《Processes》:Evaluating the Influence of Input Features for Data-Based Estimation of Wind Turbine Blade Deflections
Marcos D. Saavedra,
Fernando A. Inthamoussou and
Fabricio Garelli
编辑推荐:
现代风力涡轮机转子日益增大的尺寸和结构柔性,使得叶片叶尖挠度(blade tip deflection)的实时监测和主动控制成为确保运行安全的关键要求,尤其是关于叶尖-塔架间隙(blade-tower clearance)。由于通过物理传感器直接测量通常因高成
现代风力涡轮机转子日益增大的尺寸和结构柔性,使得叶片叶尖挠度(blade tip deflection)的实时监测和主动控制成为确保运行安全的关键要求,尤其是关于叶尖-塔架间隙(blade-tower clearance)。由于通过物理传感器直接测量通常因高成本、安装困难和维护挑战而不切实际,因此研究人员提出了一种用于面外(out-of-plane,OoP)叶片叶尖挠度估计的基于数据(data-based)的框架。该方法引入了一个系统化和层次化的输入选择(input selection)框架,评估传感器信号组,范围从标准监控与数据采集(Supervisory Control and Data Acquisition,SCADA)测量到包括辅助机舱/塔架传感器和专用叶根仪表的配置。通过结合Spearman相关系数(Spearman correlation)和频谱相干性(spectral coherence),所提出的框架确保了在所有运行区域内关键风机动力学的一致表示。该框架在实现可行性(implementation feasibility)和估计保真度(estimation fidelity)之间提供了结构化的权衡,使得能够为结构健康监测(Structural Health Monitoring,SHM)和安全性关键主动控制等应用提供定制化解决方案。采用紧凑型前馈神经网络(Feedforward Neural Network,FNN)和时延神经网络(Time-Delay Neural Network,TDNN)架构,其超参数通过贝叶斯优化(Bayesian optimization)进行优化,以实现高估计精度同时保持计算效率。通过使用行业标准疲劳、空气动力学、结构和湍流(Fatigue, Aerodynamics, Structures, and Turbulence,FAST)工具对NREL 5 MW风机进行高保真气动弹性仿真并在所有运行条件下进行评估,该方法在使用仅SCADA输入时达到R2=0.894,当增加机舱和塔顶传感器时达到R2=0.973,使用叶根弯矩数据时达到峰值保真度R2=0.989。这些结果表明,无需叶片仪表即可实现高保真虚拟传感(virtual sensing),为实时叶尖间隙(tip clearance)监测和疲劳缓解(fatigue mitigation)提供了一条可行途径。这直接增强了风能系统的运行弹性及其对可再生能源主导电网稳定性的贡献。
研究人员基于数据驱动方法,评估不同输入特征对风力涡轮机叶片挠度估计的影响,建立系统化的输入选择框架。研究背景指出,随着风机向大型化发展,叶片柔性显著增加,叶尖挠度可达叶长的3%~10%,极端工况下可达15%~20%,对叶尖-塔架间隙构成安全威胁,且循环载荷加速疲劳损伤,因此实时监测和主动控制叶片挠度成为关键需求。然而,通过物理传感器(如光纤光栅(FBG)、激光雷达(LiDAR)等)直接测量存在成本高、安装维护困难等局限,而现有数据驱动方法在输入特征选择上缺乏基于物理动力学和频谱特性的系统性分析。为此,研究人员基于美国国家可再生能源实验室(NREL)的5 MW参考风机,采用行业标准疲劳、空气动力学、结构和湍流(FAST)工具生成高保真气动弹性仿真数据(IEC B类湍流,风速3~25 m/s,每风速6个10分钟随机实现),以叶片面外(OoP)挠度为估计目标,开展了以下研究。研究人员首先通过Spearman相关系数和频谱相干性(MSC)对各候选输入信号进行双维度分析,评估信号与目标挠度的单调关系和频域耦合,识别关键动态频段(0~0.3 Hz、0.3~0.9 Hz、0.9~1.4 Hz);基于分析结果,将信号按实际可用性分为三大类输入组:仅标准SCADA信号组(S0~S2,含发电机转矩、转速、方位角、桨距角)、SCADA加辅助传感器组(A0~A5,增加塔基弯矩、机舱加速度、偏航弯矩等)和专用传感器组(D0~D3,以叶根弯矩RootMyc1为核心)。采用紧凑型前馈神经网络(FNN)和时延神经网络(TDNN)两种架构,超参数通过贝叶斯优化确定(隐含层数L=1、神经元数M=9、时延步数N=31),训练使用Levenberg-Marquardt算法优化均方误差(MSE),数据按湍流种子划分训练/验证集。研究结果如下:输入信号分析表明,Spearman相关中RootMyc1与挠度相关性最高(0.95~0.99),但其作为专用传感器在实际中通常不可用;SCADA信号中发电机转速和转矩在Region 1相关性高(>0.96),桨距角在Region 3负相关(-0.80);频谱相干性揭示方位角在0.2 Hz(1P频率)处有明显峰值,机舱前后加速度YawBrTAxp在中高频段贡献突出,塔基前后力矩TwrBsMyt在低频和中频段相干性稳定。输入特征分组根据信号实际可用性和物理意义定义了三个族,分别对应不同传感器部署场景。神经网络架构对比显示,TDNN在各输入组和运行区域中一致优于静态FNN,但改进幅度相对有限。贝叶斯优化确定了使模型在准确性与复杂度间平衡的超参数。估计性能评估结果表明,在仅SCADA输入组中,最佳配置S2-TDNN(使用发电机转矩、速度、方位角和桨距角)在全数据集上达到R
2=0.894,标准化均方根误差(NRMSE,按标准差归一化)为0.325,其中Region 2表现最差(R
2=0.818)。当加入辅助传感器后,A5-TDNN(包括所有塔顶侧向信号)整体R
2提升至0.973,NRMSE降至0.164,Region 2的R
2显著提高至0.966。专用传感器组中D3-TDNN(RootMyc1加SCADC核心和辅助传感器)达到最高性能,全数据集R
2=0.989,NRMSE=0.107。时间序列对比显示,S2仅能捕捉低频趋势,A5成功重建大部分动态振荡,D3跟踪最接近真实值;输出相干谱进一步验证:S2仅在0.2 Hz以下和第一挥舞模态频率附近保持强相干,A5将相干范围扩展至0.8 Hz覆盖第一挥舞模态,D3在全频带(0~1.4 Hz)保持近统一相干。讨论部分指出,TDNN的边际优势表明在延迟敏感场合静态FNN亦可接受;SCADA-only配置适用于趋势监测,但无法满足疲劳分析或主动控制带宽需求;辅助传感器组中偏航弯矩YawBrMxp是单传感器增益最大的信号;与传统研究(如2×60 TDNN)相比,本工作的1×9紧凑架构在更少输入下实现了更低误差;虽排除塔顶位移TTDspFA,但初步测试表明其虚拟重构可进一步改善性能。结论部分翻译:本研究证明基于数据估计器可准确估计叶片面外叶尖挠度,提供从趋势级监测到高保真重构的性能范围,无论有无专用叶片仪表均可实现。由Spearman相关和频谱相干性分析的输入选择方法确保了关键频段的一致性,贝叶斯优化实现了模型超参数的系统选择。所有发现基于IEC B类湍流和正常运行条件的高保真仿真,这些假设定义了结果的边界并为未来实验验证提供基础。未来工作将优先集成虚拟塔顶位移(如由机舱加速度和SCADA信号估计的前后和侧向位移),将这些估计器纳入闭环独立变桨控制方案进行主动挠度和载荷缓解,扩展方法至多个湍流等级和选定的极端IEC设计载荷情况以评估鲁棒性,采用残差连接和归一化层等高级架构特征并探索物理-机器学习混合范式以增强非线性区域的物理解释性和精度,最后将框架扩展至全气动弹性载荷估计(包括摆振方向挠度和叶根弯矩)以实现损伤等效载荷优化和剩余寿命评估。