[发明专利]经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统

权利要求书

1.一种控制风力涡轮机(EOL)的量的方法，所述风力涡轮机的所述量的多个控制器的列表(LIST)是可用的，其中执行以下步骤：

a)通过针对所述列表(LIST)中的每个控制器和多个风数据来仿真代表所述风力涡轮机的疲劳的成本函数，来离线构造数据库(BDD)，

b)在线测量风数据(X)，

c)通过从所述数据库进行机器学习来针对所述测得的风数据在线确定所述列表(LIST)中的使所述风力涡轮机的疲劳最小化的控制器(CONT)，以及

d)借助于由此确定的所述控制器(CONT)在线控制所述风力涡轮机(EOL)的所述量。

2.如权利要求1所述的控制方法，其特征在于，所述列表(LIST)中的所述多个控制器选自比例积分PI控制器、和/或具有不同加权函数的H∞调节器、和/或具有不同加权的线性二次调节器LQR、和/或具有不同加权的模型预测控制MPC、和/或基于LiDAR的预测控制。

3.如前述权利要求中任一项所述的控制方法，其特征在于，所述机器学习借助于针对所述列表中的每个控制器来预测所述涡轮机的疲劳的回归方法(REG)，或借助于根据测得的风数据对所述列表中使所述成本准则最小化的所述控制器进行分类的方法来实现。

4.如权利要求3所述的控制方法，其特征在于，借助于通过执行以下步骤的回归方法来实现所述机器学习：

i)将测得的风数据标准化(STD)，

ii)对所述测得的风数据执行多项式增加，以及

iii)借助于目标值空间的变化，对所述经多项式增加的风数据执行线性回归。

5.如权利要求3所述的控制方法，其特征在于，所述机器学习借助于基于随机森林方法、神经网络方法、支持向量机方法或高斯过程方法的回归方法来实现。

6.如前述权利要求中任一项所述的控制方法，其特征在于，所述风力涡轮机(EOL)的至少一个叶片的个体角度或个体俯仰被控制。

7.如前述权利要求中任一项所述的控制方法，其特征在于，所述列表(LIST)中的所述控制器还考虑用于调节所述风力涡轮机的所述量的设定点(r)和所述风力涡轮机的所述量的测量(y)之间的调节误差。

8.如前述权利要求中任一项所述的控制方法，其特征在于，用于构造所述数据库(BDD)的所述风数据得自在所述风力涡轮机现场的测量。

9.如权利要求1到7中任一项所述的控制方法，其特征在于，用于构造所述数据库(BDD)的所述风数据来自风仿真器。

10.一种使用如前述权利要求中任一项所述的控制方法控制风力涡轮机的量的系统，所述控制系统包括存储所述控制器列表(LIST)和所述数据库(BDD)的装置、风数据测量装置、通过来自所述数据库(BDD)的机器学习来针对所述测得的风数据确定所述列表中使所述风力涡轮机的疲劳最小化的控制器(CONT)的装置、以及控制所述风力涡轮机(EOL)的所述量的装置，所述数据库(BDD)是通过针对多个风数据针对所述列表中的每个控制器来对代表所述风力涡轮机的疲劳的成本函数进行仿真来构造的。