JP6373682B2

JP6373682B2 - 風力発電設備の応力推定装置および風力発電設備の応力推定方法、風力発電システム

Info

Publication number: JP6373682B2
Application number: JP2014157404A
Authority: JP
Inventors: 崇佐伯; 晋也湯田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2014-08-01
Filing date: 2014-08-01
Publication date: 2018-08-15
Anticipated expiration: 2034-08-01
Also published as: TW201606685A; JP2016035208A; TWI546762B

Description

本発明は、風力発電設備に関し、特に、風力発電設備の構造強度診断に関する。

安定したエネルギー資源の確保や地球温暖化防止といった観点から、太陽光発電や風力発電などの再生可能エネルギーの導入拡大に大きな期待が寄せられている。風力発電システムの設計においては、発電効率向上、風力発電設備の大型化、建設工法の合理化、工期短縮、保守修理や点検の簡易化により、発電コストを低減し、発電事業として成立し易くするための様々な検討が進められている。

風力発電設備の大型化に伴い、数ＭＷ規模の風力発電システムでは、その風車のブレードの長さやタワーの高さは数十メートルにも及ぶ。そのため、風車が受ける風速や風向きの変化によってブレードやタワーに加わる力（モーメント）が大きく変化し、ブレードやタワーに大きな応力（歪）が発生する。この応力を要因としてブレードやタワーに疲労が蓄積し、ブレードの破損やタワーの倒壊といった事故につながる可能性がある。

そこで、風力発電設備の状態監視を行い、最適な制御や設計へのフィードバックを実施することで、ロスコストを削減し、発電収益を向上する取り組みがなされている。

本技術分野の背景技術として、例えば、特許文献１のような技術がある。特許文献１には、荷重の時系列データから解析対象の応力時系列データを作成する風車構造体の応力解析装置が開示されている。

また、特許文献２には、荷重の時系列データから解析対象の応力時系列データを作成する風車運用時の耐久強度の評価指標設定方法が開示されている。

また、特許文献３には、風荷重や波浪荷重の時系列データから解析対象の応力を求める浮体式風力発電装置の設計方法が開示されている。

また、特許文献４には、時系列の風況データに基づいて風況を予測し、風車を制御する風力発電システムが開示されている。

また、特許文献５には、時系列の風況データ等に基づいて風速の変動を予測し、風力発電設備の発電機の出力制御を行う発電量予測方法が開示されている。

特開２０１０−７９６８５号公報ＷＯ２０１０/０３８３０５号公報特開２００５−２４０７８５号公報特開２００８−６４０８１号公報特開２０１３−２２２４２３号公報

上記のように、風力発電設備においては、風車の状態監視、特に、風車に生じる応力（歪）の監視を効率良く行い、最適な運転制御や風車のブレード、タワーの強度設計にフィードバックすることは、風車の寿命を予測し、ブレードの破損やタワーの倒壊などの事故を未然に防止し、安定して電力を供給するうえで、重要な課題となっている。

しかしながら、機械の構造強度においては、試験データと現場の実測データで乖離が大きく、想定より早く損傷が発生しているケースも多い。また、風車の構造強度を測定する場合、各風車に多数のセンサを設置する必要があるが、センサのコストや設置場所確保の問題があり、複数風車の多点の計測は困難である。

特許文献１の風車構造体の応力解析装置では、風車構造体に設定された所定の荷重観測箇所における荷重時系列データが作成され、この荷重時系列データに基づいて風車構造体に設定されている少なくとも１つの解析対象個所における応力時系列データが応力解析手段により計算される。

しかしながら、この方法では応力解析手段において、解析対象箇所に対応付けられている荷重変換テーブルを用いて荷重観測箇所の荷重データから解析対象箇所の荷重時系列データを作成する必要があるが、全ての荷重観測箇所と全ての解析対象箇所の組合せの荷重変換テーブルを用意することは事実上不可能であり、実際には解析対象箇所は限定される。

特許文献２の評価指標設定方法では、風車構造体に設定された所定の荷重観測箇所における荷重時系列データが作成され、この荷重時系列データに基づいて応力時系列データを求め、応力時系列データに基づく応力を評価対象部位に補償運用期間にわたって与えた場合に、評価対象部位が脆弱性破壊を発生させないために最低限必要な破壊靭性値を決定する。

しかしながら、この方法では荷重観測箇所と評価対象箇所が同一であるため、大量な箇所を評価したい場合に、センサの削減にならない。

特許文献３の浮体式風力発電装置の設計方法では、波浪による応力の統計値から応力振幅の確率分布を求め、この応力振幅の確率密度分布から波浪による疲労被害度を求めるとともに、風による応力の時系列から風による疲労被害度を求める。波浪による疲労被害度と風による疲労被害度とを合算した合算疲労被害度により、風と波浪とによる繰り返し荷重の影響を精度よく見積もって、浮体式風力発電装置の疲労強度設計に反映させることができる。

しかしながら、この方法では特許文献２と同様に、荷重観測箇所と評価対象箇所が同一であるため、大量な箇所を評価したい場合に、センサの削減にならない。

特許文献４の風力発電システムでは、予測風況を制御入力として、発電量とコストに係る利益を最大化する予測制御量推定機構を導入し、単一もしくは複数の風況観測機構から得られる多次元の風況観測系列から最適な力学系再構成を用いて的確な風況予測を実施する。これらにより、風況の時空間情報を最大限活用した地域風況力学系の適切な時空再構成と高精度な予測、そして、無駄のない制御がなされ、高効率な発電が可能になる。

しかしながら、この方法では風況を予測するために予測誤差を小さくすることが必要であるが、気象予報を精度よく行うことは難しい。また、風車の構造強度に関しては言及されていない。

特許文献５の発電量予測方法では、電力系統側発電機の出力制御を行うための余裕として数１０分後と言ったオーダの風力発電設備の発電量予測を実現する。本発明は、過去の風況時系列データ、過去の気象時系列データを記憶しておき、現在の風況・気象時系列データに類似した過去の風況時系列データを抽出し、これをもとに風況予測を行い、発電量を推定している。

しかしながら、この方法では特許文献４と同様に、風況を予測するために予測誤差を小さくすることが必要であるが、気象予報を精度よく行うことは難しい。また、風車の構造強度に関しても同様に言及されていない。

そこで、本発明の目的は、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電設備の応力推定装置を提供することにある。

また、本発明の別の目的は、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電設備の応力推定方法を提供することにある。

また、本発明の他の目的は、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電システムを提供することにある。

上記課題を解決するために、本発明は、測定した風況データに基づき、当該風況データと風況が類似する他の風車を選択し、当該選択した風車の応力値から応力未計測の風車の応力値を推定する風力発電設備の応力推定装置であって、前記風力発電設備の応力推定装置は、入力された風況データから風況が類似する他の風車の風況を選択する類似風況選択部と、複数の風車の応力値を蓄積する応力値データベースと、前記選択した風車に対応する前記応力値データベースの応力値から応力未計測の風車の応力値を推定する推定応力値算出部と、前記推定応力値算出部により算出した応力推定値に基づき、前記応力値データベースに蓄積された複数の風車の応力値を更新する応力値データベース更新部と、を備え、前記推定応力値算出部は、前記類似風況選択部で選択された複数の風況類似度および前記応力値データベースから抽出した複数の応力値に基づき、応力未計測の風車の応力値を推定することを特徴とする。

また、本発明は、測定した風況データに基づき、当該風況データと風況が類似する他の風車を選択し、当該選択した風車の応力値から応力未計測の風車の応力値を推定する風力発電設備の応力推定方法であって、前記測定した風況データに類似する風況の風況分類および風況類似度を選択し、前記選択した風況分類に対応する応力値を応力値データベースから抽出し、前記応力値データベースから抽出した応力値および前記風況類似度に基づき、応力未計測の風車の応力値を推定することを特徴とする。

また、本発明は、測定した風況データに基づき、応力未計測の風車の応力値を推定する風力発電システムであって、前記風力発電システムは、複数の風車の応力値を蓄積する応力値蓄積装置と、前記測定した風況データに風況が類似する他の複数の風車の応力値を前記応力値蓄積装置から抽出し、前記抽出した複数の風車の応力値から応力未計測の風車の応力値を推定する応力推定装置と、を備えることを特徴とする。

本発明によれば、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電設備の応力推定装置を実現できる。

また、本発明によれば、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電設備の応力推定方法を実現できる。

また、本発明によれば、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視が可能な風力発電システムを実現できる。

また、本発明によれば、必要以上に応力検知センサを設けることなく、風車の寿命を予測し、ブレードの破損やタワーの倒壊などの事故を未然に防止し、安定した電力供給が可能となる。

また、本発明によれば、風力発電設備の建設前に風車の応力を推定することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の一実施形態に係る風力発電システムの構成を示す図である。本発明の一実施形態に係る風力発電システムの類似風況選択部における風況クラス分類を示す図である。本発明の一実施形態に係る風力発電システムの応力推定方法を示すフローチャートである。本発明の一実施形態に係る風力発電システムの全体概要を示す図である。

本発明の実施例を、図面を参照しながら説明する。尚、各図および各実施例において、同一又は類似の構成要素には同じ符号を付し、説明を省略する。

図１は、本発明の一実施形態に係る風力発電システムの構成を示す図である。図１に示す風力発電システム１００は、例えば、診断対象の風車に設置されたセンサからのデータである風況測定値Ｓ１０を入力とし、風況測定値Ｓ１０に基づいて診断対象の風車の風況クラス(例えば、風速は強、風向は南東など)を分類し、類似する風況データとその類似度を算出する類似風況選択部１０と、類似風況選択部１０で選択された風況クラスを入力とし、複数の風況クラスと各々に対応する応力値を保存しているデータベース(ＤＢ)から入力された風況クラスに相当する応力値を出力する応力値ＤＢ２０と、類似風況選択部１０で選択された風況クラスの類似度と応力値ＤＢ２０から出力された応力値を入力とし、複数の風況類似度と応力値を演算することで、未計測応力推定値を算出する推定応力算出部３０と、未計測応力推定値Ｓ２０を入力とし、応力値ＤＢ２０に保存されている適当な応力値と比較し、応力値ＤＢ２０を更新する応力値ＤＢ更新部４０を有し、未計測応力推定値Ｓ２０を出力する。

風況測定値Ｓ１０は、風の状態をセンシングするための信号データであり、例えば、風向、風速、温度、湿度、雨量、天気などの気象データと地形データが含まれる。

類似風況選択部１０では、風況測定値Ｓ１０を入力とし、あらかじめ用意された複数の風況クラスと応力推定したい風力発電システムの風況測定値Ｓ１０を比較して、類似度を算出し、類似度が高い風況クラスを複数選択する(ラベルを選択する)。風況クラスとは風況測定値Ｓ１０を構成する数種類の信号データから任意の種類の信号を複数組み合わせて、風況クラスを構成する。

図２は、図１の類似風況選択部１０における風況クラス分類の一例を示すテーブルである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図２に示すように、風の状態をセンシングするための信号データのうち、風向と風速を組み合わせて、風速３段階（弱、中、強）と風向８段階（北、北東、東、南東、南、南西、西、北西）の組合せで２４クラスを作り、クラス毎にラベルを割り当てる。

風況の類似度は、風況測定値Ｓ１０のうち、風況クラスを構成する信号データ組みを入力とし、頻出パターン抽出やクラス分類など規則性を学習させる機械学習すなわち主成分分析、クラスタリング、サポートベクトルマシン等の手法を用いて、任意の風況クラスとの類似度を算出する。これを選択された風況クラスの数だけ計算し、類似度の高い風況クラスとその類似度のペアを複数個算出する。その際、あらかじめ、応力値ＤＢ２０に蓄積されている他の風車の計測済み風況測定値を学習データとして学習させておく。

風況の類似度の算出は、上記以外にも、例えば、類似風況選択部１０に入力される風況データの主成分分析や風況データの各パラメータの平均値からの偏差（ばらつき）を用いて算出することもできる。

或いは、複数の風車群における各風車群間の距離に基づくクラスタリング手法、複数の風車群における各風車群毎の最大値の比較、平均値の比較、バラつきの比較、分散や偏差などを用いても良い。

応力値ＤＢ２０では、計測済みの風車の応力値が蓄積されている。各々のデータは、計測日、計測日の風況測定値(気象データ)、計測時間、計測部位、応力値などで構成されており、風況クラスを示すラベルが付けられている。類似風況選択部１０で分類されるクラスの数だけ、ラベルは存在する。類似風況選択部１０で選択された風況クラスのラベルに従い、適当な応力値を推定応力算出部３０へ出力する。

推定応力算出部３０は、類似風況選択部１０で選択された風況クラスの類似度と応力値ＤＢ２０から出力された応力値を入力とし、複数の風況類似度と応力値から未計測応力推定値Ｓ２０を算出する。

算出方法は、例えば、式１に示すような、複数の風況類似度と応力値の積和演算を用いることができる。

未計測応力推定値＝Σ(風況類似度Ａ×応力値Ａ)＋(風況類似度Ｂ×応力値Ｂ)＋…：式１
或いは、式２に示すように、風況が類似する応力を計測済みの風車の応力値Ａと風況類似度Ａの逆数の積から求めることもできる。

未計測応力推定値＝応力値Ａ×（１／風況類似度Ａ）：式２
また、複数の風況類似度と応力値に各々所定の閾値を設けて、閾値以上の風況類似度と応力値を用いて未計測応力推定値を算出しても良い。

または、ある風況類似度が他の風況類似度と比較して大きい場合はその風況類似度に対応する応力値を未計測応力推定値とみなすことも考えられる。

応力値ＤＢ更新部４０は、推定応力値算出部３０により算出した未計測応力推定値Ｓ２０に基づいて応力値ＤＢ２０を更新する。

未計測応力推定値Ｓ２０の風況類似度が応力値ＤＢ２０におけるある単独の風況ラベルに対して１、すなわち完全一致の場合は、応力値ＤＢ２０を更新しないが、風況類似度が複数あり、かつ、類似度が低い場合は応力値ＤＢ２０に存在しないデータであるので、未計測応力推定値Ｓ２０を蓄積して応力値ＤＢ２０を更新する。

図３は、本発明の一実施形態に係る風力発電システムの応力推定方法の一例を示すフローチャートである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図３に示すように、応力推定を開始すると、類似風況選択ステップＦ１で風況測定値Ｓ１０を入力として、風況測定値Ｓ１０の風況を分類し、風況ラベルＳ３０と風況類似度Ｓ４０を求め、応力値ＤＢアクセスステップＦ２へ進む。

応力値ＤＢアクセスステップＦ２では、類似風況選択ステップＦ１で求めた風況ラベルＳ３０をキーとして、応力値ＤＢ２０へアクセスして風況ラベルＳ３０に適当な応力値を推定応力値算出ステップＦ３へ出力する。

推定応力値算出ステップＦ３では、応力値ＤＢアクセスステップＦ２から出力された応力値と類似風況選択ステップＦ１から出力された風況類似度Ｓ４０を入力とし、未計測応力推定値Ｓ２０を、例えば、上記の数１のような積和演算で算出する。未計測応力推定値Ｓ２０を出力するとともに、応力値ＤＢ更新ステップＦ４へフィードバックする。

応力値ＤＢ更新ステップＦ４は未計測応力推定値Ｓ２０を入力とし、応力値ＤＢ２０に蓄積されている応力値を更新して終了となる。

図４は、本発明の一実施形態に係る風力発電システムの全体概要を示す図である。

風車２００は、応力推定対象機器であるタワーＥ１０またはブレードＥ２０と、風況測定値Ｓ１０により状態の診断を行う応力推定装置３００とを有する。応力推定装置３００は、これまでの実施例で説明した風力発電システム１００のうち、応力値ＤＢ２０と応力値ＤＢ更新部４０を除く構成と同じものであり、タワーやブレードにおける未計測箇所の応力値を推定する。

応力値ＤＢ２０と応力値ＤＢ更新部４０から構成される応力値蓄積装置４００はウインドファーム監視棟５００など複数の風車とネットワークでつながった施設に置かれる。

以上説明したように、本発明によれば、必要以上に応力検知センサを設けることなく、風車の応力測定或いは応力監視を行うことができる。

また、必要以上に応力検知センサを設けることなく、風車の寿命を予測し、ブレードの破損やタワーの倒壊などの事故を未然に防止し、安定して電力を供給することが可能となる。

また、風力発電設備の建設前に風車の応力を推定することができる。
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば、集積回路で設計するなどによりハードウェアで実現してもよい。

また、上記の各構成や機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリやハードディスク、ＳＳＤ（Ｓｏｌｉｄ−Ｓｔａｔｅ−Ｄｒｉｖｅ）などの記録装置、またはＩＣカード、メモリーカード、ＤＶＤなどの記録媒体に記録しておくこともできる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１０…類似風況選択部、２０…応力値ＤＢ、３０…推定応力値算出部、４０…応力値ＤＢ更新部、１００…風力発電システム、２００…風車、３００…応力推定装置、４００…応力値蓄積装置、５００…ウインドファーム監視棟、Ｅ１０…タワー、Ｅ２０…ブレード、Ｆ１…類似風況選択ステップ、Ｆ２…応力値ＤＢアクセスステップ、Ｆ３…推定応力値算出ステップ、Ｆ４…応力値ＤＢ更新ステップ、Ｓ１０…風況測定値、Ｓ２０…未計測応力推定値、Ｓ３０…風況ラベル、Ｓ４０…風況類似度。

Claims

測定した風況データに基づき、当該風況データと風況が類似する他の風車を選択し、当該選択した風車の応力値から応力未計測の風車の応力値を推定する風力発電設備の応力推定装置であって、
前記風力発電設備の応力推定装置は、入力された風況データから風況が類似する他の風車の風況を選択する類似風況選択部と、
複数の風車の応力値を蓄積する応力値データベースと、
前記選択した風車に対応する前記応力値データベースの応力値から応力未計測の風車の応力値を推定する推定応力値算出部と、
前記推定応力値算出部により算出した応力推定値に基づき、前記応力値データベースに蓄積された複数の風車の応力値を更新する応力値データベース更新部と、を備え、
前記推定応力値算出部は、前記類似風況選択部で選択された複数の風況類似度および前記応力値データベースから抽出した複数の応力値に基づき、応力未計測の風車の応力値を推定することを特徴とする風力発電設備の応力推定装置。
前記類似風況選択部に入力される風況データは、風向、風速、温度、湿度、雨量、天気の気象データのうち、少なくとも２つ以上の気象データを用いることを特徴とする請求項１に記載の風力発電設備の応力推定装置。
前記類似風況選択部は、当該類似風況選択部に入力される風況データの主成分分析、当該類似風況選択部に入力される風況データの各パラメータの平均値からの偏差、複数の風車群における各風車群間の距離に基づくクラスタリング手法、頻出パターン抽出或いはクラス分類の規則性を学習させる機械学習のいずれかにより風況が類似する他の風車を選択することを特徴とする請求項１または２に記載の風力発電設備の応力推定装置。
前記推定応力値算出部は、前記複数の風況類似度と前記複数の応力値を積和演算することで前記応力未計測の風車の応力を推定することを特徴とする請求項１または２に記載の風力発電設備の応力推定装置。
前記応力未計測の風車における応力値を推定する部位は、風車のタワー或いはブレードであることを特徴とする請求項１から４のいずれかに記載の風力発電設備の応力推定装置。
測定した風況データに基づき、当該風況データと風況が類似する他の風車を選択し、当該選択した風車の応力値から応力未計測の風車の応力値を推定する風力発電設備の応力推定方法であって、
前記測定した風況データに類似する風況の風況分類および風況類似度を選択し、
前記選択した風況分類に対応する応力値を応力値データベースから抽出し、
前記応力値データベースから抽出した応力値および前記風況類似度に基づき、応力未計測の風車の応力値を推定することを特徴とする風力発電設備の応力推定方法。
前記風況データは、風向、風速、温度、湿度、雨量、天気の気象データのうち、少なくとも２つ以上の気象データを用いることを特徴とする請求項６に記載の風力発電設備の応力推定方法。
前記風況データの主成分分析、前記風況データの各パラメータの平均値からの偏差、複数の風車群における各風車群間の距離に基づくクラスタリング手法、頻出パターン抽出或いはクラス分類の規則性を学習させる機械学習のいずれかにより類似する風況を選択することを特徴とする請求項６または７に記載の風力発電設備の応力推定方法。
複数の風況類似度と複数の応力値を積和演算することで前記応力未計測の風車の応力を推定することを特徴とする請求項６または７に記載の風力発電設備の応力推定方法。
前記応力未計測の風車における応力値を推定する部位は、風車のタワー或いはブレードであることを特徴とする請求項６から９のいずれかに記載の風力発電設備の応力推定方法。
測定した風況データに基づき、応力未計測の風車の応力値を推定する風力発電システムであって、
前記風力発電システムは、複数の風車の応力値を蓄積する応力値蓄積装置と、
前記測定した風況データに風況が類似する他の複数の風車の応力値を前記応力値蓄積装置から抽出し、前記抽出した複数の風車の応力値から応力未計測の風車の応力値を推定する応力推定装置と、を備えることを特徴とする風力発電システム。
前記風況データは、風向、風速、温度、湿度、雨量、天気の気象データのうち、少なくとも２つ以上の気象データを用いることを特徴とする請求項１１に記載の風力発電システム。
前記応力推定装置において、前記風況データの主成分分析、前記風況データの各パラメータの平均値からの偏差、複数の風車群における各風車群間の距離に基づくクラスタリング手法、頻出パターン抽出或いはクラス分類の規則性を学習させる機械学習のいずれかにより風況が類似する他の複数の風車の応力値を前記応力値蓄積装置から抽出することを特徴とする請求項１１または１２に記載の風力発電システム。
前記応力推定装置において、複数の風況類似度と複数の応力値を積和演算することで前記応力未計測の風車の応力を推定することを特徴とする請求項１１または１２に記載の風力発電システム。
前記応力未計測の風車における応力値を推定する部位は、風車のタワー或いはブレードであることを特徴とする請求項１１から１４のいずれかに記載の風力発電システム。