背景技术 发明领域 [0001] [0001] 本发明涉及可再生能源领域,更具体地涉及风力涡轮机资源的测量,即风,具有风力预测、涡轮机控制(定向、扭矩和速度调节)和/或诊断和/或监测目标 . [0002] 风力涡轮机允许将来自风的动能转换为电能或机械能。 为了将风能转化为电能,它由以下元素组成:

• [0003]
  • 一个塔架,允许转子定位在足够的高度以使其能够运动(水平轴风力涡轮机所必需)和/或该转子定位在使其能够由比在 地面水平。 塔一般容纳部分电气和电子元件(调制器、控制、倍增器、发电机等);
  [0004]
  • 安装在塔顶的机舱,装有操作机器所需的机械、气动和一些电气和电子元件。 机舱可以旋转以使机器朝向正确的方向;
  [0005]
  • 固定在机舱上的转子,包括几个叶片(通常是三个)和风力涡轮机的轮毂。 转子由风力驱动,并通过机械轴直接或间接(通过齿轮箱和机械轴系统)连接到将回收的能量转换为电能的电机(发电机)。 转子可能配备控制系统,例如可变角度叶片控制系统或气动制动控制系统; 和
  [0006]
  • 由两根轴(转子的机械轴和电机的机械轴)组成的传动装置,通过传动装置(齿轮箱)连接。

[0007] 自 1990 年代初以来,人们对风电重新产生了兴趣,尤其是在年增长率约为 20% 的欧盟。 这种增长归因于无碳发电的内在可能性。 为了维持这种增长,风力涡轮机的发电量仍需进一步提高。 风力发电产量增加的前景需要开发有效的生产工具和先进的控制工具,以提高机器的性能。 风力涡轮机旨在以尽可能低的成本发电。 因此,它们通常被建造成在大约 15 m/s 的风速下达到其最大性能。 没有必要设计在较高风速下最大化其产量的风力涡轮机,这并不常见。 在风速超过15m/s的情况下,需要损失一部分风中所含的额外能量,以免损坏风机。 因此,所有风力涡轮机都设计有功率调节系统。 [0008] 对于这种功率调节,控制器设计用于变速风力发电机。 控制器的目的是最大化回收的电力,最小化转子速度波动,最小化结构(叶片、塔架和平台)的疲劳和极端力矩。 [0009] 为了优化控制,了解风力涡轮机转子处的风速很重要。 为此目的开发了各种技术。 [0010] 根据第一种技术,使用风速计可以估计一个点的风速,但是这种不精确的技术不能测量整个风场或知道风速的三维分量或知道垂直风速分布 . [0011] 根据第二种技术,可以使用 LiDAR(光检测和测距)传感器。 激光雷达是一种基于分析返回到发射器的光束特性的遥感或光学测量技术。 该方法特别用于确定脉冲激光到物体的距离。 与基于类似原理的雷达不同,LiDAR 传感器使用可见光或红外光而不是无线电波。 到物体或表面的距离是通过测量脉冲和检测到反射信号之间的延迟来给出的。 [0012] 在风力涡轮机领域,LiDAR 传感器对于大型风力涡轮机的正常运行至关重要,尤其是现在它们的尺寸和功率正在增加(目前为 5 兆瓦,海上涡轮机将很快达到 12 兆瓦)。 该传感器可实现远程风力测量,首先允许校准风力涡轮机,以便它们能够提供最大功率(功率曲线优化)。 对于这个校准阶段,传感器可以放置在地面上并垂直定向(剖面仪),从而可以测量风速和风向,以及取决于海拔高度的风梯度。 这个应用程序特别重要,因为它允许了解能源产生资源。 这对于风力涡轮机项目很重要,因为它决定了项目的财务可行性。 然而,这种方法可能看起来成本高昂,因为除了在风力涡轮机上提供的用于下文描述的应用的激光雷达传感器之外,它还需要固定地布置在地面或海上并垂直定向的激光雷达传感器。 [0013]第二个应用程序将此传感器设置在风力涡轮机的机舱上,以便在几乎水平定向的情况下测量涡轮机前方的风场。 先验地,测量涡轮机前面的风场可以提前知道风力涡轮机在此后不久将遇到的湍流。 然而,当前的风力涡轮机控制和监测技术不允许通过精确估计转子平面中转子处的风速来计算由 LiDAR 传感器执行的测量。 这种申请在对应于美国公开申请2015/145,253的专利申请FR-3-013,777中被特别描述。 [0014] 风速随海拔变化而变化,高海拔地区的风比地面更强。 了解垂直风速剖面,即作为高度函数的风速梯度,在各种风力涡轮机控制应用中是有用的。 参见 Wagner、Rozenn & Antoniou、Ioannis & M. Pedersen、SØren & Courtney、Michael & JØrgensen、Hans。 (2009 年)。 风速剖面对风力涡轮机性能测量的影响。 风能。 12. 348-362。 10.1002/we.297 特别描述了风速剖面和风力涡轮机性能之间的关系。 根据示例,该垂直风速曲线可用于风力涡轮机能量评估或用于控制涡轮机叶片的桨距角。 [0015] 传统上,激光雷达传感器制造商使用的垂直风速剖面是通过基于批处理方法的离线应用方法获得的。 因此,这些方法不适用于实时估计垂直风速剖面。 [0016] 此外,用于确定垂直风速剖面的其他方法使用其数学表示,其中包括对数剖面或幂律。 [0017] 对数风廓线由 Prandtl 从平板上的湍流边界层模型创建。 随后发现它在地面或海面附近的大气边界层的强风条件下以未修改的形式有效。 从表面上看,对数风廓线由下式给出: [0018] $v_z=\frac{v_{*}}{\kappa }\ln \frac{z}{z_0}-{\psi }_m$ 其中 vz 是高度 z 处的纵向风速,v* 是摩擦速度,k=0.41 是冯卡门常数,z 0 是表面粗糙度,ψm 是垂直风速剖面的非绝热修正。 这种对数分布仅取决于常数,在高海拔地区不精确,难以校准。 此外,这种对数曲线不如幂律精确。 [0019] 幂律写成如下: [0020] $\frac{v_z}{v_{z_0}}={\left(\frac{z}{z_0}\right)}^{\alpha }$ 其中 vz 是高度 z 处的纵向风速,z 0 为参考高度,vz 0 是参考高度 z 处的纵向风速 0 a 是所述幂律的指数。 [0021] 幂律一般用于风能评估,需要根据近地表风观测来估算风力机高度处的风速,或者需要将不同高度的风速数据调整到标准高度时。 关于对数定律,幂定律可以很容易地在一个高度上积分。 由于其简单性,此配置文件被广泛用于工程目的。 假设中性大气条件,众所周知,在从 100 m 到大气边界层上部的高度范围内,幂律比对数律产生更精确的风速预测。 对于海上站点(海上)的正常风力条件,指数 α 设置为 1/7。 然而,当使用常数指数时,它不考虑随时间和表面粗糙度的变化。 此外,它没有考虑由于障碍物的存在,例如本例中的风力涡轮机,风从地表的位移。 因此,使用常数指数会产生垂直风速剖面的错误估计。 发明内容 [0022]本发明尤其以简单的方式实时确定精确的垂直风速剖面。 因此,本发明涉及一种确定风力涡轮机上游风速垂直剖面的方法,其中风速测量由激光雷达传感器执行,然后通过使用无迹卡尔曼滤波器确定幂律的指数α 和测量值,指数 α 应用于幂律以确定垂直风速剖面。 [0023] 本发明涉及一种确定风力涡轮机上游风速垂直剖面的方法,该风力涡轮机配备有面向风力涡轮机上游的LiDAR传感器,其中执行以下步骤: [0024] a) 由激光雷达传感器在位于风力涡轮机上游的至少两个测量点的至少一个测量平面上测量风速; [0025] b) 通过以下形式的幂律构建垂直风速剖面模型: [0026] $\frac{v_z}{v_{z_0}}={\left(\frac{z}{z_0}\right)}^{\alpha }$ [0027] 其中 vz 是高度 z 处的纵向风速,z 0 是参考高度,vz 0 是参考高度 z 处的纵向风速 0 a 是幂律的指数; [0028] c) 使用两个测量点的风速测量值,使用无迹卡尔曼滤波器确定幂律的指数 α; 和 [0029] d) 通过将确定的指数 α 应用于垂直风速剖面模型来确定垂直风速剖面。 [0030] 根据本发明的一个实施例,将无迹卡尔曼滤波器应用于包括加性噪声和乘性噪声的状态模型。 [0031] 有利地,状态模型写成: [0032] $\hspace{1em}\{\begin{array}{c}x\left(k\right)=x\left(k-1\right)+\eta \left(k-1\right),\\ y\left(k\right)=\left(v_2\left(k\right)+{ϵ}_2\left(k\right)\right){\left(\frac{z_1}{z_2}\right)}^{x\left(k\right)}-{ϵ}_1\left(k\right)\end{array}$ 其中 x(k)=a(k) 是时间 k 的状态变量,y(k)=v 1 ( k ) 是状态模型的输出,对应于测量点 k 时刻测量的纵向风速 1 , n(k-1) 是指数 α 在时间 k-1 的变化, v 2 ( k ) 是在时间 k 在测量点测量的纵向风速 2 , z 1 是测量点的高度 1 , z 2 是测量点的高度 2 , ε 1 ( k ) 是速度 v 的噪声 1 在时间 k 和 ε 2 ( k ) 速度 v 的噪声 2 在时间 k。 [0033] 优选地,为了应用卡尔曼滤波器,增加的随机变量x _a 被认为: [0034] $x_a\left(k\right)=\left[\begin{array}{c}x\left(k\right)\\ {ϵ}_2\left(k\right)\end{array}\right]$ 其中 x(k)=a(k) 是时间 k 和 ε 的状态变量 2 ( k ) 是速度 v 的噪声 2 在时间 k。 [0035] 根据一个方面,幂律的指数α通过执行以下步骤来确定:

• [0036]
  • i) 初始化 k=0,状态向量为 {circumflex over (x)} _a (0|0)=m(0) 且协方差矩阵的状态为 P(0|0)=P ₀ ;
  [0037]
  • ii) 在任何时间 k,获取风速测量值 v 1 ( k ) 和 v 2 ( k ) 在测量点 1 和 2 , y(k)=v 1 ( k ); 和
  [0038]
  • iii) 在任何时间 k,通过使用以下等式确定幂律的指数 α:

[0039] $\hspace{1em}\{\begin{array}{c}K\left(k\right)=P_{\mathrm{xy}}{P}_{\mathrm{yy}}^{-1}\\ x\left(k|k\right)=x\left(k|k-1\right)+K\left(k\right)\left(v_1\left(k\right)-m_y\right)\\ P\left(k|k\right)=P\left(k|k-1\right)-K\left(k\right)P_{\mathrm{yy}}{K\left(k\right)}^T\end{array}$ 其中 K 是卡尔曼滤波器增益,Pxy 是状态测量互协方差,Pyy 是预测的测量协方差,my 是预测的输出均值,v 1 ( k ) 是在时间 k 在测量点测量的纵向风速 1 . [0040] 此外,本发明涉及一种控制配备有 LiDAR 传感器的风力涡轮机的方法,其中执行以下步骤: [0041] a) 使用根据上述特征之一的方法确定风力涡轮机上游的垂直风速剖面; 和 [0042] b) 根据风力涡轮机上游的垂直风速分布来控制风力涡轮机。 [0043] 本发明还涉及一种包括代码指令的计算机程序产品,当该程序在LiDAR传感器的处理器上执行时,该代码指令用于执行根据上述特征之一的方法的步骤。 [0044] 此外,本发明涉及一种用于风力涡轮机的激光雷达传感器。 它包括执行根据上述特征之一的方法的处理器。 [0045]此外,本发明涉及一种风力涡轮机,其包括根据上述特征之一的LiDAR传感器,其中LiDAR传感器优选地安装在风力涡轮机的机舱或风力涡轮机的轮毂中。 附图的简要说明 [0046] 根据本发明的方法的其他特征和优点将通过阅读以下通过非限制性示例给出的实施例的描述并参考附图而变得清楚,其中: [0047] 图1示出了根据本发明的一个实施例的配备有LiDAR传感器的风力涡轮机; [0048] 图2示出了根据本发明的一个实施例的确定垂直风速剖面的方法的步骤; [0049] 图3为本发明风轮机控制方法的第二实施例的步骤示意图。 [0050] 图4是例如在风力涡轮机上游200m的两个高度处测量的径向风速随时间变化的曲线; [0051] 图5是在风力涡轮机上游200m的两个高度处估计的纵向风速随时间变化的曲线,例如图4的示例; [0052] 图6是图4的例子的指数α随时间的变化曲线的例子。 和 [0053] 图7是利用根据本发明的实施例的方法估计的纵向速度(根据图4的示例的测量值)并且在风力涡轮机上游100m处测量的作为时间的函数的纵向速度曲线。 发明详述 [0054] 本发明涉及一种确定风力涡轮机上游的风速垂直分布的方法(“上游”的概念是根据朝向涡轮机的风向来定义的)。 垂直风速剖面被理解为作为高度函数的风速梯度。 确定的垂直风速分布允许确定风力涡轮机上游和涡轮转子平面处的垂直风变化。 根据本发明,风力涡轮机配备有基本上水平布置的LiDAR传感器以测量涡轮机上游的风速。 [0055] 根据本发明,LiDAR传感器允许在风力涡轮机上游的至少一个测量平面中测量风速。 有几种类型的激光雷达传感器,例如扫描激光雷达、连续波激光雷达或脉冲激光雷达传感器。 在本发明的范围内,优选使用脉冲激光雷达传感器。 然而,也可以使用其他 LiDAR 技术,同时保持在本发明的范围内。 [0056] LiDAR 传感器允许快速测量。 因此,使用这种传感器能够快速、连续和实时地确定垂直风速剖面。 例如,LiDAR 传感器的采样率可以在 1 到 5 Hz 之间(未来甚至更高),可以是 4 Hz。 此外,激光雷达传感器获得与风力涡轮机上游风有关的信息,该信息与流向涡轮机的风有关。 因此,激光雷达传感器可用于确定垂直风速剖面。 [0057] 图1通过非限制性示例示意性地示出了水平轴风力涡轮机 1 配备激光雷达传感器 2 用于根据本发明实施例的方法。 激光雷达传感器 2 用于在测量平面 PM(仅显示两个测量平面)中测量给定距离处的风速。 先验地知道风的测量值可以提供很多信息。 该图还显示了轴 x、y 和 z。 该坐标系的参考点是转子的中心。 x方向为对应于转子轴线方向的纵向,在风力涡轮机的上游,该方向也对应于LiDAR传感器的测量方向 2 . 方向y,垂直于方向x,是位于水平面中的横向方向(方向x、y形成水平面)。 z方向为垂直方向(大致对应于塔的方向4 ) 向上,并且 z 轴垂直于 x 轴和 y 轴。 转子平面由虚线 PR 中的矩形表示,其由方向 y、z 定义,x 的值为零。 测量平面 PM 是由方向 y、z 在距转子平面 PR 一定距离处形成的平面(对于 x 的非零值)。 测量平面 PM 平行于转子平面 PR。 [0058] 传统上,风力涡轮机 1 将风的动能转化为电能或机械能。 为了将风能转化为电能,涡轮机具有以下要素:

• [0059]
  • 一座塔 4 允许转子(未显示)定位在足够的高度以使其能够运动(水平轴风力涡轮机所必需的)和/或允许该转子定位在使其能够由更强大和更规则的驱动的高度 风比地面水平 6 . 塔 4 通常容纳部分电气和电子元件(调制器、控制、倍增器、发电机等);
  [0060]
  • 机舱 3 安装在塔顶 4 其中装有操作机器所需的机械、气动和一些电气和电子元件(未显示)。 机舱 3 可以旋转以使机器朝向正确的方向;
  [0061]
  • 固定在机舱上的转子包括几个叶片 7 (一般三个)和风力发电机的轮毂。 转子由风能驱动,并通过机械轴直接或间接(通过齿轮箱和机械轴系统)连接到电机(发电机)(未显示),电机将回收的能量转换为 电能。 转子可能配备有控制系统,例如可变角度叶片控制系统或气动制动控制系统,
  [0062]
  • 由两个轴(转子的机械轴和电机的机械轴)组成的传动装置,由传动装置(齿轮箱)(未显示)连接。

[0063] 如图 1 所示,它是脉冲 LiDAR 传感器的示例实施例,LiDAR 传感器 2 使用包括四个光束或测量轴(b 1 , b 2 , b 3 , b 4 )。 作为非限制性示例,根据本发明的方法还与包括任意数量的光束的LiDAR传感器一起操作。 LiDAR 传感器在每个测量点(PT 1 , 点 2 , 点 3 , 点 4 ),它们是测量平面 PM 和光束 (b 1 , b 2 , b 3 , b 4 )。 这些测量点(PT 1 , 点 2 , 点 3 , 点 4 ) 在图 1 中用黑色圆圈表示。处理这些测量点 (PT 1 , 点 2 , 点 3 , 点 4 ) 允许在测量平面 PM 中以及在具有测量点 PT 的多个高度处确定风速 1 和PT 2 高于测量点 PT 的高度 3 和PT 4 . 因此,可以特别应用法国专利申请 FR-3,068,139 (WO-2018/234,409) 中描述的风建模方法。 [0064] 优选地,LiDAR 传感器 2 可以安装在机舱上 3 风力涡轮机 1 或在风力涡轮机的轮毂中 1 . [0065] 根据本发明,确定风力涡轮机上游的垂直风速剖面的方法包括以下步骤: [0066] 1)测量风速; [0067] 2) 构建垂直风速剖面模型; [0068] 3) 确定指数α; 和 [0069] 4) 确定垂直风速剖面。 [0070] 这些步骤是实时执行的。 构建垂直风速剖面模型的步骤可以提前和离线进行。 [0071] 图2通过非限制性示例示意性地示出了根据本发明实施例的确定垂直风速分布的方法的步骤。 第一步是测量风速v的步骤(MES) 1 , v 2 通过使用 LiDAR 传感器,在至少一个测量平面的两个不同高度。 建立了垂直风速剖面模型(MOD)。 下一步通过使用无迹卡尔曼滤波器 (UKF) 和风速测量 v 来确定垂直风速剖面模型 (MOD) 的指数 α 1 , v 2 . 确定的指数 α 与垂直风速剖面模型 (MOD) 一起用于确定 (PRO) 风速 v(z) 的垂直剖面。 [0072] 1.风速测量 [0073] 在该步骤中,通过激光雷达传感器在远离风力涡轮机的至少一个测量平面上,在位于不同高度的至少两个测量点处连续测量风速。 因此,在至少一个测量平面中的两个不同高度处的风力涡轮机上游的风速可以是已知的。 测量点的高度是沿垂直轴(图1的轴z)相对于地平面或海平面考虑的。 在此步骤中,例如可以在测量点 PT 处测量风速 1 (“上”点)和测量点 PT 3 图 1 的(“下”点)。 [0074]根据本发明的实施方式,测量平面可以位于距转子平面50和400m之间的纵向距离处(沿图1中的轴线x)。 因此,可以确定风力涡轮机上游长距离上的风速演变,这也允许提高确定垂直风速剖面的精度。 [0075] 或者,测量平面可以比优选范围更近或更远。 [0076] 根据一个非限制性示例实施例,LiDAR 传感器可以对十个测量平面执行测量,这些测量平面可以显着地位于距地面 50、70、90、100、110、120、140、160、180 和 200 m 的距离处。 转子平面分别。 [0077] 根据本发明的一个实施例,可以在每个高度的几个测量点处执行风速测量。 例如,可以在两个测量点 PT 处测量风速 1 , 点 2 (“上”点)和两个测量点 PT 3 , 点 4 (“较低”点)。 在这种情况下,在一个高度测量的风速可以是在该高度测量的风速的组合(例如平均值)。 [0078] 为了增加后续步骤的精度,可以在多个测量平面上测量风速。 [0079] 根据本发明的实施方式,LiDAR传感器可以允许测量径向速度(沿着LiDAR传感器测量光束的轴)。 在这种情况下,该方法可以包括通过任何已知方法,特别是通过将径向速度投影到纵轴上,或通过使用风重构方法,从径向速度确定纵向速度(沿图1的轴x), 如例如专利申请 FR-3,068,139 (WO-2018/234,409) 中所述。 [0080] 2. 构建风速模型 [0081] 此步骤通过以下形式的幂律(或任何等效律)构建垂直风速剖面模型: [0082] $\frac{v_z}{v_{z_0}}={\left(\frac{z}{z_0}\right)}^{\alpha }$ 其中 vz 是高度 z 处的纵向风速,z 0 为参考高度,vz 0 是参考高度 z 处的纵向风速 0 α 是幂律的指数。 [0083] 根据本发明的方法允许确定指数α随时间的变化以使风速模型精确。 幂律的一个优点是其简单性。 此外,幂律比对数律产生更精确的风速预测,特别是在从 100 m 到大气边界层上部的高度。 [0084] 3.确定指数α [0085] 该步骤通过使用无迹卡尔曼滤波器 (UKF) 和在测量点执行的风速测量来确定幂律的指数 α。 无迹卡尔曼滤波器是一种过滤算法,它使用系统模型来估计系统的当前隐藏状态,然后使用可用的传感器测量值来校正估计。 UKF 的原理与扩展卡尔曼滤波器的不同之处在于它使用无迹变换直接逼近目标分布的均值和协方差。 无迹卡尔曼滤波器可以包括状态预测和测量校正的步骤。 这两个步骤之前是计算“西格玛点”的先前步骤。 sigma 点是一组经过计算的样本,可让均值和协方差信息在非线性函数的空间中精确传播。 [0086] 因此,这种滤波器非常适合快速确定幂律的指数 α。 [0087]根据本发明的实施例,无迹卡尔曼滤波器可以应用于包括加性噪声和乘性噪声的状态模型。 加性和乘性噪声来自不同高度的风速测量。 噪声被称为加性,因为它似乎是添加到状态模型中的一项。 噪声被称为乘性,因为它似乎是一个与状态模型的输入相乘的项。 该实施例允许精确确定幂律的指数α。 [0088] 有利地,状态模型可以写成: [0089] $\{\begin{array}{c}x\left(k\right)=x\left(k-1\right)+\eta \left(k-1\right),\\ y\left(k\right)=\left(v_2\left(k\right)+{ϵ}_2\left(k\right)\right){\left(\frac{z_1}{z_2}\right)}^{x\left(k\right)}-{ϵ}_1\left(k\right)\end{array}$ 其中 x(k)=a(k) 是时间 k 的状态变量,y(k)=v 1 ( k ) 是状态模型的输出,对应于测量点 k 时刻测量的纵向风速 1 , n(k-1) 是指数 α 在时间 k-1 的变化, v 2 ( k ) 是在时间 k 在测量点测量的纵向风速 2 , z 1 是测量点的高度 1 , z 2 是测量点的高度 2 , ε 1 ( k ) 是速度 v 的噪声 1 在时间 k 和 ε 2 ( k ) 是速度 v 的噪声 2 在时间 k。 对于这个状态模型,ε 1 ( k ) 是加性噪声和 ε 2 ( k ) 是乘性噪声。 [0090] 为了通过使用无迹卡尔曼滤波器确定指数 α,可以考虑增加随机变量 xa: [0091] $x_a\left(k\right)=\left[\begin{array}{c}x\left(k\right)\\ {ϵ}_2\left(k\right)\end{array}\right]$ 其中 x(k)=a(k) 是时间 k 和 ε 的状态变量 2 ( k ) 是速度 v 的噪声 2 在时间 k。 [0092] 根据本发明的一个实施方式,幂律的指数α可以通过执行以下步骤来确定:

• [0093]
  • i) 初始化 k=0,状态向量 {circumflex over (x)} _a (0|0)=m(0) 并且协方差矩阵的状态 P(0|0)=P ₀ ;
  [0094]
  • ii) 在任何时间 k,获取风速测量值 v 1 ( k ) 和 v 2 ( k ) 在测量点 1 和 2 , y(k)=v 1 ( k ); 和
  [0095]
  • iii) 在任何时间 k,通过使用以下等式确定幂律的指数 α:

[0096] $\{\begin{array}{c}K\left(k\right)=P_{\mathrm{xy}}{P}_{\mathrm{yy}}^{-1}\\ x\left(k❘k\right)=x\left(k❘k-1\right)+K\left(k\right)\left(v_1\left(k\right)-m_y\right)\\ P\left(k❘k\right)=P\left(k❘k-1\right)-K\left(k\right)P_{\mathrm{yy}}{K\left(k\right)}^T\end{array}$ 其中 K 是卡尔曼滤波器增益,Pxy 是状态测量互协方差,Pyy 是预测的测量协方差,my 是预测的输出均值,v 1 ( k ) 是在时间 k 在测量点测量的纵向风速 1 . [0097] 根据本发明的一个实施例,可以通过使用下面描述的各种步骤来使用无迹卡尔曼滤波器。 x ( k|k− 1) 是根据时间 k-1 的测量值对 x(k) 的估计。 x ( k|k ) 是根据时间 k 的测量值对 x(·) 的估计。 P ( k|k− 1) 是时间 k-1 测量的误差方差。 P ( k|k ) 是时间 k 测量的误差方差 Q 是系统噪声 n(k) 的方差。 [0098] 由于方程是线性的,因此预测步骤可以写成: x ( k|k− 1)= x ( k− 1| k− 1) P ( k|k− 1)= P ( k− 1| k− 1)+ Q [0099] 由于存在加性和乘性噪声,校正步骤变得更加复杂。 为了克服这个问题,可以考虑以下增加的随机变量: [0100] $x_a\left(k\right)=\left[\begin{array}{c}x\left(k\right)\\ {ϵ}_2\left(k\right)\end{array}\right]$ [0101] 在预测步骤之后,增加的随机变量 xa(k) 的分布可以作为正态分布给出,用 N 表示: [0102] $x_a\left(k❘k-1\right)\sim N\left(m_{\mathrm{xa}},P_{\mathrm{xa}}\right)\mathrm{with}:m_{\mathrm{xa}}=\left[\begin{array}{c}x\left(k❘k-1\right)\\ 0\end{array}\right],P_{\mathrm{xa}}=\left[\begin{array}{cc}P\left(k❘k-1\right)& 0\\ 0& R_2\left(k\right)\end{array}\right]$ 与 R 2 ( k ) 是噪声 ε 的方差 2 ( k ) 的速度 v 2 在时间 k。 [0103] 由 XO、Xi、Xi+n 表示的与均值 mxa 和协方差矩阵 Pxa 相关的 sigma 点可以计算如下: [0104] $\{\begin{array}{c}{\chi }_0=m_{\mathrm{xa}}\\ {\chi }_i=m_{\mathrm{xa}}+\sqrt{n+\lambda }{S}_i,i=\stackrel{\_}{1,n}\\ {\chi }_{i+n}=m_{\mathrm{xa}}-\sqrt{n+\lambda }{S}_i,i=\stackrel{\_}{1,n}\end{array}$ [0105] 其中 n=2,S 是 Pxa 的平方根,并且 λ=μ ² ( n +κ)- n 其中 μ 是确定 sigma 点分散度的标量参数,而 κ 是辅助调整大小参数。 [0106] X _i,x 和 X _i,ε然后可以定义为 Xi 的第一和第二分量。 对于介于 1 和 2n 之间的任何 i,sigma 点以下列形式通过测量模型传播: [0107] $y_i\left(k\right)=\left(v_2\left(k\right)+{\chi }_{i,ϵ}\right){\left(\frac{z_1}{z_2}\right)}^{{\chi }_{i,x}}$ [0108] 下一步计算预测均值 my、预测测量协方差 Pyy 和状态测量互协方差 Pxy。 [0109] $\{\begin{array}{c}{m}_y=\sum _{i=0}^{2n}{W}_i^m{y}_i\left(k\right),\\ P_{\mathrm{yy}}=\sum _{i=0}^{2n}{W}_i^c\left(y_i-m_y\right){\left(y_i-m_y\right)}^T+R_1\left(k\right)\\ P_{\mathrm{xy}}=\sum _{i=0}^{2n}{W}_i^c\left({\chi }_{i,x}-x\left(k❘k-1\right)\right){\left(y_i-m_y\right)}^T\end{array}$ 与 R 1 ( k ) 是噪声 ε 的方差 1 ( k ) 的速度 v 1 在时间 k,W _i ^m 和 W _i ^c 权重定义为: [0110] $\begin{array}{c}{W}_0^m=\frac{\lambda }{\left(\lambda +n\right)}\\ W_i^m=\frac{1}{2\left(\lambda +n\right)}\\ W_0^c=\frac{1}{\left(\lambda +n\right)}+1-{\mu }^2+\xi \\ W_i^c=\frac{1}{2\left(\lambda +n\right)}\end{array}$ 其中 ξ 是一个参数,用于合并增加的随机变量 x 的分布的任何先验知识 _a . [0111] 卡尔曼滤波器增益、状态估计和时间 k 的协方差矩阵可以表示为: [0112] $\{\begin{array}{c}K\left(k\right)=P_{\mathrm{xy}}{P}_{\mathrm{yy}}^{-1}\\ x\left(k❘k\right)=x\left(k❘k-1\right)+K\left(k\right)\left(v_1\left(k\right)-m_y\right)\\ P\left(k❘k\right)=P\left(k❘k-1\right)-K\left(k\right)P_{\mathrm{yy}}{K\left(k\right)}^T\end{array}$ [0113] 鉴于 x(k)=α,这些方程允许确定幂律的指数 α,它随时间变化。 [0114] 4) 确定垂直风速剖面 [0115] 该步骤使用步骤 2) 中构建的垂直风速剖面模型确定风力涡轮机上游风速的垂直剖面,其中指数 α 在步骤 3) 中确定。 因此,根据本发明的方法允许确定风力涡轮机上游的空间中任何点的风速。 [0116] 优选地,根据本发明的方法允许确定在空间中风力涡轮机上游的任何点处的纵向风速。 [0117] 根据本发明的一个实施例,我们可以在幂律参考z中考虑 0 作为 LiDAR 传感器的任何测量点的高度(可能与步骤 1)中使用的测量点不同)和速度 vz 0 是在考虑的测量点测量的风速。 因此,可以通过应用幂律在测量平面中确定垂直风速剖面。 [0118] 或者,我们可以在幂律中考虑任何参考 z 0 (例如转子平面中的一个点)和速度 vz 0 作为在考虑的点估计(重建)的风速。 因此可以确定空间中任何平面的风速,包括转子平面。 为了重建风速,可以应用任何风速重建方法,尤其是专利申请FR-3,068,139(WO-2018/234,409)中描述的方法,其主要步骤如下:

• [0119]
  • 对激光雷达传感器上游的空间进行网格化,网格包括估计点和测量点;
  [0120]
  • 测量各个测量点的风幅和风向;
  [0121]
  • 使用成本函数(也称为目标函数)的递归最小二乘法,随时估计所有估计点的风幅和风向; 和
  [0122]
  • 在所有离散点上实时重建三个维度的入射风场。

[0123] 本发明还涉及一种控制配备有LiDAR传感器的风力涡轮机的方法。 此方法执行以下步骤:

• [0124]
  • 通过根据上述任一变型的确定垂直风速剖面的方法确定风力涡轮机上游的垂直风速剖面; 和
  [0125]
  • 根据风力涡轮机上游的垂直风速分布控制风力涡轮机。

[0126] 风力涡轮机上游风速垂直剖面的精确实时预测允许适当的风力涡轮机控制,以最小化对涡轮机结构的影响和最大化回收功率。 实际上,通过使用这种控制,LiDAR 允许通过使用这些预测来预测流向涡轮机的风速,从而能够对涡轮机设备进行相位提前调整,以便在估计的风到达时间,涡轮机 是这种风的最佳配置。 此外,激光雷达传感器可以减少结构上的负载,叶片和塔架占成本的 54%。 因此,使用 LiDAR 传感器可以优化风力涡轮机的结构,从而降低成本和维护成本。 [0127] 根据本发明的实施方式,叶片的倾角和/或风力涡轮发电机的电恢复扭矩可以作为风速的函数来控制。 优选地,可以控制叶片的单独倾斜角。 也可以使用其他类型的调节装置。 控制叶片倾斜允许根据叶片上的入射风优化能量回收。 [0128]根据本发明的实施例,叶片的倾角和/或电恢复扭矩可以通过使用风力涡轮机图作为转子处的风速的函数来确定。 例如,可以应用对应于美国公开专利申请2012/0321,463的专利申请FR-2,976,630 A1中描述的控制方法。 [0129] 图3通过非限制性示例示意性地示出了根据本发明实施例的风力涡轮机控制方法的步骤。 第一步是测量风速v的步骤(MES) 1 , v 2 通过使用 LiDAR 传感器,在至少一个测量平面的两个不同高度。 建立了垂直风速剖面模型(MOD)。 下一步使用无迹卡尔曼滤波器 (UKF) 和风测量 v 确定垂直风速剖面模型 (MOD) 的指数 α 1 , v 2 . 如此确定的指数 α 与垂直风速剖面模型 (MOD) 一起用于确定 (PRO) 风速 v(z) 的垂直剖面。 然后使用风速 v(z) 的垂直剖面来控制 (CON) 风力涡轮机。 [0130] 此外,本发明是一种计算机程序产品,包括用于执行上述方法之一的步骤的代码指令(确定垂直风速剖面的方法、控制方法)。 该程序在激光雷达传感器的处理器上执行,或者在连接到激光雷达传感器或风力涡轮机的任何类似介质上执行。 [0131] 根据一个方面,本发明还涉及一种用于风力涡轮机的LiDAR传感器,包括被配置为实施上述方法之一的处理(确定垂直风速分布的方法、控制方法)。 [0132] 根据本发明的实施方式,激光雷达传感器可以是扫描激光雷达、连续波激光雷达或脉冲激光雷达传感器。 优选地,激光雷达传感器是脉冲激光雷达传感器。 [0133] 本发明还涉及一种风力涡轮机,特别是配备有如上所述的LiDAR传感器的海上(海上)或陆上(陆地)风力涡轮机。 根据本发明的一个实施例,LiDAR传感器可以布置在风力涡轮机的机舱上或风力涡轮机的轮毂中。 LiDAR 传感器如此定向以执行风力涡轮机上游的风的测量(即在风力涡轮机之前并沿着其纵向轴线,由图 1 中的轴 x 表示)。 根据一个实施例,风力涡轮机可以类似于图1中所示的风力涡轮机。 [0134] 对于控制方法的实施例,风力涡轮机可以包括控制器,例如用于控制风力涡轮机的至少一个叶片的倾角(或桨距角)或电扭矩,用于实施根据以下的方法 本发明。 例子 [0135] 根据本发明的方法的特征和优点将通过阅读下面的应用示例而清楚。 [0136] 对于该示例,在风力涡轮机上游的点处根据利用根据本发明实施例的方法确定的垂直风速分布来估计风速。 对于距风力涡轮机上游 200 m 的距离,因此使用根据本发明实施例的方法在位于不同高度的两个测量点测量风速,以实时估计幂律的指数 α。 发明。 然后,对于距风力涡轮机上游 100 m 的距离,将确定的垂直风速剖面与指数 α 一起应用,以通过使用已知高度处的纵向风速的测量值来确定预定高度处的纵向风速。 [0137] 本示例考虑在距风力涡轮机 100 m 和 200 m 的测量平面上执行测量的 4 光束脉冲激光雷达。 [0138] 图4显示了针对两个测量点(可能对应于测量点PT)测量的径向风速RWS(在测量光束的方向上) 1 和PT 3图 1) 作为一天测量的 104 秒内时间 T 的函数。 该径向风速是在风力涡轮机上游 200 m 的测量平面中测量的。 测得的速度 v 1 浅灰色对应于在最低测量点测量的速度。 测得的速度 v 2 深灰色对应于在最高测量点测量的速度。 正如预期的那样,在最高测量点测得的速度大于在最低测量点测得的速度。 在此图中,请注意,由于刀片阻挡效应,LiDAR 传感器在任何时候都不会提供测量值。 [0139] 图5是纵向风速wx的曲线,单位为m/s(在图1中的方向x上)作为以104秒为单位的时间T的函数,对应于一天的测量。 从图4的径向风速RWS估计纵向风速wx。在风力涡轮机上游200m的测量平面中估计该纵向风速。 纵向速度 wx 1 浅灰色对应于在最低测量点估计的纵向速度。 纵向速度 wx 2 深灰色对应于在最高测量点估计的纵向速度。 [0140] 通过使用根据本发明的方法,从这些速度确定幂律的指数α。 图6是幂律的指数α在104秒内作为时间T的函数的曲线。 可以看出,指数α变化很大,因此考虑恒定指数α的现有技术假设是不现实的,并且不允许精确确定风速的垂直剖面。 [0141] LiDAR 传感器还测量位于风力涡轮机上游 100 m 处的两个已知高度的测量平面中的风速。 为了显示根据本发明的方法的精确特性,一方面在100m处的最高点处的风速测量被认为是参考,另一方面在最高测量点处的风速 通过使用根据本发明的方法,根据在 100 m 处的最低测量点处的风速和在图 6 中用 200 m 处的风速测量值确定的指数 α 来估计 100 m 处的风速。 图7是在最高测量点处的纵向风速wx以m/s(即,在图1中的方向x上)作为104秒内时间T的函数的曲线。 该纵向速度是在风力涡轮机上游 100 m 的测量平面中估计的。 曲线REF对应于上面定义的参考并且曲线EST对应于通过使用如上面定义的根据本发明的方法的估计。 可以注意到曲线非常接近,这表明根据本发明的方法能够精确确定风速。