用于对风力涡轮机的阻力系数进行计算机实现确定的方法与流程

用于对风力涡轮机的阻力系数进行计算机实现确定的方法
1.本发明涉及用于对作为用于控制风力涡轮机的控制变量的阻力系数进行计算机实现确定的方法和系统。此外，本发明涉及计算机程序产品。
2.当开发风力涡轮机的控制策略时，必须考虑以下三个目标：最大化产生的功率、最小化结构负载和最小化噪声。为了实现这些目标，能够根据当前的风力情形正确地控制叶片倾斜角是至关重要的。更具体地，有必要在不失速的情况下尽可能将叶片倾斜到风中。然而，如果叶片开始失速，则风力涡轮机的功率输出将减小，而结构负载将增加。此外，如果叶片开始失速，则噪声将增加。
3.失速检测是一项困难的任务。一般地，失速检测可以从叶片阻力系数中导出。叶片阻力系数可以根据空气动力学模拟来确定。然而，在没有用以测量叶片阻力系数的传感器的情况下，其不可直接得到。
4.为了控制叶片倾斜角，倾斜操作点目前由倾斜轨迹——通常称为最佳倾斜——定下界。倾斜轨迹是基于转子性能轮廓计算的。为了确保叶片不失速，向该轨迹添加失速裕度。当失速点随着例如空气密度、偏航误差和冰/污染条件而改变时，失速裕度需要是保守的以计及这些情形。最后，基于存储在风力涡轮机控制器中的倾斜曲线模拟的该过程导致失速裕度对比年产能量（aep）之间的权衡。不幸的是，失速裕度越大，aep将越低。
5.因此，存在对用于确定风力涡轮机的优化倾斜操作点的更容易方法的需要。
6.因此，本发明的目的是提供一种方法，所述方法允许可靠且容易地确定或估计叶片阻力系数，所述叶片阻力系数可以用作风力涡轮机的控制变量。本发明的另一个目的是提供一种系统，所述系统允许可靠且容易地确定叶片阻力系数。
7.这些目的通过根据权利要求1的特征的方法、根据权利要求11的计算机程序产品和根据权利要求12的系统来解决。从属权利要求中阐述了优选实施例。
8.根据本发明的第一方面，提出了一种用于对作为用于控制风力涡轮机的控制变量的阻力系数进行计算机实现确定的方法。所述方法包括以下步骤：s1）由接口从多个数据源接收数据集作为数据流，对于每个数据源，所述数据集由在给定时间段内在给定时间点处获取的多个时间系列值组成；和s2）由处理单元基于作为机器学习算法的输入的所述数据集来估计控制变量，所述机器学习算法用模拟时间系列数据的训练数据进行训练，所述模拟时间系列数据包含不同风力条件下的多个操作状态和相应数量的阻力系数。
9.本发明基于以下考虑：通过叶片阻力系数（其在下面称为阻力系数）的在线估计，可以确定最佳倾斜操作点。对于阻力系数的在线估计，应用机器学习算法，其允许对叶片阻力系数的自动化确定。因此，可以优化失速裕度对比aep之间的权衡，从而导致最大化风力涡轮机的产生的功率、最小化其结构负载、同时最小化噪声的可能性。
10.所述方法使用经训练的机器学习算法，其用模拟时间系列数据的训练数据进行训练，所述模拟时间系列数据包含不同风力条件下的多个操作状态和相应数量的阻力系数。模拟时间系列数据包含期望在经训练的机器学习算法中考虑的所有特征。例如，这样的模拟时间系列数据可以包含其中风力涡轮机正以正常生产运行的数据、其中风力涡轮机暴露于阵风的情形、风力涡轮机的叶片污染/结冰的情形、改变空气密度的情形、功率提升的情
形以及惯性响应的情形。这些模拟时间系列数据被用作用以训练机器学习算法的输入数据。
11.接口从多个数据源接收的作为数据流的数据集是时间系列数据，即在给定时间段内在给定时间点处采集序列中的数据。优选地，数据采集持续进行，特别是以规则的时间间隔进行。换句话说，给定时间段内的数据值是以给定的频率获取的，并且因此在时间上等距。
12.数据源例如是风力涡轮机的不同传感器，用于获取相应的涡轮机测量结果作为数据值。
13.根据优选实施例，所述多个数据源由以下传感器数据和/或一个或多个以下涡轮机测量结果当中的所计算数据组成：产生的功率、转子速度、叶片倾斜角、空气密度、塔顶首尾加速度和叶片根力矩。虽然优选的是产生的功率、转子速度和叶片倾斜角总是被用作经训练的机器学习算法的输入数据，但是另外的涡轮机测量结果——即空气密度、塔顶首尾加速度和叶片根力矩是可选的输入，其可以帮助改进估计作为控制变量的阻力系数的准确性。
14.根据另外的优选实施例，根据经训练的机器学习算法，在风力涡轮机叶片的特定位置上估计控制变量。该特定位置通过用于提供以之训练机器学习算法的训练数据的模拟而可获得。
15.作为机器学习算法，优选使用神经网络来估计控制变量。尽管可以使用不同的机器学习算法和神经网络来估计控制变量，但是优选地，机器学习算法被公式化为具有外生输入的非线性自回归网络。该网络也被称为narx网络。
16.控制变量的估计基于数据集的第一数量的输入数据（即涡轮机测量结果）和表示控制变量的第二数量的预测输出。例如，输入的第一数量对应于给定时间段内的给定时间点的数量。作为结果，在接口处接收到的所有数据集都被考虑用于估算阻力系数。输入的第一数量可以等于预测输出的第二数量。替代地，输入的第一数量可以不等于预测输出的第二数量。
17.基于估计的控制变量，可以进行失速检测算法。失速检测算法可以基于估计的阻力系数计算倾斜操作点。作为失速预防功能性，失速检测算法将解释估计的阻力系数，以确定叶片是否正在叶片上的给定位置处失速。然后一些决策逻辑将确定控制动作。
18.根据另外的方面，提出了一种计算机程序产品，其可直接加载到数字计算机的内部存储器中，包括用于当所述产品在计算机上运行时执行前述权利要求中的一项的步骤的软件代码部分。所述计算机程序产品可以是以存储介质的形式，诸如dvd、cd
‑
rom、usb存储条、存储卡等等。替代地，所述计算机程序产品可以是以信号的形式，所述信号可以经由有线或无线通信线路传输。
19.根据另外的方面，提出了一种用于对作为用于控制风力涡轮机的控制变量的阻力系数进行计算机实现确定的系统。所述系统包括接口，用于从多个数据源接收数据集作为数据流，对于每个数据源，所述数据集由在给定时间段内在给定时间点处获取的多个时间系列数据值组成。处理单元适于通过使用机器学习算法、基于在接口处接收到的数据集来估计控制变量，所述机器学习算法用模拟时间系列数据的训练数据进行训练，所述模拟时间系列数据包含不同风力条件下的多个操作状态和相应数量的阻力系数。
20.所述系统具有与已经根据本文描述的方法所描述的优点相同的优点。在另外的优选实施例中，处理单元可以适于实行本文描述的方法的步骤。
21.所提出的方法使得能够根据风力涡轮机的当前操作和风力条件在线估计阻力系数。由于阻力系数可以被非常精确地估计，因此它可以被用作用于控制风力涡轮机的控制变量。特别地，阻力系数可以用于确定风力涡轮机叶片的倾斜操作点。
22.通过在线检测失速和对其采取动作的可能性，失速裕度可以不那么保守。随着减小的失速裕度，存在关于倾斜活动的扩大的操作区域。减小失速裕度意味着有可能更多地倾斜到风中，从而增加aep。另外，可以减小结构负载。此外，避免失速减小来自叶片周围湍流的噪声。
23.所述方法使得能够借助于机器学习算法在不知道确切物理关系的情况下对输入和输出之间的复杂关系进行建模。例如神经网络之类的机器学习算法使得能够在不知道关于系统中物理关系的细节的情况下，使用多个域（例如时间和频率）以高鲁棒性水平对该复杂系统进行建模。
24.将借助于附图更详细地描述本发明。
25.图1示出了涡轮机叶片的轮廓图，其中，根据从特定方向撞击在涡轮机叶片上的风，描画了包括阻力路径向量的不同向量；图2是示出了作为风撞击涡轮机叶片的迎角的函数的升力和阻力系数的图；图3是图示了根据本发明的系统的框图；和图4是图示了用于实行本发明方法的步骤的流程图。
26.图1示出了未图示风力涡轮机的叶片bl的轮廓以及由风撞击在叶片bl的前缘上所产生的不同向量。风撞击在叶片bl的前缘上的方向用wd标示。风向以在风向wd与叶片bl在其中延伸的叶片bl平面pbl之间形成的迎角aoa撞击在叶片bl上。另外，图1示出了阻力d、升力l和叶片路径bp的向量。叶片路径bp指示叶片bl的移动方向，并且位于转子平面内。阻力d和升力l表示由风撞击在叶片bl上所产生的力。由图1中的向量d和升力d给出的阻力系数dc的量值用于导出叶片bl是否正在叶片上的该特定位置处失速。
27.图2示出了作为风撞击涡轮机叶片bl的迎角aoa的函数的向量升力l和阻力d的系数的图。升力l的最大值表示作为风的迎角aoa的函数的失速点stlp。失速点stlp处的迎角aoa的值是临界迎角aoac。如图1中所示，如果叶片bl顺时针转动，则迎角aoa将增加。这意味着，阻力系数dc也增加。当迎角aoa达到临界角aoac时，升力l开始下降，这意味着叶片bl正在失速。如果倾斜角选择最佳，则升力l应该大于阻力系数dc。
28.图3示出了计算机系统cs，其适于确定作为用于控制风力涡轮机的控制变量的阻力系数dc。该计算机系统包括用于接收数据的接口if和用于计算在接口if处接收到的数据的处理单元pu。在接口if处接收到的数据是由风力涡轮机的几个传感器（未图示）提供的涡轮机测量结果tm。涡轮机测量结果tm作为输入数据使得由处理单元pu实行的经训练机器学习算法能够估计阻力系数dc。阻力系数的估计基于作为输入数据的所产生的功率pp、转子速度rs和叶片倾斜角bpa。作为可选的和附加的输入数据，空气密度ad、塔顶首尾加速度tta和叶片根力矩brm可以在接口if处提供。
29.输入数据（即涡轮机测量结果tm）作为数据流——即作为时间系列数据——被提供。数据流由来自数据源（即传感器）的数据集组成，其中，对于每个数据源，在给定时间段
内在给定时间点处获取的多个时间系列数据值在接口if处被接收。换句话说，数据采集是持续进行的，并且特别是以规则的时间间隔进行的。
30.处理单元使用经训练的机器学习算法、例如经训练的神经网络来处理接收到的数据。神经网络估计叶片上特定位置上的阻力系数dc，该阻力系数dc通过模拟可获得。机器学习算法mla可以公式化为具有外生输入的非线性自回归（narx）网络。narx网络基于给定过去数量的输入和给定过去数量的预测输出（作为反馈）来预测时间系列。给定的过去输入数量和给定的过去预测输出数量可以相等。然而，给定的过去输入和输出的数量也可以不同。阻力系数dc的估计可以按如下函数进行：，其中y(t)是时间t处的预测时间系列，x(t)是时间t处的输入时间系列，并且d1和d2是关于输入和输出反馈的时间延迟。
31.作为可能的机器学习算法的实施例的narx网络在包含期望在网络中表示的所有特征的模拟时间系列数据上训练，所述特征诸如用于在正常生产下运行风力涡轮机、在阵风下运行风力涡轮机、以惯性响应运行风力涡轮机、以功率提升运行风力涡轮机、以污染/结冰的叶片运行风力涡轮机和/或以改变的空气密度运行风力涡轮机的模拟情况。这些模拟情况由模拟时间系列数据sim（见图4）组成，所述模拟时间系列数据sim被输入到机器学习算法mla以得到训练（tr）。
32.提供模拟时间系列数据sim以及利用narx网络进行训练tr是在模拟环境中完成的，该模拟环境由图4中虚线上方的simenv指示。经训练的机器学习算法（tmla）部署在计算机系统cs上。该部署用dplm由箭头指示。经训练的机器学习算法tmla接收涡轮机测量结果tm作为输入数据，并估计阻力系数dc。这是由涡轮机的计算机系统cs在线实行的，并在图4中用tur示出在虚线下方。
33.然后，阻力系数dc可以被计算机系统cs用作控制变量，以减小失速裕度，并尽可能远地将叶片倾斜到风中，从而增加aep。通过在线检测失速并对其采取动作，可以减小作用在叶片上的结构负载。另外，避免失速减小来自叶片周围湍流的噪声。
34.例如所描述的narx网络之类的机器学习算法使得能够在不知道关于系统中物理关系的细节的情况下，使用多个域（例如时间和频率）以高鲁棒性水平对风力涡轮机的复杂系统进行建模。这使得能够根据风力涡轮机的当前操作和风力条件在线估计阻力系数。由于阻力系数可以非常精确地估计，因此它可以用作用于控制风力涡轮机的控制变量。特别地，阻力系数可以用于确定风力涡轮机叶片的倾斜操作点。作为优点，失速裕度可以减小。有可能更积极地使用倾斜角。这导致风力涡轮机的aep增加，减小对风力涡轮机组件的结构负载，并减小噪声。