特征在于,
所述风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,所述目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度;和/或
所述机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据,其中,所述叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,所述塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。
9.一种风力发电机组的异常预测装置,其特征在于,包括:
获取单元,被配置为获取所述风力发电机组的机位点的地形数据和气象数据;
计算单元,被配置为根据所述地形数据和所述气象数据,通过大涡模拟确定风参时序数据;
所述计算单元还被配置为根据所述风参时序数据,确定机组载荷数据;
预测单元,被配置为根据所述机组载荷数据,预测所述风力发电机组是否发生异常。
10.如权利要求9所述的异常预测装置,其特征在于,所述地形数据和所述气象数据的空间分辨率大于或等于预设空间分辨率,所述气象数据的时间分辨率大于或等于预设时间分辨率。
11.如权利要求10所述的异常预测装置,其特征在于,所述获取单元还被配置为:
基于所述风力发电机组的机位点,确定待模拟空间;
针对所述待模拟空间,获取空间分辨率大于或等于所述预设空间分辨率的所述地形数据;
获取所述待模拟空间在目标时段的地面气象观测数据和气象预测数据,按照目标时间分辨率和目标空间分辨率,对所述地面气象观测数据进行四维同化处理,得到所述气象数据,所述目标时间分辨率大于或等于所述预设时间分辨率,所述目标空间分辨率大于或等于所述预设空间分辨率。
12.如权利要求11所述的异常预测装置,其特征在于,所述计算单元还被配置为:
构建所述待模拟空间的模拟网格,并在所述模拟网格的目标高度范围内,按照预设规则增加网格数量;
基于所述地形数据和所述气象数据,对所述模拟网格进行大涡模拟计算,得到所述风参时序数据。
13.如权利要求9至12中任一项所述的异常预测装置,其特征在于,
所述计算单元还被配置为:将所述风参时序数据输入计算流体力学模型和计算结构力学模型,得到所述机组载荷数据。
14.如权利要求9至12中任一项所述的异常预测装置,其特征在于,
所述预测单元还被配置为:通过将所述机组载荷数据输入预训练的异常预测模型,预测所述风力发电机组是否发生异常。
15.如权利要求14所述的异常预测装置,其特征在于,所述预训练的异常预测模型通过以下步骤训练得到:
获取参考风力发电机组的历史异常数据,以及与所述历史异常数据相对应的参考地形数据和历史气象数据;
根据所述参考地形数据和所述历史气象数据,通过大涡模拟确定历史风参时序数据;
根据所述历史风参时序数据,确定历史机组载荷数据;
将所述历史机组载荷数据输入待训练的异常预测模型,得到历史异常预测数据;
根据所述历史异常数据和所述历史异常预测数据,调整所述待训练的异常预测模型的参数,得到所述预训练的异常预测模型。
16.如权利要求9至12中任一项所述的异常预测装置,其特征在于,
所述风参时序数据包括叶轮范围内多个预设高度的目标参数的时序数据,所述目标参数包括以下至少之一:水平风速、风向、垂直速度、风切变、湍流强度;和/或
所述机组载荷数据包括以下至少之一:叶片载荷数据、塔架载荷数据,其中,所述叶片载荷数据包括以下至少之一:叶片摆振弯矩、叶片挥舞弯矩,所述塔架载荷数据包括以下至少之一:塔顶俯仰弯矩、塔顶倾覆弯矩、塔顶扭矩、塔底俯仰弯矩、塔底倾覆弯矩。
17.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令被至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1至8中任一项所述的异常预测方法。
18.一种计算机设备,其特征在于,包括:
至少一个处理器;
至少一个存储计算机可执行指令的存储器,
其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1至8中任一项所述的异常预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208527.4A CN117852231A (zh) | 2022-09-30 | 2022-09-30 | 风力发电机组的异常预测方法和装置、存储介质 |
PCT/CN2023/073773 WO2024066147A1 (zh) | 2022-09-30 | 2023-01-30 | 风力发电机组的异常预测方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208527.4A CN117852231A (zh) | 2022-09-30 | 2022-09-30 | 风力发电机组的异常预测方法和装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117852231A true CN117852231A (zh) | 2024-04-09 |
Family
ID=90475815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211208527.4A Pending CN117852231A (zh) | 2022-09-30 | 2022-09-30 | 风力发电机组的异常预测方法和装置、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117852231A (zh) |
WO (1) | WO2024066147A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5984791B2 (ja) * | 2013-12-20 | 2016-09-06 | 三菱重工業株式会社 | 風力発電装置のモニタリングシステム及びモニタリング方法 |
CN110541794B (zh) * | 2018-05-29 | 2020-07-31 | 北京金风慧能技术有限公司 | 叶片异常的预警方法、装置、设备、介质及风力发电机组 |
CN111120219B (zh) * | 2018-10-31 | 2021-02-26 | 北京金风科创风电设备有限公司 | 确定风力发电机组的疲劳载荷的方法及设备 |
CN113917566B (zh) * | 2021-09-28 | 2023-06-27 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
CN114330494A (zh) * | 2021-11-26 | 2022-04-12 | 中国华能集团清洁能源技术研究院有限公司 | 一种融合BiLSTM与注意力的发电设备异常预测方法及系统 |
CN114856932A (zh) * | 2022-04-20 | 2022-08-05 | 上海发电设备成套设计研究院有限责任公司 | 风电机组中塔筒的异常监测方法、装置、服务器及系统 |
-
2022
- 2022-09-30 CN CN202211208527.4A patent/CN117852231A/zh active Pending
-
2023
- 2023-01-30 WO PCT/CN2023/073773 patent/WO2024066147A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024066147A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
Afanasyeva et al. | Technical, economic and uncertainty modelling of a wind farm project | |
Lange et al. | Physical approach to short-term wind power prediction | |
Zadra et al. | The next Canadian regional climate model | |
US10914291B2 (en) | Annual energy production of wind turbine sites | |
Zhang et al. | HWRFx: Improving hurricane forecasts with high-resolution modeling | |
KR20160060793A (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 | |
KR20210081492A (ko) | 초 저고도 바람 예측 정보 제공 방법 | |
CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
CN109583096A (zh) | 一种基于中尺度模型和微尺度模型结合的风资源计算方法 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
Haupt et al. | First year report of the a2e mesoscale to microscale coupling project | |
Wu et al. | A robust metamodel-based optimization design method for improving pedestrian wind comfort in an infill development project | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
Abraham et al. | A prototype stochastic parameterization of regime behaviour in the stably stratified atmospheric boundary layer | |
CN117852231A (zh) | 风力发电机组的异常预测方法和装置、存储介质 | |
Hassanian et al. | Iceland wind farm assessment case study and development: An empirical data from wind and wind turbine | |
WO2019128018A1 (zh) | 确定风资源的方法和装置 | |
CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN114841077A (zh) | 一种风电功率预测方法、装置、介质 | |
Mortensen | 46200 Planning and Development of Wind Farms: Wind resource assessment using the WAsP software | |
KR101568819B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 연안침식 자동 예측 방법 | |
Conti | Wind turbine load validation under wake conditions using Doppler lidar | |
CN117709135B (zh) | 考虑电厂温排水影响时长权重的热影响分析方法及系统 |
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 |