当前位置: 新能源网 » 风电技术 » 正文

实测数据+机器学习,以最可靠、经济的方法来预测风机载荷数据

日期:2020-05-09    来源:DNVGL能源

国际新能源网

2020
05/09
10:14
文章二维码

手机扫码看新闻

关键词: 风机零部件 风电场寿命 风电机组

风电场寿命如何有效管理?这是风电场运营商非常关心的一个问题。用什么样的方法,可以解决风机不同零部件LoadsPredict的可靠性问题?机器学习预测+实测数据相结合,也许可以给我们提供一个新的思路。

在介绍机器学习之前,我们了解一下神经网络的意义。神经网络能够确定被测量之间复杂的、非线性的关系和模式,并需要“学习”这些基于初始测试数据库的关系。经过训练后,神经网络可以预测或估计测量信息,并发现潜在的相关性。它不仅可以为风机发电性能和管理部件寿命提供精确的信息,还能更好地实现部件以往性能的确定和未来性能的预测。

机器学习技术和实测数据相结合

有许多解决方案基于风机SCADA数据的虚拟模型来识别部件寿命的预测。实际上,测试会更加可靠和精准。这里说的测试不是识别部件寿命的LoadsPredict,而是对这些部件载荷的真实测量。

固然,真实测试更加可靠和准确,但覆盖风电场每台风机的全生命周期的载荷测试却非常昂贵。如果我们选择某台风机进行短时间测试,然后用机器学习技术建模,从而精准地预测整个风电场所有风机的寿命,将是最可靠和最经济的方法。

LoadsPredict则是这样的一种方式,它以测试为基础,与 WindGEMINI互补,从而提供一条更可靠、经济的解决方案。

图1 载荷测试的应变片

图2  LoadsPredict的web界面(目前该平台只提供英文版本,图片仅供显示使用)

LoadsPredict提供精准的测试

多年来,LoadsPredict已经通过DNV GL的一系列测试数据验证。这些测试表明,只要收集某一台风机30天的测试数据,预测的数据和真实的测试数据有接近3%的偏差(见图3)。另外一些测试表明,这种预测对于相同风电场的其他风机有接近7%的偏差。

图3  LoadsPredict和实测载荷的比较

LoadsPredict操作原理

·短时间的载荷测试(取决于场地情况)

·利用SCADA数据作为输入,训练和验证神经网络模型得到真实的疲劳载荷

·将真实的风机SCADA数据导入到神经网络模型,从而确定真实的疲劳载荷

LoadsPredict的优势

·这种预测是通过真实的风机性能得出。相比仅通过结合理论风机特性和理论场址条件的仿真方法预测,它提供了一个改进的方法选择

·通过部分利用保守载荷安全的裕度和消减,可以产生额外的发电量和发电时间

·在可信任的条件下,这种神经网络模型可以复制到相同风电场的其他风机

LoadsPredict如何运用到你的风电场

·LoadsPredict可以通过一个基于真实测试数据的经济且有效的解决方案,显著地促进功率特性和载荷之间的优化

·风电场业主和运营者为了安全且最有效地运行风电场,需要掌握更好的风机零部件的真实载荷水平的知识

·对载荷缺乏了解会增加资产寿命的不确定风险或者增加维护成本

·“寿命优化比”是衡量风机功率与寿命状态的一个简单而有力的指标

图4  预测误差 vs 测试周期


返回 国际新能源网 首页

新能源资讯一手掌握,关注 风电头条 储能头条 微信公众号

看资讯 / 读政策 / 找项目 / 推品牌 / 卖产品 / 招投标 / 招代理 / 发新闻

风电头条

储能头条

0条 [查看全部]   相关评论

国际能源网站群

国际能源网 国际新能源网 国际太阳能光伏网 国际电力网 国际风电网 国际储能电池网 国际节能环保网 国际煤炭网 国际石油网 国际燃气网