[发明专利]风力涡轮机的控制、转子叶片以及风力涡轮机

说明书

技术领域

本发明涉及一种用于控制风力涡轮机的方法、一种能够实现相应的控制的转子叶片以及一种用于控制至少一个转子叶片的装置。此外，也提出一种具有至少一个这样的转子叶片和/或至少一个这样的用于进行控制的装置的风力涡轮机。

背景技术

风力涡轮机的转子叶片的使用寿命在很高的程度上取决于作用于转子叶片的周期性的负荷的强度，所述负荷比如基于剪切风、湍流和初始条件。在此转子叶片的偏转的形式的高负荷是不受欢迎的，尤其如果高负荷的状态很快地与无负荷的状态或者甚至与逆反的负荷的状态（动态的交变负荷）交替。比如根据转子叶片的位置由于用谐振频率进行的激励或者由于交变的风速引起的交变-偏转会导致转子叶片的特别严重的老化。

风力涡轮机的转子叶片典型地必须经得住数百万个负荷周期，所述数百万个负荷周期导致转子叶片的逐渐的磨损并且减少剩余的使用寿命。在此不利的是，前面提到的特别强烈的负荷大大缩短风力涡轮机的使用寿命。

已经知道，改变风力涡轮机的转子叶片的倾角（也称为“pitch”）。这使得由所述风力涡轮机生产的功率发生变化。尤其所述风力涡轮机的转子叶片可以单个地倾斜。当然，事先不知道转子叶片的所面临的负荷并且具有比如10吨的重量或者更大重量的转子叶片的倾斜需要能量和时间。另外不利的是，转子叶片本身的这样的调节引起巨大的负荷以及转子叶片的轴承及倾斜致动器的随之产生的磨损，这又不利地影响着系统的使用寿命以及风力涡轮机的必要的保养。

此外知道，作为学习算法比如使用以下方法之一：

-NFQ方法（“Neural Fitted Q Iteration”，参见：M. Riedmiller：Neutral Fitted Q Iteration-First Experiences with a Data Efficient Neural Reinforcement Learning Method。In Proc. Of the European Conf. on Machine Learning（在关于机器学习的欧洲会议的会议记录中），2005年）；

-RCNN（“Recurrent Control Neural Network”,参见：A. M. Schaefer、S. Udluft和H.-G. Zimmermann：A Recurrent Control Neural Network for Data Efficient Reinforcement Learning。In Proc. Of the IEEE International Symposium on Approximate Dynamic Programming and Reinforcement Learning（在关于近似动态编程及增强学习的IEEE国际研讨会的会议记录中），2007年；或者A. M. Sch?fer、D. Schneega?、V. Sterzing和S. Udluft：A Neural Reinforcement Learning Approach to Gas Turbine Control。International Joint Conference on Neural Networks（关于神经网络的国际合作会议），2007年）和/或

-PGNRR方法（“Policy Gradient Neural Rewards Regression”,参见：D. Schneega?、S. Udluft和Th. Martinetz：Improving Optimality of Neural Rewards Regression for Data-Efficient Batch Near-Optimal Policy Identification。In Proc. of the International Conf. on Artificial Neural Networks（在关于人造的神经网络的国际会议的会议记录中），2007年）。

发明内容

本发明的任务是，避免前面提到的缺点并且提供一种有效的解决方案，用于降低特别剧烈的作用于风力涡轮机或者说其转子叶片上的负荷并且降低逆反的负荷并且由此延长风力涡轮机系统的使用寿命或者说降低保养成本。

该任务按照独立权利要求所述特征得到解决。优选的实施方式尤其能够从从属权利要求中获知。

为解决该任务，说明一种用于控制具有至少一个转子叶片的风力涡轮机的方法，其中从所述转子叶片的至少一个腔室中导出调制射流，用于改变沿着转子叶片的空气流。