一种风电机组载荷在线预测的智能方法及风电机组
阅读说明：本技术 一种风电机组载荷在线预测的智能方法及风电机组 (Intelligent method for online prediction of load of wind turbine generator and wind turbine generator ) 是由 王文亮 叶少青 袁凌 潘磊 于 2020-06-30 设计创作，主要内容包括：本发明公开了一种风电机组载荷在线预测的智能方法及应用其的风电机组,通过将控制器模型B植入到风电机组的PLC中,在线获得实时的预测载荷,并用于风电机组特定工况载荷控制或保护控制等；控制器模型B的获得方法为：在各个风况下进行风机模型和控制器模型A的联合仿真,获得控制器模型A输出的可测数据和风机模型输出的载荷数据,并对所述数据进行深度学习获得载荷预测模型,将载荷预测模型嵌入所述控制器模型A得到控制器模型B。本发明将深度学习后的控制器模型植入风电机组PLC中,不需要批量增加额外的载荷测量设备及载荷传感器,通过控制器模型对载荷进行实时拟合即可实现对风电机组载荷实时地预测,且成本较低。(The invention discloses an intelligent method for online prediction of wind turbine load and a wind turbine applying the same.A controller model B is implanted into a PLC of the wind turbine to obtain real-time predicted load online and is used for load control or protection control and the like of the wind turbine under specific working conditions; the method for obtaining the controller model B comprises the following steps: and performing combined simulation of the fan model and the controller model A under each wind condition to obtain measurable data output by the controller model A and load data output by the fan model, performing deep learning on the data to obtain a load prediction model, and embedding the load prediction model into the controller model A to obtain a controller model B. According to the method, the controller model after deep learning is implanted into the wind turbine PLC, extra load measuring equipment and load sensors do not need to be added in batches, the load of the wind turbine can be predicted in real time by fitting the load in real time through the controller model, and the cost is low.)
技术领域
本发明涉及风电控制领域，特别是涉及一种风电机组载荷在线预测的智能方法及风电机组。
背景技术
近年来，风电机组的控制系统的计算能力越来越强，各种现代算法在机组上应用成为可能。以往，风电机组设计载荷和实际载荷的对应关系仅仅样机可以通过增加额外的昂贵的设备实现对比。批量生产风机的载荷情况是未知的，由于工艺、装配造成的载荷差异，只能人工判断。
由此可见，上述现有的风电机组在载荷预测方面，显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种新的成本低且能实时对风电机组载荷进行在线预测的方法，并用于特定工况风电机组载荷控制降低机组运行载荷或保护机组，成为当前业界极需改进的目标。
发明内容
本发明要解决的技术问题是提供一种风电机组载荷在线预测的智能方法及风电机组，使其无需增加额外的昂贵的设备、无需人工判断即可实现在线的风电机组载荷实时预测。
为解决上述技术问题，本发明采用如下技术方案：
一种风电机组载荷在线预测的智能方法，通过将控制器模型B植入到风电机组的PLC中，在线获得实时的预测载荷；所述控制器模型B的获得方法为：
S101、在各个风况下进行风机模型和控制器模型A的联合仿真，并获得控制器模型A输出的可测数据和风机模型输出的载荷数据；
S102、对S101中获得的可测数据及载荷数据进行深度学习预测载荷，将深度学习获得的载荷预测模型嵌入所述控制器模型A得到控制器模型B。
进一步地，所述S101步骤中：所述控制器模型A输出的可测数据至少包含的变量为机舱左右加速度和机舱前后加速度，转速、风速、风向、转矩、桨距角、调桨速度以及上述变量的历史值；所述风机模型输出的载荷数据包含但不限于塔底、塔顶载荷的各个分量。
进一步地，所述S101步骤中：在各个风况下进行风机模型和控制器模型的联合仿真是使用软件Bladed进行的，且需先将控制器模型做成Bladed外部控制器接口格式，并准备风况数据。
进一步地，所述S101步骤中：所述风况包括IEC标准规范要求的所有设计风况。
进一步地，所述深度学习采用带有外部输入的非线性自回归神经网络NARX；所述学习的输入项为控制器模型A输出的可测数据，学习的输出项为风机模型输出的载荷数据。
进一步地，如果首次使用，在线获得实时的预测载荷后，还使用载荷测量设备获得实测载荷，再根据实测载荷对预测载荷进行校准修正；或如果预测载荷与实测载荷对比差异过大，需要通过现场数据对模型进行训练与修正。
进一步地，首次使用时的风电机组采用风电机组样机，样机测试满足风电机组IEC载荷测试标准规范要求。
进一步地，所述预测载荷的结果记录周期为PLC执行周期。
进一步地，所述获得的预测载荷用于载荷控制以降低机组特定工况运行载荷；或用于控制风电机组载荷超限来保护风电机组；或用于对风电机组寿命评估；所述S102中，将深度学习获得的载荷预测模型与控制或评估算法嵌入所述控制器模型A得到控制器模型B。
本发明还提供了一种应用上述风电机组载荷在线预测的智能方法的风电机组，所述风电机组的PLC中植入有所述的控制器模型B。
通过采用上述技术方案，本发明至少具有以下优点：
1、本发明将深度学习后的控制器模型植入风电机组PLC中，不需要批量增加额外的载荷测量设备，也不需要增加额外的载荷传感器，通过控制器模型对载荷进行实时拟合即可实现控制器对风电机组载荷实时地预测，且成本较低。
2、预测载荷的结果可以用来载荷控制以降低机组特定工况运行载荷，可以用来控制风电机组载荷超限来保护风电机组，可以用来对风电机组寿命评估；还可以作为理论载荷和实际载荷进行对比的依据。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与
具体实施方式
对本发明作进一步的详细说明。
图1是本发明一实施例的风电机组载荷在线预测的智能方法的原理图。
具体实施方式
如图1所示，本发明提供了风电机组载荷在线预测的智能方法，包括：
S101、在各个风况下进行风机模型和控制器模型A的联合仿真，并获得控制器模型A输出的可测数据和风机模型输出的载荷数据。
具体地，先将控制器模型做成Bladed外部控制器接口格式，并准备风况数据，所述风况包括能产生IEC标准规范要求设计的所有风况，如大风、小风、湍流等等各类型的风况。使用软件Bladed在各个风况下进行风机模型和控制器模型的联合仿真。通过仿真，获得获控制器模型A输出的可测数据和风机模型输出的载荷数据；其中，控制器模型A输出的可测数据至少包含的变量为机舱左右加速度和机舱前后加速度，转速、风速、风向、转矩、桨距角、调桨速度以及上述变量的历史值；风机模型输出的载荷数据至少包含塔底、塔顶载荷的各个分量。
S102、对S101中获得的可测数据及载荷数据进行深度学习预测载荷，将深度学习获得的载荷预测模型嵌入所述控制器模型A得到控制器模型B。
具体地，深度学习采用带有外部输入的非线性自回归神经网络NARX；其中，学习的输入项为控制器模型A输出的可测数据，学习的输出项为风机模型输出的载荷数据。通过上述深度学习训练即可获得载荷预测模型。然后再将经过深度学习后的载荷预测模型嵌入控制器模型A中形成控制器模型B。
S103、通过将控制器模型B植入到风电机组的PLC中，即可在线获得实时的预测载荷。
在实际使用中，可分首次使用及后期使用，在首次使用时，一般是先将控制器模型B植入风电机组样机的PLC中，因为风电机组样机一般配有载荷测量设备，通过该载荷测量设备即可获得实测载荷，再根据实测载荷对预测载荷进行校准修正。或者，如果预测载荷与实测载荷对比差异过大，需要通过现场数据对模型进行训练与修正。
后期使用时，可以将上述成型的控制器模型B植入批量生产的风电机组中，即可在线获得实时的预测载荷，上述预测载荷的结果记录周期为PLC执行周期。获得的预测载荷用于载荷控制以降低机组特定工况运行载荷；或用于控制风电机组载荷超限来保护风电机组；或用于对风电机组寿命评估；在实际应用中，上述控制器模型B中同时需要加入对应的控制或评估算法，结合经深度学习获得的载荷预测模型，对风电机组进行在线载荷预测应用。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。