【技术实现步骤摘要】
风电机组的应力预测的方法、装置、存储介质和系统
本专利技术涉及风力发电
，尤其涉及一种风电机组的应力预测的方法、装置、计算机可读写存储介质和系统。
技术介绍
近年来，随着能源问题的日益严重，风能作为可再生资源之一受到广泛关注，风力发电作为利用风能的最有效的方式备受青睐。为响应市场需求，设计风能利用率高，环境友好型风机成为业界热点问题。然而，随着风机需求量增多，其性能可靠性、结构安全性又面临严重考验。因此，为了提高风力发电机组的性能的可靠性和结构的安全性，需要对风机的结构强度做适应性评估。现有结构适应性评估方法主要采用线性插值方法，其根据应力插值结果对结构适应性进行评估。评估时根据具体的载荷工况，首先需要对影响应力计算结果的多个载荷分量进行分析，选择一个载荷分量作为主导载荷分量，从而根据主导载荷分量外推出应力预测值进行结构适应性评估。然而，这种方法忽略了不同载荷分量之间的耦合作用，应力不仅受到主导载荷分量的影响，同样会受到其他载荷分量的影响。因此，基于单一载荷分量进行应力预测的结果存在较大误差。如何精确预测风力发电机组的应力，成为亟待解决的技术问题。专利技术内...
【技术保护点】
1.一种风电机组的应力预测的方法，其特征在于，包括以下步骤：采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置；根据所述当前应力极值位置选择与其对应的极值神经网络模型；将所述在当前载荷工况下相互耦合的多个所述当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值。
【技术特征摘要】
1.一种风电机组的应力预测的方法，其特征在于，包括以下步骤：采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置；根据所述当前应力极值位置选择与其对应的极值神经网络模型；将所述在当前载荷工况下相互耦合的多个所述当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值。2.根据权利要求1所述的方法，其特征在于，将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测所述机组部件的当前应力极值位置包括：所述位置神经网络模型基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置。3.根据权利要求1所述的方法，其特征在于，将所述在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用极值神经网络模型预测所述当前应力极值位置的当前应力极值包括：所述极值神经网络模型基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置的当前应力极值。4.根据权利要求1-3任一项所述的方法，其特征在于，所述位置神经网络模型或所述极值神经网络模型包括：数据输入层、数据隐藏层和数据输出层。5.根据权利要求4所述的方法，其特征在于，其中：在所述数据输入层，基于输入的所述相互耦合的多个当前载荷分量进行非线性变换；在数据隐藏层，对经过所述非线性变换的所述相互耦合的多个当前载荷分量进行线性插值计算得到计算结果；在所述数据输出层，输出所述计算结果。6.根据权利要求5所述的方法，其特征在于，所述位置神经网络模型或所述极值神经网络模型包括：RBF神经网络模型。7.根据权利要求6所述的方法，其特征在于，在所述数据输入层基于输入的所述相互耦合的多个当前载荷分量进行非线性变换包括：基于Guass函数或Sigmoidal函数作为基函数对输入的所述相互耦合的多个当前载荷分量进行非线性变换。8.根据权利要求1所述的方法，其特征在于，多个所述当前载荷分量包括以下分量中的两种或者两种以上：多维空间中的各个方向的当前弯矩以及各个方向的当前受力值。9.一种风电机组的应力预测的装置，其特征在于，包括：分量采集模块，用于采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；位置预测模块，用于将所述...
【专利技术属性】
技术研发人员：王培德，刘朝丰，马武福，
申请(专利权)人：新疆金风科技股份有限公司，
类型：发明
国别省市：新疆,65
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。