[发明专利]一种风电机组疲劳寿命的快速预测的方法

说明书

本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据实际工况下可能出现的风参数条件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。

技术领域

本发明属于风电机组等大型机械设备领域，涉及上述机械设备的疲劳强度校核、疲劳寿命计算、状态诊断及健康管理，具体涉及一种风电机组疲劳损伤预计算与机器学习耦合的疲劳寿命快速预测方法

背景技术

作为一种典型大型机械设备，风电机组长期运行于自然气候条件极端恶劣、承受载荷交变、运行工况复杂的环境下，风速的频繁波动会对机组部件产生疲劳损伤。在风电机组20年的设计寿命内，机组各部件极易发生疲劳失效，对风电场运营经济性造成极大影响与威胁。准确的疲劳寿命预测对于风电机组部件结构设计及运行维护安全性至关重要。通过准确评估机组各部件疲劳寿命，可在部件发生灾难性故障或失效前进行维修或更换，确保风电机组长期安全稳定运行。现有的风电机组部件疲劳寿命计算方法主要分为详细计算方法和等效疲劳载荷计算方法。详细计算方法主要根据测风数据通过GH Bladed软件或有限元分析软件对每台机组的零部件进行动力学建模仿真得到总疲劳损伤量，每次预测都需要耗费大量的计算资源及时间；等效疲劳载荷计算方法通过对各运行工况下部件的疲劳损伤进行近似等效，能够极大提升疲劳寿命计算速度，但计算误差较大难以运用于工程实际当中。

发明的目的

针对现有疲劳寿命预测方法存在无法同时兼顾计算精度与效率的问题，本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据风电机组实际工况下可能出现的风参数条件通过GH Bladed和有限元分析软件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。本发明提出的疲劳寿命预测方法将复杂繁琐的疲劳损伤详细计算放在疲劳寿命预测之前完成，并耦合具有强大非线性拟合能力的机器学习模型，合理的解决了现有方法存在的计算精度与效率无法兼顾的问题，为风电机组部件疲劳强度校核、疲劳寿命计算、状态诊断及健康管理等领域的研究提供可靠的方法基础。

发明内容

本发明提供了一一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合，包括以下步骤：

步骤S1：基于离散风电机组部件可能面临的风参数条件，构建在不同风参数条件下机组部件每分钟疲劳损伤的数据库；

步骤S2：通过LightGBM机器学习模型，建立空气密度、风切变、入流角、平均风速、湍流强度这些风参数与每分钟疲劳损伤量之间的非线性映射关系；

步骤S3：将风电机组SCADA数据中的风参数数据或测风塔数据输入至步骤 2中所训练好的LightGBM模型中，得到风电机组部件的疲劳损伤时间序列数据，根据Miner疲劳损伤累计理论计算得到机组部件的疲劳寿命。

优选地，上述步骤1进一步包括如下子步骤：

子步骤S11：将轮毂高度处空气密度、风切变、入流角、平均风速、湍流强度这些风参数分别离散成多个取值，每个空气密度、风切变、入流角、平均风速、湍流强度的组合构成一个风电机组来流条件，共离散成n个来流条件；湍流强度按照IEC61400-1标准中的正常湍流模型得到，将平均风速和参考湍流代入公式(1)中，得到平均风速和参考湍流对应的湍流强度值，