一种基于数据驱动的风电机组的疲劳载荷抑制方法技术

本发明专利技术公开了一种基于数据驱动的风电机组的疲劳载荷抑制方法，包括：基于蒙特卡洛方法采集不同工况下的风电机组数据；计算风电机组数据对应的损伤等效载荷，并对风电机组数据和损伤等效载荷进行相关性分析，筛选得到目标数据；将目标数据输入DNN进行训练，得到目标深度神经网络；其中，目标深度神经网络用于对损伤等效载荷进行实时计算；根据目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对风电机组进行疲劳载荷抑制。本发明专利技术能够实时计算DEL，使得DEL可以作为风电场有功控制的优化目标直接用于风电机组的疲劳载荷抑制，可广泛应用于计算机技术领域。机技术领域。机技术领域。

【技术实现步骤摘要】
一种基于数据驱动的风电机组的疲劳载荷抑制方法


[0001]本专利技术涉及计算机
，尤其是一种基于数据驱动的风电机组的疲劳载荷抑制方法。

技术介绍

[0002]伴随着社会的不断发展，能源在当今人类社会进步史上的重要性已经举足轻重。近些年来，减少化石能源的使用，发展新能源行业已经成为很多国家的共识。作为优质可再生能源，风能越来越受到科研工作者的重视，风电在电网中的渗透率在不断提高，风电装机容量在持续增加，风电场的运维已逐渐成为运营者关注的主要问题。
[0003]对于风电场而言，由于不存在燃料消耗成本，降低运维成本可明显提升其运行经济性。其中，降低机组运行过程中的疲劳载荷可以有效地减少机组损伤，是降低运维成本的重要手段。
[0004]风电机组作为多结构耦合而成的复杂机电系统，其运行过程中由于不确定的环境、运行工况等影响，不可避免地会产生损伤。降低风电机组的疲劳载荷首先需要对其进行有效的评估。根据现有研究，传动系统疲劳损伤的表征参数包括主轴转矩的标准差和损伤等效载荷(Damage Equivalent Load,DEL)两种。其中，主轴转矩的标准差是目前文献中针对传动系统疲劳载荷在线优化的主流参数。然而，主轴转矩的标准差虽然确实与传动系统疲劳相关，但并非完全线性相关。相比之下，DEL通过实现对机械结构损伤的描述，可以更加准确地表征机械结构的疲劳特性。但是由于DEL计算方法复杂，现有研究一般难以将其作为直接指导风电场实时优化运行的指标，只能作为后评估参数使用。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种基于数据驱动的风电机组的疲劳载荷抑制方法，能够实时计算DEL，使得DEL可以作为风电场有功控制的优化目标直接用于风电机组的疲劳载荷抑制。
[0006]本专利技术实施例的一方面提供了一种基于数据驱动的风电机组的疲劳载荷抑制方法，包括：
[0007]基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
[0008]计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
[0009]将所述目标数据输入DNN进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
[0010]根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
[0011]可选地，所述基于蒙特卡洛方法采集不同工况下的风电机组数据，包括：
[0012]根据风电机组的疲劳损伤原因，确定待采集数据为传动系统的损伤信息以及塔架的损伤信息；
[0013]构建所述传动系统的机理模型和所述塔架的机理模型；
[0014]根据所述传动系统的机理模型和所述塔架的机理模型，采集不同工况下的风电机组数据；其中，所述传动系统的机理模型的表达式为：
[0015][0016]其中，ω
r
是转子速度(rad/s)；J
m
为风轮转动惯量(Kg/m3)；T
m
是机械转矩(N
·
m)；T
s
是主轴转矩(N
·
m)；K
sp
是主轴弹性系数(N
·
m/rad)；ψ是扭转角度；K
vi
是主轴阻尼系数(Nms/rad)；J
e
是发电机转动惯量(Kg/m3)；T
e
是发电机转矩(N
·
m)；N
gear
是齿轮箱的变速比；代表转子转速的导数；代表扭转角度的导数；代表发电机转速的导数。
[0017]可选地，所述计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据，包括：
[0018]根据所述传动系统的机理模型和所述塔架的机理模型，选取描述损伤等效载荷的机组特性参数；
[0019]收集实验过程中的损伤等效载荷数据以及所述机组特性参数，计算皮尔逊相关系数，并根据所述皮尔逊相关系数从所述机组特性参数中选取得到目标数据；
[0020]其中，所述机组特性参数包括平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标准差。
[0021]可选地，所述DNN的内部网络结构包括一层输入层、两层隐含层以及一层输出层；所述DNN的训练过程包括前向传播过程和后向传播过程；
[0022]所述前向传播过程中，DNN在运算过程中利用了多层神经元之间不同的权重系数和偏置向量，实现从输入层到输出层的运算；
[0023]所述后向传播过程中，通过损失函数迭代优化完成正向传播中权重系数和偏置向量的更新；
[0024]在DNN网络的训练中，采用Adam算法在训练的同时计算梯度的指数加权平均数，再利用得到的梯度值来更新参数。
[0025]可选地，所述根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制，包括：
[0026]获取实时采集到的风电机组数据，并计算得到损伤等效载荷；
[0027]根据所述损伤等效载荷，对风电机组进行疲劳载荷抑制；
[0028]在实现疲劳载荷抑制的同时，控制满足风电场的功率要求和各风力机的上下限。
[0029]可选地，所述方法还包括：
[0030]向所述疲劳载荷抑制过程中的目标函数中加入惩罚因子；
[0031]在所述疲劳载荷抑制过程中，使用了由Logistic映射和Chebyshev映射复合得到的混沌序列；其中，所述混沌序列生成初始种群用于提高种群的多样性和遍历性。
[0032]本专利技术实施例的另一方面还提供了一种基于数据驱动的风电机组的疲劳载荷抑制装置，包括：
[0033]第一模块，用于基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；
[0034]第二模块，用于计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；
[0035]第三模块，用于将所述目标数据输入DNN进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；
[0036]第四模块，用于根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。
[0037]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0038]所述存储器用于存储程序；
[0039]所述处理器执行所述程序实现如前面所述的方法。
[0040]本专利技术实施例的另一方面还提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，包括：基于蒙特卡洛方法采集不同工况下的风电机组数据，所述风电机组数据包括风电机组的风速数据和功率数据；计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据；将所述目标数据输入DNN进行训练，得到目标深度神经网络；其中，所述目标深度神经网络用于对所述损伤等效载荷进行实时计算；根据所述目标深度神经网络对实时的风电机组数据进行损伤等效载荷的计算后，采用改进的灰狼优化算法对所述风电机组进行疲劳载荷抑制。2.根据权利要求1所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述基于蒙特卡洛方法采集不同工况下的风电机组数据，包括：根据风电机组的疲劳损伤原因，确定待采集数据为传动系统的损伤信息以及塔架的损伤信息；构建所述传动系统的机理模型和所述塔架的机理模型；根据所述传动系统的机理模型和所述塔架的机理模型，采集不同工况下的风电机组数据；其中，所述传动系统的机理模型的表达式为：其中，ω
r
是转子速度(rad/s)；J
m
为风轮转动惯量(Kg/m3)；T
m
是机械转矩(N
·
m)；T
s
是主轴转矩(N
·
m)；K
sp
是主轴弹性系数(N
·
m/rad)；ψ是扭转角度；K
vi
是主轴阻尼系数(Nms/rad)；J
e
是发电机转动惯量(Kg/m3)；T
e
是发电机转矩(N
·
m)；N
gear
是齿轮箱的变速比；代表转子转速的导数；代表扭转角度的导数；代表发电机转速的导数。3.根据权利要求2所述的一种基于数据驱动的风电机组的疲劳载荷抑制方法，其特征在于，所述计算所述风电机组数据对应的损伤等效载荷，并对所述风电机组数据和所述损伤等效载荷进行相关性分析，筛选得到目标数据，包括：根据所述传动系统的机理模型和所述塔架的机理模型，选取描述损伤等效载荷的机组特性参数；收集实验过程中的损伤等效载荷数据以及所述机组特性参数，计算皮尔逊相关系数，并根据所述皮尔逊相关系数从所述机组特性参数中选取得到目标数据；其中，所述机组特性参数包括平均风速、湍流强度、平均功率、功率标准差、功率变化量的标准差、桨距角的平均值、桨距角的标准差、风轮转速的平均值及风轮转速的标...

【专利技术属性】
技术研发人员：姚琦，马博，胡阳，房方，
申请(专利权)人：暨南大学，
类型：发明
国别省市：