許 揚(yáng)，蔡安民，張林偉，林偉榮，李 誠(chéng)，李水清

（1.中國(guó)華能集團(tuán)清潔能源技術(shù)研究院有限公司，北京 102209；2.清華大學(xué)能源與動(dòng)力工程系，北京 100084）

大力發(fā)展風(fēng)電等清潔能源，構(gòu)建新型電力系統(tǒng)，是實(shí)現(xiàn)雙碳目標(biāo)的重要保障[1-2]。作為風(fēng)電機(jī)組設(shè)計(jì)環(huán)節(jié)中的關(guān)鍵參數(shù)，載荷是決定機(jī)組運(yùn)行安全性和運(yùn)行壽命的重要參數(shù)。風(fēng)電機(jī)組的載荷是指作用在機(jī)組上的力或力矩，其中，風(fēng)電機(jī)組最主要的受力部件是葉片，其他受力部件所受的載荷也主要來自葉片[3]。因此，在設(shè)計(jì)或運(yùn)行過程中，對(duì)機(jī)組在不同場(chǎng)址工況下的載荷進(jìn)行預(yù)測(cè)和校核，是風(fēng)電機(jī)組安全穩(wěn)定運(yùn)轉(zhuǎn)的必要保證。目前，風(fēng)電機(jī)組氣動(dòng)載荷的計(jì)算方法主要有3類：葉素-動(dòng)量理論（blade element momentum, BEM）、渦尾跡方法（vortex wake method, VWM）和計(jì)算流體力學(xué)（computational fluid dynamics, CFD）[4-6]方法。其中，葉素-動(dòng)量理論方法由于其具有明確的物理意義，模型相對(duì)簡(jiǎn)單，計(jì)算高效，目前在風(fēng)電機(jī)組設(shè)計(jì)領(lǐng)域中被廣泛使用。

隨著機(jī)器學(xué)習(xí)的不斷發(fā)展，基于大數(shù)據(jù)的數(shù)據(jù)分析為深入挖掘數(shù)據(jù)關(guān)聯(lián)、簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)提供了可能。目前，機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等先進(jìn)的數(shù)據(jù)分析技術(shù)已經(jīng)被廣泛運(yùn)用于能源、機(jī)械、化工、電力、物流等領(lǐng)域[7-14]。在新能源發(fā)電領(lǐng)域，黃雨薇等[13]采用基于奇異譜分析（singular spectrum analysis，SSA）和k均值的延時(shí)BP（time delay characteristics-BP，TD-BP）神經(jīng)網(wǎng)絡(luò)對(duì)超短期光伏功率進(jìn)行預(yù)測(cè)。在風(fēng)力發(fā)電領(lǐng)域，神經(jīng)網(wǎng)絡(luò)算法同樣被廣泛應(yīng)用。薛剛等[15]研究了利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電機(jī)組葉片損傷識(shí)別，結(jié)果顯示，利用葉片的動(dòng)力特性參數(shù)建立BP神經(jīng)網(wǎng)絡(luò)，可對(duì)其損傷程度進(jìn)行量化判斷，相對(duì)誤差率在-1.57%～2.54%；劉軍等[16]利用神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)力發(fā)電機(jī)組載荷優(yōu)化控制策略進(jìn)行研究，結(jié)果顯示，對(duì)比傳統(tǒng)PI控制器，基于神經(jīng)網(wǎng)絡(luò)的控制策略能有效降低風(fēng)機(jī)葉片的空氣動(dòng)力載荷均值。韓爽等[17]建立了一種基于增量處理方式的雙隱層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)電場(chǎng)功率進(jìn)行預(yù)測(cè)，實(shí)例證明，該方法可有效提高預(yù)測(cè)精度，尤其是較高功率值和較低功率值預(yù)測(cè)效果更佳。盧曉光等[18]采用數(shù)字孿生技術(shù)將風(fēng)機(jī)原有的采集信號(hào)作為輸入，搭建風(fēng)電機(jī)組回歸模型，建立系統(tǒng)權(quán)重矩陣，進(jìn)行線性插值使模型適應(yīng)全部發(fā)電工況，完成了風(fēng)電機(jī)組載荷實(shí)時(shí)預(yù)估。以上結(jié)果均表明，通過神經(jīng)網(wǎng)絡(luò)的應(yīng)用，可以實(shí)現(xiàn)關(guān)注參數(shù)的快速準(zhǔn)確預(yù)測(cè)。

雖然將神經(jīng)網(wǎng)絡(luò)應(yīng)用到風(fēng)力發(fā)電領(lǐng)域以及載荷研究領(lǐng)域已取得一定的研究成果，但是將神經(jīng)網(wǎng)絡(luò)應(yīng)用于探究不同風(fēng)況下風(fēng)電機(jī)組關(guān)鍵部位載荷分布的研究仍比較有限。此外，現(xiàn)有研究暫未涉及將不同風(fēng)況參數(shù)對(duì)機(jī)組載荷的影響權(quán)重進(jìn)行量化表征，而此類量化表征對(duì)于判定風(fēng)電機(jī)組的環(huán)境適應(yīng)性至關(guān)重要。綜上所述，盡管相比于VWM和CFD方法，BEM方法的計(jì)算需求較低，但由于需要進(jìn)行大量的迭代計(jì)算，基于BEM的載荷計(jì)算方法仍對(duì)計(jì)算量有較大的需求。因此，借助于大數(shù)據(jù)技術(shù)和先進(jìn)的數(shù)據(jù)處理算法，提高計(jì)算效率，實(shí)現(xiàn)風(fēng)電機(jī)組載荷的快速準(zhǔn)確計(jì)算，具有重要意義。

基于上述研究現(xiàn)狀，本文擬基于BEM模型計(jì)算結(jié)果，借助于BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)不同風(fēng)況下的風(fēng)電機(jī)組載荷進(jìn)行快速預(yù)測(cè)。以風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差角等為自變量，探究關(guān)鍵參數(shù)對(duì)風(fēng)電機(jī)組關(guān)鍵部位載荷的影響規(guī)律，實(shí)現(xiàn)對(duì)不同風(fēng)況下機(jī)組關(guān)鍵部位載荷的快速、準(zhǔn)確預(yù)測(cè)；進(jìn)一步地，基于多因素權(quán)重法，對(duì)不同風(fēng)電機(jī)組參數(shù)的影響權(quán)重進(jìn)行分析，獲得影響特定風(fēng)況下風(fēng)電機(jī)組載荷的關(guān)鍵變量。

1 機(jī)組載荷計(jì)算

1.1 葉素-動(dòng)量理論

葉素理論是將風(fēng)電機(jī)組槳葉簡(jiǎn)化為沿徑向分布的N個(gè)葉素單元，并且假設(shè)各單元之間沒有空氣動(dòng)力相互作用，風(fēng)輪的氣動(dòng)特性可由葉素的氣動(dòng)特性積分獲得[3]。距葉根距離為r、厚度為dr的葉素微段所受的軸向推力dT和扭矩dM分別為：

式中：B為葉片數(shù)；ρ為空氣密度；c為弦長(zhǎng)；v0為相對(duì)來流速度；CL為升力系數(shù)；φ為入流角；CD為阻力系數(shù)。

動(dòng)量理論則是基于動(dòng)量守恒定律，獲得作用于風(fēng)輪上的力、力矩與動(dòng)量、角動(dòng)量之間的關(guān)系。同樣對(duì)于距葉根距離為r、厚度為dr的微段，其所受的軸向推力、扭矩分別為：

式中：Ω為角速度；v1為來流速度；a為軸向誘導(dǎo)因子；b為切向誘導(dǎo)因子。結(jié)合葉素理論和動(dòng)量理論，則可以獲得作用于風(fēng)電機(jī)組風(fēng)輪上的力、力矩及功率。

1.2 基于葉素-動(dòng)量理論的機(jī)組載荷計(jì)算

針對(duì)某典型1.5 MW的風(fēng)電機(jī)組，基于葉素-動(dòng)量理論，利用Bladed軟件建立仿真模型。Bladed軟件廣泛應(yīng)用于風(fēng)電機(jī)組設(shè)計(jì)過程載荷分析[19-24]。該風(fēng)電機(jī)組的關(guān)鍵模型參數(shù)為：額定功率1.5 MW，葉片數(shù)3，葉輪直徑82.92 m，塔架高度68 m，切入風(fēng)速3 m/s，切出風(fēng)速20 m/s，額定風(fēng)速10.5 m/s。本文首先基于計(jì)算工具，對(duì)該機(jī)組在不同風(fēng)況下的載荷分布情況進(jìn)行計(jì)算，模擬風(fēng)況為風(fēng)電機(jī)組在無故障正常發(fā)電條件下的運(yùn)行工況。為了探究風(fēng)電機(jī)組關(guān)鍵參數(shù)的影響，選用的參數(shù)為風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差角。空氣密度區(qū)間為0.9～2.0 kg/m3，風(fēng)速為15 m/s的參考湍流強(qiáng)度區(qū)間為0.05～0.80，入流角區(qū)間為4°～40°，風(fēng)切變區(qū)間為0.01～0.50，偏航誤差角區(qū)間為-40°～60°，生成200組風(fēng)電機(jī)組風(fēng)況，每組風(fēng)況模擬運(yùn)行時(shí)間為600 s。上述變量范圍選取一方面能夠使得結(jié)果涵蓋大部分實(shí)際運(yùn)行中可能出現(xiàn)的風(fēng)況，另一方面，較寬的取值范圍可以獲得更大范圍內(nèi)的數(shù)值計(jì)算結(jié)果，使得結(jié)果更具統(tǒng)計(jì)意義。由于本文主要關(guān)注風(fēng)況變化對(duì)載荷的影響，因此，當(dāng)改變上述風(fēng)況參數(shù)時(shí)，機(jī)組的幾何模型以及機(jī)組運(yùn)行的控制策略和控制參數(shù)維持不變。

圖1給出了200個(gè)風(fēng)況選取參數(shù)的歸一化結(jié)果。由圖1可以看出，所計(jì)算風(fēng)況的參數(shù)選取完全覆蓋上述區(qū)間，并且在所選取的區(qū)間內(nèi)部具有較好的分散性，在一定程度上保證了結(jié)果的可靠性。選擇葉片根部（r=1.21 m）和塔筒底部（h=0 m）為載荷觀測(cè)截面（簡(jiǎn)稱葉根截面與塔底截面），并分別選用每個(gè)截面載荷（Mxy，x-y截面的合力矩，具體坐標(biāo)系詳見文獻(xiàn)[16]）在模擬運(yùn)行時(shí)間區(qū)間內(nèi)的平均值和最大值進(jìn)行對(duì)比。為了便于區(qū)分，下文將某截面特定風(fēng)況下載荷的平均值稱為平均載荷，將某截面特定風(fēng)況下載荷的最大值稱為極限載荷。

圖1 風(fēng)況參數(shù)歸一化結(jié)果Fig.1 The normalization results of working condition parameters

圖2給出了基于模型計(jì)算得到的上述200個(gè)風(fēng)況下葉根截面和塔底截面的平均載荷和極限載荷。由圖2可見，塔底截面的平均載荷和極限載荷相比葉根截面均有較大程度的提高；而對(duì)比同一截面的平均載荷和極限載荷，兩者并無明顯聯(lián)系。利用皮爾遜相關(guān)性分析法進(jìn)行兩者之間相關(guān)性分析，具體計(jì)算公式為：

圖2 葉根截面和塔底截面的平均載荷和極限載荷Fig.2 The mean and ultimate loads of blade root and tower bottom section

式中：X、Y分別代表目標(biāo)截面的平均載荷和極限載荷。

對(duì)葉根截面，其平均載荷和極限載荷的皮爾遜相關(guān)值為0.15；而塔底截面的平均載荷和極限載荷的皮爾遜相關(guān)值則為0.34?？傮w可見同一截面處的平均載荷與極限載荷間的相關(guān)性較弱，說明影響兩者的關(guān)鍵風(fēng)況參數(shù)存在差異，須進(jìn)一步厘清。

為了驗(yàn)證數(shù)值模型計(jì)算結(jié)果的準(zhǔn)確性，將典型機(jī)組距離塔底法蘭15.44 m處的載荷My測(cè)量值與利用Bladed軟件模型計(jì)算的同位置處的計(jì)算結(jié)果進(jìn)行比較，結(jié)果如圖3所示。由圖3可見，采用模型計(jì)算的結(jié)果與載荷實(shí)測(cè)值吻合較好。因此，利用模型計(jì)算模擬實(shí)際運(yùn)行的載荷分布情況，具有較高的準(zhǔn)確性。

圖3 典型機(jī)組載荷仿真值與測(cè)試值比較Fig.3 Comparison of typical load between simulation value and test value

2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

2.1 神經(jīng)網(wǎng)絡(luò)建立

為了實(shí)現(xiàn)不同風(fēng)況下機(jī)組載荷的快速預(yù)測(cè)，基于以上模型計(jì)算得到的數(shù)據(jù)集，以風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差角為輸入?yún)?shù)，以關(guān)鍵部位載荷為輸出變量，建立BP神經(jīng)網(wǎng)絡(luò)。一般BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層、輸出層，其特點(diǎn)在于將輸出誤差以某種形式通過隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有神經(jīng)元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)[10]。對(duì)一個(gè)典型的含有1個(gè)輸入層、1個(gè)隱含層以及1個(gè)輸出層的神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)輸出可以表示為：

式中：x和y分別為輸入和輸出矩陣向量；W1和B1分別為輸入層隱含層的權(quán)重和偏置；W2和B2分別為輸出層隱含層的權(quán)重和偏置；f和p為同一個(gè)激活函數(shù)。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中，權(quán)重和偏置向量通過反饋進(jìn)行調(diào)整，從而滿足偏差的要求。該過程可以表示為：

而偏差通常由實(shí)際輸出和預(yù)測(cè)輸出之間的均方誤差（δ）表示，具體表示為：

式中：q為訓(xùn)練樣本個(gè)數(shù)；yi、yi,t分別為第i項(xiàng)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和實(shí)際數(shù)值；δs為第s次迭代的均方差；d[Wi(s+1)]和d[Wi(s)]分別為第s次和s+1次迭代對(duì)權(quán)重向量的修正；α和β分別為學(xué)習(xí)速率和動(dòng)量因子。

圖4為利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)機(jī)載荷預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)。在本文中，神經(jīng)網(wǎng)絡(luò)的輸入變量為風(fēng)況條件（如風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差等），而通過神經(jīng)網(wǎng)絡(luò)的計(jì)算，映射的輸出變量為風(fēng)機(jī)關(guān)鍵部件的載荷強(qiáng)度，主要關(guān)注葉根和塔底的平均載荷和極限載荷。

圖4 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)機(jī)載荷預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)Fig.4 Topology of load prediction using BP neural network

對(duì)于本文建立的神經(jīng)網(wǎng)絡(luò)模型，隱含層傳遞函數(shù)選用Sigmoid函數(shù)，該函數(shù)及其導(dǎo)數(shù)均為連續(xù)函數(shù)，是進(jìn)行神經(jīng)網(wǎng)絡(luò)計(jì)算的首選激活函數(shù)；輸出層則采用線性傳遞函數(shù)。對(duì)于本文選用的200個(gè)風(fēng)況數(shù)據(jù)集，設(shè)定其中83%為訓(xùn)練集，17%為測(cè)試集。為了避免不同變量數(shù)值大小差異對(duì)訓(xùn)練精度產(chǎn)生影響，在訓(xùn)練前首先對(duì)測(cè)試集、訓(xùn)練集的輸入輸出均進(jìn)行線性歸一化處理。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)設(shè)置為1 000，學(xué)習(xí)速率設(shè)為0.01，訓(xùn)練目標(biāo)設(shè)置為0.001，動(dòng)量因子設(shè)置為0.9。

2.2 隱含層節(jié)點(diǎn)數(shù)選取

調(diào)整不同的隱含層節(jié)點(diǎn)數(shù)，獲得不同節(jié)點(diǎn)數(shù)條件下神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果所對(duì)應(yīng)的均方誤差和多重判定系數(shù)R（表1）。其中，多重判定系數(shù)是多元回歸中的回歸平方和占總平方和的比例，它是度量多元回歸方程擬合程度的統(tǒng)計(jì)量。

表1 不同節(jié)點(diǎn)數(shù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的均方誤差δ和多重判定系數(shù)RTab.1 Comparisons of mean square error δ and multiple coefficient of determination R of neural network training results with different neurons

對(duì)不同的輸出變量，使訓(xùn)練效果達(dá)到最佳時(shí)的隱含層節(jié)點(diǎn)數(shù)不同。對(duì)于本文所關(guān)注的葉根平均載荷、葉根極限載荷、塔底平均載荷、塔底極限載荷，綜合考慮均方誤差δ以及多重判定系數(shù)R，最終選取神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)分別為8、5、6和5。

2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

以葉根平均載荷為例，選用隱含層節(jié)點(diǎn)數(shù)為8的BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，并對(duì)測(cè)試集進(jìn)行驗(yàn)證。圖5給出了BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的均方誤差隨訓(xùn)練次數(shù)的變化曲線。由圖5可見，當(dāng)訓(xùn)練次數(shù)達(dá)到18次時(shí)，均方誤差達(dá)到最小值0.003。圖6給出了該神經(jīng)網(wǎng)絡(luò)應(yīng)用于測(cè)試集上的預(yù)測(cè)值、期望值（模型計(jì)算值）以及兩者之間的誤差。由圖6可見，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和期望值之間具有較好的一致性，說明建立的神經(jīng)網(wǎng)絡(luò)模型泛化能力較強(qiáng)。

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的均方誤差曲線Fig.5 Mean square error curve of neural network training

圖6 測(cè)試集預(yù)測(cè)值、期望值以及誤差Fig.6 The predicted value, expected value and error of test dataset

圖7給出了BP神經(jīng)網(wǎng)絡(luò)對(duì)葉根平均載荷在訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果。由圖7可見，在選定的網(wǎng)絡(luò)參數(shù)設(shè)置下，訓(xùn)練集的多重判定系數(shù)R為0.994 37，所有數(shù)據(jù)集訓(xùn)練的多重判定系數(shù)R達(dá)到0.974 80。從預(yù)測(cè)結(jié)果來看，本文BP神經(jīng)網(wǎng)絡(luò)能較好地對(duì)該機(jī)組在不同風(fēng)況下葉片根部的平均載荷進(jìn)行預(yù)測(cè)。

圖7 BP神經(jīng)網(wǎng)絡(luò)對(duì)葉根平均載荷的預(yù)測(cè)結(jié)果Fig.7 The prediction results of BP neural network on mean load of blade root

3 基于Garson算法的多因素權(quán)重分析

3.1 多因素權(quán)重分析

為了進(jìn)一步分析不同風(fēng)況參數(shù)對(duì)風(fēng)機(jī)關(guān)鍵部位載荷的影響比例，在訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提取網(wǎng)絡(luò)特征參數(shù)，包括輸入層到隱含層的權(quán)重矩陣、隱含層到輸出層的權(quán)重矩陣以及所有層的偏置矩陣。通過Garson算法，分析不同的輸入變量對(duì)輸出變量影響的權(quán)重[25]。Garson算法的具體表示為：式中：p為輸入層單元數(shù)；n為隱含層的神經(jīng)元個(gè)數(shù)；Ii為第i個(gè)因素的影響權(quán)重；W1,j,i為從輸入層第i個(gè)神經(jīng)元到隱含層第j個(gè)神經(jīng)元的權(quán)重；W2,1,j為從隱含層第j個(gè)神經(jīng)元到輸出層的權(quán)重。

以葉根平均載荷為例，選取隱含層節(jié)點(diǎn)數(shù)8，對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練。提取其訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)輸入隱含層權(quán)值矩陣以及輸出隱含層權(quán)值矩陣，分別見表2和表3。

表2 BP神經(jīng)網(wǎng)絡(luò)輸入隱含層權(quán)值矩陣Tab.2 The weight matrix of input-hidden layer of BP neural network

表3 BP神經(jīng)網(wǎng)絡(luò)輸出隱含層權(quán)值矩陣Tab.3 The weight matrix of output-hidden layer of BP neural network

進(jìn)一步地，通過Garson算法進(jìn)行多因素權(quán)重分析，得到各因素的權(quán)重占比如圖8所示。由圖8可見，對(duì)于葉根平均載荷、葉根極限載荷、塔底平均載荷、塔底極限載荷這4個(gè)不同的變量，風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差角等參數(shù)影響的權(quán)重各不相同。對(duì)于葉根平均載荷，平均風(fēng)速的影響最為顯著，其權(quán)重高達(dá)27.1%；其次是偏航誤差角和入流角的影響，其權(quán)重分別為19.3%和18.0%；相比而言，空氣密度、湍流強(qiáng)度、風(fēng)切變對(duì)該機(jī)組葉根平均載荷的影響并不顯著。而對(duì)于葉根極限載荷，平均風(fēng)速的影響仍最為顯著，影響權(quán)重達(dá)到30.3%，而湍流強(qiáng)度的影響非常顯著，其權(quán)重達(dá)到21.6%；此外，入流角也是影響葉根極限載荷的關(guān)鍵參數(shù)，其影響權(quán)重達(dá)到19.7%。對(duì)于塔底平均載荷和塔底極限載荷來說，影響最大的參數(shù)仍為平均風(fēng)速，影響權(quán)重分別達(dá)到29.3%和36.7%；湍流強(qiáng)度的影響權(quán)重分別為20.8%和17.1%。值得注意的是，入流角對(duì)塔底平均載荷的影響較大，但對(duì)塔底極限載荷的影響卻比較小。綜合比較葉根以及塔底的平均和極限載荷可知，影響其大小的關(guān)鍵參數(shù)以及各關(guān)鍵參數(shù)的比重均不相同，這也是導(dǎo)致前文所述平均載荷與極限載荷兩者之間相關(guān)性較弱的主要原因。

圖8 輸入?yún)?shù)對(duì)載荷的相對(duì)影響權(quán)重Fig.8 The relative influence weights of input parameters on loads

3.2 關(guān)鍵變量對(duì)載荷的影響

本節(jié)進(jìn)一步以葉根平均載荷為例，分別通過模型計(jì)算與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，探究單變量對(duì)載荷的影響情況。對(duì)于風(fēng)況參數(shù)的處理，當(dāng)改變某一個(gè)風(fēng)況參數(shù)時(shí)，其余風(fēng)況參數(shù)均保持不變。分別選取對(duì)葉根平均載荷影響最為顯著的2個(gè)參數(shù)（平均風(fēng)速和偏航誤差角）為變量，探究風(fēng)速和偏航誤差角單獨(dú)變化時(shí)風(fēng)機(jī)關(guān)鍵部位載荷的變化規(guī)律。

圖9為通過模型計(jì)算與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的不同偏航誤差角下平均風(fēng)速以及不同風(fēng)速下偏航誤差角對(duì)葉根平均載荷的影響結(jié)果。

圖9 不同偏航誤差角下平均風(fēng)速對(duì)葉根平均載荷的影響Fig.9 Effect of average wind speed on mean loads of blade root at different yaw error angles

由圖9可見，當(dāng)偏航誤差角分別為-8°、0°和8°時(shí)，隨著平均風(fēng)速的增加，葉根平均載荷均呈現(xiàn)先增加后減小的趨勢(shì)，其最大值對(duì)應(yīng)風(fēng)速在10～11 m/s附近。對(duì)比該風(fēng)電機(jī)組的額定風(fēng)速可知，當(dāng)平均風(fēng)速達(dá)到10～11 m/s附近時(shí)，風(fēng)電機(jī)組達(dá)到額定出力，此時(shí)風(fēng)輪槳距角最優(yōu)，承受的推力最大。而隨著風(fēng)速進(jìn)一步增加，通過機(jī)組的控制策略，風(fēng)電機(jī)組自動(dòng)調(diào)整槳距角，葉片根部的載荷被卸載，即隨著風(fēng)速進(jìn)一步升高，葉根平均載荷逐漸下降，直至風(fēng)速達(dá)到切出風(fēng)速后，葉根平均載荷基本維持不變。由圖9可知，訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型成功地預(yù)測(cè)了葉根平均載荷隨風(fēng)速的變化規(guī)律，其預(yù)測(cè)值與模型計(jì)算值誤差較小。

圖10為不同風(fēng)速下偏航誤差角對(duì)葉根平均載荷的影響。

圖10 不同風(fēng)速下偏航誤差角對(duì)葉根平均載荷的影響Fig.10 Effect of yaw error angle on blade root mean load at different wind speeds

由圖10可見，當(dāng)平均風(fēng)速v分別為10、6、16 m/s時(shí)，葉根平均載荷隨著偏航誤差角增大，其變化規(guī)律卻不盡相同。當(dāng)平均風(fēng)速為10 m/s和6 m/s時(shí)，隨著偏航誤差角絕對(duì)值的增加，葉根平均載荷逐漸降低；然而，當(dāng)平均風(fēng)速升至16 m/s，葉根平均載荷則隨著偏航誤差角的增加而逐漸增加。主要原因在于：當(dāng)風(fēng)速為16 m/s時(shí)，變槳系統(tǒng)開始工作，槳距角發(fā)生變化，以保持功率恒定。此時(shí)偏航誤差角的增加并未起到降低載荷的作用，反而由于槳距角的調(diào)整使得載荷進(jìn)一步增加。總體而言，通過對(duì)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果可見，訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型能夠較為準(zhǔn)確地預(yù)測(cè)在不同平均風(fēng)速下偏航誤差角對(duì)葉根平均載荷的影響趨勢(shì)，但在6 m/s的低風(fēng)速下的預(yù)測(cè)精度則明顯低于在較高風(fēng)速下的預(yù)測(cè)精度。

4 結(jié) 論

1）基于葉素動(dòng)量理論模型計(jì)算得到的不同風(fēng)況下風(fēng)電機(jī)組關(guān)鍵部位載荷數(shù)據(jù)集，通過合理的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及合適的BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置，可以實(shí)現(xiàn)對(duì)不同風(fēng)況下風(fēng)電機(jī)組關(guān)鍵部位載荷的快速準(zhǔn)確預(yù)測(cè)。

2）對(duì)葉根平均載荷、葉根極限載荷、塔底平均載荷、塔底極限載荷的不同部位的關(guān)鍵載荷參數(shù)，風(fēng)速、空氣密度、湍流強(qiáng)度、入流角、風(fēng)切變、偏航誤差角等參數(shù)影響的權(quán)重各不相同。平均風(fēng)速是影響不同部位平均載荷和極限載荷的首要關(guān)鍵參數(shù)；湍流強(qiáng)度對(duì)于葉根極限載荷的影響顯著高于其對(duì)葉根平均載荷的貢獻(xiàn)；入流角對(duì)塔底平均載荷的影響較大，但對(duì)塔底極限載荷的影響則較小。

3）由于風(fēng)電機(jī)組不同部位、不同類型的載荷對(duì)不同參數(shù)的敏感性不同，在制定控制策略時(shí)要結(jié)合不同地區(qū)風(fēng)資源特點(diǎn)，重點(diǎn)考慮風(fēng)速、湍流強(qiáng)度、偏航誤差等敏感性參數(shù)對(duì)載荷的影響，對(duì)控制參數(shù)進(jìn)行優(yōu)化，確保機(jī)組載荷安全性。