风电机组高柔塔二阶涡激振动特性研究

来源 :太阳能学报 | 被引量 : 0次 | 上传用户:cqwsxwsx
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对现有风电机组涡激振动研究侧重于无顶部质量刚塔的一阶涡激振动,忽视有顶部质量高柔塔的二阶涡激振动的不足,开展高柔塔二阶涡激振动特性研究.首先,基于GH Bladed软件建立高柔塔风电机组模型,并通过模态分析得到高柔塔二阶固有频率及模态振型;然后,基于涡激振动相关标准,计算二阶涡激振动作用时各高度处的惯性力;最后,以某型2 MW高柔塔风电机组为研究对象,进行二阶涡激振动特性分析,并与一阶涡激振动特性进行对比.结果表明,高柔塔一阶涡激振动造成的影响较小,可忽略不计;二阶涡激振动易导致塔筒强度不足,存在较大的倒塔风险.
其他文献
在基于叶片根部载荷的PID独立变桨控制的基础上,引入激光雷达并提出优化的独立变桨控制方法.利用激光雷达可重建风力机前方风场信息的特点,对风力机前方风速进行提前测量.提出并使用统一风演化模型对所测数据进行二次处理,得到更贴近实际的叶轮中心风速,进一步使用所提出的分离测风方法对叶根载荷进行提前计算,根据载荷的计算值进行独立变桨控制.该方法可用于解决由于信号延迟、变桨执行机构延迟导致的风速与桨距角不匹配问题.在保证发电功率平稳的情况下,进一步减小风力机工作时的叶根载荷及轮毂不平衡载荷.使用TurbSim软件生成
为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法.该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈层的深度置信网络进行有监督训练,再将待测日的气象信息输入训练好的深度置信网络模型得到待测日的预测功率.最后使用云南某风电场实际运行数据进行算例分析,证实了该方法的有效性.
提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种或多种,为此采用时间序列分解模型对时间序列进行季节指数调整.最后采用LSTM和GRU神经网络预测风速,得到了较好的预测结果,且与未调整的数据预测结果及加法模型季节指数调整后的预测结果相比,基