一种风电场载荷的长期评估方法与流程

本发明涉及一种评估方法，具体涉及一种风电场载荷的长期评估方法。

背景技术：

近年来我国风力发电发展势头迅猛，从2005年到2015年的十年间，全国风电装机容量已经从1.25GW迅速增长到124.71GW，跃居世界第一。风电机组是需要运行20年的发电设备，这种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，因此长期对风电机组的载荷进行监控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，风电机组只是在定型阶段对样机进行载荷的型式试验，一般不对大批量安装的风电机组进行载荷监控。即使有个别风电场对载荷进行监控，也只是针对个别机组进行测试，不会对风电场的全部风电机组的载荷进行监控。这主要是因为载荷测试的投入很大，大规模开展需要的费用很高。因此，这就需要一种成本相对较小的方法对风电场的全部风电机组进行载荷监控。

由于当前的制造商和风电场业主普遍都很重视风电机组的运行管理，风电场的SCADA系统积累了大量的历史运行数据，如果能够充分利用这些数据，可以挖掘出大量信息，极大地提升风电场的监控水平。

申请号201210436487.9和201010513594.8的专利均为风电机组载荷测试系统，未涉及风电场载荷评估的内容。申请号201310052643.6专利是用于风电机组载荷控制的系统和方法，未涉及载荷评估的内容。申请号201210580075.2是针对风电机组振动的监测系统和方法方法，未涉及风电机组的疲劳载荷。201010134383.3是一种风电机组疲劳载荷监测的系统，未涉及风电场载荷评估的内容。201410360695.4是一种风电机组疲劳监测的方法，不涉及到风电场疲劳的评估。

技术实现要素：

针对现有技术的不足，本发明提供一种风电场载荷的长期评估方法，结合风电机组测试数据和SCADA数据进行分析，大大降低了逐台测试的成本和时间费用，并且保证了载荷评估的准确度，能够对风电场所有风电机组的疲劳累积情况进行评估，非常适合于运行中的风电场进行长期的载荷监测，尤其是针对海上风电场。

本发明的目的是采用下述技术方案实现的：

一种风电场载荷的长期评估方法，所述方法包括：

(1)选择典型风电机组；

(2)对典型风电机组进行载荷测试，计算等效载荷；

(3)获取与典型风电机组的测量数据同步的SCADA数据，并对数据按照典型风电机组的运行状态分类；

(4)基于人工神经网络的理论和方法，建立基于SCADA数据和载荷测试结果的模型；

(5)将典型风电机组的载荷模型应用于风电场内其他风电机组，并结合SCADA数据，计算待评估风电机组的载荷。

优选的，所述步骤(1)中，典型风电机组的条件是：风电场的每个型号的风电机组选择一台，如果风电场有多个型号，则选择多台典型风电机组。

优选的，所述步骤(2)中计算等效载荷包括下述步骤：

2-1在典型风电机组上安装应变片，测量风电机组的载荷；定义采样率为50Hz，平均周期为10min；其中，

测量的载荷参数，包括叶根弯矩、主轴扭矩、主轴弯矩、塔顶弯矩和塔底弯矩；

2-2对载荷测试的10min时间序列进行雨流分析，获得雨流分析结果，即Markov矩阵；

2-3将雨流分析结果规格化至1Hz；

2-4计算等效载荷，其表达式为：

式中：L_eq为等效载荷，R_i为第i级的载荷幅值，n_i为第i级的载荷循环次数，N_eq为等效载荷循环次数，m为材料S-N曲线的斜率。

优选的，所述步骤(3)的分类方法具体包括：

3-1以10min为测量周期，采集典型风电机组与测试同步的SCADA数据，将载荷测试数据和SCADA数据合并；其中，

SCADA参数，包括风速、风向、功率、转速、桨距角、偏航偏差和风电机组的运行状态；

3-2对数据进行清洗，剔除无效数据；即仅保留风电机组在正常发电状态的数据，剔除传感器过载的数据；

3-3根据SCADA数据和载荷测试数据携带风电机组状态标识进行分类，包括稳定工况和瞬态工况；并在稳定工况下，根据风向划分数据的尾流情况。

进一步地，所述稳定工况，包括正常发电状态、故障状态、停机和空转；

所述瞬态工况，包括启动、正常停机和紧急停机；

所述尾流情况，包括风轮不受尾流影响、部分风轮受尾流影响和风轮完全被尾流影响。

优选的，所述步骤(4)建立SCADA数据和载荷测试结果的模型包括：以SCADA数据的风速、功率、转速、桨距角、偏航偏差为输入，以典型风电机组测量的载荷测试结果为输出，使用人工神经网络的方法，根据不同的风电机组运行状态和不同的载荷参数分别建模。

优选的，所述步骤(5)计算待评估风电机组的载荷包括：

5-1以10min为测量周期，获取风电场内与典型风电机组同型号的其他风电机组长期的SCADA数据；

5-2对数据进行清洗，剔除无效数据；即仅保留风电机组在正常发电状态的数据，剔除传感器过载的数据；

5-3对待评估风电机组的每个10min数据的风电机组状态进行分类；

5-4分别根据不同的状态类别，选择相应的模型进行计算，自动输出载荷结果；包括叶根弯矩、主轴扭矩、主轴弯矩、塔顶弯矩和塔底弯矩。

与现有技术比，本发明达到的有益效果是：

(1)结果准确度高。典型风电机组的数据来源于实际测试数据，载荷模型基于测试数据和必需的SCADA参数，可以提高载荷评估的准确度。

(2)性价比高。避免了对风电场内的风电机组逐台进行测试，降低了测试所需的时间和设备成本。

(3)评估效率高。对典型风电机组的建模完成后，其他风电机组的评估工作可以同步开展；建模和其他风电机组的评估工作，不需使用测试设备，可以通过编程自动实现，极大地提高了评估的效率。

附图说明

图1为本发明提供的风电场载荷的长期评估方法流程图；

图2为本发明提供的建立基于SCADA数据和载荷测试结果模型示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

如图1所示，一种风电场载荷的长期评估方法，所述方法包括：

(1)选择典型风电机组；步骤(1)中，典型风电机组的条件是：风电场的每个型号的风电机组选择一台，如果风电场有多个型号，则选择多台典型风电机组。

(2)对典型风电机组进行载荷测试，计算等效载荷；

步骤(2)中计算等效载荷包括下述步骤：

2-1在典型风电机组上安装应变片，测量风电机组的载荷；定义采样率为50Hz，平均周期为10min；其中，

测量的载荷参数，包括叶根弯矩(扭矩)、主轴扭矩、主轴弯矩、塔顶弯矩和塔底弯矩。

2-2对载荷测试的10min时间序列进行雨流分析，获得雨流分析结果，即Markov矩阵；

2-3为了便于比较不同载荷循环次数的载荷结果，将雨流分析结果规格化至1Hz；

2-4计算等效载荷，其表达式为：

式中：L_eq为等效载荷，R_i为第i级的载荷幅值，n_i为第i级的载荷循环次数，N_eq为等效载荷循环次数，m为材料S-N曲线的斜率，通常取4、8、10、12，本次计算取10。

(3)获取与典型风电机组的测量数据同步的SCADA数据，并对数据按照典型风电机组的运行状态分类；

分类方法具体包括：

3-1以10min为测量周期，采集典型风电机组与测试同步的SCADA数据，将载荷测试数据和SCADA数据合并；其中，

SCADA参数，包括风速、风向、功率、转速、桨距角、偏航偏差和风电机组的运行状态；

3-2对数据进行清洗，剔除无效数据；即仅保留风电机组在正常发电状态的数据，剔除传感器过载的数据；

3-3根据SCADA数据和载荷测试数据携带风电机组状态标识进行分类，包括稳定工况和瞬态工况；由于风电机组运行于不同的状态，并不总是在正常发电，因此除了稳定运行的工况，还会有一些瞬态的工况，这些工况下的风电机组载荷差别很大。

同时，风电机组处于不同尾流情况下，载荷也有很大区别；因此在稳定工况下，根据风向划分数据的尾流情况。其中，

稳定工况，包括正常发电状态、故障状态、停机和空转；

所述瞬态工况，包括启动、正常停机和紧急停机；

所述尾流情况，包括风轮不受尾流影响、部分风轮受尾流影响和风轮完全被尾流影响。如下表所示，

(4)如图2所示，基于人工神经网络的理论和方法，建立基于SCADA数据和载荷测试结果的模型；

包括：以SCADA数据的风速、功率、转速、桨距角、偏航偏差为输入，以典型风电机组测量的载荷测试结果为输出，使用人工神经网络的方法，根据不同的风电机组运行状态和不同的载荷参数分别建模。

(5)将典型风电机组的载荷模型应用于风电场内其他风电机组，并结合SCADA数据，计算待评估风电机组的载荷。

5-1以10min为测量周期，获取风电场内与典型风电机组同型号的其他风电机组长期的SCADA数据；

5-2对数据进行清洗，剔除无效数据；即仅保留风电机组在正常发电状态的数据，剔除传感器过载的数据；

5-3对待评估风电机组的每个10min数据的风电机组状态进行分类；

5-4分别根据不同的状态类别，选择相应的模型进行计算，自动输出载荷评结果；包括叶根弯矩、主轴扭矩、主轴弯矩、塔顶弯矩和塔底弯矩。

将该方法应用于风电场所有风电机组，最终实现对风电场载荷的长期评估。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。