用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法
阅读：948发布：2020-05-14
专利汇可以提供用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法专利检索，专利查询，专利分析的服务。并且本 发明 的主题涉及一种用于藉由LiDAR 传感器 来采集入射 风 场并且对其进行建模的方法。采集和建模包括用于针对一组离散化点来评估风幅度和风的方向的步骤，以及用于三维且实时地重构该入射风场的步骤。本发明还涉及一种用于根据三维且实时地重构的入射风场来控制和/或监视装备有这种LiDAR传感器的 风 力 涡轮 机的方法。，下面是用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法专利的具体信息内容。
1.一种用于在位于LiDAR传感器上游的空间中由所述LiDAR传感器进行的入射风场采集和建模的方法，其特征在于，所述方法包括以下步骤：
a)将位于所述LiDAR传感器上游的空间进行网格化(MA)的步骤，其中用定位在预定的三维网格中的一组离散化点来执行所述空间的网格化，所述预定的三维网格包括由估计点(PE)和测量点(PM)组成的一组单元，
b)沿至少三个测量轴来测量(MES)位于所述上游空间中且定位在距所述LiDAR传感器至少两个不同距离处的不同测量点(PM)处的风的幅度和方向的步骤，
c)在任何时间(t)对所有的所述估计点的风幅度和方向进行估计(EST)的步骤，并且所述估计是使用至少测量点(PM)的数据、风速空间相干性数据、风速时间相干性数据、以及对在所述测量点处执行的测量的质量进行量化的数据通过藉由加权递归最小二乘法来对成本函数进行优化来达成的，
d)根据针对所述网格(MA)的每个点的经估计和测得的风幅度和方向实时地且在预定的坐标系中三维(3D)地重构(MOD 3D)所述入射风场的步骤。
2.根据权利要求1所述的方法，其特征在于，测量点(PM)处的风的振幅和方向的测量值m通过以下关系式给出：
mj，x(k)＝ajvj，x(k)+bjvj，y(k)+cjvj，z(k)
其中vj,x(k)、vj,y(k)、vj,z(k)是在初始时间(k)投影在给定坐标系x、y、z上的风速的值，而aj、bj、cj是测量值系数，其中j＝0,1,2,3,4，所述测量值系数被给出如下：
其中θj、 分别是球坐标系中的测量轴的天顶角和方位角。
3.根据前述权利要求中的任一项所述的方法，其特征在于，任何时间(t)处的成本函数J被写为如下：
其中ω是包括在空间中风被估计的点处的所有速度分量的有序向量， 是时间0时对所述风速的估计，P0、Q、Rs和Rm是合适尺寸的加权矩阵，并且Cs、Cm是考虑所述风速和测量噪声的矩阵。
4.根据前述权利要求中的任一项所述的方法，其特征在于，对不同测量点(PM)处的风幅度和方向的测量是以至少0.25Hz的采样率执行的。
5.根据前述权利要求中的任一项所述的方法，其特征在于，对不同测量点(PM)处的风幅度和方向的测量是在沿所述测量轴的至少两个不同距离处被执行的。
6.根据前述权利要求中的任一项所述的方法，其特征在于，所述风幅度和方向的测量是沿至少三个测量轴执行的。
7.根据前述权利要求中的任一项所述的方法，其特征在于，沿笛卡尔坐标系的轴x、y和z的风速的空间相干性是用以下类型的公式来估计的：
Csω≈0
其中：
此处：
o Cl表征针对沿纵轴x的估计域的风速变化，
o Ct表征针对沿横轴y的估计域的风速变化，
o Cv表征针对沿垂直轴z的估计域的风速变化，以及
o向量ω是包括空间中风被估计的点处的所有风速分量的有序向量。
8.根据前述权利要求中所述的方法，其特征在于，沿所述笛卡尔坐标系的轴x、y和z的风速的空间相干性是用以下假定来估计的：
о沿纵轴x的风速变化缓慢且沿纵轴的偏导数dvx/dx相对小，
о所述风沿横轴y平滑地变化，且沿横轴y的偏导数dvx/dy小，
о所述风沿垂直轴z以幂定律变化，该幂定律由下式给出：
此处α是幂定律指数，vl是在地面上方高度Z处的纵向风，而Zr是参考高度。
9.根据前述权利要求中的任一项所述的方法，其特征在于，由所述LiDAR传感器执行的测量的质量由以下形式的模型表示：
Cmω＝mm+∈m
此处∈m描述所述测量噪声。
10.根据前述权利要求中的任一项所述的方法，其特征在于，在时间(t)时针对所有所述估计点对风场振幅和方向的估计由如下公式给出：
ω(t)＝ω(t-1)+K(y(t)-Cω(t-1))。
11.一种计算机程序产品，其特征在于，其包括代码指令，所述代码指令被设计成：当在LiDAR传感器的处理单元上执行所述程序时，实现用于根据上述权利要求中的任一项所述的由LiDAR传感器进行的入射风场采集和建模的方法的步骤。
12.一种LiDAR传感器，其特征在于，所述LiDAR传感器包括其中存储有根据前述权利要求所述的计算机程序产品的代码指令的存储器，并且所述LiDAR传感器被设计成执行该计算机程序产品。
13.一种风力涡轮机1，其特征在于，所述风力涡轮机1包括根据前述权利要求所述的LiDAR传感器2。
14.根据前述权利要求所述的风力涡轮机1，其特征在于，所述LiDAR传感器被布置在所述风力涡轮机的机舱上。
15.一种控制和/或监视装备有LiDAR传感器2和PLC的风力涡轮机1的方法，其特征在于，所述方法包括以下步骤：
i)通过利用根据权利要求1至10中的任一项所述的用于由LiDAR传感器进行的入射风场采集和建模的方法所获得的三维且实时地对入射风场的重构来开发用于所述风力涡轮机的前馈控制策略(CON)的步骤，以及
ii)包括所开发的控制策略的控制步骤(PIL)，其包括控制叶片7的角度或机舱3的取向。
用于藉由LIDAR传感器来采集入射风场以及对其进行建模的
方法
技术领域
[0002] LiDAR传感器在测量精度、可靠性和可用性方面的性能允许针对目标气溶胶体进行风力状态估计和预测。然而，LiDAR传感器在数据精度和可用性方面有一些限制。一方面，它们仅提供原始风力测量值，即风在测量轴上的投影(也称为激光(受激辐射光放大)光束)，并且另一方面，它们仅允许访问一受限带宽，该受限带宽因风的频谱内容而损坏。由于原始测量值是与风在激光束轴上的投影相对应的间接风力测量值，因此有必要将不同方向的若干光束(或若干测量轴)的若干原始测量值组合在一起，以获得对风力向量的准确估计。
[0004] 发明背景
[0005] 迄今为止，所开发的大多数重构方法基于对整个转子扫掠区域的均匀且稳定的风场的假定，如以下文献中所述：“A tutorial on the dynamics and control of wind turbines and wind farms(有关风力涡轮机和风电场的动力学和控制的教程)”，2009 American Control Conference(2009美国控制会议)，IEEE 2009年，第2076-2089页。
[0006] 然而，这种假定既不具有代表性也不现实，因为风速随大气边界层内的海拔显著变化，且具有很复杂的动力学。
[0007] 由P.Towers和B.Ll.Jones出版的“Real-time wind field reconstruction from LiDAR measurements using a dynamic wind model and state estimation(使用动态风模型和状态估计根据LiDAR测量值的实时风场重构)”，Wind Energy 19.1(2016)(风能19.1(2016))，第133-150页，提供了一种用于重构风场的估计算法。该办法包括使用集成基于简化Navier-Stokes方程的流量模型的无迹卡尔曼滤波器。然而，这种技术可在固定海拔提供对风场的二维(2D)重构。此外，该出版物中描述的技术依赖于不现实的假定，根据该假定用LiDAR传感器执行的所有测量同时可用于所有光束。
[0008] 最后，一些LiDAR传感器制造商也提供了一种重构算法。在这种情形中，原理是从测量插值获得空间中的未测量点的风速的瞬时估计。然而，在这种情形中，只有对LiDAR轴中风力分量的估计能实时地且在线获得。纵向风速和风向仅基于移动平均获得，并且它们对于实时应用是不可利用的。
[0009] 在风力涡轮机领域，其生产率及维护成本在很大程度上取决于系统监视能力，特别是利用相关风信息的能力。实际上，对风力涡轮机的结构和元件造成损坏的主要来源与涉及极端负载(强湍流风、阵风)的风力状况以及承受振动和振荡现象的材料的疲劳有关。后者是由风力涡轮机与风场之间的相互作用生成的，其中振动问题显著激发了风力涡轮机的本征模式。存在一些当前实施的控制策略，但是它们没有可集成在控制回路中的可靠风信息来确保所计划的服务寿命。在一些情形中，转子速度通过发电机扭矩和空气动力学扭矩(经由叶片取向)来调节。在其他情形中，风力测量并不直接在控制回路中使用，因此转子速度被反馈调节。也可能存在来自布置在湍流区(机舱)中并经历漂移的风速计传感器的对准，这导致经常失准的风力涡轮机。
[0010] 在所有情形中，这都要求将风力涡轮机设计中的约束与加固结构和相关联的附加投资成本以及生产损失和相关联的结构负载风险整合在一起。
[0011] 为了克服上述缺点，本发明的第一方面因而包括开发一种改进的方法，该方法在位于LiDAR传感器上游的体积中在线实时地估计风场在三维(3D)中的速度和方向，以便对该LiDAR传感器上的入射风场具有短期估计和预测。本发明的第二方面旨在将该方法和该LiDAR传感器使用在风力涡轮机控制策略中以便具有风力涡轮机转子负载预测，以检测阵风、湍流、切变等。
发明内容
[0012] 因此，本发明涉及一种用于通过LiDAR传感器对位于所述LiDAR传感器上游的空间中的入射风场进行采集和建模的方法。该方法包括下列步骤：
[0013] a)将位于所述LiDAR传感器上游的空间网格化的步骤，其中用位于预定的三维网格中的一组离散化点来执行空间的网格化，该预定的三维网格包括由估计点和测量点组成的一组单元。
[0014] 网格化步骤允许将LiDAR传感器上游的空间离散化(或采样)成由离散化点组成的三维网格，并且能够使得这些各个点离散化为建模过程所必需的测量点或估计点。这还允许测量点和估计点相对于彼此定位，并且允许知悉所有这些离散化点之间的距离。
[0015] b)沿着至少三个测量轴来测量位于上游空间中且位于距LiDAR传感器至少两个不同距离处的不同测量点处的风的幅度和方向的步骤。
[0016] 在此步骤中执行的测量允许获得足够且可靠的初始数据以应用旨在估计该估计点处的风幅度和方向的算法。
[0017] c)在任何时间对所有估计点的风幅度和方向进行估计的步骤，并且估计是通过藉由加权递归最小二乘法来对成本函数J进行优化来达成的，其至少使用测量点的数据、风速空间相干性数据、风速时间相干性数据、以及量化在测量点处执行的测量的质量的数据。
[0018] 考虑待优化的成本函数中的这些各种参数将允许访问网格的每个估计点处的风幅度和方向的估计。
[0019] d)根据针对每个点的经估计和测得的风幅度和方向实时地并且在预定的坐标系中在三维(3D)中重构入射风场的步骤。
[0020] 此步骤允许在由三维网格采样的体积中对入射风场的3D重构。此步骤提供了LiDAR测量历史(其允许知悉风场的过去状态)，并将其纳入到当前和将来的3D风场估计的综合中，从而允许实时重构。
[0021] 使用具有递归加权最小二乘形式的优化办法的要点在于，其允许确定在位于LiDAR传感器上游的空间中传播的入射风的完整三维(3D)图像。
[0022] 根据本发明的一方面，测量点处的风的幅度和方向的测量值m通过以下关系式给出：
[0023] mj，x(k)＝ajvj，x(k)+bjvj，y(k)+cjvj，z(k)
[0024] 其中vj,x(k)、vj,y(k)、vj,z(k)是在初始时间(k)风速投影在坐标系x、y、z上的值，而aj、bj、cj(其中j＝0,1,2,3,4)是测量系数，其被给出如下
[0025]
[0026] 其中θj、 分别是球坐标系中测量轴的天顶角(zenith)和方位角(azimuth)。
[0027] 因此，在每个采样时间，对于空间中的所有点，风力向量是由三个分量组成的，这三个分量将允许确定完整三维图像。此外，测量系数的选择允许仅取决于光束角度，并且它们不是测量距离的函数，这促成对成本函数J的计算机编程。
[0028] 根据本发明的一方面，任何时间(t)时的成本函数J被写作如下：
[0029]
[0030] 其中ω是包括空间中风被估计的点处的所有速度分量的有序向量， 是时间0时对风速的估计，P0、Q、Rs和Rm是合适尺寸的加权矩阵，并且Cs、Cm是考虑风速和测量噪声的矩阵。
[0031] 使用这种成本函数使得估计估计点处的风速是有可能的。此外，这种函数允许具有对加权矩阵P0、Q,、Rs和Rm的清楚解释。
[0032] 根据本发明的一方面，在不同测量点处的风幅度和方向测量是以至少0.25Hz的采样率执行的。使用这种采样频率范围允许在相同测量轴上获得若干即时测量，同时具有可靠且准确的测量。
[0033] 根据本发明的一方面，在不同测量点处的风幅度和方向测量是在沿测量轴的至少两个不同距离处执行的。至少在两个距离处执行测量允许定义足以包围风力涡轮机的叶片的三维体积，如下文所述。
[0034] 根据本发明的一方面，风幅度和方向测量沿至少三个测量轴被执行。具有至少三个测量轴使得能够精细地网格化上游空间，并且它还允许具有对风速估计步骤的足够次数的测量。
[0035] 根据本发明的一方面，用以下类型的公式来估计沿笛卡尔坐标系的轴x、y和z的风速空间相干性：
[0036] Csω≈0其中：
[0037] 此处：
[0038] ○Cl表征针对沿纵轴x的估计域的风速变化，
[0039] ○Ct表征针对沿横轴y的估计域的风速变化，以及
[0040] ○Cv表征针对沿垂直轴z的估计域的风速变化。
[0041] 这种表征使得能够对该函数进行计算机编码。
[0042] 根据本发明的一方面，在以下假定的情况下估计沿笛卡尔坐标系的轴x、y和z的风速的空间相干性：
[0043] ○沿纵轴x的风速变化缓慢且沿纵轴的偏导数dvx/dx相对较小，
[0044] ○风沿横轴y平滑地变化，且沿横轴y的偏导数dvx/dy较小，
[0045] ○风沿垂直轴z以幂定律变化，该幂定律由下式给出：
[0046]
[0047] 此处α是幂定律指数，vl是在地面上方高度Z处的纵向风，而Zr是参考高度。
[0048] 此类假定是现实的，并且它们实现可靠且准确的风速估计。
[0049] 根据本发明的一方面，由LiDAR传感器执行的测量的质量由以下形式的模型表示：
[0050] Cmω＝mm+∈m
[0051] 此处∈m描述测量噪声。
[0052] 这种类型的公式允许将LiDAR测量的不准确性纳入考虑。
[0053] 根据本发明的一方面，在时间(t)针对所有估计点对风场幅度和方向的估计由以下公式给出：
[0054] ω(t)＝ω(t-1)+K(y(t)-Cω(t-1))
[0055] 前述公式的优点是随时间连接针对估计点的风速估计。
[0056] 本发明还涉及一种包括代码指令的计算机程序产品，该代码指令被设计成执行上述采集和建模方法的各步骤。该程序在LiDAR处理单元上执行。
[0057] 本发明还涉及一种具有存储器的LiDAR传感器，该存储器中存储如上所述的计算机程序产品的代码指令，并且该LiDAR传感器被设计成执行该计算机程序产品。
[0058] 因此，执行该计算机程序产品的LiDAR传感器三维且实时地返回有关入射风场的可靠信息。
[0059] 本发明的一个目标还涉及一种包括如上所述的LiDAR传感器的风力涡轮机。
[0060] 根据本发明的一方面，LiDAR传感器被布置在所述风力涡轮机的机舱上。
[0061] 最后，本发明还涉及一种用于控制和/或监视装备有LiDAR传感器和PLC的风力涡轮机的方法，并且该方法包括以下步骤：
[0062] a)通过利用三维且实时地对入射风场的重构来开发用于所述风力涡轮机的前馈控制策略的步骤，
[0063] b)包括所开发的控制策略的控制步骤，其包含控制叶片的角度或机舱的取向。
[0064] 由此，具有与接近转子的入射风的状态有关的足够稳健和精确的信息提供一种新颖控制办法，整合了动力学和预防性的预定位项。此外，实时地在线重构接近转子平面的入射风场的能力开辟了许多利用前景：风力涡轮机失准量化、功率曲线、机舱传递函数、阵风检测、负载和疲劳风险监视与诊断、预防性维护优化、资源分析、生产优化。随后，这允许通过优化该设计来提高风力涡轮机的效率，以降低维护成本、增大各组件的寿命、以及降低投资成本。附图说明
[0065] 参考附图并对非限制性实施例的各示例的描述将清楚地理解根据本发明的方法的其它特征和优势，在附图中：
[0066] -图1解说了根据本发明的装备有LiDAR传感器的风力涡轮机，
[0067] -图2解说了根据本发明的由LiDAR传感器实现的采集和建模方法的各步骤，[0068] -图3是根据本发明的空间网格的正视图，
[0069] -图4是根据本发明的空间网格的透视图，
[0070] -图5解说了在特定情形中根据LiDAR测量值来重构的3D风场，以及
[0071] -图6解说了根据本发明的风力涡轮机控制方法的步骤。
[0072] 发明的详细描述
[0073] 符号
[0074] 在其后的描述中使用以下符号：
[0075] -x、y、z:三维坐标系的各方向，其中z是垂直轴并且x是风的主方向，[0076] -θ和 所述LiDAR传感器的取向角。这些角度在图1中描述：角度θ是由LiDAR的测量角在平面(y,z)上投影所形成的角度，并且 是由LiDAR的测量轴在由以下各项构成的平面上投影所形成的角度：x轴和LiDAR测量轴在平面(y,z)上的投影，
[0077] -m(t)：LIDAR传感器在测量点处的测量值，
[0078] -vj,x(k)、vj,y(k)、vj,z(k)：风速在x、y、z上的投影，
[0079] -ω:有序向量，其包括空间中的点处的风速的所有分量，其中在这些点处风在三维坐标系的轴x、y和z上被估计，
[0080] - ω(t)在时间t的估计，
[0081] -P(t)：可以在时间t获得的时变辅助矩阵，
[0082] -P0、Q、Rs、和Rm是合适尺寸的加权矩阵。
[0084] 本发明首先涉及一种用于通过LiDAR传感器来采集入射风场以及对其进行建模的方法，以便以可能的最可靠方式来估计接近且位于LiDAR上游的风场的风速和风向。对于经采样的3D风场，需要在线实时地进行该估计。
[0085] 图2示出了根据本发明的采集和建模方法的各个步骤；
[0086] 1.对位于所述LiDAR传感器上游的空间进行网格化(MA)，该网格包括估计点(PE)和测量点(PM)。
[0087] 2.在不同的测量点(PM)处对风的幅度和方向进行测量(MES)。
[0088] 3.在所有的估计点(PE)处在任何时间(t)对风的幅度和方向进行估计(EST)。
[0089] 4.对于所有离散化点，以三维(3D)方式且实时地重构(MOD 3D)该入射风场。
[0090] 图1示出了装备有LiDAR传感器2的风力涡轮机1。LiDAR传感器2被用于在给定距离在测量点PM处测量风速。提前知悉风力测量先验地允许提供大量信息。
[0091] 存在若干类型的LiDAR传感器，例如，扫描LiDAR传感器、连续波或脉冲式LiDAR。在本发明的上下文内，优选地使用脉冲式LiDAR。然而，在保持在本发明的范围内的同时，也可以使用其他LiDAR技术。如在作为实施例示例的图1中可以看见的，所使用的LiDAR包括5个光束或测量轴(b0、b1、b2、b3、b4)。作为非限制性示例，采集和建模方法还用包括三个或更多个光束的LiDAR来操作。5光束脉冲式LiDAR传感器被安装在风力涡轮机1的机舱3上。
[0093] -塔架4，其允许将转子(未示出)置于一足够的高度以使其能够运动(水平轴风力涡轮机所必需的)，或者将该转子置于使其能够由比地面水平6处更强且更规则的风来驱动的高度。塔架4通常容纳部分的电气和电子组件(调制器、控制装置、倍增器、发电机等)[0094] -安装在塔架4顶部处的机舱3，其容纳机械、气动以及操作机器所必需的电气和电子组件(未示出)。机舱3可以旋转，以使机器取向在正确的方向上，
[0095] -固定在机舱上的转子，该转子包括风力涡轮机的若干叶片7(通常是三个)以及机头。该转子由风能驱动，并且通过机械轴杆直接或间接(经由齿轮箱和机械轴杆系统)连接到电机(发电机)(未显示)，该电机将经回收的能量转换为电能。该转子潜在地装备有控制系统，诸如可变角度叶片或气动制动器，
[0096] -变速箱，其由通过变速箱(齿轮箱)(未显示)连接的两个轴杆(转子的机械轴杆和电机的机械轴杆)组成。
[0097] 在下文给出的描述中，所描述的采集和建模方法是理论上的，并且其独立于风力涡轮机1操作。然而，各个示例和开发是在将LiDAR安装在风力涡轮机1的机舱3上的情形中给出的，以便在相对于地面6的给定高度处执行图2中所示的采集和建模方法的各个步骤。
[0098] 在这一部分中，描述了根据本发明的采集和建模方法的各个步骤：
[0099] 1.将位于所述LiDAR传感器上游的空间进行网格化(MA)
[0100] 在该第一步骤中，用如在图1、3和4中所示的网格定义LiDAR传感器上游的空间。LiDAR在其中执行测量的坐标系在此步骤中被定义。所定义的坐标系是图1和3中所解说的右手三面体。此坐标系的原点x-y在机舱3上LiDAR的位置的水平处，且原点z在地面水平6处。
[0101] 轴x水平指向风向，轴z垂直指向朝上，且轴y是正交的，以形成右手三维坐标系(满足右手定则)。
[0102] 在此步骤中，空间网格包括位于上游的离散化点的集合，该离散化点的集合定义了三维网格。如图3中可以看见的，对于每个距离x的集合，平面y–z被划分成不交叠的单元。网格包括风速测量点(PM)和估计点(PE)。
[0103] 结合该空间网格，还定义了以下描述的估计步骤所必需的基本变量，即优化变量。为了使得下文描述的优化算法能够智能且高效地实现，将所有优化变量编组为由ω表示的有序向量。这些优化变量的所确定的次序是该方法的编码算法的可行性和性能的关键工程要素。
[0104] 向量ω针对离散化空间中的每个点来定义，并且它是由空间中风力被估计的点(PE)的所有分量vx(分别伴随有分量vy和vz)组成的。n个点处的风力的估计涉及构建大小为3n的向量ω，其中w1到wn包含所有vx，wn+1到w2n包含所有vy，w2n+1到w3n包含所有vz。
[0105] 以下示例是对于风速的分量vx给出的，应理解，该方法对于vy和vz而言是相同的。如在初始步骤中已经完成的，且如在图3中可以看见的，该空间被离散化成x，y和z，其中x处有nx个点，y处有ny个点，z处有nz个点。
[0106] 在此配置中，我们有：
[0107] n＝nxnynz
[0108] 其坐标为(xi，yj，zk)的风速分量vx由Vi,j,k定义。含有对应估计的wl的下标l如下获得：
[0109] l＝(nx-i)nynz+(k-1)ny+j
[0110] 例如，若i＝nx，k＝1且j＝1，则：
[0111] l＝(nx-i)nynz+(k-1)ny+j＝1
[0112] 这对应于估计域的左上角，在转子平面上游最远的位置处，如图4中所解说的。
[0113] 2.在不同的测量点处对风幅度和方向进行测量(MES)
[0114] 其次，LiDAR传感器执行相对于位于风力涡轮机1上游的测量点(PM)处的风速的测量值m(t)。该测量值m(t)对应于由传感器响应LiDAR传感器发射的信号而从测量点(PM)接收到的信号。实际上，通过干涉测量和多普勒效应，由LiDAR传感器发射的激光信号的一部分被测量点处的空气分子以及还被气溶胶(悬浮的灰尘颗粒和微粒)反射。测量点由LiDAR传感器的特性(尤其是焦距)并且由其取向定义。该测量值取决于风速是一时间并且它取决于LiDAR传感器的取向。
[0115] 对于所经研究的脉冲式LiDAR的情形，测量值是根据上一步中所定义的网格相继地获得的，从纵向光束b0开始，随后是倾斜光束b1，并且最后是光束b4。该坐标系的有趣特征在于，它允许针对给定光束，同时测量风速在若干距离处的投影。因此，有可能以0.25Hz或1Hz的采样率获得例如50m与400m之间的10个连续距离。当然，有可能将自己限制为两次测量，这足以在三维中重构模型。在每个采样时间处，仅刷新所选当前光束的测量值。
[0116] 在特定情形中，根据图4，针对五个光束，在七个距离处(尤其是在x＝[5080120160200240280]m处)执行测量。因此，对于每个固定的x，平面y–z被划分成以下单元：
[0117] ●四个第一点(PM)，其对应于光束1、2、3、4的为距离x＝280m的测量点的坐标y–z[0118] ●四个第二点(PM1)，其对应于光束1、2、3、4的为距离x＝240m的测量点的坐标y–z[0119] ●四个第三点(PM2)，其对应于光束1、2、3、4的为距离x＝200m的测量点的坐标y–z[0120] ●四个第四点(PM3)，其对应于光束1、2、3、4的为距离x＝160m的测量点的坐标y–z[0121] ●四个第五点(PM4)，其对应于光束1、2、3、4的为距离x＝120m的测量点的坐标y–z[0122] ●四个第六点(PM5)，其对应于光束1、2、3、4的为距离x＝80m的测量点的坐标y–z[0123] ●四个第七点(PM6)，其对应于光束1、2、3、4的为距离x＝50m的测量点的坐标y–z[0124] ●中心点(PM7)，其对应于光束0的针对所有距离的测量点的坐标y–z。
[0125] LIDAR在距离x米处和时间k针对光束j＝0、1、2、3、4的测量值m(k)由公式mj,x(k)给出，其中j＝0、1、2、3、4。
[0126] 例如，m0,50(1)是在距离x＝50米处和在瞬时时间k＝1时针对光束j＝0的LiDAR测量值。随后，在本发明的上下文内，LiDAR测量值由如下类型的公式给出：
[0127] mj，x(k)＝ajvj，x(k)+bjvj，y(k)+cjvj，z(k)
[0128] 其中vj,x(k)、vj,y(k)、vj,z(k)是在初始时间(k)时投影在给定坐标系上的风速值，并且aj、bj和cj(其中j＝0、1、2、3、4)是测量系数，它们被给出为：
[0129]
[0130] 其中θj、 (其中j＝0、1、2、3、4)分别是球坐标系中测量轴的天顶角和方位角。
[0131] 在所选空间离散化的情况下，在先前所定义的坐标系中定义LiDAR测量方程的优势在于该LiDAR测量方程可以被直接使用，因为测量点与离散化空间的特定点的坐标一致。
[0132] 3.在所有的离散化点处在任何时间(t)对风幅度和方向进行估计(EST)。
[0133] 此步骤旨在获得网格的估计点(PE)处的风力的值。
[0134] 因此，估计是使用所测得的LiDAR数据m(k)、以及风速空间相干性数据、风速时间变化数据、对在测量点处执行的测量m(k)的质量进行量化的数据(其在以下进行描述)藉由加权递归最小二乘法对成本函数进行优化来达成的。
[0135] 计考虑时间相干性允许量化日期t时的风场估计与较早日期(t-1，t-2，…)时做出的风场估计的“相似性”。
[0136] 通过对时间相干性进行积分来执行成本函数的加权递归最小二乘最小化对应于扩展卡尔曼滤波器的实现。
[0137] ω(t)＝ω(t-1)+K(y(t)-Cω(t-1))
[0138] 这种办法的优点是即使在日期t时采集的测量值不是有效或可靠的情况下也考虑更新在该日期t时对风场的估计的能力。这是基于较早日期(t-1，t-2，…)时获得的风场估计来完成的。因此，通过扩展，在与估计的时间相干性极限有关的有限时间段内，风场的重构对于采集设备的数据的不可用性而言是稳健的。此解决方案的直接实现是在距LiDAR的每个距离处设立缓冲器存储器区域(通常被称为缓冲器)，其包含每个光束的最后有效测量值。因此，该缓冲器是用于重构算法的输入数据的源。
[0139] 例如，对于4光束脉冲式设备，在10个距离上进行采集，缓冲器将具有4*10个位置，最后40个有效的所采集的径向测量值将被存储在该4*10个位置中。因此，诸如给定距离处的空间风速平均之类的指示符将通过在每个采集日期时的所有测量值(无论是当前值、延迟值或估计值)的可用性而变得稳定并且使其可靠。实际上，众所周知的事实是，没有考虑所有的光束来建立空间风力指示符会导致空间平均的错误值，特别是在发生风切变时或者在采集设备与主要风向未对准时。
[0140] 还需要为所存储数据提供过期或过时指示符，以便能够将其相关性确定作为用于更新风场估计的信息源。该相关性取决于所估计现象的时间相干性，即风场朝向LiDAR所在的风力涡轮机进行扩散。风的时间相干性可以是一设置参数，或者它可以源自风模型。
[0141] 在本专利中描述的办法的稳健利用要求在任何时间处提供置信指数或区间、以及风场估计和相关联的描述量。风场的描述量可以是例如：水平和垂直的幅度与方向风切变、每个测量距离处的平均速度和方向、湍流强度等。
[0142] 这种置信区间是从计及以下因素的方程来构建的：
[0143] -当前采集日期时的有效测量次数，
[0144] -最后有效测量的日期，在所获得的最后采集值并非全部可靠的情况下，[0145] -重构算法固有的置信区间。该置信区间取决于从估计过程导出的方差。在使用卡尔曼滤波器的实现的情形中，它可以是建模过程的协方差矩阵的值。
[0146] 这些考虑允许以稳健且可靠的方式来综合与风场重构相关联的不确定性，该不确定性将测量值的可用性和过时性与估计器的固有置信度指数相整合。
[0147] 这种不确定性可以与测量值一起被提供，并且等于估计的全局标准差。对于在实时诊断或LiDAR辅助式的风力涡轮机控制上下文中进行重构开发而言，这一个量是非常相关的信息。
[0148] 3.1空间差异
[0149] 这些小节旨在定义在本发明的范围内并且更具体地在安装在风力涡轮机1的机舱3上的LiDAR的上下文内的风力空间相干性数据。
[0150] 在此步骤中，我们考虑上文所定义的坐标系的轴x、y和z上的风速分量。
[0151] 在此估计步骤中，承认风速在空间中变化相对较小，并且风在小的空间体中具有高的空间相干性。以下针对分量vx(即，针对ω的前n个变量)给出以下表示，其中估计域在图4中示出(对于分量vy和vz而言该办法是类似的)，并且采用nx＝ny＝nz＝3。
[0152] 3.1.1纵向差异
[0153] 纵向差异对应于vx沿x轴的变化，并且根据本发明其缓慢地变化。在此情形中，偏导数dvx/dx相对较小。换言之：
[0154]
[0155] 先前的方程可以用紧凑向量形式写成如下：
[0156] Cxlω≈0
[0157] 此处
[0158]
[0159] 注意，Cxl的每一行包含一个+1和一个-1。
[0160] 类似地，vy和vz沿纵轴的变化可被计算为：
[0161]
[0162] 其中Cyl、Czl是系数矩阵，该系数矩阵在每一行中仅包含一个+1和一个-1。
[0163] 通过定义：
[0164]
[0165] 我们获得方程：
[0166] Clω≈0
[0167] 其表征针对沿纵轴的估计域的风速变化。
[0168] 3.1.2横向差异
[0169] 横向差异是vx沿轴y的变化。类似地，由于风平滑地变化，所以偏导数dvx/dy相对较小。换言之：
[0170]
[0171] 先前的方程可以用紧凑向量形式写成：
[0172] Cxtω≈0
[0173] 此处
[0174]
[0175] Cxt的每一行包含一个+1和一个-1。
[0176] 类似地，vy和vz沿横轴的变化可被计算为：
[0177]
[0178] 其中Cyt、Czt是系数矩阵，该系数矩阵在每一行中仅包含一个+1和一个-1。
[0179] 通过定义：
[0180]
[0181] 显然，方程：
[0182] Ctω≈0
[0183] 表征针对沿横轴的估计域的风速变化。
[0184] 3.1.3垂直差异
[0185] 风速的垂直分布由幂定律给出，这允许获得对在不同高度处的风速分量vx的精确得多的描述。
[0186] 风速的垂直分布描述了纵向风速因变于地面上方高度的演变。风速分布的幂定律通常被用于估计在地面上方高度z处的纵向风速vl，考虑参考高度zr处的纵向风速vlr,使用如下方程，
[0187]
[0188] 其中α是幂定律指数，其通常根据稳定性来给出。
[0189] 通常使用恒定值α＝1/7，与相对较低的风切变假定相一致。然而，注意，将α视为常数等于忽略地表粗糙度、风与可能障碍之间的相互作用、以及大气的稳定性。
[0190] 通过使用此幂定律，因此，我们有由下式给出的垂直风力差异：
[0191]
[0192] 其中zj是ω的高度，并且α是幂定律指数，其被假定为1/7。
[0193] 先前的方程可以用紧凑向量形式写成如下：
[0194] Cxvω≈0
[0195] 此处
[0196]
[0197] 类似地，vy和vz沿垂直轴的变化可被量化为：
[0198]
[0199] 然而，由于风分布的幂定律仅适用于纵向风速，因此Cyv和Czv在每一行中仅包含一个+1和一个-1。
[0200] 通过定义：
[0201]
[0202] 我们获得方程：
[0203] Cvω≈0
[0204] 其表征针对沿垂直轴的估计域的风速变化。
[0205] 最后，通过使用：
[0206] Clω≈0
[0207] 和
[0208] Ctω≈0
[0209] 我们有：
[0210]
[0211] 或者，以等效方式：
[0212] Csω≈0
[0213] 其是表征沿轴x、y和z的总风速变化的方程，
[0214] 其中：
[0215]
[0216] 3.2 LiDAR测量值
[0217] 出于计算的目的，以w向量形式重写测量方程是重要的。在5光束LiDAR的前述示例中，并且针对每光束的七次测量，我们有j＝0，1，2，3，4，以及x＝[50，80,120,160，200,240,280]，
[0218]
[0219] 通过与下式相结合：
[0220] mj，x(k)＝ajvj，x(k)+bjvj，y(k)+cjvj，z(k)
[0221] 我们获得：
[0222] mj，x＝Cj，xω
[0223] 此处
[0224]
[0225] 其可以用紧凑向量形式重写成：
[0226] Cmω＝mm
[0227] 此处
[0228]
[0229] 为了计及测量噪声，用于LiDAR测量的更现实的模型可被引入如下：
[0230] Cmω＝mm+∈m
[0231] 此处εm描述了测量噪声。
[0232] 3.3加权递归最小二乘法
[0233] 承认风速不仅在空间中而且在时间上变化很小。此后，我们提供一种在优化办法中计及此信息的手段。 是在时间0时对风速的估计。任何时间时，优化问题如下：
[0234]
[0235] 其中
[0236]
[0237] 先前成本函数中存在四个项：
[0238] ●第一项惩罚初始风速ω(0)的知识
[0239] ●第二项惩罚风速在时间上的变化
[0240] ●第三项惩罚风速在空间中的变化
[0241] ●第四项惩罚LiDAR测量质量。
[0242] 通过使用前述公式，我们可以有对加权矩阵P0、Q，、Rs、和Rm的清楚解释。由此：
[0243] ●若在时间t＝0时已知风速ω(t)，则 则P0很小。否则，P0很大。
[0244] ●若存在时间上的许多风速变化，则Q很大。否则，Q为很小。
[0245] ●若风速快速地变化，则Rs很大。否则，Rs很小。
[0246] ●若LiDAR测量值中存在很多噪声，则Rm很大。否则，Rm很小。
[0247] 如果我们考虑以下三种限制性情形：
[0248] ●与初始风速有关的信息没有是可用的。因此，P0很大。该项：
[0249]
[0250] 可因此在成本函数中被忽略。
[0251] 在时间t时的风速与时间t-1处的风速之间没有关系。
[0252] 在该情形中，可以选择很大的Q。以下项可被忽略：
[0253]
[0254] ●空间中的风速变化很小。在该情形中，可以选择很小的Rs。以下项在成本函数中很重要：
[0255]
[0256] 我们定义：
[0257]
[0258] 用于解决优化问题的加权递归最小二乘法如下：
[0259] ●优化变量被初始化如下：
[0260]
[0261] ●在任何时间t时：
[0262] ■我们定义：
[0263]
[0264] 其中0是合适尺寸的零向量。
[0265] ■我们计算辅助矩阵K以使得：
[0266] K＝(P(t-1)+Q)C(CT(P(t-1)+Q)C+R)-1
[0267] ■我们计算矩阵P(t)以使得：
[0268] P(t)＝(I-KC)P(t-1)
[0269] 其中I是合适尺寸的单位矩阵。
[0270] ■时间t时的风速随后被估计如下：
[0271] ω(t)＝ω(t-1)+K(y(t)-Cω(t-1))
[0272] 4.三维(3D)且实时地重构入射风场
[0273] 在此步骤中，集成在LiDAR传感器中的处理器收集在各先前步骤期间测得和估计出的风幅度和方向的所有数据。对于每个先前所定义的测量点(PM)和估计点(PE)实时执行数据恢复。因此，LiDAR传感器可以重构该LiDAR上的整个入射风场，如图5所示。
[0274] 还在图5中，对于68秒时的时间，示出了经重构的风场。y轴表示地面上方高度(以米计)，且x轴表示与机舱的距离(以米计)和相对于LiDAR的横向相对位置(以米计)。
[0275] 本发明进一步涉及一种控制和/或监视装备有如上所述的LiDAR传感器和相关联的PLC 10的风力涡轮机的方法，该方法包括以下步骤：
[0276] i)通过利用根据本发明的方法所获得的维且实时地对入射风场的重构来开发用于所述风力涡轮机1的前馈控制策略(CON)的步骤
[0277] ii)包括所开发的控制策略的控制步骤(PIL)，其尤其包括控制叶片7的角度或机舱3的取向。
[0278] 图6示出了这种风力涡轮机1的总体操作。因此，风力涡轮机1包括根据本发明的LiDAR传感器2及其处理单元、包括关于风场的3D重构的软件解决方案的计算设备、一种集成了控制策略的PLC和一种用于控制风力涡轮机叶片和/或机舱的设备。结合图6，应用于风力涡轮机的本发明操作如下：
[0279] ●首先，LiDAR执行如上所述的入射风场采集和建模的步骤，以便重构3D入射风场(图6的步骤ME、MA、EST和MOD 3D)，
[0280] ●其次，PLC10开发控制策略(CON)并且通过考虑所开发的控制策略来执行对风力涡轮机1的各元件的控制(PIL)。
[0281] 根据本发明的这种方法允许实时分析入射风或检测阵风、功率曲线和湍流强度，这可被用于调节或监督风力涡轮机以便获得更好的风力涡轮机对准，从而造成生产优化以及使负载和疲劳最小化。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于Kinect的手势追踪和精准指尖定位系统 | 2020-05-15 | 36 |
| 一种立式空调 | 2020-05-08 | 301 |
| 一种短波多通道多带宽信道的模拟方法 | 2020-05-08 | 926 |
| 用于焦距调节和深度图确定的装置和方法 | 2020-05-12 | 278 |
| 语音消息处理方法及装置 | 2020-05-14 | 757 |
| 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | 2020-05-15 | 232 |
| 基于模型预测控制架构的综合能源系统优化运行方法及系统 | 2020-05-14 | 248 |
| 一种远场噪声抑制方法、装置和系统 | 2020-05-13 | 784 |
| 用于藉由LIDAR传感器来采集入射风场以及对其进行建模的方法 | 2020-05-14 | 948 |
| 一种基于加速度计的溺水行为识别方法 | 2020-05-13 | 501 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈