考虑疲劳量度的风力涡轮机控制的制作方法

本发明涉及考虑了疲劳载荷量度(measure)的风力涡轮机控制。

背景技术：

一般而言，风力涡轮机或者风力涡轮发电场的运行旨在使对其的投资获得最大的产出，因此风力涡轮机控制系统被配置为使其输出功率最大化，即，在适当考虑使风力涡轮机保持在运行极限以内的情况下，使风力涡轮机的运行获得可从风力当中获得的最大功率。

在运行期间，风力涡轮机经历变化的气候条件，因而风力涡轮机的控制系统被设计为考虑这些变化。这种针对当前条件不断做出的调变给风力涡轮机的部件造成了一定变化水平的疲劳。

现有的风力涡轮机可以包括对运行进行监测并且基于监测到的信号(例如，来自传感器的振动信号)确定各个部件的若干疲劳量度的监测系统。如果确定给定部件具有过高的疲劳水平，那么可以关闭涡轮机或者使其在减载模式下运行，直到该部件能够被修理为止。

本发明的发明人已经认识到需要其他的考虑风力涡轮机运行期间的疲劳暴露的风力涡轮机运行方式。

技术实现要素：

按照在风力涡轮机的运行过程中考虑预测疲劳载荷量度并且结合风力涡轮机的持续运行采用实际运行状态来确定预测疲劳量度的方式对风力涡轮机加以控制将是有利的。

相应地，在第一方面当中，提供了一种控制风力涡轮机的方法，包括：

接收风力涡轮机的当前运行状态；

基于所述当前运行状态计算一个或多个预测运行轨迹，所述一个或多个预测运行轨迹包括预测控制轨迹，其中，轨迹包括至少一个变量的时间序列；

由所述至少一个预测运行轨迹确定至少一个疲劳量度；

基于所述至少一个疲劳量度确定控制轨迹；以及

基于所述控制轨迹来控制所述风力涡轮机。

在本发明当中，涡轮机的运行是以所计算的控制轨迹为基础的。轨迹是既定时隙内的某一变量的时间序列，其包括对于与该变量有关的运行参数而言的下一变量值，以及对于所述既定参数而言的预测数量的或者预期数量的未来变量值。例如，所述控制轨迹可以是包括下一桨距命令以及预期或预测数量的未来桨距命令的桨距轨迹。

风力涡轮机包括用于控制风力涡轮机的各种部件的控制系统，例如，控制桨叶桨距设置、功率转换器设定点、偏航电动机等。在对风力涡轮机的控制过程中，涡轮机的各种部件暴露于疲劳之下。疲劳暴露水平取决于所施加的控制操作。

在本发明当中，所述控制系统被布置为由至少一个预测运行轨迹确定至少一个疲劳载荷量度，即，所述控制系统被布置为基于实际运行状态和未来时隙内的预测运行确定预测疲劳载荷量度，并且基于这样的预测或预期疲劳载荷量度来控制风力涡轮机。

这是一个优势，因为可以直接在实际运行过程中且基于实际载荷条件的风力涡轮机控制当中考虑疲劳影响。

就机械和结构部件而言，有两种尤为重要的载荷类型，即，极端载荷和疲劳载荷。极端载荷是结构因应力超过了材料的屈服强度而发生故障的载荷。疲劳载荷可以被认为是材料在遭受周期性应力经历时所经受的强度损失。甚至在所施加的载荷远低于材料的弹性极限时也会发生疲劳。本发明的实施例有利地考虑了在风力涡轮机的控制过程中因疲劳损伤而影响部件稳定性的疲劳载荷的预测或预期振荡影响。

一般而言，疲劳载荷量度可以与风力涡轮机的任何结构或部件的疲劳有关。重要的结构包括塔架疲劳、各种轴承(桨距调节轴承、主轴承等)的疲劳和桨叶疲劳。

在一个重要的实施例中，所述至少一个疲劳载荷量度包括雨流计数算法。在另一实施例中，所述至少一个疲劳载荷量度以谱矩为基础。但是，也可以代替这些疲劳载荷量度或者在这些疲劳载荷量度之外采用其他疲劳载荷量度。

在重要的实施例中，通过使用滚动时界控制例程(例如，模型预测控制(mpc)例程)计算所述一个或多个预测运行轨迹，在这样的实施例中，可以有利地计算出所述预测时界内的疲劳载荷量度。mpc算法非常适用于风力涡轮机运行，因为它们直接考虑对系统变量的约束条件，因此可以有利地用于找到安全运行极限内的最佳运行轨迹。

将结合具体实施方式部分描述其他实施例。

在其他方面当中，本发明还涉及一种包括软件代码的计算机程序产品，所述软件代码在数据处理系统上运行时适于对风力涡轮机予以控制，本发明还涉及一种用于风力涡轮机的控制器，以及一种被实施为至少控制风力涡轮发电场中的选定涡轮机的风力涡轮发电场控制器。此外，本发明还涉及一种根据本发明的各个方面中的任何方面进行控制的风力涡轮机。

总之，在本发明的范围内，可以按照任何可能的方式对本发明的各种实施例和方面进行结合以及组配。从下文所述实施例，本发明的这些和其他方面、特征和/或优点将变得显而易见并将参考其得到阐述

附图说明

将参考附图仅以举例方式描述本发明的实施例，其中：

图1示出了风力涡轮机的例子；

图2示出了控制系统连同风力涡轮机的各个要素的实施例；

图3相对于测得的运行变量y和经mpc计算得到的控制变量u示出了mpc例程的概况。

图4示出了运行变量的预测运行轨迹(图4a)连同对应的雨流计数图(图4b)的例子。

图5示出了损伤信号d从低水平变为高水平的状况下的示范性轨迹；以及

图6示出了本发明的要素的流程图。

具体实施方式

图1通过示意性透视图示出了风力涡轮机1的例子。风力涡轮机1包括塔架2、设置在塔架的顶端的机舱3以及可操作性耦接至包含在机舱3内的发电机的转子4。除了所述发电机之外，机舱还容纳将风能转化为电能所需的各种各样的部件以及对风力涡轮机1进行操作、控制和性能优化所需的各种部件。风力涡轮机的转子4包括轮毂5以及多个从轮毂5向外伸出的桨叶6。在所示出的实施例中，转子4包括三个桨叶6，但是其数量可以发生变化。此外，风力涡轮机还包括控制系统。所述控制系统可以置于机舱内，或者分布在涡轮机内的若干位置上并且可以进行通信连接。

风力涡轮机1可以包含在属于一个风力发电厂的很多其他风力涡轮机当中，所述风力发电厂又称为风电农场或风力涡轮发电场，其起着通过输电线路与电网连接的发电厂的作用。电网一般由通过输电线路的网络耦接的发电站、传输电路以及变电站的网络构成，所述输电线路的网络向最终用户形式的负载以及电力部门的其他客户传输电力。

图2示意性地示出了控制系统20连同风力涡轮机的各个要素的实施例。风力涡轮机包括经由齿轮箱23机械连接至发电机22的转子桨叶。发电机22生成的电力经由电转换器被注入到电网24内。发电机22可以是双馈感应发电机，但是也可以使用其他类型的发电机。此外，不一定存在齿轮箱。

控制系统包括若干要素，其中包括具有处理器和存储器的至少一个控制器200，使得所述处理器能够基于所述存储器内存储的指令执行计算任务。一般而言，风力涡轮机控制器确保风力涡轮机在运行当中生成所要求的功率输出水平。这一目的是通过调整桨距角和/或转换器的功率提取而实现的。出于这一目的，所述控制系统包括桨距系统和功率系统，所述桨距系统包括使用桨距参考28的桨距控制器27，所述功率系统包括使用功率参考26的功率控制器29。风力涡轮机转子包括能够通过桨距机构进行桨距调节的转子桨叶。转子可以包括同时调整所有转子桨叶的所有桨距角的公共桨距系统以及除此之外的能够对各个转子桨叶进行桨距调节的个体桨距系统。

在本发明的实施例中，控制系统200被编程为接收风力涡轮机的当前运行状态。在当前运行状态的基础上，计算一个或多个预测运行轨迹，并由所述至少一个预测运行轨迹确定至少一个疲劳载荷量度。基于疲劳载荷量度确定控制轨迹，并基于所确定的控制轨迹控制风力涡轮机。

在实施例中，使用模型预测控制(mpc)例程来计算预测运行轨迹和预测控制轨迹。

图3相对于所测量的运行变量y和经mpc计算得到的控制变量u示出了mpc例程的概况。该图的上部30示出了变量y的状态轨迹，该图的下部31示出了控制变量u的控制轨迹。

所述运行轨迹和控制轨迹可以包括但不限于下述参数中的一个或多个：包括集体桨距值和个体桨距值的桨距值、转子速度、转子加速度、塔架移动、功率相关参数、转矩相关参数以及这些参数的导数。

在实施例中，运行轨迹是预测运行状态轨迹。状态是运行参数的集合，其经常被表达为向量。风力涡轮机状态的一个例子为：

其包括桨距值θ、转子速度ω、塔架顶部位置s以及这些参数的时间导数。可以采用其他的更多参数来定义风力涡轮机状态x*。一般而言，运行轨迹包括用于计算预期的疲劳载荷量度的运行参数。

风力涡轮机的当前运行状态的状态值可以基于来自被布置为测量与风力涡轮机的物理状态值有关的传感器数据的传感器的测得传感器读数。此外，还可以采用估算值或者计算值。在实施例中，状态可以由状态计算器确定，例如，所述状态计算器具有负责确定当前运行状态的专用计算单元的形式，例如，其为观测器或者卡尔曼滤波器。

所述轨迹也可以被表达为控制轨迹。示范性控制轨迹可以为：

其包括桨距参考信号和功率参考信号。可以采用其他的更多参数定义风力涡轮机控制信号u1*。

图3示出了若干离散时间步长的测量变量y的轨迹33。该图示出了当前时间k以及若干过去的时间步长34和若干未来的时间步长35(又分别被称为状态变量y和控制变量u的预测时界和控制时界)。已知变量值，即，基于已经测得的值的变量值是以实心圆标示的，而预测变量值则是以空心圆标示的。轨迹可以包括预测值的时间序列，即，只有空心圆。轨迹无需包括过去的和已知的值，但是在某些实施例中可以包括。尤其是，对于测量变量的轨迹而言可以包含当前值32。轨迹可以跨越几秒的时间序列，例如，5-10秒。但是，轨迹也可以更长或更短，具体取决于既定实施方式。

作为例子，所述轨迹示出了在给定提高转子速度的设定点的情况下的转子速度ω。该轨迹示出了当前转子速度32连同所预测的未来转子速度。还针对所例示的变量示出了允许的最大值和最小值。

图3还示出了利用mpc算法确定的大体控制轨迹36的例子。图3示出了运行状态轨迹33和大体控制轨迹36之间的关系。

尽管测量变量32的当前第k值是已知的，但是控制轨迹的当前值37则是利用mpc例程计算出的。

该图还示出了u的控制轨迹值的最大和最小允许值。

作为例子，该轨迹示出了桨距角的轨迹，即，u＝θ。因而，给出了提高转子速度的设定点，并且桨距角将因此而降低。所述轨迹示出了下一桨距设置37连同所预测的用以履行新的设定点设置的未来桨距设置。

mpc以迭代的有限时界优化为基础。在时间t上，对当前状态采样，并计算未来时界[t,t+t]内的代价最小化控制策略。只有针对当前样本k的第一个预测值被用到控制信号当中，之后重新对涡轮机状态进行采样，并从新的当前状态开始重复所述计算，从而得到新的控制轨迹以及新的预测状态轨迹。预测时界持续向前推移，出于这一原因，mpc是滚动时界控制器(recedinghorizoncontroller)。

模型预测控制(mpc)是一种多变量控制算法，其在后退预测时界内采用优化代价函数j来计算最佳控制策略。

可以通过下式给出所述的优化代价函数：

参考图3，ri是第i变量的设定点，yi和ui是第i轨迹变量，wyi是定义这一变量的相对重要性的权重矩阵，wui是定义与这一变量的变化有关的惩罚的权重矩阵。

在上面的代价函数当中，通过函数ρf(u,y)将疲劳载荷量度作为权重元素包含到所述代价函数当中。权重ρ可以被用于设置疲劳载荷量度函数在所述优化过程中的重要性。

在实施例中，将部件的实际疲劳水平确定为历史疲劳量度，其以风力涡轮机的实际运行为基础被确定为过去的时段内经受的疲劳。所述过去的时段可以例如是从所述部件是新的开始经历的时段。例如，在实施例中，涡轮机包括监测运行并确定既定部件的疲劳水平的监测系统。在这样的实施例中，所述权重可以与历史疲劳量度有关。例如，如果历史疲劳水平表明疲劳很少，那么可以分配小权重，从而例如优先考虑所生产的功率。如果历史水平表明既定部件的疲劳大，那么可以将所述权重设置得更大，从而相较于所生产的功率优先考虑部件寿命。

在实施例中，所述优化当中包含至少一个疲劳载荷量度作为一个或多个约束条件。这一包含可以是将疲劳载荷量度包含到代价函数本身当中的替代做出的，或者其可以是在所述代价函数本身当中的疲劳载荷量度之外额外包含的。这可以取决于为所述优化问题选择的具体实施方式。

在实施例中，用于优化至少一个代价函数的优化准则是使疲劳载荷量度保持在预定义水平以下的优化准则。其在实施例中可以是通过代价函数、适当设置的约束条件或者两者的结合实施的。

在本发明的实施例中，计算预测运行轨迹。所述预测运行轨迹在实际控制例程中可以是通过不同方式实施的。一种实施运行轨迹的重要方式是作为采用预测时界的滚动时界轨迹。在实施例中，确定所述预测时界内的疲劳量度。

疲劳量度可以通过很多种方式实施。一般而言，存在很多疲劳近似例程，例如，基于振动信号的方差确定的例程。还存在谱分析法。

在实施例中，至少一个疲劳载荷量度包括雨流计数算法。这可以被实施为在线雨流计数算法，该算法作为解决所述优化问题的过程的部分不断地基于雨流计数来计算疲劳载荷量度信号。

图4a示出了运行变量的预测运行轨迹的例子。图4a的例子示出了针对k个样本跨越的预测周期之内的桨距调节致动信号的预测时界40。通过空心圆41标示每一预测值。此外，通过线42示出了内插的桨距角位置信号。因而，图4a示出了优化所使用的代价函数的既定转子桨叶的预测桨距信号。提供该图的目的在于举例说明，因而该图并不表示具体的载荷状况或代价函数。

图4b示出了图4a的信号的雨流计数图43。出于例示的目的，该图仅示出了左侧滴落的“雨滴”，而右侧滴落的“雨滴”则被省略。

雨流计数算法输出预测时界内经历的一定数量的(m个)应力范围si或损伤等价周期。通过利用palmgren-miner和，能够确定所述预测时界内的预测损伤作用。

所述palmgren-miner和被定义为：

d是一般与雨流计数有关的已知损伤量度。所述和处于在所述预测时界内识别出的m个周期内(参考图4a和图4b)。此外，k是材料相关指数，k是材料相关定标。这两个参数k和k取决于所讨论的结构并且是已知的。

函数f(u,y)可以被设定为f(u,y)＝d。通过这种方式，能够确定所述预测时界内的预测损伤作用。

在实施例中，所述至少一个疲劳载荷量度是基于谱矩确定的。在这样的实施例中，采用谱矩来估算既定部件所经历的疲劳损伤。

在采用图4a的具有针对预测周期内的桨距调节致动信号的预测时界40的例子的情况下，所述桨距信号的预测时间序列x(n)(42)被用于计算信号x(n)的功率谱sx(ω)：

其中，ω是指变换后的空间内的频率，δt是采样时间步长，t是预测时界的时间跨度。

接下来，可以按照下式由sx(ω)计算x(k)的功率谱矩：

其中，λm表示x(n)的第m谱矩。现在，可以如下采用benasciutti近似得到预期疲劳损伤率d：

其中

并且

在上面的方程中，г(·)表示gamma函数，k和k是材料常数，其中k是系数。

在优化代价函数当中，函数f(u,y)可以被设定为f(u,y)＝d。通过这种方式，能够由从所讨论的信号的预测运行轨迹的预测时界获得的谱矩来确定所述预测时界内的预测损伤作用。

典型地，依据目标函数(代价函数)以及若干约束条件(例如，最大/最小值极限、变化率极限等)对所述优化问题做出公式表达。在将这样的控制方案用于正常运行时，通常将目标函数公式表达为提供载荷和功率生产之间的权衡，并且其中，某些运行参数，例如转子速度、桨距调节位置和速度以及发电机转矩则受到约束条件的支配。

在示范性实施例中，用于正常生产的优化问题具有以下形式：

u^*(t)＝argminj0(s(t)，p(t)，u(t))，

其受制于下述约束条件：

pe≤3mw

函数argmin是代表论证取得最小值的标准数学算子，其求得s、p、u和t跨越的参数空间内的使代价函数j0取得其最小值的点。参数表示额定转子速度，θi表示桨距角(采用导数)，pe是指涡轮机的额定功率。损伤信号被定义为疲劳载荷量度f(u,y)除以周期数n，并且需要指出，损伤信号应当低于给定的损失率极限。

这里，名义代价函数j0使用控制信号u(t)提供了功率(p)和载荷(s)之间的权衡，而所述约束条件则限制了所述预测时界内的转子速度、桨叶桨距角、桨叶桨距调节速度、电功率和疲劳影响。所述控制信号通常由桨叶桨距角和所述转换器的功率参考构成。

通常在控制器内实施mpc例程来计算所述控制轨迹，解决了n个时间步长(控制和预测时界)内的优化问题。所述结果是整个时界的最佳输入序列，其一方面可以用于在运行过程中控制涡轮机，而另一方面又将提供所给出的控制对既定部件造成的疲劳损伤的量度。

图5示出了损伤信号d从第一时间段50内的低水平变为第二时间段51内的高水平的状况下的示范性轨迹。在图5a中示出了所述损伤信号。通过附图标记52指示了损伤极限。

在损伤信号低的第一时间段内，对比进一步降低损伤影响将优先考虑功率生产。因而，使功率生产保持在额定功率上，如图5b所示。图5c示出了三个桨叶的桨距信号的例子。在某一时间点上，损伤信号增大。这导致了所述优化例程对比功率生产来说应该优先考虑使损伤信号保持在损伤水平以下，因而功率生产降至额定以下。生产功率的降低是通过增大桨距角来完成的，如图5c所示。

图6示出了说明用于控制风力涡轮机执行本发明的各种实施例的步骤的流程图的要素。

所述要素可以被实施为适于对被布置为控制风力涡轮机或风力涡轮机部件的运行的控制器生成指令的计算机程序产品或者代码。所述计算机程序可以是通过任何适当的方式提供的。通常通过风力涡轮机控制系统来存储并执行所述计算机程序产品。

在第一步骤61中，确定或接收风力涡轮机的当前运行状态，并基于所述当前运行状态来计算62一个或多个预测运行轨迹。

所述运行轨迹的至少其中之一被输入到疲劳模块63内，该模块被编程为由至少一个预测运行轨迹确定至少一个疲劳载荷量度64。

接下来，采用所述至少一个疲劳载荷量度确定65控制轨迹。这一操作可以是例如通过使用所定义的代价函数求解公式表达优化问题而完成的。就此而言，所述疲劳载荷量度可以被用作所述代价函数当中的要素，并且/或者被用作所述优化的约束条件。基于所确定的控制轨迹确定针对涡轮机的各种致动器的控制信号66，并且再次运行67所述方法。

在其他实施例中，本发明的实施例的各个总的方面可以被实施到布置用于控制风力涡轮发电场的一个或多个风力涡轮机的风力涡轮发电场控制器当中。在这样的实施例中，风力涡轮发电场控制器可以控制一个或多个选定的风力涡轮机。在这样的实施例中，风力涡轮机控制器可以是按照分布的方式实施的，其中，所述控制器的部分被实施到风力涡轮机当中，而所述控制器的其他部分则被实施到风力涡轮发电场控制器内。

尽管已经结合特定实施例描述了本发明，但是不应认为本发明通过任何方式受限于所给出的例子。本发明可以通过任何适当的手段实施，并且本发明的范围将根据所附权利要求集解释。权利要求中的附图标记不应被理解为对所述范围构成限制。