一种风电机组塔筒载荷预测方法和系统与流程

本发明属于新能源技术领域，具体涉及一种风电机组塔筒载荷预测方法和系统。

背景技术：

风电机组是需要运行20年的发电设备，近年来风力发电爆发式的增长就对风电机组的长期安全稳定运行带来了巨大的挑战。风电机组的载荷是与安全直接相关的参数，近几年出现的风电机组安全事故也大多是因为载荷超限引发的。塔筒要承受风电机组整体载荷并将载荷传递到机组基础上，塔筒复杂的受载情况使得塔筒失效成为引发风电机组安全事故的最主要因素之一。因此对风电机组塔筒受载进行准确地预测评估可以有效避免事故的发生，保证风电机组的安全。

目前的实际情况是，因为载荷测试的投入大，大规模开展需要的费用很高，因此风电机组往往只是在定型阶段对样机进行载荷的型式试验，并未对服役期间的风电机组进行载荷监控。少数开展的风电机组载荷预测评估中，叶片由于载荷来源单一、受载情况相对简单，因此叶片载荷取得了较好的预测效果。然而，由于塔筒受载十分复杂，对塔筒载荷的预测评估与实测载荷误差较大，并不能满足实际应用的精度要求。

技术实现要素：

为克服上述现有技术的长期实测塔筒载荷投入大，大规模展开费用高的不足，本发明提出一种风电机组塔筒载荷预测方法和系统，采集风电机组的scada数据输入预先建立的塔筒载荷模型，实现对风电机组塔筒载荷的预测。

实现上述目的所采用的解决方案为：

一种风电机组塔筒载荷预测方法，其改进之处在于：

采集风电机组的scada数据；

根据预先建立的塔筒载荷模型和采集的所述scada数据，预测所述风电机组的塔筒载荷。

本发明提供的第一优选技术方案，其改进之处在于，所述预先建立塔筒载荷模型，包括：

获取风电机组的载荷，所述风电机组的载荷包括塔筒载荷和叶片载荷；

获取风电机组scada数据；

以所述风电机组scada数据和获取的叶片载荷为输入，以所述风电机组的塔筒载荷为输出，使用人工神经网络建立塔筒载荷模型。

本发明提供的第二优选技术方案，其改进之处在于，所述预先建立的塔筒载荷模型，还包括：

在所述获取风电机组scada数据之后，以所述风电机组scada数据为输入，以所述风电机组的叶片载荷为输出，使用人工神经网络建立叶片载荷模型。

本发明提供的第三优选技术方案，其改进之处在于，所述获取风电机组的载荷，包括：

以预设的采样频率和采样周期，采集所述风电机组的载荷；

剔除无效载荷数据；

将采集的载荷规格化至1hz；

分别对采集的载荷进行雨流分析，获得markov矩阵；

根据markov矩阵得到载荷幅值和循环次数的对应关系，按照下式计算等效载荷leq：

其中，ri为第i级的载荷幅值，ni为第i级的载荷循环次数，neq为等效载荷循环次数，m为材料s-n曲线的斜率。

本发明提供的第四优选技术方案，其改进之处在于，所述无效载荷数据包括：

不在测量时间范围之内的载荷数据；

不在可用扇区之内的载荷数据；

风电机组由于发生安全链端口，手动停机时的载荷数据；

不完整的载荷数据；

结冰情况下的载荷数据。

本发明提供的第五优选技术方案，其改进之处在于，所述获取风电机组scada数据，包括：

以预设的采样周期采集所述风电机组的scada数据，所述scada数据包括风速、风向、功率、机舱加速度、转速、桨距角、偏航偏差和风电机组运行状态，所述scada数据与所述风电机组塔筒及叶片的载荷同步；

剔除无效和故障的scada数据；

根据所述风电机组的状态，将所述scada数据分类；

对于每一种风电机组塔筒或叶片的载荷数据，分别筛选出与所述载荷数据皮尔森相关系数绝对值在0.3以上的scada数据。

本发明提供的第六优选技术方案，其改进之处在于，所述无效的scada数据包括：

不在测量时间范围之内的scada数据；

不在可用扇区之内的scada数据；

风电机组由于发生安全链端口，手动停机时的scada数据；

不完整的scada数据；

结冰情况下的scada数据。

本发明提供的第七优选技术方案，其改进之处在于，所述风电机组的状态，包括稳态工况和瞬态工况；

所述瞬态工况包括启动、正常停机和紧急停机；

所述稳态工况正常发电、故障发电、停机和空转；

所述正常发电包括风轮不受尾流影响的正常发电、部分风轮受尾流影响的正常发电和风轮完全被尾流影响的正常发电；

所述故障发电包括风轮不受尾流影响的故障发电、部分风轮受尾流影响的故障发电和风轮完全被尾流影响的故障发电。

本发明提供的第八优选技术方案，其改进之处在于，所述对于每一种风电机组塔筒或叶片的载荷数据，分别筛选出与所述载荷数据皮尔森相关系数绝对值在0.3以上的scada数据，包括：

计算采样周期内所述scada数据的统计量，包括最大值、最小值、平均值和标准差；

针对每一种发电机组塔筒或叶片的载荷，分别计算所述载荷与各种scada数据的统计量间的皮尔森相关系数大小，筛选出统计量的皮尔森相关系数绝对值在0.3以上的scada数据。

本发明提供的第九优选技术方案，其改进之处在于，所述塔筒的载荷包括：塔底弯矩、塔顶扭矩和塔顶弯矩；所述叶片的载荷包括叶根弯矩。

本发明提供的第十优选技术方案，其改进之处在于，所述以所述风电机组scada数据为输入，以所述风电机组的叶片的载荷为输出，使用人工神经网络建立叶片载荷模型，包括：

以与叶根弯矩皮尔森相关系数绝对值在0.3以上的风电机组scada数据为输入，以叶根弯矩为输出，针对每一种风电机组运行状态，分别使用人工神经网络建立叶片载荷模型。

本发明提供的第十一优选技术方案，其改进之处在于，所述以所述风电机组scada数据和预测的叶片载荷为输入，以所述风电机组的塔筒载荷为输出，使用人工神经网络建立塔筒载荷模型，包括：

以与塔底弯矩皮尔森相关系数绝对值在0.3以上的风电机组scada数据和获取的叶片载荷为输入，以塔底弯矩为输出，针对每一种风电机组运行状态，分别使用人工神经网络建立塔底弯矩模型；

以与塔顶扭矩皮尔森相关系数绝对值在0.3以上的风电机组scada数据和获取的叶片载荷为输入，以塔顶扭矩为输出，针对每一种风电机组运行状态，分别使用人工神经网络建立塔顶扭矩模型；

以与塔顶弯矩皮尔森相关系数绝对值在0.3以上的风电机组scada数据和获取的叶片载荷为输入，以塔顶弯矩为输出，针对每一种风电机组运行状态，分别使用人工神经网络建立塔顶弯矩模型。

本发明提供的第十二优选技术方案，其改进之处在于，所述根据预先建立的塔筒载荷模型和采集的所述scada数据，预测所述风电机组的塔筒载荷包括：

根据预先建立的塔筒载荷模型中的叶片载荷模型和采集的所述scada数据，预测所述风电机组的叶片载荷；

根据预先建立的塔筒载荷模型和采集的所述scada数据，以所述scada数据和预测的叶片载荷为输入，预测所述风电机组的塔筒载荷。

一种风电机组塔筒载荷预测系统，其改进之处在于，包括数据采集模块和塔筒载荷预测模块；

所述数据采集模块用于采集风电机组的scada数据；

所述塔筒载荷预测模块用于根据预先建立的塔筒载荷模型和采集的所述scada数据，预测所述风电机组的塔筒载荷。

本发明提供的第十三优选技术方案，其改进之处在于，还包括建模模块，所述建模模块包括载荷采集子单元、scada采集子单元和塔筒载荷建模子单元；

所述载荷采集子单元用于获取风电机组的载荷，所述风电机组的载荷包括塔筒载荷和叶片载荷；

所述scada采集子单元用于获取风电机组scada数据；

所述塔筒载荷建模子单元用于以所述风电机组scada数据和获取的叶片载荷为输入，以所述风电机组的塔筒载荷为输出，使用人工神经网络建立塔筒载荷模型。

本发明提供的第十四优选技术方案，其改进之处在于，所述建模模块还包括片载荷子单元：

所述叶片载荷子单元用于以所述风电机组scada数据为输入，以所述风电机组的叶片载荷为输出，使用人工神经网络建立叶片载荷模型。

与最接近的现有技术相比，本发明具有的有益效果如下：

评估效率高。对风电机组的塔筒载荷模型建模完成后，不需使用测试设备，可以通过采集scada数据预测塔筒载荷，极大地提高了塔筒载荷预测评估的效率。性价比高。避免了对风电机组塔筒长期的现场测试，降低了测试所需的时间和设备成本。

塔筒载荷预测结果准确度高。首先，针对风电机组不同运行工况下不同载荷类别，利用相关性分析选择相应的scada参数，合理的参数选择保证了神经网络模型的准确性；其次，叶片载荷受载简单，且直接影响塔筒载荷，基于神经网络模型得到的叶片载荷预测值准确度高，将叶片载荷预测值应用于塔筒载荷预测，能够进一步提高塔筒载荷预测的准确性；最后，神经网络模型的训练数据来源于实际测试数据，保证了模型的有效性。

附图说明

图1为本发明提供的一种风电机组塔筒载荷预测方法流程示意图；

图2为本发明提供的一种风电机组塔筒载荷预测方法流程展开图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

本发明的目的是，基于神经网络理论、利用scada数据和风电机组载荷测试数据，尤其是叶片实测载荷，提出一种风电机组塔筒载荷预测方法。本发明的流程如图1所示，包括：

采集风电机组的scada数据；

根据预先建立的塔筒载荷模型和采集的所述scada数据，预测所述风电机组的塔筒载荷。

风电机组塔筒载荷预测方法流程展开如图2所示，包括：

步骤1、获取风电机组塔筒及叶片的载荷，具体为

1-1在风电机组上安装应变片，测量风电机组的载荷；

在风电机组上安装应变片，以预设的采样频率和采样周期，采集风电机组的塔筒及叶片的载荷，其中塔筒的载荷包括：塔底弯矩、塔顶扭矩和塔顶弯矩，叶片的载荷包括叶根弯矩；采样频率，通常取50hz。采样周期通常取10分钟。

1-2剔除无效数据；

无效数据包括：

不在测量时间范围之内的载荷数据；

不在可用扇区之内的载荷数据；

风电机组由于发生安全链端口，手动停机时的载荷数据；

不完整的载荷数据；

结冰情况下的载荷数据。

1-3雨流分析；

为了便于比较不同载荷循环次数的载荷结果，将所有的载荷规格化至1hz；分别对采集的塔筒及叶片的载荷的时间序列进行雨流分析，获得各自相应的markov矩阵；

1-4等效载荷计算；

根据markov矩阵得到载荷幅值和循环次数的对应关系，按照下式计算等效载荷leq：

其中，ri为第i级的载荷幅值，ni为第i级的载荷循环次数，neq为等效载荷循环次数，m为材料s-n曲线的斜率。ri和neq通过分析markov矩阵得到，neq与预设的采样周期和规格化频率有关，当采样周期取10分钟，将所有的载荷规格化至1hz时，neq＝600＝10(分钟)*60(秒)*1(hz)。m通常取4、8、10或12，本发明中取10。

步骤2、获取风电机组scada数据，具体为：

2-1以预设的采样周期采集风电机组的scada数据；

采集风电机组的scada数据，采集时scada数据与风电机组塔筒及叶片的载荷同步，采样周期取为10分钟。scada数据包括风速、风向、功率、机舱加速度、转速、桨距角、偏航偏差和风电机组运行状态等。采集的scada数据与风电机组塔筒及叶片的载荷同步。

2-2数据清洗；

剔除无效和故障数据的scada数据；其中无效的scada数据包括：

不在测量时间范围之内的scada数据；

不在可用扇区之内的scada数据；

风电机组由于发生安全链端口，手动停机时的scada数据；

不完整的scada数据；

结冰情况下的scada数据。

2-3数据分类；

根据风电机组的状态，将scada数据分类。风电机组的状态如表1所示。

表1、风电机组的状态

步骤3数据筛选；

对于每一种风电机组塔筒或叶片的载荷数据，分别筛选出与载荷数据皮尔森相关系数绝对值在0.3以上的scada数据，包括：

计算采样周期内scada数据的统计量，包括最大值、最小值、平均值和标准差；

针对每一种发电机组塔筒及叶片的载荷，分别计算各载荷参数与scada数据的统计量间的皮尔森相关系数，筛选出统计量的皮尔森相关系数绝对值在0.3以上的scada数据。

步骤4、叶片载荷模型的建立

基于人工神经网络的理论和方法，建立scada数据和叶片载荷测试结果的关系模型。以筛选后的scada数据为输入，以获取的实测风电机组的叶片的载荷为输出，使用人工神经网络建立叶片载荷模型。建模时，根据风电机组运行状态，每一种风电机组运行状态，分别使用人工神经网络建立叶片载荷模型。本发明中共建立11个叶片载荷模型。

步骤5、塔筒载荷模型的建立

基于人工神经网络的理论和方法，建立塔筒载荷模型。以筛选后的scada数据和获取实测的叶片载荷为输入，以风电机组的塔筒载荷为输出，使用人工神经网络建立塔筒载荷模型。建模时，根据风电机组运行状态和载荷参数，塔底弯矩、塔顶扭矩和塔顶弯矩中的每一种载荷对应一种风电机组运行状态，分别使用人工神经网络建立塔筒载荷模型。本发明中共建立33个塔筒载荷模型。

步骤6、塔筒载荷的长期预测

结合机组scada数据，将已经建立的叶片载荷模型应用于风电机组塔筒载荷的预测中，实现风电机组塔筒载荷的长期精确预测，包括：

6-1获得所需的scada数据并对风电机组运行状态进行分类；

6-2基于相应的scada数据，利用叶片载荷模型得到不同运行状态下叶片载荷的预测值；

6-3基于相应的scada数据和叶片载荷预测值，利用塔筒载荷模型，以相应的scada数据和预测的叶片载荷为输入，得到不同运行状态下风电机组塔筒载荷的预测值。

需要指出的是，塔筒载荷模型建模时，为了使模型更精准，需要输入的叶片载荷数据为获取的实测数据；塔筒载荷的长期预测时，输入的叶片载荷数据为根据叶片载荷模型预测的数值。建立塔筒载荷模型时，可同步建立叶片载荷模型。

基于同一发明思路，本发明还提供了一种风电机组塔筒载荷预测系统，包括数据采集模块和塔筒载荷预测模块；

所述数据采集模块用于采集风电机组的scada数据；

所述塔筒载荷预测模块用于根据预先建立的塔筒载荷模型和采集的所述scada数据，预测所述风电机组的塔筒载荷。

进一步，该系统还包括建模模块，所述建模模块包括载荷采集子单元、scada采集子单元和塔筒载荷建模子单元；

所述载荷采集子单元用于获取风电机组的载荷，所述风电机组的载荷包括塔筒载荷和叶片载荷；

所述scada采集子单元用于获取风电机组scada数据；

所述塔筒载荷建模子单元用于以所述风电机组scada数据和预测的叶片载荷为输入，以所述风电机组的塔筒载荷为输出，使用人工神经网络建立塔筒载荷模型。

进一步，所述建模模块还包括片载荷子单元：

所述叶片载荷子单元用于以所述风电机组scada数据为输入，以所述风电机组的叶片载荷为输出，使用人工神经网络建立叶片载荷模型。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。