载荷预测方法、疲劳寿命估计方法、降载控制方法及系统技术方案

本申请提供一种载荷预测方法、疲劳寿命估计方法、降载控制方法及系统。风电机组载荷预测方法包括：利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，所述动力学模型是根据可检测变量构建的。融合所述模型输出数据与所述可检测变量的测量数据，得到融合数据。根据所述融合数据，确定所述目标部位的目标载荷。如此利用动力学模型来预测目标载荷，考虑了风电机组的动力学响应机制，预测结果可靠。预测结果可靠。预测结果可靠。

【技术实现步骤摘要】
载荷预测方法、疲劳寿命估计方法、降载控制方法及系统


[0001]本申请涉及风电
，尤其涉及一种风电机组载荷预测方法、疲劳寿命估计方法、降载控制方法及系统。

技术介绍

[0002]随着风电机组的大型化发展，风电机组的整机载荷不断上升。载荷是影响机组运行寿命的关键因素，因此若能够实现对风电机组载荷的实时预测便尤为重要。
[0003]目前，人们采用大数据机器学习的方式，基于软件载荷仿真数据进行模型训练，构造基于机组运行状态数据在线预测载荷的载荷预测模型。但这种基于机器学习的预测模型，预测模型的准确性较难验证，载荷预测结果不可靠。

技术实现思路

[0004]本申请实施例的目的在于提供一种使载荷预测结果可靠的的载荷预测方法、疲劳寿命估计方法、降载控制方法及系统、计算机可读存储介质。
[0005]本申请的实施例提供一种风电机组载荷预测方法，包括：
[0006]利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，所述动力学模型是根据可检测变量构建的；
[0007]融合所述模型输出数据与所述可检测变量的测量数据，得到融合数据；
[0008]根据所述融合数据，确定所述目标部位的目标载荷。
[0009]可选的，所述动力学模型的输入量包括风轮扭矩；
[0010]所述方法包括：
[0011]获取桨距角和叶尖速比；
[0012]根据所述桨距角和所述叶尖速比，利用风轮扭矩与所述桨距角、所述叶尖速比的二维查询表，得到所述风轮扭矩；
[0013]所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：
[0014]将所述风轮扭矩输入所述动力学模型，得到所述模型输出数据。
[0015]可选的，所述动力学模型的输入量包括风轮推力；
[0016]所述方法包括：
[0017]获取桨距角和叶尖速比；
[0018]根据所述桨距角和所述叶尖速比，利用风轮推力与所述桨距角、所述叶尖速比的二维查询表，得到所述风轮推力；
[0019]所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：
[0020]将所述风轮推力输入所述动力学模型，得到所述模型输出数据。
[0021]可选的，所述动力学模型的状态量包括所述目标部位的截面位移和截面速度；
[0022]所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：
[0023]根据所述动力学模型上一时刻的所述截面位移的数据、所述截面速度的数据，得到当前时刻所述截面位移的当前数据、所述截面速度的当前数据；
[0024]利用包括所述截面位移的当前数据和所述截面速度的当前数据的所述动力学模型，得到所述模型输出数据。
[0025]可选的，所述根据所述融合数据，确定所述目标部位的目标载荷，包括：
[0026]根据所述融合数据和当前时刻的所述模型输出数据，确定所述动力学模型的当前时刻增益；
[0027]根据当前时刻所述截面位移的当前数据和所述当前时刻增益，确定当前时刻的所述截面位移的估计值；
[0028]根据当前时刻的所述截面位移的所述估计值，确定所述目标部位的目标载荷。
[0029]可选的，所述可检测变量包括发电机转速、发电机转矩、叶片桨距角、叶根弯矩、叶尖加速度和机舱加速度中至少一个。
[0030]可选的，所述融合所述模型输出数据与所述可检测变量的测量数据，得到融合数据，包括：
[0031]利用卡尔曼滤波算法，融合所述模型输出数据与所述可检测变量的测量数据，得到所述融合数据。
[0032]本申请实施例提供一种风电机组的疲劳寿命估计方法，包括：
[0033]利用上述任一项实施例所述的风电机组载荷预测方法确定的目标载荷，确定所述目标部位的疲劳寿命。
[0034]本申请实施例提供一种风电机组的降载控制方法，包括：
[0035]上述任一项实施例所述的风电机组载荷预测方法确定的目标载荷大于所述目标部位的载荷设定值，控制所述风电机组降载运行。
[0036]本申请实施例提供一种风电机组载荷预测系统，包括：
[0037]存储器和处理器；
[0038]其中，所述存储器，用于存储计算机程序；
[0039]所述处理器，用于执行所述计算机程序，以实现上述任一项实施例所述的风电机组载荷预测方法、上述任一项实施例所述的风电机组的疲劳寿命估计方法或上述任一项实施例所述的风电机组降载控制方法。
[0040]本申请实施例提供一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现如上述任一项实施例所述的风电机组载荷预测方法、上述任一项实施例所述的风电机组的疲劳寿命估计方法或上述任一项实施例所述的风电机组降载控制方法。
[0041]本申请实施例提供的载荷预测方法，利用风电机组的目标部位的动力学模型，并基于动力学模型得到可检测变量的模型输出数据，融合模型输出数据和可检测变量的测量数据得到融合数据，进而确定目标部位的目标载荷。利用动力学模型来预测目标载荷，考虑了风电机组的动力学响应机制，预测结果可靠。
附图说明
[0042]图1所示为本申请一个实施例中示出的风电机组的立体结构示意图；
[0043]图2所示为本申请一个实施例中示出的一种风电机组载荷预测方法的流程示意图；
[0044]图3所示为图2所示的风电机组载荷预测方法的确定风电机组的风轮推力的步骤的流程示意图；
[0045]图4所示为图2所示的风电机组载荷预测方法的确定风电机组的风轮扭矩的步骤的流程示意图；
[0046]图5所示为图2所示的风电机组载荷预测方法的确定动力学模型的模型输出数据的步骤的流程示意图；
[0047]图6所示为图2所示的风电机组载荷预测方法的确定目标部位的目标载荷的步骤的流程示意图。
具体实施方式
[0048]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。
[0049]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。除非另作定义，本申请使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本申请说明书以及权利要求书中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。“包括”或者“包含”等类似词语意指出现在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组载荷预测方法，其特征在于，包括：利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，所述动力学模型是根据可检测变量构建的；融合所述模型输出数据与所述可检测变量的测量数据，得到融合数据；根据所述融合数据，确定所述目标部位的目标载荷。2.根据权利要求1所述的风电机组载荷预测方法，其特征在于，所述动力学模型的输入量包括风轮扭矩；所述方法包括：获取桨距角和叶尖速比；根据所述桨距角和所述叶尖速比，利用风轮扭矩与所述桨距角、所述叶尖速比的二维查询表，得到所述风轮扭矩；所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：将所述风轮扭矩输入所述动力学模型，得到所述模型输出数据。3.根据权利要求1所述的风电机组载荷预测方法，其特征在于，所述动力学模型的输入量包括风轮推力；所述方法包括：获取桨距角和叶尖速比；根据所述桨距角和所述叶尖速比，利用风轮推力与所述桨距角、所述叶尖速比的二维查询表，得到所述风轮推力；所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：将所述风轮推力输入所述动力学模型，得到所述模型输出数据。4.根据权利要求2或3所述的风电机组载荷预测方法，其特征在于，所述动力学模型的状态量包括所述目标部位的截面位移和截面速度；所述利用所述风电机组的目标部位对应的动力学模型，得到所述目标部位的可检测变量的模型输出数据，包括：根据所述动力学模型上一时刻的所述截面位移的数据、所述截面速度的数据，得到当前时刻所述截面位移的当前数据、所述截面速度的当前数据；利用包括所述截面位移的当前数据和所述截面速度的当前数据的所述动力学模型，得到所述模型输出数据。5.根据权利要求4所述的风电机组载荷预测方法，其特征在于，所述根据所述融合数据，确定所述目标部...

【专利技术属性】
技术研发人员：陈进格，高洋，李章锐，邹锦华，顾爽，黄雄哲，蒋勇，
申请(专利权)人：上海电气风电集团股份有限公司，
类型：发明
国别省市：