确定风力发电机组的机舱位移的方法、装置和系统与流程

1.本发明涉及风力发电技术，更具体而言，涉及一种确定风力发电机组的机舱位移的方法、装置和系统。


背景技术：

2.风力发电机组通常包括塔筒和设置在塔筒上的机舱。在风力发电机组的运行过程中，机舱会受到外力的影响而产生位移，从而使得塔筒所承受的载荷增大。因此，为了正确评估风力发电机组的载荷，需要精准的机舱位移作为输入。
3.一种传统的机舱位移确定方法借助于卫星定位来确定机舱位移。这种机舱位移确定方法需要设置基站和测站，测站由数据采集模块和两个定位天线组成，测站安装在机舱顶部，基站与测站分离并且避免对基站产生电磁干扰，基站相距测站的距离小于或等于10公里，并且由基站为测站提供同步和差分信号，以用于机舱位移计算。虽然在部分风电场已经批量使用北斗系统，但是北斗系统的结构是复杂的，成本也很高。因此，不可能为所有风电场配备北斗系统。此外，在确定机舱位移的过程中使用的信号容易受到外界因素干扰。
4.传统的机舱位移确定方法还包括借助于图像中的特征点来推导机舱位移的方法、以及借助于加速度传感器信号来计算机舱位移的方法。在借助于图像中的特征点来推导机舱位移的方法中，需要借助于图像采集设备，计算图像采集设备所采集的图像中的机舱位移，并由此推导出实际机舱位移，但是受到雨、雾等天气因素的影响，采集的图像可能是不准确的，导致作为计算结果的实际机舱位移是不准确的。在借助于加速度传感器信号来计算机舱位移的方法中，需要对加速度传感器信号所表示的加速度进行二次积分，但是由于外界因素而带来的噪声将使计算结果不准确。


技术实现要素：

5.本发明的目的在于提供一种准确计算机舱位移的方案，以避免外界因素对计算结果的影响，并且尽可能减少成本。
6.根据本发明的示例性实施例，提供了一种确定风力发电机组的机舱位移的方法，其中，风力发电机组包括机舱、用于测量机舱的线性运动数据的线性运动传感器、以及用于测量机舱的角度数据的角度传感器，确定机舱位移的方法包括：通过线性运动传感器获取机舱的线性运动数据，并基于获取的线性运动数据来计算第一位移；通过角度传感器获取机舱的角度数据，并基于获取的角度数据来计算第二位移。
7.可选的，通过角度数据来计算第二位移的步骤包括：确定角度数据的多个角度分量中的每个角度分量与位移之间的线性对应关系；根据角度数据和线性对应关系来计算第二位移。
8.可选的，通过角度数据来计算所述第二位移的步骤还包括：将在风力发电机组处于停机状态下的预定时间段内通过角度传感器测量的角度数据的平均值，作为静差；在计算第二位移之前，从用于计算第二位移的角度数据中减去静差。
9.可选的，根据第一位移和第二位移来确定机舱位移的步骤包括：基于第一位移和第二位移，通过卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法、以及高斯滤波算法中的一个来确定机舱位移。
10.可选的，当通过卡尔曼滤波算法来确定机舱位移时，确定所述机舱位移的步骤包括：根据线性运动数据和第一位移之间的关系，生成状态转移方程；根据角度数据和第二位移之间的关系，生成观测方程；针对状态转移方程和观测方程执行卡尔曼滤波算法以获得最优估计值，作为机舱位移。
11.可选的，执行卡尔曼滤波算法以获得最优估计值的步骤包括：根据角度数据，设置观测方程的观测矩阵；设置与机舱位移误差对应的协方差矩阵；根据所述观测矩阵和所述协方差矩阵，确定卡尔曼增益矩阵；根据卡尔曼增益矩阵、角度数据、以及所述观测矩阵来更新第一位移，以通过迭代计算来获得第一位移的最优估计值，其中，在每次迭代期间，在更新第一位移之后，根据卡尔曼增益矩阵和观测矩阵来对协方差矩阵进行更新，并且在下一次迭代期间，根据状态转移方程中的参数对经过更新的协方差矩阵进行再次更新。
12.根据本发明的另一示例性实施例，提供了一种确定风力发电机组的机舱位移的装置，其中，风力发电机组包括机舱、用于测量机舱的线性运动数据的线性运动传感器、以及用于测量所述机舱的角度数据的角度传感器，确定装置机舱位移的包括：第一位移计算单元，用于通过线性运动数据来计算第一位移；第二位移计算单元，用于通过角度数据来计算第二位移；机舱位移确定单元，用于根据第一位移和第二位移来确定机舱位移。
13.可选的，第二位移计算单元确定角度数据的多个角度分量中的每个角度分量与位移之间的线性对应关系，并且根据角度数据和线性对应关系来计算第二位移。
14.可选的，第二位移计算单元将在风力发电机组处于停机状态下的预定时间段内通过角度传感器测量的角度数据的平均值，作为静差；第二位移计算单元在计算第二位移之前，从用于计算第二位移的角度数据中减去静差。
15.可选的，机舱位移确定单元基于第一位移和第二位移，通过卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法、以及高斯滤波算法中的一个来确定机舱位移。
16.可选的，当通过卡尔曼滤波算法来确定所述机舱位移时，机舱位移确定单元被配置为：根据线性运动数据和第一位移之间的关系，生成状态转移方程；根据角度数据和第二位移之间的关系，生成观测方程；针对状态转移方程和观测方程执行卡尔曼滤波算法以获得最优估计值，作为机舱位移。
17.可选的，机舱位移确定单元根据如下操作执行卡尔曼滤波算法：根据所述角度数据，设置所述观测方程的观测矩阵；设置与机舱位移误差对应的协方差矩阵；根据所述观测矩阵和所述协方差矩阵，确定卡尔曼增益矩阵；根据卡尔曼增益矩阵、所述角度数据、以及所述观测矩阵来更新第一位移，以通过迭代计算来获得第一位移的最优估计值，其中，在每次迭代期间，在更新第一位移之后，根据卡尔曼增益矩阵和所述观测矩阵来对协方差矩阵进行更新，并且在下一次迭代期间，根据状态转移方程中的参数对经过更新的协方差矩阵进行再次更新。
18.根据本发明的另一示例性实施例，提供了一种确定风力发电机组的机舱位移的系统，其中，风力发电机组包括机舱，确定机舱位移的系统包括：线性运动传感器，用于测量机舱的线性运动数据；角度传感器，用于测量机舱的角度数据；控制器，用于执行如下操作：通
过线性运动数据来计算第一位移；通过角度数据来计算第二位移；根据第一位移和第二位移来确定机舱位移。
19.可选的，控制器被配置为确定角度数据的多个角度分量中的每个角度分量与位移之间的线性对应关系，并且根据角度数据和线性对应关系来计算第二位移。
20.可选的，控制器被配置为将在风力发电机组处于停机状态下的预定时间段内通过角度传感器测量的角度数据的平均值，作为静差；在计算第二位移之前，从用于计算第二位移的角度数据中减去静差。
21.可选的，控制器被配置为基于第一位移和第二位移，通过卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法、以及高斯滤波算法中的一个来确定机舱位移。
22.可选的，控制器被配置为当通过卡尔曼滤波算法来确定机舱位移时，根据线性运动数据和第一位移之间的关系，生成状态转移方程；根据角度数据和第二位移之间的关系，生成观测方程；针对状态转移方程和观测方程执行卡尔曼滤波算法以获得最优估计值，作为机舱位移。
23.可选的，控制器被配置为根据如下操作执行卡尔曼滤波算法：根据角度数据，设置观测方程的观测矩阵；设置与机舱位移误差对应的协方差矩阵；根据观测矩阵和协方差矩阵，确定卡尔曼增益矩阵；根据卡尔曼增益矩阵、角度数据、以及观测矩阵来更新第一位移，以通过迭代计算来获得第一位移的最优估计值，其中，在每次迭代期间，在更新第一位移之后，根据卡尔曼增益矩阵和观测矩阵来对协方差矩阵进行更新，并且在下一次迭代期间，根据状态转移方程中的参数对经过更新的协方差矩阵进行再次更新。
24.根据本发明的另一示例性实施例，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使计算装置执行如上方法。
25.根据本发明的确定风力发电机组的机舱位移的方法、装置和系统，可将通过两种方式分别计算出的第一位移和第二位移进行结合，以便获得更准确的机舱位移计算结果。具体而言，角度传感器通常仅用于角度测量而不用于位移测量，本发明扩展了角度传感器的应用场景，将角度传感器用于测量位移，并且虽然第一位移和第二位移在计算过程中存在噪声，但是当结合第一位移和第二位移来计算机舱位移时，可使第一位移中的噪声和第二位移的噪声互相抵消，从而获得更准确的计算结果。另外，由于线性运动传感器和角度传感器的部署与北斗系统和图像采集设备的部署相比，具有成本更低的优点，因此有利于广泛实施本发明。
26.将在接下来的描述中部分阐述本发明另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明的实施而得知。
附图说明
27.通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
28.图1示出根据本发明的示例性实施例的确定风力发电机组的机舱位移的方法的流程图；
29.图2示出根据本发明的示例性实施例的风力发电机组的示意图；
30.图3示出根据本发明的示例性实施例的卡尔曼滤波算法的流程图；
31.图4示出根据本发明的示例性实施例的确定风力发电机组的机舱位移的装置的框图；
32.图5示出根据本发明的示例性实施例的确定风力发电机组的机舱位移的系统的框图。
具体实施方式
33.在详细描述本发明的示例性实施例之前，需要对部分术语进行说明如下：
34.机舱位移可表示风力发电机组的机舱上的任意位置的位移，位移可包括相对位移和绝对位移，例如，相对位移可以是风力发电机组运行时刻的位置相对于风力发电机组非运行时刻(可表示为停机状态)的位置的位移。
35.线性运动传感器是加速度传感器、速度传感器以及位移传感器中的一个，但是这并非用于限制本发明的保护范围，采集信号并且采集的信号可用于计算位移的传感器均是可行的。另外，线性运动可表示一维直线运动、二维直线运动、以及三维直线运动中的任何一种直线运动。
36.角度传感器可由气泡式水平仪、电子水平仪、以及陀螺仪等来实现，也可由包括角度测量模块并且能够输出测量的角度的硬件系统来实现，当然这些实现方式仅仅是示例性的，并不用于限制本发明的保护范围，其他任何输出角度数据的传感器均是可行的。例如，这样的传感器包括可测量角度的前置激光测风雷达或者未来有可能出现的机舱式超声波测风雷达。
37.下面参照附图详细描述本发明的实施例。
38.图1示出根据本发明的示例性实施例的确定风力发电机组的机舱位移的方法的流程图。
39.本示例性实施例中的风力发电机组包括机舱、用于测量机舱的线性运动数据的线性运动传感器、以及用于测量机舱的角度数据的角度传感器。本示例性实施例中的确定机舱位移的方法包括：在步骤110，通过线性运动传感器获取机舱的线性运动数据，并基于获取的线性运动数据来计算第一位移；在步骤120，通过角度传感器获取机舱的角度数据，并基于获取的角度数据来计算第二位移；在步骤130，根据第一位移和第二位移来确定机舱位移。
40.在上述方法中利用了第一位移与第二位移两种不同的位移来综合计算最终的机舱位移，第一位移与第二位移的计算方法分别对应于步骤110和步骤120。随后，在步骤130中，通过算法综合计算机舱位移，以使第一位移的噪声和第二位移的噪声中的至少一部分噪声互相抵消，使得最终机舱位移的计算结果更加准确。
41.在计算第一位移的过程中，当使用加速度传感器时，可通过对加速度传感器测量出的加速度数据进行二次积分来获得第一位移；当使用速度传感器时，可通过对速度传感器测量出的速度数据进行一次积分来获得第一位移；当使用位移传感器时，可将位移传感器测量出的位移数据作为第一位移。
42.更具体而言，结合图2，当使用加速度传感器时，加速度传感器可以测量垂直叶轮平面方向(图2中的xn方向)的分量、以及平行叶轮平面方向(图2中的yn方向)的分量，其中，zn方向是垂直水平面的方向，xn方向、yn方向以及zn方向互相垂直。基于垂直叶轮平面方向
的分量，可通过二次积分计算出一个位移分量，基于平行叶轮平面方向的分量，也可通过二次积分计算出一个位移分量，第一位移是一个向量，这两个位移分量可作为第一位移的两个分量。这里的加速度传感器可采用风力发电机组已经配备的加速度传感器来实现，也可被实现为额外配备的加速度传感器，加速度传感器的采样频率可以是50hz。
43.在计算第二位移的过程中，可预先确定角度数据的多个角度分量中的每个角度分量与机舱相对位移之间的对应关系，随后，根据角度测量数据和确定的对应关系来计算第二位移。如下文所述，这里的机舱相对位移可通过仿真来确定。
44.更具体而言，风力发电机组的叶轮平面与zn方向之间的角度可称为俯仰角，在由xn方向和yn方向限定的平面内，围绕zn方向旋转的角度可称为摇摆角。角度传感器采样频率可在0.5hz至50hz之间。角度传感器可通过测量俯仰角的变化来获得一个角度分量，角度传感器也可通过测量摇摆角的变化来获得一个角度分量，这两个角度分量分别记为tilt和roll。
45.可通过gh bladed等仿真软件来预先确定上述对应关系。具体地，通过仿真确定机舱在受力情况下的机舱相对位移，并记录与机舱相对位移对应的俯仰角与摇摆角，经过多次仿真分析可以得到机舱相对位移与俯仰角以及机舱相对位移与摇摆角之间的对应关系。在一个示例性实施例中，在振动角度较小的时候，机舱相对位移与倾斜角度成近似线性关系。该线性对应关系表示在机舱发生位移时俯仰角的变化和摇摆角的变化在有限的范围之内，例如，变化小于或等于10度，甚至小于或等于5度。两个位移分量可分别通过如下两个公式计算：
46.k1
×
tilt
47.k2
×
roll
48.其中，k1和k2是预先确定的系数。通过这种方式确定的第二位移也是一个向量，包括通过以上两个公式计算出的两个分量。
49.本发明的示例性实施例还考虑到静差对于计算结果准确性的影响，静差可由风力发电机组的安装引起。可将风力发电机组在停机状态下的角度传感器的读数tilt0和roll0作为静差。在这种情况下，在计算第二位移之前，从用于计算第二位移的角度数据中减去静差。通过这种方式，可使计算结果免受静差的影响，从而更加准确。
50.作为更优选的实施方式，可使用线性运动传感器和/或角度传感器的读数的平均值，参与到机舱位移的计算。风力发电机组在停机状态下的角度传感器的读数与此类似，可利用tilt0的平均值以及roll0的平均值来确定静差。
51.以上的步骤130可借助于多种最优估计算法来实现，例如，通过卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法、以及高斯滤波算法中的一个来确定机舱位移。当然，这里列举出的算法仅仅是示例性的，而非受限于此，其他最优估计算法也可用于实现步骤130。为了便于说明，以下实施例采用加速度传感器并且结合卡尔曼滤波算法来计算机舱位移。
52.当通过卡尔曼滤波算法来确定机舱位移时，确定所述机舱位移的步骤包括：根据线性运动数据和第一位移之间的关系，生成状态转移方程；根据角度数据和第二位移之间的关系，生成观测方程；针对状态转移方程和观测方程执行卡尔曼滤波算法以获得最优估计值，作为机舱位移。
53.状态转移方程也称为运动方程或状态方程，状态转移方程可实现为对于加速度传感器所测量的数据进行二次积分的方程。例如，状态转移方程可表示如下：
[0054][0055]
其中，表示在第k次迭代时的第一位移，表示在第k-1次迭代时的第一位移，f
k
表示匀速运动矩阵，b
k
表示加速运动矩阵，表示加速度。
[0056]
观测方程可实现为通过上述线性对应关系对角度数据进行计算的方程。
[0057]
观测方程中的观测矩阵可表示为：
[0058][0059]
结合图3，执行卡尔曼滤波算法的步骤具体包括：
[0060]
在步骤210，根据角度数据，设置观测方程的观测矩阵，例如，上述观测矩阵h。
[0061]
在步骤220，设置与机舱位移误差对应的协方差矩阵。初始的协方差矩阵可根据经验获得，在随后的迭代过程中，可对协方差矩阵进行下文描述的更新。
[0062]
在步骤230，根据所述观测矩阵和所述协方差矩阵，确定卡尔曼增益矩阵。与第k次迭代对应的卡尔曼增益矩阵k表示如下：
[0063][0064]
其中，t表示转置，-1表示求逆矩阵的运算，p
k
、h
k
、r
k
分别表示与第k次迭代对应的协方差矩阵、观测矩阵、传感器误差矩阵，预设参数r
k
可根据经验而设置。
[0065]
在步骤240，根据卡尔曼增益矩阵、角度数据、以及观测矩阵来更新第一位移。与第k次迭代对应的更新后的位移如下：
[0066][0067]
其中，表示在k次迭代过程中通过状态转移方程计算出的第一位移，k表示卡尔曼增益矩阵，表示已经去除了静差后的角度数据，h
k
表示在k次迭代过程中的观测矩阵，去除静差的方式包括但不限于用角度数据减去静差。
[0068]
可根据以上步骤进行迭代，以获得第一位移的最优估计值，例如，当迭代k次时，可将步骤240中更新后的位移作为最优估计值。在每次迭代期间，在更新第一位移之后，根据卡尔曼增益矩阵和观测矩阵来对协方差矩阵进行更新，并且在下一次迭代期间，根据状态转移方程中的参数对经过更新的协方差矩阵进行再次更新。
[0069]
假设状态转移方程表示如下：
[0070][0071]
其中，表示在第k次迭代时的第一位移，表示在第k-1次迭代时的第一位移，f
k
表示匀速运动矩阵，b
k
和分别表示加速运动矩阵和加速度。
[0072]
在以上假设的前提之下，可通过如下公式更新协方差矩阵：
[0073]
[0074]
其中，f
k
是状态矩阵，q
k
是系统误差矩阵，代表状态转移方程的不确定度，通过对第k-1次迭代时的p
k-1
进行处理而获得，即：
[0075][0076]
其中，k是卡尔曼增益矩阵，h
k-1
是第k-1次迭代时的观测矩阵。
[0077]
如上所述，通过多次迭代，可获得机舱位移的最优估计值。另外，以上处理涉及两次协方差矩阵的更新，当然，也可在至少一次迭代中仅进行一次协方差矩阵的更新，或者也可在至少一次迭代中不进行任何协方差矩阵的更新。
[0078]
本实施例利用卡尔曼滤波算法，将基于第二位移生成的观测方程用于对基于第一位移生成的状态转移方程的误差修正，可以有效降低由于第一位移以及第二位移自身噪声导致最终输出结果的不确定度，第一位移以及第二位移的噪声在优化过程中被抵消，使得机舱位移的计算结果更加准确。
[0079]
可以理解的是，在上述实施例中，第一位移是基于加速度数据计算得到，相对于基于角度数据得到的第二位移具有更大的不确定性，因此，在利用算法进行综合计算机舱位移时将第一位移作为预测值，将第二位移作为实际测量值用于对第一位移进行修正充分考虑了参与计算的数据之间的不确定度，以保证计算结果的准确性。在第一位移的准确度较高时，可以将第一位移与第二位移进行互换，或者采用其他的算法进行机舱位移的计算。
[0080]
以上实施例描述了确定机舱位移的方法，基于这样的方法的发明构思可由装置来实现。因此，以下参照图4来进行详细描述。
[0081]
在本发明的另一示例性实施例中，风力发电机组包括机舱、用于测量机舱的线性运动数据的线性运动传感器、以及用于测量所述机舱的角度数据的角度传感器，确定装置机舱位移的包括：第一位移计算单元310，用于通过线性运动数据来计算第一位移；第二位移计算单元320，用于通过角度数据来计算第二位移；机舱位移确定单元330，用于根据第一位移和第二位移来确定机舱位移，其中，线性运动传感器可以是加速度传感器、速度传感器以及位移传感器中的一个也可以是其他传感器。
[0082]
作为示例，第二位移计算单元320计算第二位移的操作、第二位移计算单元320消减静差的操作、以及机舱位移确定单元330基于卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法、以及高斯滤波算法中的一个来确定机舱位移的操作可参照以上实施例来理解，这里不再赘述。
[0083]
本发明的发明构思还可通过系统来实现。因此，以下参照图5来进行详细描述。
[0084]
在本发明的另一示例性实施例中，风力发电机组包括机舱，确定机舱位移的系统包括：线性运动传感器410，用于测量机舱的线性运动数据；角度传感器420，用于测量机舱的角度数据；控制器430，用于执行如下操作：通过线性运动数据来计算第一位移；通过角度数据来计算第二位移；根据第一位移和第二位移来确定机舱位移，其中，线性运动传感器可以是加速度传感器、速度传感器以及位移传感器中的一个也可以是其他传感器。
[0085]
作为示例，控制器430也可称为主控制器，可还可用于实现偏航控制、变桨控制等操作。作为另一示例，控制器430也可由可编程逻辑控制器(programmable logic controller，简称为plc)、工控机、或边缘计算芯片等具备计算功能的硬件设备来实现。
[0086]
控制器430所执行的操作包括以上针对方法描述的实施例的各个步骤，可参照以
上实施例来进行理解，这里不再赘述。
[0087]
根据本发明的另一示例性实施例，提供了一种存储指令的计算机可读存储介质，其中，当指令被至少一个计算装置运行时，促使计算装置执行如上方法。
[0088]
根据本发明，在获得机舱位移之后，可借助于模型并且结合塔架动力学原理来间接确定塔底俯仰弯矩，解决不方便直接测量塔底俯仰弯矩的问题。本发明通过设置传感器来计算机舱位移，这种方式具有成本低的优点，可实现大规模应用。本发明利用角度来计算位移，具有计算速度快的优点。本发明利用卡尔曼滤波算法来优化位移，可具有收敛速度快的优点，从而减少长时间计算所消耗的处理器资源和存储空间。
[0089]
此外，应该理解，根据本发明的示例性实施例的方法也可实现为计算机可读记录介质上的计算机可读代码。计算机可读记录介质是可存储其后可由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读代码以分布式存储和执行。
[0090]
此外，完成本发明的功能程序、代码和代码段可容易地被与本发明相关的领域的普通程序员在本发明的范围之内解释。此外，根据本发明的示例性实施例的各个单元可完全由硬件来实现，例如现场可编程门阵列(fpga)或专用集成电路(asic)；还可以由硬件和软件相结合的方式来实现；也可以完全通过计算机程序来以软件方式实现。
[0091]
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。