ES2950170T3 - Sistemas y procedimientos para el control en base al aprendizaje automático continuo de turbinas eólicas - Google Patents
Sistemas y procedimientos para el control en base al aprendizaje automático continuo de turbinas eólicas Download PDFInfo
- Publication number
- ES2950170T3 ES2950170T3 ES21155544T ES21155544T ES2950170T3 ES 2950170 T3 ES2950170 T3 ES 2950170T3 ES 21155544 T ES21155544 T ES 21155544T ES 21155544 T ES21155544 T ES 21155544T ES 2950170 T3 ES2950170 T3 ES 2950170T3
- Authority
- ES
- Spain
- Prior art keywords
- wind turbine
- measurement data
- controller
- processor
- control
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 25
- 238000010801 machine learning Methods 0.000 title claims description 13
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- F03D7/04—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
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
-
- 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
- F03D7/0224—Adjusting blade pitch
-
- 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
- F03D7/0292—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power to reduce fatigue
-
- 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
-
- 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
- F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- F05B2270/10—Purpose of the control system
- F05B2270/109—Purpose of the control system to prolong engine life
- F05B2270/1095—Purpose of the control system to prolong engine life by limiting mechanical stresses
-
- 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
- F05B2270/332—Maximum loads or fatigue criteria
-
- 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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Wind Motors (AREA)
- Supercharger (AREA)
- Harvester Elements (AREA)
Abstract
Se divulga un sistema de control (200). El sistema de control incluye una turbina eólica (100), al menos un sensor (206) configurado para detectar al menos una propiedad de la turbina eólica para generar datos de medición, y un controlador (204) acoplado comunicativamente a la turbina eólica y al menos un sensor. El controlador incluye al menos un procesador (208) en comunicación con al menos un dispositivo de memoria (210). El al menos un procesador está configurado para controlar, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba, recibir, desde el al menos un sensor, durante la fase de entrenamiento, primeros datos de medición, generar, basándose en al menos un al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control, recibir, durante una fase operativa, segundos datos de medición del al menos un sensor, y actualizar el modelo de control continuamente en base a los segundos datos de medición. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Sistemas y procedimientos para el control en base al aprendizaje automático continuo de turbinas eólicas
Antecedentes
[0001] El campo de la invención se refiere, en general, a los sistemas de control de turbina eólica y, más en particular, a un sistema y procedimiento para el control en base al aprendizaje automático ("machine leaming") continuo de turbinas eólicas.
[0002] Las turbinas eólicas más conocidas incluyen un rotor que tiene múltiples palas. El rotor a veces está acoplado a una carcasa, o góndola, que se sitúa en la parte superior de una base, por ejemplo, una torre tubular. Al menos algunas turbinas eólicas de uso general conocidas, es decir, turbinas eólicas diseñadas para proporcionar potencia eléctrica a una red de suministro, tienen palas de rotor que tienen conformaciones y dimensiones predeterminadas. Las palas de rotor transforman la energía cinética del viento en fuerzas aerodinámicas de pala que inducen un par de torsión rotacional mecánico para accionar uno o más generadores, generando posteriormente potencia eléctrica.
[0003] Las turbinas eólicas se exponen a grandes variaciones en el flujo de entrada de viento, que ejercen cargas variables a la estructura de turbina eólica, en particular, el rotor y eje de turbina eólica. Algunas turbinas eólicas conocidas incluyen conjuntos de sensor para detectar de forma remota características del viento, tales como la dirección y la velocidad. Las características del viento detectadas se pueden usar para controlar las cargas mecánicas de la turbina eólica. Por ejemplo, en base a una velocidad del viento detectada, la turbina eólica se puede controlar para operarse a una potencia de salida particular. La potencia de salida, en general, se selecciona usando una curva de potencia de velocidad del viento. Dichas curvas representan, en general, una variable de entrada (por ejemplo, la velocidad del viento) y, en general, no están optimizadas para una variedad de factores diferentes en todas las condiciones operativas. Por lo tanto, es deseable un sistema de control mejorado para turbinas eólicas.
[0004] Los documentos US 2014/100703 A1 y EP 3273055 A1 se refieren a sistemas de control para turbinas eólicas
Breve descripción
[0005] En un aspecto, se divulga un sistema de control. El sistema de control incluye una turbina eólica, al menos un sensor configurado para detectar al menos una propiedad de la turbina eólica para generar datos de medición y un controlador acoplado en comunicación a la turbina eólica y al menos un sensor. El controlador incluye al menos un procesador en comunicación con al menos un dispositivo de memoria. El al menos un procesador está configurado para controlar, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba, recibir, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición, generar, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control, recibir, durante una fase operativa, segundos datos de medición del al menos un sensor, actualizar el modelo de control continuamente en base a los segundos datos de medición, y controlar la operación de la turbina eólica, usando el modelo de control actualizado.
[0006] En otro aspecto, se divulga un controlador. El controlador está acoplado en comunicación a una turbina eólica y a al menos un sensor. El controlador incluye al menos un procesador en comunicación con al menos un dispositivo de memoria. El al menos un procesador está configurado para controlar, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba, recibir, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición, generar, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control, recibir, durante una fase operativa, segundos datos de medición del al menos un sensor, actualizar el modelo de control continuamente en base a los segundos datos de medición, y controlar la operación de la turbina eólica, usando el modelo de control actualizado.
[0007] En otro aspecto, se divulga un procedimiento para controlar una turbina eólica usando un controlador. El controlador está acoplado en comunicación a la turbina eólica y a al menos a un sensor. El controlador incluye al menos un procesador en comunicación con al menos un dispositivo de memoria. El procedimiento incluye controlar, por el controlador, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba, recibir, por el controlador, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición, generar, por el controlador, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control, recibir, por el controlador, durante una fase operativa, segundos datos de medición del al menos un sensor, actualizar, por el controlador, el modelo de control continuamente en base a los segundos datos de medición, y controlar, por el controlador, la operación de la turbina eólica, usando el modelo de control actualizado.
Dibujos
[0008] Estos y otras características, aspectos y ventajas de la presente divulgación se entenderán mejor cuando se lea la siguiente descripción detallada con referencia a los dibujos adjuntos, en los que caracteres similares representan piezas similares a lo largo de los dibujos, en los que:
La FIG. 1 es una vista en perspectiva de una turbina eólica de ejemplo.
La FIG. 2 es un diagrama de bloques de un sistema de control de turbina eólica de ejemplo para su uso en el control de la turbina eólica mostrada en la FIG. 1.
La FIG. 3 es un gráfico que ilustra curvas de potencia de ejemplo que se pueden usar para controlar la turbina eólica mostrada en la FIG. 1.
La FIG. 4 es un diagrama de flujo de un procedimiento de ejemplo para controlar una turbina eólica.
Descripción detallada
[0009] En la siguiente memoria descriptiva y las reivindicaciones, se hará referencia a una serie de términos, que se definirán para que tengan los siguientes significados.
[0010] Las formas en singular "un", "una" y "el/la" incluyen referencias al plural a menos que el contexto lo indique claramente de otro modo.
[0011] Se puede aplicar lenguaje aproximado, como se usa en el presente documento a lo largo de la memoria descriptiva y reivindicaciones, para modificar cualquier representación cuantitativa que podría variar de forma permisible sin dar como resultado un cambio en la función básica con la que se relaciona. En consecuencia, un valor modificado por un término o términos, tales como "sustancialmente" y "aproximadamente" no se debe limitar al valor preciso especificado. En al menos algunas instancias, el lenguaje aproximado puede corresponder a la precisión de un instrumento para medir el valor. Aquí, y a lo largo de la memoria descriptiva y reivindicaciones, las limitaciones de intervalo se pueden combinar y/o intercambiar, dichos intervalos se identifican e incluyen todos los subintervalos contenidos en los mismos a menos que el contexto o lenguaje lo indique de otro modo.
[0012] Los modos de realización descritos en el presente documento incluyen un sistema de control, incluyendo una turbina eólica, al menos un sensor configurado para detectar al menos una propiedad de la turbina eólica para generar datos de medición y un controlador acoplado en comunicación a la turbina eólica y al menos un sensor. El controlador incluye al menos un procesador en comunicación con al menos un dispositivo de memoria. El al menos un procesador está configurado para controlar, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba, recibir, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición, generar, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control, recibir, durante una fase operativa, segundos datos de medición del al menos un sensor, actualizar el modelo de control continuamente en base a los segundos datos de medición, y controlar la operación de la turbina eólica, usando el modelo de control generado, en base a los segundos datos de medición recibidos.
[0013] La FIG. 1 es una vista en perspectiva esquemática de una turbina eólica 100 de ejemplo. En el modo de realización de ejemplo, la turbina eólica 100 es una turbina eólica de eje horizontal. La turbina eólica 100 incluye una torre 102 que se extiende desde una superficie de soporte (no mostrada), una góndola 106 acoplada a la torre 102 y un rotor 108 acoplado a la góndola 106. El rotor 108 tiene un buje 110 rotatorio y una pluralidad de palas 112, 114, 116 acopladas al buje 110 rotatorio. En el modo de realización de ejemplo, el rotor 108 tiene una primera pala 112, una segunda pala 114 y una tercera pala 116. En modos de realización alternativos, el rotor 108 tiene cualquier número de palas 112, 114, 116 que posibilite que la turbina eólica 100 funcione como se describe en el presente documento. En el modo de realización de ejemplo, la torre 102 está fabricada de acero tubular y tiene una cavidad (no mostrada en la FIG. 1) que se extiende entre la superficie de soporte y la góndola 106. En modos de realización alternativos, la turbina eólica 100 incluye cualquier torre 102 que posibilite que la turbina eólica 100 opere como se describe en el presente documento. Por ejemplo, en algunos modos de realización, la torre 102 es una cualquiera de una torre de acero de celosía, una torre arriostrada, una torre de hormigón y una torre híbrida.
[0014] En el modo de realización de ejemplo, las palas 112, 114, 116 se sitúan alrededor del buje 110 rotatorio para facilitar la rotación del rotor 108 cuando el viento fluye a través de la turbina eólica 100. Cuando el rotor 108 rota, la energía cinética del viento se transforma en energía mecánica utilizable y, posteriormente, en energía eléctrica. Durante la operación, el rotor 108 rota alrededor de un eje de rotación 120 que es sustancialmente paralelo a la superficie de soporte. Además, en algunos modos de realización, el rotor 108 y la góndola 106 se hacen rotar alrededor de la torre 102 en un eje de orientación 122 para controlar la orientación de las palas 112, 114, 116 con respecto a la dirección del viento. En modos de realización alternativos, la turbina eólica 100 incluye cualquier rotor 108 que posibilite que la turbina eólica 100 opere como se describe en el presente documento.
[0015] En el modo de realización de ejemplo, cada pala 112, 114, 116 está acoplada al buje 110 rotatorio en un extremo de buje 124 y se extiende radialmente hacia afuera desde el buje 110 rotatorio hasta un extremo distal 126.
Cada pala 112, 114, 116 define un eje longitudinal 128 que se extiende entre el extremo de buje 124 y el extremo distal 126. En modos de realización alternativos, la turbina eólica 100 incluye cualquier pala 112, 114, 116 que posibilite que la turbina eólica 100 opere como se describe en el presente documento.
[0016] La FIG. 2 es un diagrama de bloques de un sistema de control de turbina eólica 200 de ejemplo. El sistema de control de turbina eólica 200 incluye un dispositivo objetivo 202, un controlador de turbina eólica 204 y uno o más sensores 206. En algunos modos de realización, el dispositivo objetivo 202 es sustancialmente similar a la turbina eólica 100 (mostrada en la FIG. 1). Adicionalmente o de forma alternativa, el dispositivo objetivo 202 puede ser otro dispositivo que se pueda controlar electrónicamente. El controlador de turbina eólica 204 está acoplado en comunicación al dispositivo objetivo 202 e incluye un procesador 208 y un dispositivo de memoria 210. En algunos modos de realización, al menos alguna funcionalidad del controlador de turbina eólica 204 se realiza por el procesador 208 y/o dispositivo de memoria 210.
[0017] En el modo de realización de ejemplo, el dispositivo objetivo 202 incluye una turbina eólica que convierte la energía cinética del viento en fuerzas aerodinámicas de pala que inducen un par de torsión rotacional mecánico para generar potencia eléctrica, por ejemplo, transformando la energía cinética del viento en fuerzas aerodinámicas de pala que inducen un par de torsión rotacional mecánico. Una cantidad de potencia de salida producida por el dispositivo objetivo 202 depende, por ejemplo, de una cantidad de velocidad y/o par de torsión de operación del dispositivo objetivo 202. Además, otras características del dispositivo objetivo 202 pueden depender de la velocidad y/o par de torsión de operación del dispositivo objetivo 202, tales como la fatiga de los componentes del dispositivo objetivo 202.
[0018] El controlador de turbina eólica 204 controla la operación del dispositivo objetivo 202, por ejemplo, controlando la velocidad y/o par de torsión al que opera el dispositivo objetivo 202. Por ejemplo, en algunos modos de realización, el controlador de turbina eólica 204 puede controlar un ángulo de pitch de las palas 112, 114, 116 (mostradas en la FIG. 1), una orientación del dispositivo objetivo 202, una configuración de multiplicadora del dispositivo objetivo 202 y/u otro parámetro operativo del dispositivo objetivo 202 que afecte a la velocidad y/o par de torsión. Al controlar la velocidad y/o par de torsión del dispositivo objetivo 202, el controlador de turbina eólica 204 puede seleccionar la potencia de salida a la que opera el dispositivo objetivo 202.
[0019] Antes de la operación normal del dispositivo objetivo 202, el controlador de turbina eólica 204 opera el dispositivo objetivo 202 en una fase de entrenamiento inicial. Durante la fase de entrenamiento inicial, el controlador de turbina eólica 204 controla el dispositivo objetivo 202 de acuerdo con al menos un parámetro de prueba. Por ejemplo, en algunos modos de realización, el parámetro de prueba es una serie de niveles de velocidad, niveles de par de torsión, consignas de pitch de pala y/o niveles de potencia de salida correspondientes. Durante la fase de entrenamiento, el controlador de turbina eólica 204 recibe datos de medición de los sensores 206. En algunos modos de realización, los datos de medición incluyen condiciones operativas generales del dispositivo objetivo 202, tales como una densidad del aire y/o velocidad del viento, y datos específicos para cada punto de datos de prueba, tales como la fatiga en los componentes del dispositivo objetivo 202. Usando los datos de medición, el controlador de turbina eólica puede generar un modelo de control para el dispositivo objetivo 202. Por ejemplo, en algunos modos de realización, el controlador de turbina eólica 204 aplica uno o más algoritmos de aprendizaje automático a los datos de medición recibidos para generar el modelo de control. En algunos modos de realización, el modelo de control está diseñado para lograr, por ejemplo, una vida útil operativa máxima y/o una producción anual de energía (PAE) máxima del dispositivo objetivo 202.
[0020] En algunos modos de realización, se lleva a cabo una fase de diseño del experimento, por ejemplo, durante la fase de entrenamiento inicial, donde los parámetros de control se someten a ciclos siguiendo un programa, de forma aleatoria o inteligente a través de un conjunto predefinido de niveles o por medio de un muestreo aleatorio o un enfoque inteligente (tal como optimización bayesiana, aprendizaje por refuerzo, etc.) sobre un conjunto continuo o discreto de consignas de control. Esta fase de diseño del experimento se concluye en base a la duración del tiempo, la cantidad de instancias de datos obtenidos u otro criterio de detención para obtener un conjunto inicial de datos de entrenamiento. Se puede entrenar un modelo de aprendizaje automático a partir de los datos recabados durante esta fase de recopilación de datos (a) para predecir una cifra de mérito, tal como la potencia de turbina, y, a continuación, identificar consignas que optimicen esa cifra de mérito; o bien (b) para recomendar directamente una consigna que probablemente optimice esa figura de mérito. Una vez entrenado, este modelo de aprendizaje automático se puede usar periódica y/o intermitentemente para determinar la configuración de control óptima, por ejemplo, para el dispositivo de objetivo 202. El modelo de aprendizaje automático puede dar una evaluación inherente de competencia del modelo en base al nivel de incertidumbre de su predicción, tal como en el caso de modelos de conjuntos, modelos bayesianos (incluyendo procedimientos gausianos), intervalos de predicción no conformal u otros procedimientos que pueden proporcionar incertidumbre de predicción. De forma alternativa, se puede aprender una evaluación de competencia del modelo a partir de los datos de entrenamiento usando estimación de densidad, estimación de conjunto de nivele, clasificador de una clase, aprendizaje múltiple (“manifoldleaming"), detección de anomalías u otros enfoques de aprendizaje supervisados o no supervisados. Adicionalmente, el controlador de turbina eólica 204 puede usar la evaluación tanto interna como externa de competencia del modelo para una instancia de datos obtenidos durante la operación. De esta manera, para una consulta o estado de retroalimentación particular, el modelo de aprendizaje automático puede evaluar su nivel de competencia y, si es competente, a continuación, el controlador actuará sobre las sugerencias del modelo de consignas de control para maximizar al menos una cifra de mérito, tal
como potencia o vida, y si no es competente, a continuación, usar una consigna de valor de referencia, continuar en una consigna previa o usar otro enfoque de control por seguridad o solidez para asignar consignas de control.
[0021] Durante una fase operativa, el controlador de turbina eólica 204 controla el dispositivo objetivo 202 en base al modelo de control generado. Por ejemplo, en algunos modos de realización, el controlador de turbina eólica 204 recibe datos de medición de los sensores 206, tales como una velocidad del viento actual y/o una densidad del aire actual. Usando la velocidad del viento actual y/o densidad del aire actual como una entrada, el modelo de control puede proporcionar un parámetro de salida, tal como una potencia de salida, con el que operar el dispositivo objetivo 202. El controlador de turbina eólica 204, a continuación, opera el dispositivo objetivo 202 en consecuencia. En algunos modos de realización, el controlador de turbina eólica 204 continúa refinando y/o actualizando el modelo de control durante la operación normal del dispositivo objetivo 202 en base a los datos de medición recibidos de los sensores 206 durante la fase operativa.
[0022] En algunos modos de realización, el controlador de turbina eólica 204 está configurado además para calcular un nivel de competencia para una entrada dada de datos de medición. Por ejemplo, si los datos de entrada son iguales o similares a los datos que se usaron para generar el modelo de control, el nivel de competencia puede ser relativamente alto, y, si los datos de entrada, son diferentes o disimilares a los datos previos, el nivel de competencia puede ser relativamente bajo. En algunos de dichos modos de realización, si el nivel de competencia está por debajo de un umbral, el controlador de turbina eólica 204 no controla el dispositivo objetivo 202 en base al modelo de control actual y, en cambio, toma medidas para actualizar el modelo de control e incrementar el nivel de competencia. Por ejemplo, en algunos modos de realización, el controlador de turbina eólica 204 recibe datos de medición derivados de otros sistemas de control de turbina eólica que experimentaron condiciones operativas similares a las condiciones operativas actuales del dispositivo objetivo 202 y usa los datos de medición recibidos para actualizar el modelo de control. En algunos modos de realización, el controlador de turbina eólica 204 adicionalmente o de forma alternativa inicia una fase de entrenamiento posterior donde los datos de medición que reflejan las condiciones actuales se obtienen del dispositivo objetivo 202 y de los sensores 206 y se usan para actualizar el modelo de control. En algunos modos de realización, la fase de entrenamiento posterior es sustancialmente similar a la fase de entrenamiento inicial.
[0023] La FIG. 3 es un gráfico 300 que ilustra una primera curva de potencia 302 y una segunda curva de potencia 304 que se pueden usar para controlar la turbina eólica 100 (mostrada en la FIG. 1). El gráfico 300 incluye un eje horizontal 308 correspondiente a una velocidad del viento tal como, por ejemplo, una velocidad del viento detectada en la turbina eólica 100. El gráfico 300 incluye además un eje vertical 310 correspondiente a una potencia de salida de la turbina eólica 100. La potencia de salida de la turbina eólica 100 se puede seleccionar en base a la velocidad del viento actual usando, por ejemplo, la primera curva de potencia 302 o la segunda curva de potencia 304.
[0024] La potencia de salida, cuando se selecciona en base a la primera curva de potencia 302 o a la segunda curva de potencia 304, en general, se incrementa a medida que se incrementa la velocidad del viento hasta que se alcanza un umbral de velocidad del viento 312, después de lo que la potencia de salida permanece constante. El control de la turbina eólica 100 en base a la primera curva de potencia 302, en general, da como resultado una mayor potencia de salida y una PAE correspondientemente mayor que el control de la turbina eólica 100 en base a la segunda curva de potencia 304. Por el contrario, en algunos modos de realización, el control de la turbina eólica 100 en base a la segunda curva de potencia 304 da como resultado una menor fatiga y una vida útil operativa correspondientemente más larga de la turbina eólica 100 que el control de la turbina eólica 100 en base a la primera curva de potencia 302. En algunos modos de realización, para controlar la turbina eólica 100, una de la primera curva de potencia 302 o de la segunda curva de potencia 304 se puede seleccionar por el controlador de turbina eólica 204 usando el modelo de control generado en base a las condiciones de entrada actuales.
[0025] La FIG. 4 ilustra un procedimiento 400 de ejemplo para controlar la turbina eólica 100. En algunos modos de realización, el procedimiento 400 se realiza por el controlador de turbina eólica 204. El procedimiento 400 incluye controlar 402, durante una fase de entrenamiento, la turbina eólica 100 de acuerdo con al menos un parámetro de prueba. El procedimiento 400 incluye además recibir 404, de al menos un sensor (tal como los sensores 206), durante la fase de entrenamiento, primeros datos de medición. El procedimiento 400 incluye además generar 406, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control. El procedimiento 400 incluye además recibir 408, durante una fase operativa, segundos datos de medición del al menos un sensor. El procedimiento 400 incluye además actualizar 410 el modelo de control continuamente en base a los segundos datos de medición. El procedimiento 400 incluye además controlar 412 la operación de la turbina eólica 100, usando el modelo de control generado, en base a los segundos datos de medición recibidos.
[0026] Un efecto técnico de ejemplo de los procedimientos, sistemas y aparatos descritos en el presente documento incluye al menos uno de: (a) mejorar una producción anual de energía (pAe ) de una turbina eólica usando un modelo de control en base al aprendizaje automático para controlar la turbina eólica; (b) mejorar una vida útil de una turbina eólica por un modelo de control en base al aprendizaje automático para controlar la turbina eólica; (c) proporcionar un modelo de control para una turbina eólica aplicando al menos un algoritmo de aprendizaje automático a los datos obtenidos de al menos la turbina eólica; y (d) mejorar un modelo de control de turbina eólica actualizando periódica y/o intermitentemente el modelo de control de turbina eólica en base a datos en tiempo real; y (e) mejorar la producción
anual de energía (PAE) de un grupo de turbinas eólicas y/o parque eólico controlando el grupo de turbinas eólicas y/o parque eólico usando un modelo de control en base al aprendizaje automático.
[0027] En el presente documento se describen modos de realización de ejemplo de un sistema para el control en base al aprendizaje automático continuo de turbinas eólicas. Los sistemas y procedimientos de operación y fabricación de dichos sistemas y dispositivos no están limitados a los modos de realización específicos descritos en el presente documento, sino que los componentes de los sistemas y/o etapas de los procedimientos se pueden utilizar independiente y separadamente de otros componentes y/o etapas descritos en el presente documento. Por ejemplo, los procedimientos también se pueden usar en combinación con otros sistemas electrónicos, y no están limitados a la práctica solo con los sistemas electrónicos y procedimientos como se describe en el presente documento. Más bien, el modo de realización de ejemplo se puede implementar y utilizar en conexión con muchos otros sistemas electrónicos.
[0028] Algunos modos de realización implican el uso de uno o más dispositivos electrónicos o informáticos. Dichos dispositivos típicamente incluyen un procesador, dispositivo de procesamiento o controlador, tal como una unidad central de procesamiento (CPU) de propósito general, una unidad de procesamiento de gráficos (GPU), un microcontrolador, un procesador de ordenador con conjunto de instrucciones reducido (RISC), circuito integrado específico de aplicación (ASIC), un circuito de lógica programable (PLC), una matriz de compuerta programable en campo (FPGA), un dispositivo de procesamiento de señal digital (DSP) y/o cualquier otro circuito o dispositivo de procesamiento que pueda ejecutar las funciones descritas en el presente documento. Los procedimientos descritos en el presente documento se pueden codificar como instrucciones ejecutables realizadas en un medio legible por ordenador, incluyendo, sin limitación, un dispositivo de almacenamiento y/o un dispositivo de memoria. Dichas instrucciones, cuando se ejecutan por un dispositivo de procesamiento, provocan que el dispositivo de procesamiento realice al menos una parte de los procedimientos descritos en el presente documento. Los ejemplos anteriores solo son de ejemplo y, por tanto, no se pretende que limiten de ninguna manera la definición y/o el significado del término procesador y dispositivo de procesamiento.
[0029] Aunque las características específicas de diversos modos de realización de la invención se pueden mostrar en algunos dibujos y no en otros, esto solo es por conveniencia. De acuerdo con los principios de la divulgación, se puede hacer referencia a y/o reivindicar cualquier característica de un dibujo en combinación con cualquier característica de cualquier otro dibujo.
Claims (15)
- REIVINDICACIONESi. Un sistema de control (200) que comprende:una turbina eólica (100);al menos un sensor (206) configurado para detectar al menos una propiedad de dicha turbina eólica para generar datos de medición; yun controlador (204) acoplado en comunicación a dicha turbina eólica y dicho al menos un sensor, comprendiendo dicho controlador al menos un procesador (208) en comunicación con al menos un dispositivo de memoria (210), dicho al menos un procesador configurado para:controlar, durante una fase de entrenamiento, dicha turbina eólica de acuerdo con al menos un parámetro de prueba;recibir, de dicho al menos un sensor, durante la fase de entrenamiento, primeros datos de medición; generar, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control;recibir, durante una fase operativa, segundos datos de medición de dicho al menos un sensor; actualizar el modelo de control continuamente en base a los segundos datos de medición; y controlar la operación de dicha turbina eólica, usando el modelo de control actualizado.
- 2. El sistema de control de la reivindicación 1, en el que dicho al menos un procesador (208) está configurado además para determinar, durante la fase operativa, un nivel de competencia en base al modelo de control y los segundos datos de medición recibidos.
- 3. El sistema de control de la reivindicación 2, en el que dicho al menos un procesador (208) está configurado además para:determinar que el nivel de competencia está por debajo de un umbral de certeza; einiciar una fase de entrenamiento posterior en base a la determinación.
- 4. El sistema de control de la reivindicación 2 o reivindicación 3, en el que, para determinar el nivel de competencia, dicho al menos un procesador (208) está configurado para computar el nivel de competencia usando al menos uno de estimación de densidad, estimación de conjunto de nivel, clasificador de una clase, aprendizaje múltiple y detección de anomalías.
- 5. El sistema de control de cualquiera de las reivindicaciones 1 a 4, en el que dicho controlador (204) está acoplado en comunicación a al menos un sistema de control (200) adicional, y en el que dicho al menos un procesador (208) está configurado además para:recibir, del al menos un sistema de control adicional, terceros datos de medición; ygenerar el modelo de control en base además a los terceros datos de medición recibidos.
- 6. El sistema de control de cualquiera de las reivindicaciones 1 a 5, en el que, para actualizar el modelo de control, dicho al menos un procesador (208) está configurado además para iniciar una fase de entrenamiento posterior para generar un modelo de control revisado en base a los segundos datos de medición.
- 7. El sistema de control de cualquiera de las reivindicaciones 1 a 6, en el que, para generar el modelo de control, dicho al menos un procesador (208) está configurado para aplicar al menos un algoritmo de aprendizaje automático a los primeros datos de medición.
- 8. El sistema de control de cualquiera de las reivindicaciones 1 a 7, en el que los primeros datos de medición incluyen al menos una de una velocidad del viento, una densidad del aire, una potencia de salida, una temperatura y una medición de la estabilidad del viento.
- 9. El sistema de control de cualquiera de las reivindicaciones 1 a 8, en el que, para controlar dicha turbina eólica, dicho al menos un procesador (208) está configurado para controlar al menos uno de un par de torsión, una velocidad, un ángulo de pitch de pala y un ángulo de ataque de dicha turbina eólica.
- 10. El sistema de control de cualquiera de las reivindicaciones 1 a 9, en el que, para generar el modelo de control, dicho al menos un procesador (208) está configurado para calcular al menos una de una potencia y una fatiga de dicha turbina eólica.
- 11. Un controlador (204) acoplado en comunicación a una turbina eólica (100) y al menos un sensor (206), comprendiendo dicho controlador al menos un procesador (208) en comunicación con al menos un dispositivo de memoria (210), dicho al menos un procesador configurado para:controlar, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba;recibir, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición; generar, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control;recibir, durante una fase operativa, segundos datos de medición del al menos un sensor;actualizar el modelo de control continuamente en base a los segundos datos de medición; y controlar la operación de la turbina eólica, usando el modelo de control actualizado.
- 12. El controlador de la reivindicación 11, en el que dicho al menos un procesador (208) está configurado además para determinar, durante la fase operativa, un nivel de competencia en base al modelo de control y los segundos datos de medición recibidos.
- 13. El controlador de la reivindicación 12, en el que dicho al menos un procesador (208) está configurado además para:determinar que el nivel de competencia está por debajo de un umbral de certeza; einiciar una fase de entrenamiento posterior en base a la determinación.
- 14. El controlador de la reivindicación 12 o 13, en el que, para determinar el nivel de competencia, dicho al menos un procesador (208) está configurado para computar el nivel de competencia usando al menos uno de estimación de densidad, estimación de conjunto de nivel, clasificador de una clase, aprendizaje múltiple y detección de anomalías.
- 15. Un procedimiento de control de una turbina eólica (100) usando un controlador (204) acoplado en comunicación a la turbina eólica y al menos un sensor (206), incluyendo el controlador al menos un procesador (208) en comunicación con al menos un dispositivo de memoria (210), comprendiendo dicho procedimiento:controlar, por el controlador, durante una fase de entrenamiento, la turbina eólica de acuerdo con al menos un parámetro de prueba;recibir, por el controlador, del al menos un sensor, durante la fase de entrenamiento, primeros datos de medición;generar, por el controlador, en base al al menos un parámetro de prueba y los primeros datos de medición recibidos, un modelo de control;recibir, por el controlador, durante una fase operativa, segundos datos de medición del al menos un sensor; actualizar, por el controlador, el modelo de control continuamente en base a los segundos datos de medición; ycontrolar, por el controlador, la operación de la turbina eólica, usando el modelo de control actualizado.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/784,798 US11060504B1 (en) | 2020-02-07 | 2020-02-07 | Systems and methods for continuous machine learning based control of wind turbines |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2950170T3 true ES2950170T3 (es) | 2023-10-05 |
Family
ID=74556790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES21155544T Active ES2950170T3 (es) | 2020-02-07 | 2021-02-05 | Sistemas y procedimientos para el control en base al aprendizaje automático continuo de turbinas eólicas |
Country Status (5)
Country | Link |
---|---|
US (1) | US11060504B1 (es) |
EP (1) | EP3862561B1 (es) |
CN (1) | CN113250904A (es) |
DK (1) | DK3862561T3 (es) |
ES (1) | ES2950170T3 (es) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3095246B1 (fr) * | 2019-04-16 | 2022-12-09 | Ifp Energies Now | Procédé et système de contrôle d’une grandeur d’une éolienne par choix du contrôleur par un apprentissage automatique |
US11249891B1 (en) * | 2021-03-22 | 2022-02-15 | Palo Alto Research Center Incorporated | Machine-learning framework for testing feedback controller robustness |
EP4151853A1 (en) * | 2021-09-17 | 2023-03-22 | Vestas Wind Systems A/S | A method for controlling wind turbines of a wind park using a trained ai model |
EP4170157A1 (en) * | 2021-10-22 | 2023-04-26 | General Electric Renovables España S.L. | System and method for learning-based predictive fault detection and avoidance for wind turbines |
US11928444B2 (en) * | 2022-04-15 | 2024-03-12 | Microsoft Technology Licensing, Llc | Editing files using a pattern-completion engine implemented using a machine-trained model |
Family Cites Families (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7004724B2 (en) | 2003-02-03 | 2006-02-28 | General Electric Company | Method and apparatus for wind turbine rotor load control based on shaft radial displacement |
US7118339B2 (en) | 2004-06-30 | 2006-10-10 | General Electric Company | Methods and apparatus for reduction of asymmetric rotor loads in wind turbines |
US7560823B2 (en) | 2006-06-30 | 2009-07-14 | General Electric Company | Wind energy system and method of operation thereof |
US20100014969A1 (en) | 2006-10-02 | 2010-01-21 | Kitchener Clark Wilson | Wind turbine with blade pitch control to compensate for wind shear and wind misalignment |
US7883317B2 (en) | 2007-02-02 | 2011-02-08 | General Electric Company | Method for optimizing the operation of a wind turbine |
EP2191131B1 (en) | 2007-08-31 | 2017-12-20 | Vestas Wind Systems A/S | Method for controlling at least one adjustment mechanism of a wind turbine, a wind turbine and a wind park |
EP2048562B1 (en) | 2007-10-12 | 2009-08-12 | Siemens Aktiengesellschaft | Method and device for providing at least one input sensor signal for a control and/or monitoring application and control device |
ES2723877T3 (es) | 2007-11-15 | 2019-09-03 | Siemens Gamesa Renewable Energy Innovation & Technology SL | Método y sistema para el funcionamiento de un aerogenerador |
US8057174B2 (en) | 2008-10-09 | 2011-11-15 | General Electric Company | Method for controlling a wind turbine using a wind flow model |
EP2175129A1 (en) | 2008-10-10 | 2010-04-14 | Siemens Aktiengesellschaft | Adaptive adjustment of the blade pitch angle of a wind turbine |
US20100092292A1 (en) | 2008-10-10 | 2010-04-15 | Jacob Johannes Nies | Apparatus and method for continuous pitching of a wind turbine |
US8712593B2 (en) | 2008-11-18 | 2014-04-29 | Vestas Wind Systems A/S | Method for controlling operation of a wind turbine |
EP2213873A1 (en) | 2009-01-30 | 2010-08-04 | Siemens Aktiengesellschaft | Estimating an effective wind direction for a wind turbine by means of a learning system |
US8025476B2 (en) * | 2009-09-30 | 2011-09-27 | General Electric Company | System and methods for controlling a wind turbine |
GB2476316B (en) * | 2009-12-21 | 2014-07-16 | Vestas Wind Sys As | A wind turbine having a control method and controller for predictive control of a wind turbine generator |
US7987067B2 (en) | 2010-03-26 | 2011-07-26 | General Electric Company | Method and apparatus for optimizing wind turbine operation |
US9261076B2 (en) | 2010-06-02 | 2016-02-16 | Vestas Wind Systems A/S | Method for operating a wind turbine at improved power output |
DK2444659T3 (en) | 2010-10-19 | 2016-10-03 | Siemens Ag | A method and system for adjusting an output parameter of a wind turbine |
EP2518308A1 (en) | 2011-04-29 | 2012-10-31 | Siemens Aktiengesellschaft | Controlling the operation of a wind turbine based on a terrain class parameter value |
JP5832644B2 (ja) | 2011-06-03 | 2015-12-16 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法 |
DE102011054211B3 (de) * | 2011-10-05 | 2013-01-10 | Kenersys Gmbh | Verfahren zum Betreiben einer Windenergieanlage und entsprechende Windenergieanlage |
US9606518B2 (en) | 2011-12-28 | 2017-03-28 | General Electric Company | Control system and method of predicting wind turbine power generation |
US20130184838A1 (en) | 2012-01-06 | 2013-07-18 | Michigan Aerospace Corporation | Resource optimization using environmental and condition-based monitoring |
KR20150038405A (ko) | 2012-07-26 | 2015-04-08 | 엠에이치아이 베스타스 오프쇼어 윈드 에이/에스 | 풍력 터빈 경사 최적화 및 제어 |
US9605558B2 (en) | 2013-08-20 | 2017-03-28 | General Electric Company | System and method for preventing excessive loading on a wind turbine |
EP2860395B1 (en) | 2013-10-09 | 2017-09-27 | Siemens Aktiengesellschaft | System for automatic power estimation adjustment |
US9991771B2 (en) * | 2013-11-05 | 2018-06-05 | The University Of Maryland, Baltimore County | Active control system for a variable electromotive-force generator with applications to wind turbines, ships, and hybrid vehicles |
DK2878811T3 (da) | 2013-11-29 | 2021-07-19 | Ge Renewable Tech Wind Bv | Fremgangsmåder til drift af en vindmølle, og vindmøller |
US9920742B2 (en) | 2014-02-20 | 2018-03-20 | General Electric Company | Dynamic cut-in wind speed for wind turbines |
US9683552B2 (en) | 2014-03-06 | 2017-06-20 | General Electric Company | System and method for robust wind turbine operation |
US9551322B2 (en) * | 2014-04-29 | 2017-01-24 | General Electric Company | Systems and methods for optimizing operation of a wind farm |
WO2015192856A1 (en) | 2014-06-19 | 2015-12-23 | Vestas Wind Systems A/S | Control of wind turbines in response to wind shear |
US9347432B2 (en) * | 2014-07-31 | 2016-05-24 | General Electric Company | System and method for enhanced operation of wind parks |
US9644612B2 (en) | 2014-09-23 | 2017-05-09 | General Electric Company | Systems and methods for validating wind farm performance measurements |
US10830213B2 (en) | 2014-11-24 | 2020-11-10 | Vestas Wind Systems A/S | Determination of wind turbine configuration |
US9739262B2 (en) * | 2014-12-10 | 2017-08-22 | State Grid Corporation Of China | Static testing and calibrating method for PID link of control system of wind turbine |
EP3088733B1 (en) | 2015-04-27 | 2018-10-17 | Envision Energy (Jiangsu) Co., Ltd. | Method for operating a wind turbine based on degradation of wind turbine blade |
US10132295B2 (en) | 2015-05-15 | 2018-11-20 | General Electric Company | Digital system and method for managing a wind farm having plurality of wind turbines coupled to power grid |
US10443577B2 (en) | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
EP3380724B1 (en) * | 2015-11-26 | 2020-01-08 | Vestas Wind Systems A/S | A method for monitoring and assessing power performance changes of a wind turbine |
JP6602895B2 (ja) * | 2016-01-19 | 2019-11-06 | 株式会社日立製作所 | 電力系統モデル解析装置及び方法 |
EP3464891B1 (en) | 2016-06-07 | 2022-01-19 | Vestas Wind Systems A/S | Adaptive control of a wind turbine by detecting a change in performance |
US10247170B2 (en) | 2016-06-07 | 2019-04-02 | General Electric Company | System and method for controlling a dynamic system |
WO2017211367A1 (en) | 2016-06-07 | 2017-12-14 | Vestas Wind Systems A/S | Adaptive control of a wind turbine by detecting a change in performance |
US10539116B2 (en) * | 2016-07-13 | 2020-01-21 | General Electric Company | Systems and methods to correct induction for LIDAR-assisted wind turbine control |
US10047722B2 (en) | 2016-07-28 | 2018-08-14 | General Electric Company | System and method for controlling a wind turbine |
DE102016224207A1 (de) * | 2016-12-06 | 2018-06-07 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
WO2018121668A1 (en) | 2016-12-30 | 2018-07-05 | Envision Energy (Jiangsu) Co., Ltd. | A method and system for evaluating wind turbine generator performance |
CN106704103B (zh) | 2017-01-05 | 2019-12-17 | 华北电力大学 | 一种基于叶片参数自学习的风电机组功率曲线获取方法 |
US10360500B2 (en) * | 2017-04-20 | 2019-07-23 | Sas Institute Inc. | Two-phase distributed neural network training system |
ES2939661T3 (es) * | 2017-09-15 | 2023-04-25 | Vestas Wind Sys As | Control de paso individual para turbinas eólicas |
US20190155228A1 (en) | 2017-11-21 | 2019-05-23 | General Electric Company | Dynamic feature extraction and real-time model tuning |
CN107944142B (zh) * | 2017-11-24 | 2019-12-03 | 国电联合动力技术有限公司 | 高电压穿越能力仿真评估模型及基于其的仿真评估方法 |
EP3721301A1 (en) * | 2017-12-06 | 2020-10-14 | Vestas Wind Systems A/S | Model predictive control in local systems |
US10731630B2 (en) * | 2018-01-03 | 2020-08-04 | General Electric Company | Extended reaction power for wind farms |
CN110206685B (zh) * | 2018-02-28 | 2020-07-28 | 北京金风科创风电设备有限公司 | 风电场中的风力发电机组的前馈控制方法和设备 |
US20190278242A1 (en) * | 2018-03-07 | 2019-09-12 | Distech Controls Inc. | Training server and method for generating a predictive model for controlling an appliance |
JP7090442B2 (ja) | 2018-03-20 | 2022-06-24 | 株式会社Lixil | 制御システム、学習装置、及び制御方法 |
US10666076B1 (en) * | 2018-08-14 | 2020-05-26 | Veritone Alpha, Inc. | Using battery state excitation to control battery operations |
US10921755B2 (en) * | 2018-12-17 | 2021-02-16 | General Electric Company | Method and system for competence monitoring and contiguous learning for control |
SG10201902011UA (en) * | 2019-03-06 | 2020-10-29 | Univ Singapore Technology & Design | Industrial control systems anomaly detection by learning algorithms with physical process features |
US10815972B2 (en) * | 2019-03-22 | 2020-10-27 | General Electric Company | System and method for assessing and validating wind turbine and wind farm performance |
EP3730780B1 (en) * | 2019-04-24 | 2022-01-19 | Vestas Wind Systems A/S | Rotor speed control of a wind turbine |
US20190317880A1 (en) * | 2019-06-27 | 2019-10-17 | Intel Corporation | Methods and apparatus to improve runtime performance of software executing on a heterogeneous system |
US11036477B2 (en) * | 2019-06-27 | 2021-06-15 | Intel Corporation | Methods and apparatus to improve utilization of a heterogeneous system executing software |
US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
US10832087B1 (en) * | 2020-02-05 | 2020-11-10 | Sas Institute Inc. | Advanced training of machine-learning models usable in control systems and other systems |
US20200401891A1 (en) * | 2020-09-04 | 2020-12-24 | Intel Corporation | Methods and apparatus for hardware-aware machine learning model training |
-
2020
- 2020-02-07 US US16/784,798 patent/US11060504B1/en active Active
-
2021
- 2021-02-05 EP EP21155544.6A patent/EP3862561B1/en active Active
- 2021-02-05 ES ES21155544T patent/ES2950170T3/es active Active
- 2021-02-05 DK DK21155544.6T patent/DK3862561T3/da active
- 2021-02-07 CN CN202110175528.2A patent/CN113250904A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DK3862561T3 (da) | 2023-07-24 |
CN113250904A (zh) | 2021-08-13 |
EP3862561B1 (en) | 2023-04-19 |
US11060504B1 (en) | 2021-07-13 |
EP3862561A1 (en) | 2021-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2950170T3 (es) | Sistemas y procedimientos para el control en base al aprendizaje automático continuo de turbinas eólicas | |
ES2628058T3 (es) | Procedimiento de optimización de la operación de una turbina eólica | |
ES2857108T3 (es) | Sistema y procedimiento para controlar una turbina eólica | |
ES2946538T3 (es) | Procedimientos para hacer funcionar una turbina eólica | |
ES2700729T3 (es) | Simulación de una producción de potencia máxima de una turbina eólica | |
ES2822986T3 (es) | Amortiguación de oscilaciones en una turbina eólica | |
EP3613982B1 (en) | Method for controlling operation of a wind turbine | |
ES2701707T3 (es) | Procedimiento de funcionamiento de un aerogenerador y aerogenerador | |
US20170356421A1 (en) | System and method for coordinating wake and noise control systems of a wind farm | |
ES2879915T3 (es) | Procedimientos para operar una turbina eólica, y turbinas eólicas | |
ES2907248T3 (es) | Sistema y procedimiento de control de turbina eólica | |
DK2626550T3 (en) | Improved noise reduction control for wind turbines | |
CN107223206A (zh) | 疲劳测试 | |
US8178989B2 (en) | System and methods for adjusting a yaw angle of a wind turbine | |
EP2520799B1 (en) | Wind power generation system and control method for the same | |
EP2466126A3 (en) | Apparatus and method for operation of an off-shore wind turbine | |
US11022100B2 (en) | System and method for controlling wind turbines | |
EP3249218A1 (en) | System and method for micrositing a wind farm for loads optimization | |
ES2949702T3 (es) | Un procedimiento para operar una turbina eólica y un sistema de turbina eólica | |
EP3339637B1 (en) | Wind turbine tower placement and orientation | |
BR112013016316B1 (pt) | Sistema e método para controlar uma operação de uma turbina eólica | |
US9228568B2 (en) | Methods for scheduling the replacement of wind turbine batteries and related systems | |
EP3851669B1 (en) | Systems and methods for operation of wind turbines using improved power curves | |
ES2927770T3 (es) | Método de operación de aerogenerador basado en el límite de empuje máximo | |
ES2967884T3 (es) | Sistema y procedimiento para coordinar sistemas de control de estela y ruido de un parque eólico |