专利名称：通过神经网络估计风力涡轮机的可实现发电量的制作方法
技术领域：
本发明涉及用于产生电力的风力涡轮机领域。特别地，本发明涉及用于估计以降
低的功率设定点运行的风力涡轮机的可实现发电量的方法及控制系统。此外，本发明设计 风力涡轮机以及用于控制上述功率估计方法的计算机程序。
背景技术：
风能逐渐被认识是一种用于补充甚至是代替其他能源(例如矿物燃料)的可行选 择。在风能的早期发展中，将大多数风力涡轮机构造成以恒定速度运行。然而，最近的趋势 是朝着使用可变速风力涡轮机来更好的捕获有效风力发展。在多数情况下，可调节风力涡 轮机叶片俯仰角以控制可变速风力涡轮机的运行。 当供到供电网络的电力大于从供电网络中提取的电力时，整个供电网络的频率将 会增加。这基于连接到供电网络的风力涡轮机不能将它们产生的所有的功率传输到供电网 络的事实。因此，所产生电力的所产生交流电流(AC)的频率将增加。典型地，不仅一台风 力涡轮机表现这种行为，而是风力涡轮机场的多个风力涡轮机。因此，产生的功率大于使用 者功率的功率不平衡可引起供电网络的频率的整体提高。 为了避免这种频率变化，已知的是以降低的功率设定点来运行风力涡轮机使得供 给到供电网络的电力将减小，并且可至少近似地实现在传输到供电网络的电力和从供电网 络移除的电力之间的功率平衡。为了保证稳定的供电网络，甚至法律规定要求这种降低的 功率设定点。 风力涡轮机以降低的功率设定点运行的原因典型地不在风力涡轮机操作者的影 响范围内。因此，风力涡轮机的操作者典型地将会得到与可实现发电量有关但跟实际发电 量无关的收益。因此，对风力涡轮机的操作者来说非常希望能够总是准确可靠地了解其风 力涡轮机的可实现发电量。当然，可实现发电量极大地取决于实际风况。已知的是通过测量风速(例如风力涡轮机外罩顶端的风速)来估计风力涡轮机的
可实现发电量，并且基于测量的风速来计算可实现发电量。这个众所周知的用于估计可实 现发电量的程序具有结果通常并不十分准确的缺点。 因此需要促进以降低的功率设定点运行的风力涡轮机的可实现发电量的估计的
准确性。
发明内容
根据独立权利要求的主题将会满足此种需要。本发明的有益实施例通过从属权利 要求描述。 根据本发明的第一方面，提供了用于估计以降低的功率设定点运行的风力涡轮机 的可实现发电量的方法。提供的方法包括(a)确定表示风力涡轮机的运行状况的至少两 个参数的值；(b)将该至少两个参数的值输入到神经网络中；和(c)从神经网络输出输出 值，其中，输出值是对风力涡轮机的可实现发电量的估计。
本发明的第一方面是基于下列想法通过利用神经网络，可极大地降低计算以降 低的功率设定点运行的风力涡轮机的可实现发电量所必需的计算功率。换句话说，估计过 程可由具有相对小的计算功率的简单处理装置执行。这可提供下述优点该简单处理装置 可安装在每个由能源公司操作的风力涡轮机上而不会增加风力涡轮机的初始成本。特别 地，该简单处理装置可设在风力涡轮机的控制单元内，该装置总用于控制对应风力涡轮机 的运行。 如果例如提供的电力的交流电流(AC)频率太高，对风力涡轮机使用降低的功率 设定点可能是必要的。这种情况可能是例如风力涡轮机供到供电网络的电力大于由也连接 到供电网络的终端用户消耗的电力。换句话说，如果供给到供电网络的电力未使用，供电网 络的交流电流频率将增加。如果至少一个连接到电网的风力涡轮机以降低的功率设定点运 行以维持供到供电网络的电力(a)与从供电网络移除的电力(b)之间的平衡，那么这种频 率增加可避免。因此，具有要求风力涡轮机的所有人相应地适应风力涡轮机的功率设定点 的法律规定。然而，由于功率设定点的降低不在风力涡轮机的操作者的影响范围内的这样 的情况，因此，操作者会得到与可实现发电量有关但跟实际发电量无关的收益。因此，对风 力涡轮机的操作者来说非常希望能够总是可靠地了解可能具有最佳功率设定点的可实现 发电量。当然，可实现发电量极大地取决于实际风况。 根据本发明的实施例，三个表示风力涡轮机的运行状况的参数值被确定并输入进 神经网络。因此，第一参数为风力涡轮机的实际发电量，第二参数为风力涡轮机的转子的叶 片俯仰角，第三参数为转子速度。这可提供以下优点基于三个输入参数，即实际发电量，俯 仰角和转子速度，可保证高精度的功率估计。高精度的功率估计基于整个转子平面，并不是 简单基于用于已知功率估计程序的单一风速测量值。 根据本发明的进一步实施例，神经网络为已经在测量数据方面受过训练的神经网 络。这可提供以下优点非常可靠的实验数据可用于训练神经网络。 例如，实验数据可通过叶片俯仰角在一个时期内的变化获得，在此时期内，风况不 会改变或只是可忽略的改变。因此，叶片俯仰角可从最佳角度变到次最佳角度，这导致与风 力涡轮机的降低的功率设定点相对应的降低的发电量。当然，当改变叶片俯仰角时，多个不 同的降低的发电量可被确定，其中，每个降低的发电量与次最佳角度位置和/或降低一定 量的功率设定点相对应。 根据本发明的进一步实施例，神经网络为已经在计算数据方面受过训练的神经网 络。特别地，计算数据可从详细的数值计算中获得，这些详细的数值计算考虑了风力涡轮机 的整个空气动力学行为，尤其是风力涡轮机的转子的空气动力学行为。因此，在其它事项 中，转子的叶片尺寸和形状应被考虑进去。 根据本发明的进一步实施例，神经网络包括多个网络节点，该网络节点布置在神 经网络的三个层中。因此，第一层被称为输入层，第二层被称为隐藏层，第三层被称为输出层。 所述的具有三层的神经网络结构可提供以下优点功率估计可通过相当简单的结 构来执行，其允许对神经网络进行快速训练。这意味着在已经完成了一些训练顺序以后，对 于功率估计过程，神经网络可产生合理的结果。 根据本发明的进一步实施例，(a)被分配到神经网络的第一层的所有第一网络元件连接到被分配到神经网络第二层的所有第二网络元件，并且(b)被分配到神经网络第二 层的所有第二网络元件连接到被分配到神经网络第三层的所有第三网络元件。这可提供以 下优点神经网络呈现高度对称结构，该结构可进一步促进神经网络的训练程序。
根据本发明的进一步方面，提供了用于估计以降低的功率设定点运行的风力涡 轮机的可实现发电量的控制系统。所提供的控制系统包括(a)用于确定表示风力涡轮机 的运行状况的至少两个参数的值的确定单元；(b)适于接受该至少两个参数的值的神经网 络；以及(c)用于从神经网络输出输出值的输出单元，其中，输出值为风力涡轮机的可实现 发电量的估计。 本发明的该进一步方面基于如下想法上述用于估计以降低的功率设定点运行的 风力涡轮机的可实现发电量的方法可通过所述控制系统执行或控制，该方法可在已知的风 力涡轮机内很容易地实施。因此，可容易地将已知类型的风力涡轮机转换成新型风力涡轮 机，该新型风力涡轮机可适于执行上述方法的任何实施例。 分别通过软件类的计算机程序可实现所述控制系统。然而，也可通过一个或多个 分别为硬件类的特殊的电子电路来实现控制系统。此外，控制系统也可以两种混合的形式 被实现，例如，软件模块和硬件模块的结合。 根据本发明的进一步方面，提供了用于产生电力的风力涡轮机。所提供的风力涡
轮机包括(a)具有至少一个叶片的转子，其中转子可绕旋转轴线旋转且该至少一个叶片
相对于旋转轴线径向延伸；(b)机械地联接转子的发电机；以及(C)如上所述的控制系统。 本发明的该进一步方面是基于下列想法通过在普通风力涡轮机内嵌入上述控制
系统，该风力涡轮机可具有实现上述用于估计可实现发电量的方法的功能。
根据本发明的进一步实施例，风力涡轮机进一步包括(a)用于测量风力涡轮机
的实际发电量的功率传感器；(b)用于测量该至少一个叶片的叶片俯仰角的角度传感器；
以及(c)用于测量转子的实际旋转速度的旋转速度传感器。功率传感器，角度传感器以及
旋转速度传感器联接到控制系统。此外，控制系统适于基于风力涡轮机的实际发电量，该至
少一个叶片的叶片俯仰角以及转子的旋转速度估计风力涡轮机的可实现发电量。 正如上面所提到的，三个输入参数，即实际发电量，俯仰角和旋转速度的使用可提
供以下优点因为功率估计基于整个转子平面而不是简单地基于单一风速测量值，因而可
保证高精度功率估计。这种单一风速测量值可在已知风力涡轮机的一定的空间点与已知的
风力涡轮机结合进行，例如在涡轮机外罩顶部。 根据本发明的进一步方面，提供了用于估计以降低的功率设定点运行的风力涡轮 机的可实现发电量的计算机程序。当由控制系统执行时，该计算机程序适于控制上述可实 现发电量方法。 如此处所使用的，提及计算机程序旨在等同于提及程序元件和/或包含用于控制 计算机系统以协调上述方法执行的指令的计算机可读媒介。 计算机程序元件可以任何合适的程序语言作为计算机可读指令代码执行，例如 JAVA, 0++，并且可被存储在计算机可读媒介上(移动磁盘，易失性或非易失性存储器，嵌入 式存储器/处理器，等等)。指令代码可操作以编程计算机或其他可编程装置以执行预期功 能。计算机程序可从网络中获得，例如可从万维网下载。 应注意的是已通过参考不同主题描述了本发明的实施例。特别地，通过参考方法类型权利要求描述了一些实施例，而通过参考装置类型权利要求描述了其他实施例。然而，
本领域的技术人员可从上述以及下面的描述中推断出(除非另有说明)属于一类主题的特
征的任何结合以及关于不同的主题的特征之间的任何结合，特别是方法类型权利要求的特
征和装置类型权利要求的特征之间的任何结合，将被认为是由本申请公开。 本发明的上述限定的方面和其他方面通过下文中描述的实施方式的例子中将是
显而易见的，并且参考实施方式的例子对它们进行了解释。接下来通过参考实施方式的例
子来更加详细的描述本发明，但是本发明并不受限于此。
图1显示了风力涡轮机，该风力涡轮机包括当风力涡轮机以降低的功率设定点运
行时用于估计风力涡轮机的可实现发电量的控制系统。 图2显示了用于控制系统的神经网络，其中该控制系统用于当风力涡轮机以降低 的功率设定点运行时估计风力涡轮机的可实现发电量。 图3显示了描述图2中显示的神经网络的神经网络节点传递函数的图表。 图4显示了描述图2中显示的神经网络相比于可实现发电量计算的误差分布的图
表，其中该计算基于风力涡轮机的完全空气动力学模式。
具体实施例方式
附图中所示为示意性的。应注意的是，在不同的图里，相似或相同元件具有相同的 附图标记或具有仅第一位数与相应附图标记不同的附图标记。 附图中所示为示意性的。应注意的是，在不同的图里，相似或相同元件具有相同的 附图标记或具有仅第一位数与相应附图标记不同的附图标记。 图1显示了根据本发明的实施例的风力涡轮机100。该风力涡轮机100包括安装 在未示出的基座上的塔柱120。在塔柱120顶部布置有外壳122。在塔柱120和外壳之间设 有转子角度调节装置121，该转子角度调节装置能够使外壳122绕未示出的竖直轴线旋转， 该竖直轴线与塔柱120的纵向延伸对齐。通过以适当的方式控制转子角度调节装置121可 确定在风力涡轮机100运行期间外壳122总是与当前风向适当对齐。
风力涡轮机IOO进一步包括具有三个叶片114的转子110。在图1的透视图中，只 有两个叶片114是可见的。转子110可绕旋转轴线110a旋转。安装在驱动圈(collar) 112 上的叶片114关于旋转轴线110a径向延伸。 在驱动圈112和叶片114之间分别具有叶片调节装置116以便通过使对应叶片 114绕与叶片114的纵向延伸平行对齐的未示出的轴线旋转来调节每个叶片114的叶片俯 仰角。通过控制叶片调节装置116，对应叶片114的叶片俯仰角可以下面方式被调节依靠 当前风况，可从可用风力中收回最大风力。 正如从图1中可见，在外壳内具有传动箱124以便将转子110的转数转换为轴125 的更高的转数，轴线125以已知的方式联接到发电机128。此外还提供了制动器126以便停 止风力涡轮机100的运行，例如在可能损坏风力涡轮机100的突发事件情况下和/或强风 况情况下。 风力涡轮机100进一步包括用于以高效率的方式运行风力涡轮机100的控制系统130。除了控制例如转子角度调节装置121，所述的控制系统130也用于以优化方式调节转 子叶片114的叶片俯仰角。 根据这里描述的实施例，如果风力涡轮机100以降低的功率设定点运行，控制系 统130也用于估计风力涡轮机100的可实现发电量。因此，控制系统130包括用于确定表 示风力涡轮机100的实际运行状况的三个参数值的确定单元131。 第一参数为风力涡轮机100的实际发电量。确定单元131从功率传感器141获得 第一参数的值，该功率传感器141连接到发电机128。第二参数为叶片114的叶片俯仰角。 确定单元131从角度传感器142获得第二参数的值，根据这里描述的实施例，角度传感器 142连接到对应的叶片调节装置116。第三参数为转子110的旋转速度。确定单元131可 从旋转速度传感器143获得第三参数的值，旋转速度传感器143连接到传动箱124。
控制系统130进一步包括神经网络132，该神经网络132适于接收表示风力涡轮 机100的实际运行状况的三个参数值，且已经为基于三个参数值估计风力涡轮机100的可 实现发电量进行了训练。此外，控制系统130包括用于从神经网络132输出输出值的输出 单元133，其中，输出值代表风力涡轮机100的可实现发电量的估计。 图2显示了神经网络232，该神经网络232用于图1中描述的控制系统130。根据 这里描述的实施例，神经网络232包括多个布置在神经网络的三层内的网络节点。5个输入 网络节点251， 252， 253， 254和255被分配在第一层250，第一层250也被称为输入层。两个 网络节点261和262被分配在第二层260，第二层也被称为隐藏层。输出节点271代表第三 层270，第三层也被称为输出层。 正如从图2中可见，将四个输入值提供给每个输入网络节点251-255。这四个值包 括实际功率，实际叶片俯仰角，实际旋转速度以及补偿值。为了在神经网络232中具有更好 的权重比例，在被提供给神经网络232的输入层250之前，功率值可除以例如100。
根据神经网络的基本原理，权重因子INxW分配给每个输入网络节点251-255。因 此，参数"x"与输入网络节点25 "x"相对应。正如从图2中能够进一步可见，每个输入网 络节点251-255包括加法器单元，该加法器单元将所有单独的输入相加，该单独的输入已 经提供给各自的输入节点251-255。因此，得到"u"值。 "u"值代表用于传递函数ft的输入。传递函数ft表示每个网络节点251-255到 每个网络节点261和262之间的耦接强度。根据这里描述的实施例，接下来的传递函数ft 用于第一层250的所有网络节点 ,■ (J + eXp{— 2W} 图3显示了描述了用于神经网络节点251， 252， 253， 254和255的传递函数ft的 图表。 正如图2中能够进一步可见，两个网络节点261和262具有和网络节点251-255 相同的结构。权重因子L1N1W分配到网络节点261，权重因子L1N2W分配到网络节点262。
每个输入网络节点251-255的输出值，以及已经用于输入网络节点251-255的输 入的补偿值都提供给网络节点261以及网络节点262。在用各自的权重因子L1N1W或L1N2W 加权所有这些值之后，合计这些值。为了分别将网络节点261和262的输出信号值耦接到 输出节点271，使用与上面描述相同的传递函数ft。
8
每个网络节点261和262的输出值，以及已经用于输入网络节点251-255的输入 和网络节点261和262的输入的补偿值都提供给输出网络节点271。在用权重因子outlW 加权所有这些值之后，合计这些值。产生的总值表示整个神经网络232的输出。此输出为 当风力涡轮机以降低的功率设定点运行时估计的可实现发电量。 需提及的是根据神经网络的原理，通过训练序列来确定权重因子IN1W， IN2W， IN3W， IN4W， IN5W， L1N1W， L1N2W和outlW。因此，将通过每个训练程序改进权重因子值。
进一步需提及的是神经网络232仅代表可行神经网络的多种不同布局中的一种 布局。特别地，仅通过2个或3个或以上的网络层来实现可实现发电量的估计也是可能的。 此外，神经网络的结构不是必须对称的。特别地，不是分配到特定层的节点的所有输出都连 接到分配到相邻更高网络层的所有节点的神经网络也可使用。而且，分配到某一网络层的 网络节点数量可偏离此处所述的实施例。 图4显示了描述图2中显示的神经网络232相比于可实现发电量的完全空气动力 学计算的误差分布的图表。在横坐标(x轴)上描绘有单位为kW的估计的可实现发电量的 误差。在纵坐标(y轴)上描绘有具有小于x轴上的对应值的绝对误差的数据点百分比。
因此，已经以计算数据训练了神经网络232，计算数据可通过应用具有3600kW额 定功率的风力涡轮机的完全空气动力学模式来获得。图4中显示的误差分布包括870000 个数据点。 正如图4中可见，当能接受150kW或是更大的误差时，依靠神经网络232的可实现 功率估计的准确性至少为几乎完美。当然，可允许误差越小，数据点百分比越大，数据点具 有比横坐标上描绘的可接受误差更大的绝对误差。 应该注意的是术语"包括"并不排除其他元件或步骤，并且术语"一"，"一种"并不 排除多个。而且描述的与不同实施例有关联的元件可被组合。还应该注意的是权利要求中 的附图标记不应解释成限制权利要求的范围。
权利要求
一种方法，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量，所述方法包括●确定表示风力涡轮机(100)运行状况的至少两个参数的值，●将所述至少两个参数的值输入到神经网络(132，232)中，以及●从所述神经网络(132，232)输出输出值，其中，所述输出值是对所述风力涡轮机(100)的可实现发电量的估计。
2. 根据前述权利要求所述的方法，其特征在于，表示风力涡轮机运行状况的三个参数 值被确定并被输入所述神经网络(132，232)，其中_第一参数为所述风力涡轮机的实际发电量， -第二参数为风力涡轮机的转子的叶片俯仰角，以及 -第三参数为转子速度。
3. 根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132,232)为已 经在测量数据方面受过训练的神经网络。
4. 根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132,232)为已 经在计算数据方面受过训练的神经网络。
5. 根据前述权利要求任一项所述的方法，其特征在于，所述神经网络(132,232)包括 多个网络节点(251， 252， 253， 254， 255， 261， 262， 272)，所述网络节点布置在所述神经网络 (132,232)的三层(250， 260， 270)中。
6. 根据前述权利要求任一项所述的方法，其特征在于，參被分配到所述神经网络(232)的第一层(250)的所有第一网络元件(251,252,253， 254,255)连接到被分配到所述神经网络(132,232)的第二层(260)的所有第二网络元件 (261,262)，以及參被分配到所述神经网络(232)的第二层(260)的所有第二网络元件(261,262)连接 到被分配到所述神经网络(132,232)的第三层(270)的所有第三网络元件(271)。
7. —种控制系统，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现 发电量，所述控制系统(130)包括參用于确定表示风力涡轮机(100)的运行状况的至少两个参数的值的确定单元 (131)，參适于接受所述至少两个参数的值的神经网络(132， 232)，以及參用于从所述神经网络(132,232)输出输出值的输出单元(133)，其中，所述输出值为 风力涡轮机(100)的可实现发电量的估计。
8. —种用于产生电力的风力涡轮机，所述风力涡轮机(100)包括 參具有至少一个叶片(114)的转子(110)，其中-所述转子(110)可绕旋转轴线(110a)旋转，以及 -所述至少一个叶片(114)相对于所述旋转轴线(110a)径向延伸， 參机械地联接所述转子(110)的发电机(128)，以及 參如前述权利要求所述的控制系统(130)。
9. 根据前述权利要求任一项所述的风力涡轮机，其特征在于，进一步包括 參用于测量风力涡轮机(100)的实际发电量的功率传感器(141)，參用于测量所述至少一个叶片(114)的叶片俯仰角的角度传感器(142)，以及 參用于测量所述转子(110)的实际旋转速度的旋转速度传感器(143) 其中所述功率传感器(141)，所述角度传感器(142)以及所述旋转速度传感器(143)联接到 所述控制系统(130)，以及所述控制系统(130)适于基于所述风力涡轮机(100)的实际发电量、所述至少一个叶 片(114)的叶片俯仰角以及所述转子(110)的旋转速度估计所述风力涡轮机(100)的可实 现发电量。
10. —种用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量的计 算机程序，当由控制系统(130)执行时，该计算机程序适于控制如权利要求l-6任一项所述 的方法。
全文摘要
本发明描述了一种方法，其用于估计以降低的功率设定点运行的风力涡轮机(100)的可实现发电量。该方法包括确定表示风力涡轮机(100)运行状况的至少两个参数的值，将该至少两个参数的值输入到神经网络(132，232)中，以及从神经网络(232)输出输出值。因此，输出值是对风力涡轮机(100)的可实现发电量的估计。进一步描述了一种控制系统(130)，其适于执行所述功率估计方法。此外，描述了风力涡轮机(100)和用于控制所述功率估计方法的计算机程序。
文档编号F03D7/04GK101737257SQ20091022497
公开日2010年6月16日 申请日期2009年11月26日 优先权日2008年11月26日
发明者A·G·努德森, P·埃格达尔 申请人:西门子公司