预测配备LiDAR传感器的风轮机的转子平面中的风速的方法.pdf

《预测配备LiDAR传感器的风轮机的转子平面中的风速的方法.pdf》由会员分享，可在线阅读，更多相关《预测配备LiDAR传感器的风轮机的转子平面中的风速的方法.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010186964.5 (22)申请日 2020.03.17 (30)优先权数据 1902739 2019.03.18 FR (71)申请人 IFP新能源公司 地址 法国里埃马尔迈松 (72)发明人 F吉耶曼H-N恩古延 (74)专利代理机构 上海专利商标事务所有限公 司 31100 代理人 顾嘉运陈斌 (51)Int.Cl. F03D 17/00(2016.01) (54)发明名称 预测配备LiDAR传感器的风轮机的转子平面 中的风速的方法 (57)摘要 本发明涉及一种用。

2、于通过考虑在借助于卡 尔曼滤波器实现的风演化模型中使用的感应因 子来预测风力涡轮机(1)的转子平面(PR)中的风 速的方法。 本发明还涉及用于控制风力涡轮机 (1)的方法、 计算机程序产品、 LiDAR传感器(2)和 风力涡轮机(1)， 这些对象使用利用根据本发明 的方法确定的风预测。 权利要求书2页 说明书15页 附图3页 CN 111706472 A 2020.09.25 CN 111706472 A 1.一种用于预测配备有LiDAR传感器(2)的风力涡轮机(1)的转子平面中的风速的方 法， 其特征在于， 以下步骤被执行： a)借助于所述LiDAR传感器(2)测量在远离所述风力涡轮机(1)。

3、的至少一个测量平面 (PM)中的所述风速， b)确定风感应因子， 所述风感应因子表示在所述测量平面与所述转子的所述平面之间 的风减速系数， c)借助于所述感应因子和在所述测量平面中的所述风速测量来确定在所述测量平面 (PM)与所述风力涡轮机(1)的所述转子平面(PR)之间的延迟指数， d)在所述测量平面(PM)和所述转子的所述平面(PR)之间构造风演化模型， 所述风演化 模型借助于所述感应因子来将预定时间处的在所述转子的所述平面(PR)中的风速与在所 述预定时间之前的若干时间处的在所述测量平面(PM)中所测得的风速相连接， 所述之前的 时间借助于所述延迟指数来确定， 以及 e)借助于所述风演化。

4、模型和卡尔曼滤波器、 优选地为自适应卡尔曼滤波器， 确定在所 述转子平面中的所述风速预测。 2.根据权利要求1所述的预测方法， 其特征在于， 风感应因子通过执行以下步骤来被确 定： i)借助于所述LiDAR传感器(2)在远离所述风力涡轮机的至少三个测量平面(PM)中测 量所述风速， ii)使用在所述测量平面中的所述风速测量和线性卡尔曼滤波器来确定在所述测量平 面(PM)中的两个测量平面之间的至少两个风感应因子， 以及 iii)借助于在两个测量平面(PM)之间的所述经确定的感应因子并使用线性卡尔曼滤 波器来确定在测量平面(PM)和所述风力涡轮机(1)的所述转子平面(PR)之间的所述风感应 因子。。

5、 3.根据前述权利要求中任一项所述的预测方法， 其特征在于， 所述风速测量步骤包括 在所述测量平面(PM)中重建风场的子步骤， 该经重建的风场在所述方法的其他步骤中被用 作所述测量平面中的风速测量。 4.根据前述权利要求中任一项所述的预测方法， 其特征在于， 延迟指数kd0由以下等式 确定： 其中其中x1是在所述测量平面(PM)与所述转子平面(PR)之间的距离， Ts是测量采样周期， Ux1是在所述测量平面(PM)中测得的平均风速， U0是在所述转子平面 (PR)中的平均风速， 并且a0,x1是在所述测量平面(PM)与所述转子平面(PR)之间的所述感应 因子。 5.根据前述权利要求中任一项所述。

6、的预测方法， 其特征在于， 所述风演化模型被写成 如下： 其中 权利要求书 1/2 页 2 CN 111706472 A 2 且其中u0是转子平面(PR)中的风， k是离散化的时间， p是未来 时间步长， kd0是延迟指数， r为由卡尔曼滤波器确定的状态向量， x1是测量平面， Nd是所述风 演化模型的阶数， ux1是在所述测量平面(PM)中测得的风速， 并且a0,x1是在所述测量平面 (PM)与所述转子平面(PR)之间的所述感应因子。 6.根据权利要求5所述的预测方法， 其特征在于， 所述风演化模型的阶数Nd是2。 7.一种控制配备有LiDAR传感器(2)的风力涡轮机(1)的方法， 其特征在。

7、于， 以下步骤被 执行： a)借助于根据前述权利要求中任一项所述的方法来确定所述风力涡轮机(1)的转子平 面(PR)中的所述风速预测， 以及 b)根据所述转子平面(PR)中的所述风速来控制所述风力涡轮机(1)。 8.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括代码指令， 所述代码指 令被设计为当在用于处理所述LiDAR传感器(2)的单元上执行所述程序时， 执行根据前述权 利要求中任一项所述的方法的步骤。 9.一种用于风力涡轮机的LiDAR传感器(2)， 其特征在于， 所述LiDAR传感器包括实现根 据权利要求1至7中任一项所述的方法的处理单元。 10.一种风力涡轮机(1)， 其特。

8、征在于， 所述风力涡轮机包括根据权利要求9所述的 LiDAR传感器(2)， 所述LiDAR传感器(2)优选地布置在所述风力涡轮机(1)的机舱上或在所 述风力涡轮机的鼻部。 权利要求书 2/2 页 3 CN 111706472 A 3 预测配备LiDAR传感器的风轮机的转子平面中的风速的方法 技术领域 0001 本发明涉及可再生能源领域， 且更具体而言涉及为了风预测、 涡轮机控制(取向、 扭矩和速度调节)和/或诊断和/或监视的目的而对风力涡轮机的资源(即， 风)的测量。 0002 风力涡轮机允许将风的动能转换成电能或机械能。 为了将风转换为电能， 其由以 下元素组成： 0003 -塔架， 其允许。

9、将转子定位在足够的高度以使其能够运动(对于水平轴风力涡轮机 是必要的)， 或者允许将该转子定位在能够使其由比地面处更强且更规律的风驱动的高度 处。 塔架通常容纳部分电力组件和电子组件(调制器、 控件、 倍增器、 发电机等)， 0004 -安装在塔架的顶部的机舱(nacelle)， 其容纳操作机器所必需的机械、 气动、 以及 一些电力组件和电子组件。 机舱可以旋转， 以使机器在正确方向上定向， 0005 -紧固到机舱的转子， 包括若干叶片(一般是三个)以及风力涡轮机的鼻部。 转子由 风力驱动并且其通过机械轴杆直接或间接地(经由齿轮箱和机械轴杆系统)被连接到电机 (发电机)， 该电机将所回收的能量。

10、转换为电能。 转子潜在地设置有控制系统， 诸如可变角度 叶片或气动制动器， 0006 -由通过传动装置(齿轮箱)连接的两个轴杆(转子的机械轴杆和电机的机械轴杆) 构成的传动装置。 0007 自从二十世纪九十年代初开始， 对风力重新产生了兴趣， 尤其是在欧盟内， 年增长 率约为20。 这种增长归因于无碳排放发电的内在可能性。 为了维持这种增长， 仍然必须提 高风力涡轮机的能量产量。 风力发电增长的前景要求开发有效的生产工具和先进的控制工 具， 以便改善机器的性能。 风力涡轮机被设计为以尽可能低的成本生产电力。 因此， 它们通 常被建造成在大约15m/s的风速下达到其最大性能。 没有必要不常见地设。

11、计在更高风速下 最大化其产量的风力涡轮机。 在风速高于15m/s的情形中， 损失风中所包含的额外能量的部 分以避免对风力涡轮机的损坏是必要的。 所有风力涡轮机因此被设计成带有功率调节系 统。 0008 对于这种功率调节， 已经设计了用于可变速风力发电机的控制器。 这些控制器的 目的是最大化所回收的电力、 最小化转子速度波动， 以及最小化结构(叶片、 塔架和平台)的 疲劳和极端时刻。 背景技术 0009 为了优化控制， 知道风力涡轮机的转子处的风速是重要的。 为此， 已经开发了各种 技术。 0010 根据第一种技术， 使用风速计允许估计一个点处的风速， 但是这种不精确的技术 不能够测量整个风场或。

12、者知道风速的三维分量。 0011 根据第二种技术， 可使用LiDAR(光检测和测距)传感器。 LiDAR是一种遥感或光学 测量技术， 基于对返回到发射器的光束属性的分析。 该方法尤其用于借助于脉冲激光确定 到对象的距离。 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代替无线电 说明书 1/15 页 4 CN 111706472 A 4 波。 到对象或表面的距离是通过对脉冲与经反射信号的检测之间的延迟的测量来给出的。 0012 在风力涡轮机领域， LiDAR传感器被宣称为对于大型风力涡轮机的正常运转是必 要的， 特别是如今它们的大小和功率正在增加(现今是5MW， 对于海上涡轮机。

13、很快到12MW)。 该传感器允许远程风的测量， 首先允许对风力涡轮机进行校准， 以使得它们可以递送最大 功率(功率曲线优化)。 对于该校准阶段， 传感器可以被定位在地面上且被竖直地定向(断面 仪)， 这允许测量风速和风向以及取决于高度的风梯度。 该应用是尤其关键的， 因为其允许 了解能源生成资源。 这对于风力涡轮机项目很重要， 因为其制约了项目的财务可行性。 0013 第二种应用包括将此传感器设置在风力涡轮机的机舱上， 以便测量涡轮机前方的 风场， 同时是近乎水平定向的。 先验地测量涡轮机前方的风场允许提前知道风力涡轮机此 后不久将遇到的湍流。 然而， 当前的风力涡轮机控制和监视技术不允许通过。

14、精确估计转子 处(即在转子平面中)的风速来考虑由LiDAR传感器执行的测量。 在专利申请FR-3-013,777 (US-2015-145,253)中尤其描述了这样的应用。 0014 此外， 先进的风力涡轮机控制器可通过基于LiDAR传感器所提供的预测性风力测 量的前馈控制来完成， 以便调节转子速度并减少风力涡轮机上的结构负荷。 前馈控制的效 率在很大程度上取决于风预测可以此被测量或估计的准确度。 0015 将LiDAR传感器用于估计转子平面中的风速的潜能已被研究。 通常， 为了从最接近 LiDAR传感器的测量距离(例如到转子平面50m)外推风速， 泰勒的冻结湍流假设(TFH)被应 用。 TF。

15、H的主要优点在于其简单性。 然而， TFH在实践中可能不够准确。 当使用TFH进行风速估 计时， 没有考虑到风的演化(其受到场地条件、 风力涡轮机阻塞效应以及风的不断变化的物 理性质的影响)。 这导致转子平面中所估计的风速与撞击转子的风的实际速度之间的显著 差异(参见文献： 埃里克西姆利(Eric Simley)、 露西Y鲍(Lucy Y Pao)、 彼得杰布 拉德(Pieter Gebraad)和马修丘奇菲尔德(Matthew Churchfield)，“Investigation of the impact of the upstream induction zone on lidar m。

16、easurement accuracy for wind turbine control applications,using large-eddy simulation(使用大涡模拟研 究上游感应区对风力涡轮机控制应用的激光雷达测量准确度的影响)” ，物理学杂志： 会议 丛刊(Journal of Physics:Conference Series) ， 第524.1卷， IOP出版， 2014年， 第012003 页， 以及埃里克西姆利(Eric Simley)、 露西鲍(Lucy Pao)、 尼尔凯利(Neil Kelley)、 邦妮琼克曼(Bonnie Jonkman)和罗德弗里里希(。

17、Rod Frehlich)，“Lidar wind speed measurements of evolving wind fields(演化风场的激光雷达风速测量)” ， 第50届AIAA航空航天科学会议， 包括新视野论坛和航空航天博览会， 2012年， 第656页)。 0016 为了克服与使用TFH进行风速估计相关联的缺点， 在下列文献中考虑了一种办法： Ashim Giyanani、 WAAM Bierbooms和GJW van Bussel，“Estimation of rotor effective wind speeds using autoregressive models on。

18、 LiDAR data(使用基于LiDAR数据的自回 归模型估计转子有效风速)” ，物理学杂志： 会议丛刊(Journal of Physics:Conference Series) ， 第753.7卷， IOP出版， 2016年， 第072018页。 基本思想在于将风场流建模为自回归 移动平均外生模型。 该模型基于过去的测量进行训练， 其允许预测转子平面中的未来风速。 然而， 尚不清楚如何确定模型的参数。 此外， 该模型在此程度上是静态的： 一旦被标识， 无论 风况如何， 该模型都不会改变。 具体地， 该方法在实践中可能难以实现。 说明书 2/15 页 5 CN 111706472 A 5 。

19、发明内容 0017 为了准确地预测风(无需泰勒的冻结湍流假设)， 本发明涉及用于通过考虑在借助 于卡尔曼滤波器实现的风演化模型中使用的感应因子来预测转子平面中的风速的方法。 感 应因子和风演化模型允许在预测中考虑对与涡轮机阻塞相关的风的影响。 因而， 转子处的 风预测是准确的。 0018 本发明还涉及用于控制风力涡轮机的方法、 计算机程序产品、 LiDAR传感器和风力 涡轮机， 这些对象使用利用根据本发明的方法确定的风预测。 0019 本发明涉及用于预测配备有LiDAR传感器的风力涡轮机的转子平面中的风速的方 法， 其中以下步骤被执行： 0020 a)借助于所述LiDAR传感器在远离所述风力涡。

20、轮机的至少一个测量平面中测量风 速， 0021 b)确定风感应因子， 所述风感应因子表示在所述测量平面与所述转子的所述平面 之间的风减速系数， 0022 c)借助于所述感应因子和在所述测量平面中的所述风速测量来确定在所述测量 平面与所述风力涡轮机的所述转子平面之间的延迟指数， 0023 d)在所述测量平面和所述转子的所述平面之间构造风演化模型， 所述风演化模型 借助于所述感应因子来将预定时间处的在所述转子的所述平面中的风速与在所述预定时 间之前的若干时间处的在所述测量平面中所测得的风速相连接， 所述之前的时间借助于所 述延迟指数来确定， 以及 0024 e)借助于所述风演化模型和卡尔曼滤波器、。

21、 优选地为自适应卡尔曼滤波器， 确定 在所述转子平面中的所述风速预测。 0025 根据本发明的一实施例， 风感应因子通过执行以下步骤来确定： 0026 i)借助于所述LiDAR传感器在远离所述风力涡轮机的至少三个测量平面中测量风 速， 0027 ii)使用在所述测量平面中的所述风速测量和线性卡尔曼滤波器来确定在所述测 量平面中的两个测量平面之间的至少两个风感应因子， 以及 0028 iii)借助于在两个测量平面之间的所述经确定的感应因子并使用线性卡尔曼滤 波器来确定在测量平面和所述风力涡轮机的所述转子平面之间的所述风感应因子。 0029 根据一种实现， 所述风速测量步骤包括在所述测量平面中重建。

22、风场的子步骤， 该 重建的风场在所述方法的其他步骤中被用作所述测量平面中的风速测量。 0030根据一方面， 延迟指数kd0由以下等式确定： 0031其中其中x1是在所述测量平面与所述转子平面之间的距离， Ts是 测量采样周期， Ux1是在所述测量平面中测得的平均风速， U0是在所述转子平面中的平均风 速， 并且a0,x1是在所述测量平面与所述转子平面之间的所述感应因子。 0032 根据一个特征， 所述风演化模型被写成如下： 0033 0034 其中 说明书 3/15 页 6 CN 111706472 A 6 且 其中u0是转子平面中的风， k是离散化的时间， p是未来时间步长， kd0是延迟指。

23、数， r是由卡尔曼滤波器确定的状态向量， x1是测量平面， Nd是所述风演化模型 的阶数， ux1是在所述测量平面中测得的风速， 并且a0,x1是在所述测量平面与所述转子平面 之间的所述感应因子。 0035 有利地， 风演化模型的阶数Nd为2。 0036 此外， 本发明涉及控制配备有LiDAR传感器的风力涡轮机的方法， 其中以下步骤被 执行： 0037 a)借助于根据上述特征之一的方法确定所述风力涡轮机的转子平面中的所述风 速预测， 以及 0038 b)根据转子平面中的所述风速来控制所述风力涡轮机。 0039 本发明还涉及一种计算机程序产品， 该计算机程序产品包括代码指令， 该代码指 令被设计。

24、为当在用于处理所述LiDAR传感器的单元上执行程序时执行根据以上特征之一的 方法的步骤。 0040 此外， 本发明涉及一种用于风力涡轮机的LiDAR传感器， 其包括实现根据上述特征 之一的方法的处理单元。 0041 而且， 本发明涉及一种包括根据上述特征之一的LiDAR传感器的风力涡轮机， 所述 LiDAR传感器优选地被布置在所述风力涡轮机的机舱上或所述风力涡轮机的鼻部中。 附图说明 0042 参照附图， 通过阅读下文以非限制性示例的方式给出的实施例的描述， 根据本发 明的方法的其他特征和优点将显而易见， 在附图中： 0043 -图1解说了根据本发明的一实施例的配备有LiDAR传感器的风力涡轮。

25、机， 0044 -图2解说了根据本发明的一实施例的用于预测转子平面中的风速的方法的步骤， 0045 -图3解说了根据本发明的第二实施例的用于预测转子平面中的风速的方法的步 骤， 0046 -图4解说了关于参考风的比较曲线， 针对根据现有技术的方法以及根据本发明的 一实施例的预测方法的在转子平面中的风的0s处的预测的示例， 0047 -图5解说了关于参考风的比较曲线， 针对根据本发明的一实施例的方法的在转子 平面中的风的1s处的预测的示例， 以及 0048 -图6解说了关于参考风的比较曲线， 针对根据本发明的一实施例的方法的在转子 平面中的风的2s处的预测的示例。 具体实施方式 0049 本发明。

26、涉及一种用于预测在配备有LiDAR传感器的风力涡轮机的转子平面中的风 速的方法。 该方法允许风速的预测， 因为其允许针对至少一个未来时间确定在涡轮机的转 子平面中的风速。 说明书 4/15 页 7 CN 111706472 A 7 0050 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。 LiDAR传感器有若干种类型， 例如扫描LiDAR、 连续波LiDAR或脉冲式LiDAR传感器。 在本 发明的上下文内， 优选使用脉冲式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。 0051 LiDAR传感器允许快速测量。 因此， 。

27、使用这样的传感器使得能够快速且连续地确定 风速预测。 例如， LiDAR传感器的采样率范围可以在1和5Hz之间(甚至将来会更多)， 并且其 可以是4Hz。 此外， LiDAR传感器允许获得关于风力涡轮机上游的风的数据， 该数据与将要撞 击涡轮机的风相关。 LiDAR传感器可因此被用于预测风力涡轮机的转子平面中的风速。 0052 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， 其配备有用于根据本 发明的方法的LiDAR传感器2。 LiDAR传感器2被用来在多个测量平面PM(仅示出两个测量平 面)中以给定的距离测量风速。 事先先验地知道风的测量允许提供很多数据。 该图还示出了 x、 y和z。

28、轴。 该坐标系的参考点是转子的中心。 方向x是与风力涡轮机上游的转子轴方向相对 应的纵向方向， 该方向也与LiDAR传感器2的测量方向相对应。 垂直于方向x的方向y是位于 水平面中的侧向方向(方向x、 y形成水平面)。 方向z是指向上的竖直方向(基本上对应于塔 架4的方向)， z轴垂直于x和y轴。 转子平面由点状线PR的矩形指示， 对于零值x， 它由方向y、 z 定义。 测量平面PM是由距转子平面PR一定距离处的方向y、 z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。 0053 常规地， 风力涡轮机1允许将风的动能转换成电能或机械能。 为将风能转换为电 能， 其由以下元素组。

29、成： 0054 -塔架4， 其允许将转子(未示出)定位在足够的高度处以允许其运动(对于水平轴 风力涡轮机是必要的)， 或者允许将该转子定位在能够使其由比地平面6处更强且更规律的 风驱动的高度处。 塔架4通常容纳部分电力和电子组件(调制器、 控件、 倍增器、 发电机等)， 0055 -安装在塔架4的顶部的机舱， 其容纳操作机器所必需的机械、 气动以及一些电力 和电子组件(未示出)。 机舱3可以旋转， 以便使机器朝正确方向定向， 0056 -紧固到机舱的转子， 包括若干叶片7(一般是三个)以及风力涡轮机的鼻部。 转子 由来自风的能量驱动， 并且其通过机械轴杆直接或间接地(经由齿轮箱和机械轴杆系统)。

30、连 接到电机(发电机)(未示出)， 该电机将所回收的能量转换为电能。 转子潜在地设置有控制 系统， 诸如可变角度叶片或气动制动器， 0057 -由通过传动装置(齿轮箱)(未示出)连接的两个轴杆(转子的机械轴杆和电机的 机械轴杆)构成的传动装置。 0058 如图1(其是脉冲式LiDAR传感器的示例实施例)中可以看到的， 所使用的LiDAR传 感器2包括四个波束或测量轴(b1、 b2、 b3、 b4)。 作为非限制性示例， 根据本发明的方法还利 用包括任何数目的波束的LiDAR传感器来操作。 LiDAR传感器在测量平面PM和波束(b1、 b2、 b3、 b4)的每个交点处执行守时测量。 这些测量点。

31、在图1中用黑圈来表示。 在这些测量点处对 测量进行处理允许确定测量平面PM中的风速。 因此， 可以尤其应用法国专利申请FR-3,068, 139(WO-2018/234,409)中所描述的风建模方法。 0059 优选地， LiDAR传感器2可以被安装在风力涡轮机1的机舱3上。 0060 根据本发明， 风预测方法包括以下步骤： 0061 1)风速测量 说明书 5/15 页 8 CN 111706472 A 8 0062 2)感应因子确定 0063 3)延迟指数确定 0064 4)构造风演化模型 0065 5)确定风速预测。 0066 这些步骤是实时执行的。 0067 图2通过非限制性示例示意性地。

32、解说了根据本发明的一实施例的预测方法的各步 骤。 第一步骤是借助于LiDAR传感器测量在至少一个测量平面中的风速ux的步骤(MES)。 第 二步骤(IND)使用测量ux确定在测量平面和转子平面之间的感应因子aPR。 第三步骤(RET)使 用感应因子aPR和测量ux确定延迟指数kd。 第四步骤是根据测量ux、 感应因子aPR和延迟指数kd 构造风演化模型(MOD)的步骤。 卡尔曼滤波器(KAL)， 尤其是自适应卡尔曼滤波器， 接着被应 用于风演化模型(MOD)， 以获得对转子平面中风速的预测u0。 0068 图3通过非限制性示例示意性地解说了根据本发明的第二实施例的预测方法的各 步骤。 第一步骤。

33、是借助于LiDAR传感器测量在至少一个测量平面中的风速的步骤(MES)。 相 对于图1的实施例， 增加了在确定测量平面中的风速ux之前根据测量重建风的步骤(REC)。 第三步骤(IND)使用经重建的测量ux来确定在测量平面和转子平面之间的感应因子aPR。 第 四步骤(RET)使用感应因子aPR和经重建的测量ux来确定延迟指数kd。 第五步骤是根据经重 建的测量ux、 感应因子aPR和延迟指数kd构造风演化模型(MOD)的步骤。 卡尔曼滤波器(KAL)， 尤其是自适应卡尔曼滤波器， 接着被应用于风演化模型， 以获得对转子平面中风速的预测 u0。 0069 1.风速测量 0070 在该步骤中， 借。

34、助于LiDAR传感器在距风力涡轮机的至少一个测量平面中连续地 测量风速。 因而， 可以在至少一个测量平面中知道风力涡轮机上游的风速。 对于该步骤， 我 们考虑三个风分量(纵向、 侧向和竖直)， 以及测量平面中的风速变化(例如， 风速随高度而 增加)。 0071 根据本发明的一实施例， 风速可以在至少三个测量平面中被测量， 以便促成感应 因子确定(参见步骤2)。 优选地， 风速可以在四个测量平面中被测量， 以便提高对风力涡轮 机上游的风的了解的准确度， 并因此提高对转子平面中的风感应因子的估计的准确度。 0072 根据本发明的一种实现， 测量平面可以位于优选地离转子平面范围在50和400m之 间。

35、的纵向距离内(沿图1中的x轴)。 因而， 可以确定跨风力涡轮机上游的长距离上的风速演 化， 这还允许增加对转子平面中的风速预测的估计的准确度。 0073 替代地， 测量平面可以位于相对于上述优选范围更短或更长的距离处。 0074 根据非限制性示例实施例， LiDAR传感器可以针对十个测量平面执行测量， 这十个 测量平面可尤其分别位于距转子平面50、 70、 90、 100、 110、 120、 140、 160、 180和200m的距离 处。 0075 根据对应于图3的实施例的本发明的一实现， 风测量步骤可以包括风重建步骤， 其 允许LiDAR传感器的原始测量被解释。 可以实现各种风重建方法。。

36、 作为非限制性示例， 专利 申请FR-3,068,139(WO-2018/234,409)中所描述的风重建方法可被实现， 其主要步骤在下 文中被提示： 0076将位于所述LiDAR传感器上游的空间网格化， 网格图案包括估计点和测量点， 说明书 6/15 页 9 CN 111706472 A 9 0077在不同的测量点处测量风幅值和方向， 0078使用成本函数的递归最小二乘法来针对所有估算点估计在任何时间处的风幅 值和风向， 以及 0079在所有离散化的点上在三个维度中且实时地重建入射风场。 0080 2.感应因子确定 0081 该步骤在于确定在测量平面和转子平面之间的风感应因子。 感应因子是风。

37、力涡轮 机的感应区中(即涡轮机的上游)的风减速系数。 实际上， 因涡轮机的存在及其运行， 风在涡 轮机的上游变慢； 换言之， 由涡轮机从风中汲取的功率导致了涡轮机上游的风减速。 因而， 感应因子代表物理现象， 并且其提供关于风力涡轮机的资源的指示。 感应因子是在涡轮机 上游的两个平面之间被计算的， 根据定义， 其对应于在这些平面之间的速度比。 通过用a表 示感应因子， u表示风速， 并且d1和d2表示所考虑的两个平面相对于转子平面的相应距离， 则在位于距转子平面的距离d1和d2处的平面之间的感应因子可以被写成： 0082 0083 当所考虑的平面之一是转子平面时， 我们有d10。 0084 对。

38、于此步骤， 感应因子可以借助于任何方法来被确定。 作为非限制性示例， 以 No.FR-1,871,455提交的专利申请中所公开的确定感应因子的方法可被实现， 其步骤在下 面进行描述。 0085 确定在测量平面和风力涡轮机的转子平面之间的风感应因子的方法包括以下步 骤： 0086 A-风速测量 0087 该步骤与根据本发明的针对至少三个测量平面的预测方法的步骤1)等同。 优选 地， 一系列测量可以针对步骤1)和2)A来执行。 0088 B-确定在诸测量平面之间的感应因子 0089 该步骤在于实时确定在两个测量平面之间的至少两个风感应因子。 换言之， 最低 限度地在第一测量平面和第二测量平面之间确。

39、定第一感应因子， 并且在第三测量平面和第 四测量平面之间确定第二感应因子(第三和第四测量平面中的至多一者对应于第一和第二 测量平面中的一者)。 以简化的方式， 这些感应因子在下文的描述中被称为诸测量平面之间 的感应因子。 0090 根据本发明， 借助于风速测量和卡尔曼滤波器， 尤其是线性卡尔曼滤波器来确定 诸测量平面之间的感应因子。 0091 有利地， 对于该步骤以及对于其中针对至少四个测量平面执行测量的实施例， 诸 测量平面之间的风的至少三个感应因子可被确定。 因而， 可以提高风力涡轮机上游的风减 速现象的准确度， 并因此可以提高对转子平面中的风感应因子的估计的准确度。 0092 根据本发明。

40、的一实施例， 可以针对最靠近转子平面的测量平面确定诸测量平面之 间的感应因子， 以便具有关于尽可能靠近转子平面的风场的信息。 0093 根据本发明的一实现， 可以针对具有相同间距的测量平面来确定在诸测量平面之 间的感应因子。 例如， 间距可以是50m， 并且可以针对位于70和120m处的测量平面确定第一 感应因子， 并且针对位于90和140m处的测量平面确定第二感应因子。 说明书 7/15 页 10 CN 111706472 A 10 0094 优选地， 针对诸测量平面之间的风感应因子所使用的诸测量平面之间的间距可以 与转子平面和最靠近的测量平面之间的距离等同。 因而， 感应因子模型被简化， 。

41、这尤其有助 于卡尔曼滤波器的求解。 0095 例如， 通过组合上面描述的变型， 如果第一测量平面位于距转子平面50m处， 则可 以针对位于50和100m处的测量平面确定第一感应因子， 针对位于70和120m处的测量平面确 定第二感应因子， 并且针对位于90和140m处的测量平面确定第三感应因子。 0096 根据本发明的一实施例， 卡尔曼滤波器可以与下文描述的不同步骤一起使用。 针 对一实施例描述了这些步骤， 其中针对位于50和100m处的测量平面确定第一感应因子 a50,100， 针对位于70和120m处的测量平面确定第二感应因子a70,120， 并且针对位于90和140m 处的测量平面确定第。

42、三感应因子a90,140。 0097 下面， 我们仅示出如何实时估计a50,100。 a70,120和a90,140被以完全相同的方式获得。 由于u50、 u100是实时可用的， 因此可以直接使用感应因子定义等式来确定a50,100。 然而， 这种 方法包含缺点。 实际上， 关于所估计的风速u50、 u100的标准偏差的信息没有被使用。 因此， 估 计a50,100的标准偏差可能不是已知的。 在另一方面， 对于低速， 即当u100接近零时， 可能出现 计算稳定性问题。 0098 时间k处的感应因子由a50,100(k)来表示。 显然， 变化a50,100(k)-a50,100(k-1)是相对 。

43、小的， 因此我们可以写成： 0099 a50， 100(k)a50， 100(k-1)+ (k-1) 0100 其中 (k-1)被用来描述a50,100(k)随时间的变化。 0101 第一感应因子定义等式被重写为： 0102 u100(k)a50,100(k)u50(k). 0103 由于估计u50(k)、 u100(k)包含噪声， 因此上述等式的更现实模型是： 0104 (u100(k)+100(k)a50， 100(k)u50(k)+50(k) 0105 其中 50(k)、 100(k)分别是u50(k)、 u100(k)的噪声。 前一等式可接着被重写为如下： 0106 u100(k)a5。

44、0， 100(k)u50(k)+50(k)-100(k)a50， 200(k) 0107 通过组合先前的等式， 可以得到以下状态等式： 0108 0109 (k)100(k)a50， 100(k)-50(k) 0110 可以将关于 (k)and (k)的信息纳入考虑的估计未知状态向量a50,100(k)的一种方 式在于应用被称为卡尔曼滤波器的卡尔曼滤波算法。 实际上， 该滤波器提供了以下问题的 求解： 0111 0112 其中 0113 0114 其中P0、 Q、 R是合适维度的加权矩阵， 带有上划线的a50,100(0)是初始状态a50,100(0) 说明书 8/15 页 11 CN 111。

45、706472 A 11 的均值。 0115 为了使用卡尔曼滤波算法求解优化问题， 以下假设被做出。 这些假设主要与对P0、 Q、 R的数学解释有关。 0116a50,100(0)是与噪声 (k)和 (k)不相关的随机向量， 0117a50,100(0)具有已知均值且P0为协方差矩阵， 即： 0118 0119其中是初始状态的均值， 0120(k)和 (k)是均值为零且分别与协方差矩阵Q和R不相关的白噪声， 即： 0121 0122 E (k) (j)T0， for all k， j 0123 需要注意， 该假设还暗示Q和R是正半定对称矩阵。 0124 采用以下记法： 0125是在给定时间测量k。

46、-1的情况下对a50,100(k)的估计 0126是在给定时间测量k的情况下对a50,100(k)的估计 0127P(k|k-1)是给定时间测量k-1的a50,100(k)的协方差矩阵 0128P(k|k)是给定时间测量k的a50,100(k)的协方差矩阵。 0129 卡尔曼滤波算法可接着总结如下： 0130时间更新等式 0131 0132测量更新等式 0133 0134 通过执行这些步骤， 感应因子a50,100可以被确定。 重复这些步骤以确定感应因子 a70,120和a90,140。 0135 C-确定测量平面和转子平面之间的感应因子 0136 该步骤在于实时确定测量平面之一与转子平面之间。

47、的风感应因子。 因而， 可以通 过将物理现象， 尤其是风减速纳入考虑来表示转子处的风的演化。 根据本发明， 借助于在先 前步骤中确定的感应因子并且使用卡尔曼滤波器， 尤其是线性卡尔曼滤波器， 来确定测量 平面与转子平面之间的风感应因子。 为简化起见， 在下文的描述中将该感应因子称为转子 平面中的感应因子。 0137 优选地， 可以在最靠近转子的测量平面和转子平面之间确定风感应因子。 说明书 9/15 页 12 CN 111706472 A 12 0138 例如， 在该步骤中， 可以在距转子50m的测量平面和转子平面之间确定感应因子。 0139 根据本发明的一实施例， 卡尔曼滤波器可通过应用以下。

48、描述的各个步骤来被使 用。 针对已经确定a50,100、 a70,120和a90,140并且确定a0,50(即在位于50m处的测量平面和转子平 面之间的感应因子)的一实施例描述了各步骤。 0140 使用a50,100、 a70,120和a90,140， a0,50的估计的主要思想是假定a0,50、 a50,100、 a70,120和 a90,140是距离的函数。 因此， 假定以下关系： 0141 0142 其中x1、 x2是需要被确定的未知参数。 由于a50,100、 a70,120和a90,140随时间缓慢改变， 因此这同样适用于x1、 x2。 因此， 我们可以写成： 0143 0144 其。

49、中 1(k)、 2(k)被用来表征x1(k)、 x2(k)的变化。 我们写成： 0145 0146 我们可以接着写成紧凑的形式： 0147 x(k)x(k-1)+ (k-1). 0148 将噪声纳入考虑的更现实的模型是： 0149 0150 其中 1、 2、 3是估计a50,100(k)、 a70,120(k)和a90,140(k)的噪声。 我们可以接着写成： 0151 0152 我们可以写成紧凑的形式： 0153 y(k)Cx(k)+ (k). 0154 通过组合先前的等式， 我们获得如下状态等式： 0155 0156 对于a50,100(k)、 a70,120(k)和a90,140(k)，。

50、 将噪声 (k)、 (k)纳入考虑的一种获得x(k) 的方式是使用线性卡尔曼滤波器技术。 因此， 应用与针对上一步所描述的相同的步骤。 0157 一旦x(k)被估计， 便可以如下计算感应因子a0,50： 0158 a0,50(k)0 1x(k). 说明书 10/15 页 13 CN 111706472 A 13 0159 3.延迟指数确定 0160 该步骤在于借助于风速测量(可任选地， 经重建的测量)并借助于感应因子来确定 延迟指数。 延迟指数定义了风在测量平面和风力涡轮机的转子平面之间的时间延迟。 在确 定延迟时， 延迟指数对感应因子的依赖性允许考虑到物理现象(感应)， 这使得风预测更代 表。