用于将风力涡轮机的控制器参数化和/或运行风力涡轮机的方法和系统与流程

文档序号:26007806发布日期:2021-07-23 21:27阅读:85来源:国知局
用于将风力涡轮机的控制器参数化和/或运行风力涡轮机的方法和系统与流程

本发明涉及:一种用于特别是多级地和/或自适应地将风力涡轮机的控制器参数化的方法;一种用于运行风力涡轮机的方法,其中,控制器借助这个方法参数化;以及用于执行这种方法的一种系统或计算机程序产品。



背景技术:

风力涡轮机应当将风能尽可能最佳地转化成电功率。为此,按照企业内部的实践经验,迄今为止由风力涡轮机的控制器根据诸如特别是风速之类的输入变量来设置特别是诸如叶片设置角和发电机(制动)矩之类的受控变量。

若风力涡轮机的转子叶片结冰,那么除了它们的重量或惯性力矩外,它们的空气动力也发生了改变,因而它们通常会产生较少的机械功率,与未结冰的设计状态相比,这在叶片设置角和发电机(制动)力矩没有改变时尤其可能导致功率损失。



技术实现要素:

本发明的任务是,改进风力涡轮机的参数化或运行。

该任务通过一种具有权利要求1或6的特征的方法来解决。权利要求8、9保护用于执行至少一种在此所说明的方法的系统或计算机程序产品。从属权利要求涉及有利的扩展设计方案。

按照本发明的一个实施方案,将在当前在不限制普遍性的情况下被称为第一风力涡轮机的至少一个风力涡轮机的控制器,针对风力涡轮机的一种或多种不同的结冰状态(分别特定于结冰状态地)参数化,特别是相对未结冰或无冰的(设计)状况(分别特定于结冰状态地)重新参数化。

因此在一个实施方案中可以考虑到由结冰引起的质量(分布)的和/或空气动力的变化并且由此有利地改进了风力涡轮机的功率和/或减轻了风力涡轮机的负载。

控制器在运行中根据一维或多维的、特别是至少部分测得的输入变量特别是针对风力涡轮机的一个或多个致动器设置或者为此设置或者为此使用风力涡轮机的一维或多维的受控变量。控制器可以尤其针对单独的叶片角设置(“独立变桨控制”ipc)特别是具有多个单独控制器。

输入变量可以尤其与在一个实施方案中说明的风速、特别是风速的方向和/或数值相关。在一个实施方案中,输入变量尤其可以附加或备选地与风力涡轮机的在一个实施方案中规定的转速和/或电功率和/或机械功率相关、特别是可以是风力涡轮机的在一个实施方案中规定的转速和/或电功率和/或机械功率。

这些物理的参量可以被良好地检测并且对风力涡轮机的功能有重大影响,它们因此特别有利地用于风力涡轮机的控制。

在一个实施方案中,根据所述受控变量设置或控制风力涡轮机的转子的一个或多个叶片的设置角(“pitch”)、特别是围绕(相应的)叶片的纵轴线的所谓的叶片设置角,在一种扩展设计方案中则单独地或共同地设置或控制多个叶片的设置角。

在一个实施方案中,附加或备选地根据受控变量设置或控制风力涡轮机的转子的偏航控制,在一种扩展设计方案中则设置或控制转子围绕塔架的垂直线或纵轴线的转动,转子以能转动的方式支承在塔架上。

在一个实施方案中,附加或备选地根据所述受控变量设置或控制风力涡轮机的发电机的制动矩,发电机在一个实施方案中通过传动机构与转子联接。

在一个实施方案中,附加或备选地根据所述受控变量设置、特别是(去)激活对风力涡轮机的转子的一个或多个叶片的加热。由此可以特别是与两个或更多个所述实施方案结合地分别特别有效地和/或可靠地控制风力涡轮机的运行。

按照本发明的一个实施方案,基于至少一个参数值或用至少一个参数值将控制器参数化,(第一)人工智能针对风力涡轮机的(相应的、特别是当前(所确定)的)结冰状态或(分别)特定于结冰状态地基于功率、负载和/或流出量(已经)确定了所述参数值,功率、负载和/或流出量则用(借助)第一风力涡轮机的数学模型针对一个或多个结冰状态进行预测,特别是针对一个结冰状态进行预测,倘若确定了这个结冰状态的话。在一种扩展设计方案中,人工智能将控制器参数化,在另一种扩展设计方案中,人工智能提供仅一个对此有利的参数值,用户可以例如选择性地完全或部分采用该参数值。在通过人工智能自动参数化期间,可以有利地提高效率和/或可靠度,确定紧接着特别是选择性地采纳的参数值可以有利地实现合理性控制并且因此提高安全性。

按照本发明的一个实施方案,可以基于至少一个参数值或用至少一个参数值附加或备选地将控制器参数化,在一种扩展设计方案中则将控制器重新参数化,同一个或者另一个人工智能(已经)针对风力涡轮机的(相应的、特别是当前(确定)的)结冰状态或(分别)特定于结冰状态地基于风力涡轮机的一个或多个特别是在过去确定的结冰状态和(分别)针对此地特别是借助(多次)测量确定的第一风力涡轮机的和/或一个或多个在一个实施方案中(分别)类型相同的第二风力涡轮机的功率、负载和/或流出量确定所述参数值,倘若确定了这种结冰状态的话。在一种扩展设计方案中,这个人工智能将控制器参数化,在另一种扩展设计方案中,该人工智能提供仅一个对此有利的参数值。

因此在一个实施方案中可以使控制器的参数化有利地与风力涡轮机的一个结冰状态相匹配,在一个实施方案中则与风力涡轮机的多个结冰状态中的其中一个结冰状态相匹配并且由此改进了第一风力涡轮机的运行。

通过在一个实施方案中为了确定针对结冰状态的(参数)值而基于模型地针对这个结冰状态本身预测风力涡轮机的功率、负载和/或流出量,控制器可以在一个实施方案中特别精确地与相应的结冰状态相匹配。在一个实施方案中,同样可以基于其它的结冰状态确定针对一个结冰状态的(参数)值,针对其它的结冰状态分别基于模型地特别是通过内插法和/或外插法等预测风力涡轮机的功率、负载和/或流出量。由此可以在一个实施方案中覆盖较大数量的不同的结冰状态。通过在一个实施方案中为了确定结冰状态的(参数)值而针对这个结冰状态本身确定风力涡轮机的功率、负载和/或流出量,控制器可以在一个实施方案中特别精确地与相应的结冰状态相匹配。在一个实施方案中,同样可以基于其它的结冰状态确定针对一个结冰状态的(参数)值,针对其它的结冰状态特别是通过内插法和/或外插法等分别确定风力涡轮机的功率、负载和/或流出量。由此可以在一个实施方案中覆盖较大数量的不同的结冰状态。

在一个实施方案中,结冰状态取决于冰载或附在风力涡轮机的一个或多个转子叶片处的冰块、特别是冰块的量和/或分布,尤其可以说明或定义这个冰载或冰块。当第一转子叶片具有第一冰载并且第二转子叶片具有第二冰载时,尤其可能存在第一个结冰状态,当反过来第一转子叶片具有第二冰载并且第二转子叶片具有第一冰载时,可能存在与第一个结冰状态不同的第二个结冰状态。然后可以在一个实施方案中针对该第一个和第二个结冰状态将控制器不同地参数化或者确定不同的(参数)值,因而控制器根据转子叶片的冰载单独地设置两个转子叶片。在此,(参数)值的相应的分量尤其可以互换,因而控制器相同地设置已结冰的转子叶片或者根据转子叶片的所确定的(单独的)结冰状态(单独地)设置转子叶片。

在一个实施方案中,(相应的)人工智能这样确定(相应的)(参数)值,即,在一个实施方案中在考虑到特别是风力涡轮机的转子叶片的特别是最大所允许的和/或平均的负载和/或流出量的情况下、特别是在避免失速或为了避免失速的情况下,优化风力涡轮机的功率。在一个实施方案中,相应地这样确定或者(也)附有这样的指示地确定(参数)值,即,避免失速(“stall”失速)。

因此在一个实施方案中执行至少两阶段的方法,其中,

-在第一阶段中,至少针对风力涡轮机的至少一个结冰状态借助风力涡轮机的数学模型确定参数值、特别是将其作为原始值;并且

-在一个实施方案中在紧随其后的阶段中,特别是基于借助数学模型确定的所述原始值,(分别)针对风力涡轮机的至少一个、特别是这个结冰状态借助第一风力涡轮机确定(新的)参数值。

在一个实施方案中,可以附加或备选地使用一个或多个特别是相同类型的第二风力涡轮机用于参考,特别是通过以下方式,即,人工智能也针对这个第二风力涡轮机的一个或多个所确定的结冰状态考虑到了、特别是使用相应(确定)的功率、负载、流出量和/或(参数)值。以这种方式有利地利用一种群智能。

在一个实施方案中,可以通过借助数学模型的确定,事先检查可能的参数分量和/或参数值(域)和/或可能的环境条件的特别大的带宽。在此,可以附加或备选地(更为)精确地考虑到了环境条件的影响,特别是没有测量误差等。基于模型的(所确定的)参数值可以在借助真正的风力涡轮机确定(新的)参数值时特别有利地作为原始值使用。

在一个实施方案中,通过借助真实的第一风力涡轮机的确定,可以检测该第一风力涡轮机的单独的或具体的环境条件并且因此更好地考虑到它们的影响,特别是基于数学模型或与原型相关的第二风力涡轮机。

在一个实施方案中,通过借助第一风力涡轮机以及一个或多个另外的、特别是类型相同的第二风力涡轮机的确定,可以有利地补偿在环境条件中的随机的波动和/或利用一种群智能。

在一个实施方案中,(第一或另外的)人工智能基于第一风力涡轮机的至少一个在此借助测量确定的功率、负载和/或流出量在运行期间、在一个实施方案中为正常运行期间原位确定一个或多个参数值,其中,控制器在一个实施方案中通过人工智能基于这个参数值被重新参数化或更新。控制器由此能被自适应地适配并且因此(进一步)改进了风力涡轮机的运行。

在一个实施方案中,基于特别是其它类型的风力涡轮机等的之前的特定于结冰的参数化例如凭经验地从控制器的大量可能的参数中(预)选择所述参数。

在(第一和/或另外的)人工智能的一个实施方案中,附加或备选地分别为参数值预定能设置的初值或者预定或设置多个可能的、特别是允许的初值中的其中一个初值,人工智能基于该初值确定参数值。

在(第一和/或另外的)人工智能的一个实施方案中,附加或备选地(分别)预定参数的、特别是参数的一个或多个分量的允许的值域,人工智能在该值域内确定或应当改变所述参数值。

(第一和/或另外的)人工智能附加或备选地(分别)确定了有关参数的不同分量的功率敏感度、负载敏感度和/或流出量敏感度、特别是失速敏感度。然后在一个实施方案中,尤其可以通过(相应的)人工智能选择参数的一个或多个分量(功率、负载和/或流出量关于所述分量是(更为)敏感的),并且在后续的阶段中,(相应的)人工智能仅还为这些分量确定或改变值。因此尤其可以借助数学模型选择(更为)敏感的分量并且仅基于第一风力涡轮机的和/或至少一个特别是类型相同的第二风力涡轮机的至少一个借助测量确定的功率、负载和/或流出量确定、特别是匹配这些分量。

为此,尤其可以通过人工智能分别、特别是结合两个或两个以上的实施方案特别有效地优化参数值。

在一个实施方案中,确定:至少一个结冰状态,针对该至少一个结冰状态确定风力涡轮机的功率、负载和/或流出量,人工智能基于该结冰状态确定了(相应的)(参数)值(即“学习-结冰状态”);和/或一个结冰状态,控制器针对该结冰状态被参数化倘若确定了该结冰状态的话(即当前的或有待控制的结冰状态),则分别确定最多5分钟和/或最少10秒的时间间隔。

尤其基于这样的认识,即,风力涡轮机的结冰状态能在这样短的时间窗口内发生这样巨大的变化,以致风力涡轮机可能需要重新参数化,这与较长的(观察)时间段相比尤其令人惊讶,较长的(观察)时间段通常在控制或参数化时作为基础并且通常处在至少10分钟的范围内,以便特别是平均化随机的波动等。

在一个实施方案中,附加或备选地确定:至少一种结冰状态,针对该至少一个结冰状态确定了风力涡轮机的功率、负载和/或流出量,人工智能基于该至少一个结冰状态确定了(相应的)(参数)值(即“学习-结冰状态”);和/或一个结冰状态,控制器针对该结冰状态被参数化,倘若确定了这个结冰状态的话(即当前的或有待控制的结冰状态),每个借助一个或多个在一个实施方案中在风力发电设备侧或与固定风力发电设备的风速计和/或一个或多个在一个实施方案中布置一个或多个转子叶片处、特别是一个或多个转子叶片中的传感器和/或基于(相应的)风力涡轮机的所确定的功率和/或至少一个所确定的温度和/或湿度。

在一个实施方案中,在此可以基于用至少一个经加热的和至少一个未经加热的风速计进行风测量的比较确定一个结冰状态。尤其基于这样的思想,即,特别是在风力涡轮机侧的未经加热的风速计具有与一个或多个转子叶片的结冰状态相对应的结冰状态并且可以通过与经加热的并且因此可靠的未结冰的风测量装置的比较以简单的方式评估风力涡轮机的结冰状态。

在一个实施方案中,备选或附加地可以基于在风力涡轮机的一个或多个转子叶片处、特别是一个或多个转子叶片中的一个或多个温度和/或负载传感器确定结冰状态。尤其基于这样的思想,即,一个或多个转子叶片的结冰取决于它们的温度或改变了它们的负载,因而可以(更为)可靠地确定风力涡轮机的、特别是各个转子叶片的结冰状态。

在一个实施方案中,可以附加或备选地基于(相应的)风力涡轮机的所确定的特别是机械功率和/或电功率确定结冰状态。尤其基于这样的思想,即,风力涡轮机的结冰减少了它们所输出的功率,因而可以简单地、优选无额外设备耗费地确定风力涡轮机的结冰状态。

在一个实施方案中,可以基于在一个实施方案中在风力涡轮机处确定的温度和/或湿度附加或备选地确定结冰状态。尤其基于这样的思想,即,风力涡轮机的结冰取决于气象环境条件,因而能简单地确定、特别是预测风力涡轮机的结冰状态。在当前,确定通常可以相应地包括、尤其是:确定、特别是估计当前存在的结冰状态或者预测或估计未来(预测可能存在的)结冰状态。

在一个实施方案中,(第一和/或另外的)人工智能(分别)借助机器学习、特别是增强学习(“reinforcedlearning”rl)确定参数值。这是人工智能针对当前的应用的一种特别有利的、特别是有效的和/或可靠的形式,其中,在一个实施方案中,人工智能有利地将动态编程和参数化的函数近似器、特别是神经网络相互组合。

按照本发明的一个实施方案,设置特别是用硬件技术和/或软件技术、特别用编程技术实施在此所说明的方法的一种系统和/或该系统具有:

-人工智能,其用来基于利用风力涡轮机的数学模型针对至少一个、特别是这个结冰状态所预测的功率、负载和/或流出量,针对风力涡轮机的至少一个结冰状态来确定、特别是匹配控制器的参数的至少一个值;和/或

-人工智能、特别是同一种或另一种人工智能,其用来基于风力涡轮机的至少一个、特别是这个所确定的结冰状态和这个风力涡轮机和/或至少一个特别是相同类型的第二风力涡轮机的借助测量为此所确定的功率、负载和/或流出量,针对风力涡轮机的至少一个结冰状态来确定、特别是匹配所述控制器的参数的至少一个值;和/或

-控制器,其借助在此所说明的方法参数化。

在一个实施方案中,所述系统或其器件具有:

用于根据受控变量设置至少一个叶片的第一风力涡轮机的转子的加热和/或设置角、第一风力涡轮机的发电机的制动力矩的器件和/或转子的偏航控制;

用于从控制器的大量可能的参数中选出所述参数的器件;

用于为人工智能预定能设置的初值和/或所述参数的允许的值域的器件;

用于借助人工智能确定关于所述参数的不同的分量的功率敏感度、负载敏感度和/或流出量敏感度的器件;

用于借助至少一个特别是在风力发电设备侧的风速计和/或至少一个特别是布置在转子叶片处的传感器和/或基于风力涡轮机的所确定的功率和/或至少一个所确定的温度和/或湿度确定结冰状态的器件;和/或

用于通过人工智能借助机器学习、特别是增强学习确定所述参数值的器件。

器件按照本发明可以用硬件技术和/或软件技术构造,尤其具有优选与存储系统和/或总线系统数据连接的或信号连接的、特别是数字的处理单元、特别是微处理器单元(cpu)、图形显示卡(gpu)等和/或具有一个或多个程序或程序模块。处理单元可以构造用于,处理作为存储在存储系统中的程序加以运行的指令,检测数据总线的输入信号和/或将输出信号输出给数据总线。存储系统可以具有一个或多个特别是不同的存储介质、特别是光学的、磁性的、固态的和/或其它非易失的介质。程序可以这样获取,即,所述程序有能力体现或实施在此所说明的方法,因而处理单元可以实施这种方法的步骤并且因此可以特别是运行第一风力涡轮机或将该第一风力涡轮机的控制器参数化或者为此确定至少一个参数值。计算机程序产品在一个实施方案中可以具有一种、尤其是非易失的存储介质以用于储存程序或者带有储存于其上的程序,其中,这个程序的实施促使系统或控制机构、特别是计算机,实施在此所说明的方法或该方法的一个或多个步骤。

在一个实施方案中,特别是通过所述系统或该系统的器件完全或部分自动化地执行所述方法的一个或多个、特别是所有的步骤。

在一个实施方案中,所述系统具有第一风力涡轮机和/或至少一个第二风力涡轮机。

附图说明

其它的优点和特征由从属权利要求和实施例得出。为此,

图1部分示意性地示出了按照本发明的一个实施方案的用于运行第一风力涡轮机10或者将这个风力涡轮机的控制器参数化的系统;

图2部分示意性地示出了按照本发明的一个实施方案的用于运行第一风力涡轮机或者将控制器参数化的方法;并且

图3部分示意性地示出了控制器的针对不同的结冰状态通过人工智能确定的特征线。

具体实施方式

图1示出了按照本发明的一个实施方案的用于运行第一风力涡轮机10或者用于将这个风力涡轮机的控制器2参数化的系统,图2则示出了相应的方法。

第一风力涡轮机以本身公知的方式具有机舱11,机舱以能转动的方式布置在塔架12上并且具有带能设置的叶片13的转子,转子与发电机14联接。

风力涡轮机的控制器2基于所测得的发电机功率和/或借助两个风力涡轮机固定的风速计15、15′测得的风速,例如借助在一个实施方案中串联起来的阈值控制和/或比例控制、积分控制和/或差分控制或其他类型的控制,设置发电机的制动矩、机舱围绕图1中垂直的偏航轴的偏航控制和/或共同地或单独地控制转子叶片的设置角β。

为此,按照本发明的一个实施方案,控制器视风力涡轮机的所确定的结冰状态而定加以参数化或者特定于结冰状态地加以参数化,例如针对不同的结冰度ice0、ice1和ice2分别设置针对放大系数、阈值等的不同的、特定于结冰度的(参数)值。

为此,在人工智能30的第一步骤s10(参看图2)中,在实施例中在带有用于增强(机器)学习的软件的计算机中,借助接口31、例如输入菜单等,预定针对多维的参数的分量的初值和/或允许的值域。

在第二步骤s20中,通过人工智能借助风力涡轮机的数学模型10确定,所述参数的不同的分量、例如各个放大系数等,在其允许的值域内对功率的影响有多强烈,其中,数学模型针对随之模型化的控制器的由人工智能预定的参数值、预定的虚拟的风速值v和预定的虚拟的结冰状态,分别模拟或预测模型化的风力涡轮机的在此所产生的电功率p。人工智能然后在步骤s20中(分别)确定(多维的参数)值,所述参数值针对相应的结冰状态优化功率。在此,也可以考虑到风力涡轮机的、特别是其转子叶片13的负载和/或对失速的避免。

在步骤s30中,将第一风力涡轮机10的控制器和另外的相同类型的第二风力涡轮机50-52的控制器用这样发现的(参数)值参数化。

这些风力涡轮机10、50-52的控制器在第四步骤s40中与之前所说明的步骤s20类似地借助同样的或者一个或多个另外的人工智能,在实施例中则借助带有用于增强(机器)学习的软件的所述计算机或一个或多个另外的计算机在运行中进一步重新参数化。

在此,人工智能为了优化第一风力涡轮机10的控制器而使用第二风力涡轮机50-52的数据作为参考,因而可以有利地利用一种群智能。

在风力涡轮机10、50-52的运行中,分别在约0.5-2分钟的短的时间间隔内借助通过未加热的壳式风速计15和通过加热的超声风速计15′测得的风速的比较确定这些风力涡轮机的当前的结冰状态。

基于这样确定的结冰状态,控制器在步骤s40中用为此(迄今为止)确定的(参数)值特定于结冰状态地加以重新参数化或者分别设置针对风力涡轮机的这个结冰状态所确定的(参数)值,倘若确定了这个结冰状态的话。因此在原地同时用迄今为止确定的特定于结冰状态的(参数)值进行控制并且基于在此所确定的功率(进一步)优化这个参数值。

当在一种修改方案中例如借助在各个转子叶片中的温度传感器和/或负载传感器确定各个转子叶片的自己的冰载时,(参数)值的决定了转子叶片的单独的叶片设置角的分量,可以单独地与转子叶片的相应的结冰状态相匹配并且纯示例性地在部分负载操作中控制更结冰的叶片或更强烈地倾斜桨距控制(pitchen),以便考虑到它们的变差的空气动力并且特别是避免失速。

图3为了阐明人工智能,示出了控制器2针对不同的结冰状态ice0、ice1或ice2借助增强学习确定的特征线,其中,ice0到ice1并且ice1到ice2的空白间隔(verweisung)分别增加。针对这些结冰状态确定的特定于结冰状态的(参数)值决定了特征线的形状和位置,控制器借助特征线根据叶尖速比λ并且因此根据转速和风速单独地设置转子叶片的叶片角β。

尽管在之前的说明书中阐释了示例性的实施方案,但要指出的是,大量修改方案也是可能的。

此外要指出的是,示例性的实施方案仅涉及示例,其不应以任何方式限制保护范围、应用和结构。更确切地说,通过之前的说明书向本领域技术人员给出了用于将至少一个示例性的实施方案付诸实践的入门指南,其中,可以对特别是关于所说明的组件的功能和布置采取各种各样的改变,而不会脱离由权利要求和等同于这些权利要求的特征组合得出的保护范围。

附图标记列表

10第一风力涡轮机

10′模型

11机舱

12塔架

13转子(叶片)

14发电机

15、15′风速计

2控制器

30带有用于增强学习(ki)的软件的计算机

31接口

50、51、52第二风力涡轮机

p电气的功率

v平均的风速

β叶片设置角

λ叶尖速比

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1