利用多隐马尔可夫模型对超出额定风速情况下的风力涡轮机载荷进行虚拟感知

《Wind Energy》：Virtual Sensing of Wind Turbine Loads With Multi-Hidden Markov Models for Above-Rated Wind Speeds

　　本研究提出基于多隐藏高斯马尔可夫模型（Multi-HGMM）的概率数据驱动虚拟传感框架，用于无物理传感器条件下估算风力涡轮机的关键结构载荷（如叶根 flapwise 动量和塔基 fore-aft 动量）。通过期望最大化算法从SCADA数据中学习模型参数，并在5MW NREL涡轮机模型上进行验证，结果显示在超额定风速工况下，该框架的载荷估算误差约为6%，验证了其在高湍流和传感器故障情况下的鲁棒性。

　　### 引言

随着全球对可再生能源的需求不断增长，风力发电作为绿色能源的重要组成部分，其装机容量在过去十年中呈指数级上升。风力涡轮机的广泛应用使得其在能源结构中的地位日益重要，但与此同时，安装和维护成本依然较高。此外，随着风力涡轮机尺寸的扩大，其承受的结构载荷也随之增加，这给系统的长期运行带来了新的挑战。为了确保风力涡轮机的可靠性和经济性，高效、准确的载荷监测技术显得尤为重要。载荷监测不仅有助于预防结构疲劳和故障，还能显著降低单位能源的运维成本，进而提升风力发电的整体经济效益。

风力涡轮机通常配备有监督控制与数据采集（SCADA）系统，用于收集环境和运行数据，如风速、桨距角、转速和功率输出等。在结构健康监测（SHM）领域，物理传感器如加速度计和应变计被安装在涡轮机的关键部位，以评估其结构状态。然而，物理传感器的安装和维护成本较高，且在某些恶劣环境下可能难以长期稳定运行。此外，物理传感器的精度和可靠性在很大程度上依赖于数据的采集质量和系统动态模型的准确性。因此，开发一种替代物理传感器的“虚拟传感器”成为一种可行的解决方案。

虚拟传感器可以分为两类：基于物理模型的方法和基于数据驱动的方法。基于物理模型的虚拟传感器，如卡尔曼滤波器，通常需要对系统动态有深入的理解，并且模型的建立过程较为复杂。然而，由于风力涡轮机在不同工况下的运行环境存在较大不确定性，这类方法在实际应用中可能面临模型与实际系统行为不匹配的问题，从而影响其可靠性。相比之下，数据驱动的方法通过分析历史和运行数据来建立模型，无需依赖复杂的系统动态建模，因此在实际应用中更具灵活性和适应性。

近年来，许多研究者利用数据驱动方法进行风力涡轮机载荷估计。例如，Vera-Tudela 和 Kühn 提出了一种基于神经网络的方法，用于估算叶片的弯矩和扭矩载荷。其他研究则使用人工神经网络（ANN）和线性回归等方法，通过 SCADA 数据进行载荷估计。这些方法在一定程度上提高了风力涡轮机载荷估计的精度，但在面对复杂工况和不确定性时，仍存在一定的局限性。特别是，传统的数据驱动方法通常假设数据具有线性关系，难以准确捕捉风力涡轮机在不同风速和动态载荷条件下的非线性行为。

为了克服这些挑战，研究者们开始探索更高级的数据驱动方法，如多隐藏高斯马尔可夫模型（Multi-HGMM）。Multi-HGMM 是一种基于概率的建模方法，能够有效处理时间序列数据中的不确定性。通过将风力涡轮机的运行工况划分为多个子区域，并为每个子区域建立独立的模型，Multi-HGMM 可以更灵活地捕捉涡轮机在不同条件下的动态行为。此外，Multi-HGMM 还可以通过期望最大化（EM）算法从大量数据中自动学习模型参数，从而避免了手动建模的复杂性和主观性。

本研究提出了一种基于 Multi-HGMM 的概率数据驱动虚拟传感方法，用于风力涡轮机的关键载荷估计。该方法利用 SCADA 数据和条件监测系统（CMS）数据，构建了一个能够有效映射难以直接测量的载荷与可观测变量之间关系的模型。通过将涡轮机的运行范围划分为多个子区域，并在每个子区域内建立独立的模型，Multi-HGMM 能够更准确地捕捉风力涡轮机在不同风速和动态载荷条件下的复杂行为。此外，该方法还具备良好的鲁棒性，能够有效应对不同风况、湍流强度以及传感器故障等实际运行中的挑战。

为了验证所提出方法的有效性，本研究使用了美国国家可再生能源实验室（NREL）开发的 5-MW 风力涡轮机模型，并基于 FAST（Fatigue, Aerodynamics, Structures, and Turbulence）仿真工具进行了大量模拟。该模型能够准确模拟风力涡轮机在不同风速和湍流条件下的运行行为，为载荷估计提供了丰富的数据支持。通过将 SCADA 数据与 CMS 数据相结合，研究团队构建了一个全面的数据集，并利用 EM 算法对 Multi-HGMM 进行了参数识别。

在模型训练完成后，研究团队使用传统的卡尔曼滤波器（KF）对模型进行推理，从而实现对关键载荷的估计。这种方法不仅避免了手动建模的复杂性，还保留了状态空间方法的概率结构，使得模型能够更自然地处理不确定性。与传统的 KF 方法不同，所提出的 Multi-HGMM 方法不需要将感兴趣的量显式编码到隐藏状态中，而是通过学习的隐藏空间和测量模型进行重建。这种设计使得模型在实际部署中更具适应性，尤其是在传感器故障或数据缺失的情况下。

本研究的主要贡献在于：首先，引入了一种基于 HGMM 的风力涡轮机载荷估计方法，能够利用现有的 SCADA 数据和 CMS 数据，对关键结构载荷进行有效估计；其次，通过构建 Multi-HGMM 框架，扩展了模型的运行范围，提高了载荷估计的准确性和鲁棒性；最后，设计了一种能够应对复杂风况、湍流强度和传感器故障的方法，确保了模型在实际运行环境中的可靠性。

为了进一步验证所提出方法的性能，研究团队进行了大量的仿真实验，并对模型在不同环境条件下的表现进行了详细分析。实验结果表明，Multi-HGMM 方法在估计塔基前后弯矩和叶片根部弯矩方面，平均绝对误差约为 6%，这一误差水平在实际应用中是可接受的。此外，研究团队还对模型在传感器故障情况下的鲁棒性进行了评估，并将其与 LSTM 等其他数据驱动方法进行了比较，结果显示 Multi-HGMM 方法在处理传感器故障时表现更为稳定。

本研究的最终目标是为风力涡轮机的健康监测提供一种高效、经济且可靠的解决方案。通过减少对物理传感器的依赖，虚拟传感方法不仅降低了监测成本，还提高了系统的可扩展性。这对于大规模风电场的运行和维护具有重要意义，尤其是在传感器故障或数据缺失的情况下，虚拟传感方法能够提供持续的载荷估计，从而保障风力涡轮机的安全运行。

### 风力涡轮机的气动弹性仿真

风力涡轮机的工作原理是通过捕获风能并将其转化为电能，这一过程涉及多个复杂组件之间的相互作用，包括转子、叶片、机舱和塔筒。这些组件在运行过程中会受到不断变化的气动载荷影响，进而产生动态载荷，这些载荷对涡轮机的机械完整性构成了挑战。因此，对风力涡轮机的动态行为和控制策略进行深入研究，是确保其长期可靠运行的关键。

本研究中使用的风力涡轮机模型是 NREL 提供的 5-MW 模型，该模型采用永磁同步发电机（PMSG）和变速控制技术，能够准确反映现代直驱风力涡轮机的动态特性。为了模拟风力涡轮机在不同工况下的运行行为，研究团队使用了 FAST 仿真工具，该工具能够模拟风力涡轮机的气动、结构和湍流特性。在仿真过程中，激活了多个自由度（DOFs），包括每片叶片的两个叶面弯矩自由度和一个叶缘弯矩自由度、变速发电机自由度，以及塔筒的前后弯矩和侧向弯矩自由度。

为了生成所需的风场数据，研究团队使用了 TurbSim 工具，该工具能够生成符合实际风况的风速时间序列。这些风速数据被输入到 FAST 模型中，以模拟风力涡轮机在不同风速和湍流强度下的运行行为。研究团队还对仿真参数进行了详细设置，包括时间步长、风速分布和湍流强度等，以确保仿真结果的准确性和代表性。

在仿真过程中，研究团队重点关注了风力涡轮机在额定风速以上区域的运行情况，因为这一区域的载荷波动较大，对涡轮机的结构安全构成主要威胁。在额定风速以上，风力涡轮机通常会通过调整桨距角来降低气动载荷，从而保护结构免受过载影响。然而，由于风速的剧烈变化，转子速度的波动也会相应增加，导致机械应力的显著上升，进而加剧结构疲劳。

为了验证所提出方法的有效性，研究团队对 5-MW 风力涡轮机模型进行了多次仿真，并分析了模型在不同风况下的表现。仿真结果表明，Multi-HGMM 方法在估计塔基前后弯矩和叶片根部弯矩方面，能够提供较为准确的结果，且在面对传感器故障时表现出良好的鲁棒性。此外，研究团队还对模型在不同风速和湍流强度下的适应性进行了评估，结果显示该方法能够有效处理各种复杂工况，从而为风力涡轮机的健康监测提供了可靠的技术支持。

通过结合 SCADA 数据和 CMS 数据，研究团队构建了一个全面的数据集，该数据集涵盖了风力涡轮机在不同运行条件下的关键参数。这些参数包括风速、转速、桨距角等，它们能够有效反映风力涡轮机的运行状态和结构载荷。在模型训练过程中，研究团队使用了 EM 算法对 Multi-HGMM 进行了参数识别，从而确保模型能够准确捕捉风力涡轮机的动态行为。

在模型推理阶段，研究团队使用了传统的卡尔曼滤波器（KF）对模型进行评估。这种方法能够有效处理时间序列数据中的不确定性，并提供对关键载荷的实时估计。通过将所学到的隐藏空间和测量模型应用于实际数据，研究团队实现了对塔基前后弯矩和叶片根部弯矩的准确估计。实验结果表明，该方法在不同风况下的表现均较为稳定，且能够有效应对传感器故障等实际运行中的挑战。

本研究的最终目标是为风力涡轮机的健康监测提供一种高效、经济且可靠的解决方案。通过减少对物理传感器的依赖，虚拟传感方法不仅降低了监测成本，还提高了系统的可扩展性。这对于大规模风电场的运行和维护具有重要意义，尤其是在传感器故障或数据缺失的情况下，虚拟传感方法能够提供持续的载荷估计，从而保障风力涡轮机的安全运行。此外，研究团队还对所提出方法的适用性进行了广泛讨论，认为其在风力涡轮机的长期运行监测中具有较高的实用价值。