ES2256285T3 - Procedimiento y dispositivo para el tratamiento y la prediccion de parametros de flujo de medios turbulentos. - Google Patents
Procedimiento y dispositivo para el tratamiento y la prediccion de parametros de flujo de medios turbulentos.Info
- Publication number
- ES2256285T3 ES2256285T3 ES01962823T ES01962823T ES2256285T3 ES 2256285 T3 ES2256285 T3 ES 2256285T3 ES 01962823 T ES01962823 T ES 01962823T ES 01962823 T ES01962823 T ES 01962823T ES 2256285 T3 ES2256285 T3 ES 2256285T3
- Authority
- ES
- Spain
- Prior art keywords
- wind
- prediction
- values
- flow
- procedure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/322—Control parameters, e.g. input parameters the detection or prediction of a wind gust
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Ecology (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Sustainable Development (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
- Flow Control (AREA)
Abstract
Procedimiento para el tratamiento y la predicción de datos de flujo de un medio circulante, estando prevista una medición continuamente consecutiva de valores (sk) de al menos un parámetro de flujo en uno o en diferentes lugares en el medio, siendo el parámetro de flujo característico de la velocidad del medio y formando los valores (Sk) un trazado de curva actual, caracterizado porque presenta las etapas siguientes: -formar vectores de desfase temporal n-dimensionales a partir de los valores medidos (Sk) del al menos un parámetro de flujo, describiendo los vectores de desfase temporal ciertos estados en un espacio de fase n- dimensional y formando estados consecutivos una respectiva serie temporal actualizada de estados (xk), en el que -la serie temporal se somete a un procedimiento de predicción determinístico no lineal a partir de un modelo de espacio de fase localmente constante para generar valores de predicción para los respectivos parámetros de flujo siguientes, comprendiendo el procedimiento de predicción: - buscar unos trazados de curva semejantes del parámetro de flujo en el pasado que representen estados (yn) que son vecinos del estado actual (xn) en el espacio de fase, y - determinar el valor de predicción (Sn+1) como valor medio aritmético de los valores sucesivos de los estados (yn), y -generar una señal de control predeterminada cuando los valores de predicción son característicos de una variación futura de la velocidad de flujo.
Description
Procedimiento y dispositivo para el tratamiento y
la predicción de parámetros de flujo de medios turbulentos.
La presente invención se refiere a procedimientos
para el tratamiento de parámetros de flujo de medios turbulentos,
en particular a procedimientos para la predicción de la velocidad de
flujo en medios circulantes y para la predicción de determinados
efectos no lineales, por ejemplo ráfagas de viento en movimientos de
aire atmosféricos. La invención se refiere asimismo a la
utilización de procedimientos de este tipo para controlar los
parámetros de funcionamiento de aparatos mecánicos en flujos
turbulentos como, por ejemplo, generadores eléctricos accionados
por el viento, y a dispositivos para poner en práctica
procedimientos de este tipo. La invención está dirigida también al
control de operaciones técnicas complejas en las cuales es de
importancia la predicción de la velocidad del viento como las que
aparecen, por ejemplo, en aeropuertos, en el control de sistemas
viento-diesel o en la integración de generadores
eólicos en redes de suministro.
El estudio de medios de circulación turbulenta
(líquidos o gases) es de interés en los más diferentes campos
técnicos. Por ejemplo, existe la aspiración de lograr una mejor
comprensión de la dinámica de movimientos de aire atmosféricos
cerca de la superficie de la tierra (dinámica del viento) para
obtener informaciones para la predicción del tiempo o para
predicciones de turbulencias. Estos dos problemas se diferencian por
el espacio temporal de predicción y por la resolución espacial de
la predicción. Para su solución se utilizan respectivos modelos de
predicción adaptados. Para la predicción del tiempo con un horizonte
de predicción más largo de al menos algunas horas se utilizan
métodos numéricos de la mecánica de continuos sobre la base de
ecuaciones de Navier-Stokes que expresan el campo de
viento pronosticado en el volumen espacial considerado. Para una
predicción de turbulencia local con horizonte temporal más corto en
el rango de segundos o minutos, puede recurrirse básicamente a uno
de los siguientes modelos.
En primer lugar, es posible también en la
predicción de turbulencias locales utilizar la solución de
ecuaciones de Navier-Stokes. Con ayuda de valores de
partida conocidos de la velocidad del viento y de la presión en el
medio y de condiciones marginales podrían solucionarse teóricamente
las ecuaciones de campo y efectuarse predicciones sobre esta base.
Las soluciones numéricas de las correspondientes ecuaciones
diferenciales parciales son en principio difíciles y casi
imposibles a los altos números de Reynolds típicos en condiciones
atmosféricas. No pueden realizarse procedimientos de aproximación
usuales (por ejemplo, linealización de las ecuaciones, reducción de
la dimensionalidad o aceptación de la libertad de rotación del campo
vectorial), ya que la no linealidad, la tridimensionalidad y la
aparición de torbellinos son de importancia decisiva para la
naturaleza de las soluciones. Además, la gigantesca extensión del
sistema atmósfera y la gran distancia de la capa límite atmosférica
a un estado de equilibrio dificultan la consideración numérica de
las ecuaciones de campo. Por otra parte, en apenas una situación
práctica pueden indicarse las condiciones iniciales y marginales
con suficiente precisión para hacer posible la integración de la
ecuación. Por tanto, la solución de las ecuaciones hidrodinámicas
no representa ninguna opción prácticamente relevante para el
problema considerado.
Además, es posible el uso de modelos estocásticos
lineales. Usando métodos lineales, la hipótesis de base consiste en
que la serie temporal medida de datos de flujo característicos se
considera como superposición de varias señales periódicas cuyo
desarrollo temporal es modificado por ruido dinámico adicional. En
esta imagen, el valor de la serie temporal en un momento posterior
es una combinación lineal de valores en momentos anteriores y ruido
aditivo. Los métodos lineales son generalmente desventajosos, ya que
eventualmente se pierden valiosas informaciones de predicción en la
porción de ruido. En situaciones en las que tienen que efectuarse
predicciones sobre la base de una o unas pocas series temporales
medidas y no existen condiciones marginales e iniciales de
resolución suficientemente buena en el espacio, se emplean
típicamente en la actualidad los métodos lineales siguientes (véase
U. Schlink en "Theor. Appl. Climatol.", Volumen 60, 1998,
página 191 y siguientes). Se evalúan las correlaciones lineales de
soluciones de ecuaciones de Navier-Stokes o de los
datos medidos y se aproxima la desviación respecto de las
correlaciones lineales por medio de un ruido. La predicción
estocástica lineal presupone la existencia de marcadas porciones
determinísticas lineales globales en el comportamiento del flujo
para lograr resultados de predicción suficientemente buenos a partir
de correlaciones lineales en series temporales medidas. En este
caso, "global" significa que se suponen constantes las
correlaciones lineales entre los últimos valores medidos de la
serie temporal en los puntos espaciales considerados y el valor a
pronosticar de la velocidad del viento en todas las horas y en todas
las situaciones climáticas. Por tanto, la porción determinística de
un comportamiento representable por modelos estocásticos lineales se
limita a una clase relativamente pequeña de posibles procesos. En
esencia, se pueden modelar oscilaciones armónicas y comportamientos
exponenciales. Sin embargo, estos modelos fracasan en series
temporales caóticas con carácter determinístico no lineal. La clase
más importante de los modelos estocásticos lineales son modelos
autorregresivos (modelos AR), sobre los cuales se entrará en
detalles más adelante.
Un tercer planteamiento para predecir velocidades
de flujo en medios turbulentos utiliza métodos del análisis no
lineal de series temporales sobre la base de los conceptos del caos
determinístico de baja dimensión. Debido particularmente al
comportamiento dinámico complejo de masas de aire atmosféricas, los
parámetros de flujo siguen evoluciones aperiódicas, difícilmente
predecibles y también a menudo difícilmente clasificables. Con el
análisis no lineal de series temporales se intenta, a partir de
datos observados medidos, aprender lo más posible sobre las
propiedades o el estado del sistema considerado. Procedimientos de
análisis conocidos para la comprensión de señales aperiódicas se
describen, por ejemplo, por H. Kantz et al. en "Nonlinear
Time Series Analysis", Cambridge University Press, Cambridge,
1997, o por H. B. I. Abarbanel en "Analysis of Observed Chaotic
Data", Springer, Nueva York, 1996. Estos procedimientos se basan
en el concepto del caos determinístico. Caos determinístico
significa que un estado del sistema en un determinado momento fija
de manera unívoca el estado del sistema en un momento posterior
cualquiera, pero, no obstante el sistema es imprevisible durante un
tiempo bastante largo. Resulta de esto que el estado actual del
sistema se registra con un error inevitable cuyo efecto aumenta
exponencialmente según la ecuación de movimiento del sistema.
Después de un tiempo típico del sistema, un estado de modelo
simulado del sistema ya no presenta ninguna similitud con el estado
real. Sin embargo, para tiempos más cortos, se pueden predecir con
buena exactitud estados del sistema que se representan por medio de
muestras características en la serie temporal.
Sobre el análisis de series temporales de datos
del viento entran en detalles, por ejemplo, M. Casdagli en "J. R.
Statist. Soc. B.", volumen 54, 1991, páginas 303 y siguientes, y
J. Hausmann "Zeitreihenanalyse und Steuerung autonomer
Wind-Diesel-Systeme mit neuronalen
Netzwerken", Diplomarbeit Universität Oldenburg, 1995. Para el
análisis de series temporales escalares (univariantes) se ha
comprobado que los errores de predicción derivados de los modelos
estocásticos lineales, por un lado, y del análisis no lineal de
series temporales, por otro, permiten deducir en promedio temporal
la misma fiabilidad (reducida) de los modelos. En los trabajos
citados se constató que con el concepto del caos determinístico,
promediado a lo largo del espacio temporal de observación, no puede
conseguirse ninguna mejora decisiva de la predicción de
turbulencias. El análisis univariante no lineal de series
temporales posee en promedio temporal netas ventajas únicamente en
la predicción de datos débilmente turbulentos con pocos grados de
libertad activados. El parámetro de control para la turbulencia es
el número de Reynolds. Medios turbulentos con números de Reynolds de
hasta aproximadamente 10^{2} pueden describirse bien por medio de
modelos determinísticos de bajas dimensiones. Sin embargo, la
turbulencia atmosférica en corrientes de aire cercanas al suelo se
caracteriza por números de Reynolds que son algunos órdenes de
magnitud más elevados. Por tanto, tales fenómenos no se pueden
describir generalmente por medio de conceptos del caos
determinístico. Por este motivo, no se ha considerado el concepto
del análisis no lineal de series temporales para el análisis de
datos de viento atmosférico y, en particular, para la predicción de
efectos no lineales, como ráfagas de viento.
Asimismo, se conoce describir procesos
estocásticos con las denominadas reglas de Markov. En un proceso de
Markov de orden m, los m últimos valores de medición bastan para la
predicción de la distribución de probabilidades del valor a
predecir. Por tanto, al contrario de los procesos determinísticos,
en un proceso de Markov no se tiene el conocimiento del valor
exacto de la observación futura, sino solamente su distribución de
probabilidades.
Variaciones fuertes de la velocidad del viento
debidas a turbulencias representan dificultades considerables en la
obtención de energía a partir de energía eólica. En particular,
surgen los tres errores problemáticos siguientes. En primer lugar,
debido a las ráfagas de viento, se pone en peligro la estabilidad
mecánica de los rotores y se reduce considerablemente la esperanza
de vida de las turbinas. Esto se aplica, sobre todo, a generadores
eólicos en posiciones de montaña media. Cuando las instalaciones se
integran en una red de suministro eléctrico, las ráfagas de viento
pueden llevar además a fuertes fluctuaciones de la potencia
alimentada a la red. Resulta una calidad reducida de la tensión
facilitada a la red. Finalmente, se presenta una inseguridad de
suministro sobre todo en instalaciones de energía eólica aisladas
utilizadas de forma descentralizada con grupos diesel adicionales
para la producción de energía convencional con viento en calma. En
caso de que haya que conmutar a la producción de energía
convencional debido a fluctuaciones, esto se realiza con cierta
demora, dado que, por ejemplo, los grupos diesel no pueden
reaccionar de manera suficientemente rápida.
Por tanto, existe interés en el tratamiento de
parámetros de flujo para poder registrar estados de sistema
actuales o para poder predecir de la forma más exacta posible
estados que surjan en un futuro cercano. Así, se hacen funcionar,
por ejemplo, generadores eólicos según las condiciones climáticas
con una potencia lo más elevada posible y hasta velocidades del
viento lo más altas posible para lograr una transformación óptima
de la energía. Sin embargo, por encima de una velocidad del viento
determinada debe frenarse un generador eléctrico eólico para evitar
daños mecánicos. Este frenado se realiza típicamente de forma
eléctrica por regulación de la resistencia del generador o
mecánicamente por desplazamiento de las palas del rotor del
generador eléctrico eólico. Esta regulación se realiza hasta ahora
sobre la base de la velocidad momentánea medida del viento en
paradas de emergencia o sobre la base de la potencia momentánea del
generador para la regulación permanente. La regulación convencional
se realiza debido a la inercia del rotor y se demora siempre en base
retrasos temporales en el sistema de medición y evaluación.
Particularmente, bajo ráfagas de viento, esto puede llevar a un
fuerte aumento de la carga mecánica momentánea de la instalación.
Si pudieran predecirse estas bruscas elevaciones de la velocidad
del viento, se podría reducir la carga de la instalación y/o
aumentar la efectividad de la transformación de la energía. Esto
último sería posible haciendo funcionar la instalación a una
potencia media más elevada.
Asimismo, para garantizar la seguridad de la
instalación bajo ráfagas de viento, es decir con aumentos
turbulentos transitorios de la velocidad del viento, el frenado debe
realizarse ya a una velocidad media del viento relativamente baja.
Esto significa en el promedio temporal del servicio permanente una
limitación de la efectividad de la transformación de la energía. Si
pudiera registrarse y predecirse exactamente el estado de flujo del
aire en una situación real, se podrían aumentar netamente la
efectividad de la generación de corriente eléctrica y la vida útil
de la turbina.
Una solución del problema citado sería imaginable
teóricamente por medición directa de la velocidad del viento a
distancia del generador eléctrico eólico. Sin embargo, esta idea
presenta en la práctica algunas desventajas importantes. En primer
lugar, requiere costosas modificaciones de hardware. Sería necesaria
una red completa de estaciones de medición, ya que el viento sopla
en horas diferentes desde distintas direcciones y con diversas
velocidades medias del mismo. Una dificultad adicional de esta idea
está basada en el hecho de que una turbulencia hidrodinámica no se
caracteriza precisamente por una traslación dirigida de eventos
estacionarios, sino que es un fenómeno dinámico. Las ráfagas de
viento pueden atacar desde por diferentes direcciones y reforzarse
o debilitarse en el lugar de ubicación de la turbina.
El deseo de registrar turbulencias locales en la
atmósfera se extiende no sólo al funcionamiento y al enlace con la
red de generadores eléctricos eólicos, sino también a otros aparatos
que reaccionen sensiblemente a torbellinos o turbulencias generados
de forma natural (viento) o artificial (por ejemplo, en zonas de
aeropuertos o de obras de construcción).
Por el documento
US-A-5 289 041 se conoce un sistema
de control para un generador eólico en el que se tratan y
pronostican valores de velocidad del viento con un procedimiento
según el preámbulo de la reivindicación 1.
El problema de la invención es indicar un
procedimiento mejorado para et tratamiento de parámetros de flujo
que haga posible la detención y/o predicción de variaciones de la
velocidad en medios circulantes con elevada precisión de
predicción. Asimismo, el problema de la invención es indicar un
dispositivo para llevar a cabo el procedimiento y aplicaciones en
el control de generadores eléctricos eólicos y su integración en la
red de suministro eléctrico.
Estos problemas se resuelven por medio de
procedimientos y dispositivos con las características según las
reivindicaciones 1 y 12, respectivamente. Formas de realización y
aplicaciones ventajosas de la invención se pondrán más claramente
de manifiesto a partir de las reivindicaciones subordinadas.
La idea básica de la invención consiste en el
tratamiento de datos de flujo de un medio circulante con los
siguientes pasos. Se mide continua y sucesivamente al menos un
parámetro de flujo que es característico de la velocidad del medio,
y a partir de los valores de medición se forma una respectiva serie
temporal actualizada cuyo último elemento corresponde al parámetro
de flujo recién medido. Cuando el o los parámetros de flujo se
miden en un lugar en el medio, la serie temporal es escalar (forma
de realización univariante). En caso de medición en diferentes
lugares, la serie temporal es vectorial (forma de realización
multivariante). Cada serie temporal se somete a un proceso de
predicción para generar valores de predicción (o datos de
predicción) para los correspondientes parámetros de flujo
siguientes. El procedimiento de predicción se basa en el modelo
determinístico no lineal. A partir del procedimiento de predicción
se derivan valores de predicción para la caracterización del
comportamiento probable del sistema en el futuro y/o se preparan
tales valores para pasos de tratamiento adicionales. Cuando los
datos de predicción son característicos de una variación venidera de
la velocidad de flujo, por ejemplo de la reducción venidera de una
turbulencia, se genera al menos una señal de control que se indica
y/o se utiliza para desencadenar determinadas reacciones del
sistema. Como criterio para una turbulencia vendiera puede
utilizarse la amplitud de la velocidad pronosticada o la variación
pronosticada de la velocidad.
La generación de la señal de control según la
invención con el modelo de predicción determinístico no lineal hace
posible ventajosamente una clara disminución del error de
predicción. Esto representa un resultado sorprendente, ya que hasta
ahora se había partido de que el modelo de predicción no se
adaptaría de forma óptima a la dinámica de sistemas con flujos
turbulentos. Sin embargo, se ha constatado que se evitan los errores
de predicción, considerables en promedio temporal, del
procedimiento de predicción en sí conocido cuando únicamente se
consideran las predicciones en el rango de fuertes aumentos de
velocidad o cuando puede hacerse el promedio de varias predicciones
simultáneas.
Un punto de vista importante de la invención es
el reconocimiento de que los métodos de predicción aquí utilizados
para el análisis no lineal de series temporales también pueden
utilizarse para la descripción de una clase determinada de procesos
estocásticos, a saber procesos de Markov. En particular, la
invención se basa en la comprobación de que los modelos de
predicción localmente constantes utilizados según la invención son
óptimamente adecuados para la determinación de las reglas de Markov
en procesos estocásticos. Los inventores han reconocido que los
incrementos de las velocidades del viento pueden describirse bien en
el tiempo a través de procesos de Markov no lineales y, por tanto,
los modelos del análisis no lineal de series temporales son muy
adecuados para la predicción de valores de expectativa de los
incrementos. Esta propiedad lleva a un comportamiento
particularmente ventajoso en situaciones en las que se ven afectadas
varias predicciones en el mismo momento y se hace un promedio de
los valores de predicción. Este es el caso, por ejemplo, en la
integración de recursos energéticos renovables en redes de
suministro eléctrico.
Según una forma de realización preferida de la
invención, se registra el movimiento de masas de aire circulantes.
Los parámetros de flujo del medio aire (datos de viento) comprenden
en particular la velocidad del viento o magnitudes derivadas de
ésta. Un parámetro de flujo aprovechado para la predicción según la
invención sobre la base de una magnitud derivada es, en
aplicaciones a generadores eléctricos eólicos o instalaciones de
energía eólica, por ejemplo, la potencia eléctrica producida en el
generador eólico. Esto posee la ventaja de que la potencia refleja
de forma directa la velocidad del viento espacialmente promediada y
es la magnitud de control usual del sistema de control convencional
de las instalaciones de energía eólica. Como magnitud derivada
puede utilizarse también, por ejemplo, la desviación de un valor
actualmente medido de la velocidad del viento respecto del promedio
temporal. Existe un interés particular en predicciones de flujos de
viento turbulentos (ráfagas) durante cortos espacios de tiempo
(pocos hasta, por ejemplo, 20 segundos) o variaciones de velocidad
generalmente inminentes durante espacios de tiempo más largos (hasta
algunos minutos).
Según una aplicación preferida de la invención,
se utilizan los datos de predicción para ajustar o regular
parámetros de funcionamiento de un dispositivo mecánico dispuesto en
el medio circulante, por ejemplo de un generador eléctrico eólico.
En un generador eléctrico eólico se prevé preferentemente la
habilitación de un sistema de control basado en el procedimiento
anteriormente descrito. Cuando los datos de predicción del modelo
determinístico no lineal dan como resultado una alta velocidad del
viento o una alta variación de la velocidad del viento, se acciona
con la señal de control citada un dispositivo de ajuste del
generador eléctrico eólico con el cual se desencadena un frenado al
menos provisional del generador. Esta regulación tiene la ventaja
de que se puede reaccionar a tiempo a turbulencias peligrosas con
elevada fiabilidad y, por tanto, se puede reducir la carga mecánica
media de la instalación, y se puede hacer que funcione el generador
hasta una velocidad media más alta del viento.
Otra aplicación preferida de la invención
concierne a la integración de fuentes de energía renovables en
redes de suministro eléctrico mayores. Cuando, por ejemplo, un
número elevado de generadores eléctricos eólicos alimentan potencia
a una red de suministro eléctrico y debe predecirse la potencia
producida en el futuro, es menos importante tener una predicción
exacta para cada turbina individual que mantener una buena
estimación del valor medio de la potencia a predecir. Cuando, por
ejemplo, se pronostica un aumento de la entrega de potencia de un
10% desde un número de N generadores, no es importante que la
potencia de cada turbina individual aumente un 10%. Por el
contrario, es importante para el suministrador de energía eléctrica
que la potencia se eleve en promedio alrededor del valor
pronosticado.
Suponiendo que la velocidad del viento se
satisface un proceso de Markov y que las reglas de Markov para
diferentes grupos de generadores son idénticas, un modelo localmente
constante se adapta de forma óptima al problema de la predicción de
la entrega media de potencia de turbinas eólicas.
Asimismo, el objeto de la invención es un
dispositivo para el tratamiento de datos de flujo que está
preparado para realizar el procedimiento antes citado y que
comprende, en particular, un dispositivo de medición para registrar
los parámetros de flujo deseados, un dispositivo de cálculo para la
creación y tratamiento de las series temporales, un dispositivo
comparador para comparar las condiciones del sistemas y/o los
valores de predicción con criterios de referencia predeterminados y
un dispositivo de salida para valores de predicción y/o señales de
control derivadas de éstos.
La invención se aplica de forma particularmente
ventajosa al control de generadores eólicos. En este caso, puede
aprovecharse también la situación especial en parques eólicos. En un
parque eólico se hacen funcionar varios generadores eólicos a
distancia espacial reducida, típicamente menos de 100 m. Estos
generadores suministran valores simultáneamente registrados de las
potencias o de la velocidad del viento. Esta serie temporal
multivariante con valores vectoriales puede utilizarse, al igual que
una serie temporal individual, para solucionar el problema de
predicción anteriormente expuesto. Por tanto, un objeto de la
invención es también el tratamiento de datos de flujo utilizando
toda la información espacial, como la que está disponible en
parques eólicos. Más adelante se entrará en detalles sobre el
tratamiento de las series temporales con valores vectoriales.
La aplicación no se limita a horizontes
temporales determinados. Dado que los datos de velocidad en caso de
turbulencias o variaciones más lentas de la velocidad del viento en
el transcurso del tiempo muestran estructuras autosemejantes, los
principios pueden aplicarse a cualquier horizonte temporal,
evaluándose eventualmente series temporales ampliadas de manera
correspondientemente adaptada.
La invención tiene numerosas ventajas que están
relacionadas, por un lado, directamente con la disminución del
error de predicción en la caracterización de medios circulantes y,
por otro lado, derivado de lo anterior, con ventajas económicas en
el funcionamiento del sistema técnico en o con los medios
circulantes. Otras ventajas consisten en que pueden obtenerse
predicciones fiables con un coste de cálculo relativamente
reducido, de modo que dispositivos según la invención para la
predicción o control del sistema puedan integrarse sin problemas en
sistemas existentes.
Otras ventajas y detalles de la invención
resultan de la descripción de los dibujos adjuntos, en los que:
la figura 1 muestra una ilustración esquemática
del sistema de control según la invención para un generador
eléctrico eólico,
la figura 2 muestra una representación de curvas
de una serie temporal de datos de velocidad del viento,
la figura 3 muestra unas representaciones de
curvas para comparar los errores de predicción de diferentes
modelos de predicción,
la figura 4 muestra una representación de curvas
para la dependencia del error de predicción del modelo
determinístico no lineal respecto de la variación actual de la
velocidad del viento,
las figuras 5a-d muestran unas
representaciones de curvas para caracterizaciones adicionales de
los modelos de predicción,
la figura 6 muestra una representación de curvas
del transcurso del tiempo de una ráfaga de viento,
la figura 7 muestra un diagrama de flujo para
ilustrar una forma de realización de la invención,
la figura 8 muestra un diagrama para clasificar
ráfagas de viento,
la figura 9 muestra una representación
esquemática de la recogida de datos de flujo en el tratamiento de
series temporales multivariantes, y
las figuras 10a-d muestran unas
representaciones de curvas para la ilustración de ventajas del
procedimiento según la invención.
A continuación, se explica la invención haciendo
referencia a aplicaciones a la predicción de ráfagas de viento en
corrientes de aire cercanas al suelo, pero sin estar limitada a
ello. La invención es aplicable análogamente, con procedimientos de
medición adaptados, criterios de referencia adaptados y similares,
a la predicción de turbulencias, en otros medios gaseosos o bien
líquidos, siempre que el respectivo sistema muestre
correspondientes efectos coherentes no lineales.
La siguiente explicación se refiere a una
realización del procedimiento según la invención en la que se
utiliza como parámetro de flujo la velocidad del viento medida. La
materialización de la invención sobre la base de series temporales
de la potencia eléctrica medida en un generador eólico se lleva a
cabo siempre de forma análoga.
En la figura 2 se muestran a título de ejemplo
las velocidades del viento registradas durante veinticuatro horas
con un anemómetro de cucharas 2 de un generador eólico (véase la
figura 1) en una comarca plana cercana a la costa. El anemómetro
estaba colocado a una altura de diez metros sobre el suelo y era
consultado con una frecuencia de exploración de 8 Hz. Los valores
de medición dan como resultado una serie temporal que está
estructurada estocásticamente sobre todas las escalas temporales.
Los valores medidos de la velocidad del viento forman los
parámetros de flujo tratados en el procedimiento según la invención.
Las velocidades del viento son magnitudes escalares S_{n} que
forman una serie temporal {S_{k}}. La representación de la
potencia eléctrica del generador medida en el mismo intervalo
temporal daría como resultado una imagen similar a la de la figura
2. Los valores de medición de la potencia eléctrica son magnitudes
escalares correspondientes que forman una serie temporal. En
aplicaciones modificadas de la invención los elementos de las series
temporales pueden ser también magnitudes vectoriales. Para el
análisis de series temporales se facilitan los siguientes modelos
de predicción.
(i) Para la predicción estocástica lineal
convencional se utiliza, por ejemplo, un modelo autorregresivo
(modelo AR). En el modelo AR, el valor actual o más reciente de una
serie temporal según la ecuación (1) es la suma de una combinación
lineal de valores anteriores y un ruido aditivo.
(1)s_{n} =
\sum\limits^{M_{AR}}_{j=1} A_{j} s_{n-j} + b +
\eta_{n}
En este caso, M_{AR} es el orden o dimensión
del modelo AR, A_{j} y b son los parámetros de la combinación
lineal, j y n son números naturales para denominar el
correspondiente valor de la serie temporal y \eta_{n} es la
porción de ruido correspondiente a un ruido de Gauss blanco. Los
parámetros del modelo AR se determinan según la ecuación (2) por
medio de la minimización del error de predicción, discurriendo
entonces el índice k en la ecuación (2) a través de toda la cantidad
de entrenamiento. La cantidad de entrenamiento puede variarse en el
ámbito de un modelo AR adaptivo y comprende en los ejemplos aquí
considerados, las siete últimas horas de la serie temporal. El
orden M_{AR} de los modelos debe elegirse en función de la
aplicación y según el problema planteado. Los modelos estocásticos
lineales, como, por ejemplo, el modelo AR, son en sí conocidos.
En un modelo AR multivariante, los valores
S_{n} pueden ser también valores de medición de otras magnitudes,
por ejemplo la velocidad del viento en otros lugares de
medición.
Un procedimiento esencialmente lineal es
proporcionado también por el denominado filtro Kallman conocido
que, sin embargo, no permite ninguna separación de estados del
sistema en el sentido determinístico no lineal.
(ii) En la predicción determinística no
lineal utilizada según la invención el comportamiento de la
serie temporal se entiende como resultado de un proceso caótico
determinístico no lineal. En este caso, son posibles en principio
predicciones a corto plazo, si bien las series temporales medidas,
por ejemplo la velocidad del viento o la potencia eléctrica,
aparecen de forma irregular y estocástica. El núcleo de la
predicción determinística no lineal es el principio de la analogía.
Los inventores han comprobado que en el tratamiento de datos de
flujo según la invención puede partirse de la constatación de que la
continuación a determinar de la serie de medición actual será
semejante a las observaciones que se han obtenido en una situación
similar pasada. En la presente memoria, los términos utilizados
"situación" y "similar" se les puede asociar con el
procedimiento según la invención un significado cuantitativo y
algorítmicamente utilizable. Una situación está caracterizada por
la forma ondulada de la curva del correspondiente parámetro de flujo
tratado durante un intervalo de tiempo adecuadamente seleccionado.
La similitud de las situaciones puede cuantificarse entonces con
mediciones de distancia estándar.
En el procedimiento según la invención se procede
como sigue. En la cantidad total de datos disponible (series
temporales medidas) se buscan trazados de curvas que se parezcan
bastante a la evaluación en los últimos segundos antes de un
instante momentáneamente considerado. Una predicción para el
desarrollo adicional del parámetro de flujo considerado (por
ejemplo, la velocidad del viento o la entrega de potencia) en los
segundos siguientes se obtiene entonces haciendo un promedio
ponderado de los desarrollos siguientes correspondientes de los
trazados de curvas similares en el pasado. Se describe formalmente
el procedimiento a través de la reconstrucción de trayectorias de
la dinámica determinística en espacios
n-dimensionales. A partir de los puntos de datos
consecutivos s_{i} en los tiempos i se forman los denominados
vectores de inclusión o vectores de desfase temporal
n-dimensionales (véase abajo). Estos vectores
describen estados en un espacio de fase
n-dimensional que se denomina también aquí espacio
de estado. Estados consecutivos forman las trayectorias. El
concepto del determinismo utilizado según la invención se basa en el
seguimiento de estas trayectorias hacia dentro del futuro.
Los estados x de un sistema dinámico se describen
por medio de una ecuación de movimiento según x_{n+1} =
F(x_{n}) en un espacio de estado. La ecuación de movimiento
o la reproducción no lineal es en general una ecuación diferencial
complicada. En caso de que la función F no sea conocida, ésta puede
aproximarse linealmente, no obstante, a partir de series temporales
largas de estados {x_{k}}, k-1, ..., N por
consideración de todos los estados y_{k} en un entorno (o:
proximidad) U_{n} de un estado x_{n} y minimización de la
función (2).
(2)\varepsilon^{2}_{n} =
\sum\limits_{k:y_{k}\varepsilon U_{n}} (A_{n}y_{k} + b_{n} -
y_{k+s})^{2}
La magnitud \varepsilon^{2}_{n} representa un
error de predicción con respecto a los factores A_{n} y b_{n}.
La expresión implícita
A_{n}y_{k}+b_{n}-y_{k+s}=0 ilustra que los
valores que corresponden a la ecuación de movimiento anteriormente
citada están limitados a un hiperplano dentro del espacio de estado
considerado. El error de predicción puede minimizarse de
conformidad con el procedimiento ("procedimiento de
Farmer-Sidorowich") descrito por J. D. Farmer
(véase más arriba). Los factores de la combinación lineal en el caso
de errores de predicción mínimos permiten de nuevo la determinación
del valor de predicción x_{n+s} a partir de la serie temporal
precedente.
El procedimiento que se utiliza en la puesta en
práctica de la invención en el caso univariante, se basa en el
hecho de que en las presentes series temporales de datos de viento
se registra sólo una secuencia de valores escalares s_{n}. A
partir de éstos se determinan los vectores espaciales de fases a
reconstruir con el concepto de los vectores de desfase temporal,
como se describe en particular por F. Takens bajo el título
"Detecting Strange Attractors in Turbulence" en "Lecture
Notes in Math", volumen 898, Springer, Nueva York, 1981, o por
T. Sauer et al. en "J. Stat. Phys.", volumen 65, 1991,
página 579, y se expone ilustrativamente en lo que sigue.
A partir de una serie temporal escalar {s_{k}}
se forman vectores de desfase temporal en un espacio
m-dimensional \hat{S}
=(S_{n},S_{n-\tau},...,S_{n}_{-(m-1)\ \tau})
(n: índice correlativo de la serie temporal). Cuando se mide una
serie temporal multivariante, \hat{s}_{n} puede formarse también
a partir de los diferentes componentes de la serie temporal de
valores vectoriales. El parámetro m es la dimensión de inclusión de
los vectores de desfase temporal. La dimensión de inclusión se elige
en función de la aplicación y es mayor que el doble del valor de la
dimensión fractal del atractor del sistema dinámico considerado. El
parámetro \tau es una distancia de exploración (o: "time
lag") que representa la distancia temporal de los elementos
consecutivos de la serie temporal. Por tanto, el vector de desfase
temporal es un vector m-dimensional cuyos
componentes comprenden un determinado valor de la serie temporal y
los (m-1) valores precedentes de la serie temporal.
Describe el desarrollo temporal del sistema durante un intervalo
temporal o ventana de inclusión de duración m \tau. Con cada
nuevo valor de exploración se desplaza la ventana de inclusión
dentro del desarrollo temporal total en la medida de una respectiva
distancia de exploración. La distancia de exploración \tau es de
nuevo una magnitud elegida en función de la aplicación. En caso de
que se modifique un poco el sistema, la distancia de exploración
puede elegirse mayor para evitar el tratamiento de datos
redundantes. En caso de que el sistema varíe rápidamente, la
distancia de exploración debe elegirse más pequeña, ya que, de lo
contrario, las correlaciones que surgen entre valores contiguos
introducirían errores en el tratamiento adicional. Por tanto, la
elección de la distancia de exploración \tau es un compromiso
entre la redundancia y la correlación entre estados consecutivos.
Para la predicción de turbulencias se eligen los parámetro m y
\tau de forma adecuada según los principios que se describen por
J. F. Gibson et al. en "Physica D", volumen 57, 1992,
páginas 1 y siguientes.
El valor de predicción x_{n+s} puede
determinarse según la ecuación (2) a partir de la aproximación
lineal local de la función no lineal F. Por consiguiente, se cumple,
en aproximación lineal, x_{n+s}= A_{n} x_{n} + b_{n}. Es
esencial a este respecto que los valores A_{n} y b_{n} dependen
de la vecindad local correspondiente U_{n} y no son constantes
como en el modelo AR para toda la serie temporal. Según la
invención, se considera como aproximación nula un modelo espacial de
fase localmente constante. Con el modelo localmente constante el
valor de predicción x_{n+s} es sencillamente el valor medio de los
valores sucesivos de los vecinos espaciales de fase y_{n} de un
estado x_{n}_{ }según
x_{n+s} =
\sum\limits_{k:y_{k}\varepsilon U_{n}}
y_{k+s}
Si en lugar de una serie temporal escalar, se
mide una serie temporal de valores vectoriales, los componentes
individuales del vector espacial de fase pueden formarse también a
partir de los componentes de la serie temporal de valores
vectoriales (por ejemplo, velocidades del viento que se han medido
en diferentes generadores contiguos). Asimismo, es posible una
combinación de inclusión de desfase temporal y utilización de la
información de valores vectoriales de la serie temporal.
\newpage
(iii) La aplicación de los modelos de predicción
citados a la predicción de turbulencias en una serie temporal
univariante de datos de viento está ilustrada de forma
fragmentaria en la figura 3. Para el modelo AR estocástico lineal
se ha elegido M_{AR} = 20 y para el análisis determinístico no
lineal se han elegido \tau = 0,125 s y un vector de deceleración
20-dimensional. Se han tenido en cuenta al menos
cincuenta valores vecinos. El tiempo de predicción asciende a
cuarenta pasos de medición o cinco segundos. Estos parámetros se
proporcionan sólo a modo de ejemplo. Según la situación, pueden
variarse los ajustes de los parámetros.
La figura 3 muestra el error de predicción
determinado a partir de la serie temporal según la figura 2 para
ambos modelos en dependencia del tiempo. Puede apreciarse que el
modelo estocástico lineal (global) (dibujado con línea de trazos)
suministra en el caso de pequeños errores de predicción, cuando el
sistema está en un estado no turbulento, resultados semejantes o
mejores en comparación con el modelo determinístico no lineal
(local) (dibujado con línea continua). Errores de predicción
pequeños significan variaciones reducidas de la velocidad del
viento, de modo que los mínimos en la representación de curvas según
la figura 3 corresponden a las zonas no turbulentas. Por otro lado,
en zonas turbulentas y con errores de predicción grandes, el modelo
determinístico no lineal da como resultado errores de predicción
sensiblemente mejores, es decir, relativamente más pequeños, que en
el modelo estocástico lineal.
El procedimiento según la invención se basa en
este descubrimiento. A partir de la serie temporal medida de datos
de viento (por ejemplo, velocidades del viento) se determinan
continuamente valores de predicción como valores de diferencia
entre los datos pronosticados y la persistencia. Dependiendo de si
el valor de predicción actual está por debajo o por encima de un
límite ajustado en función de la aplicación (valor umbral), se
pronostica una ráfaga de viento o se genera una señal de control. En
general, se prevé que se genere la señal de control cuando la
desviación del valor de predicción de una serie temporal respecto
del valor actual de la señal considerada sea mayor que el valor
umbral (véanse también las figuras 5a a c). El valor umbral para la
predicción de ráfagas de viento está, por ejemplo, en el rango de 1
a 2 m/s.
El resultado ilustrado en la figura 3 se confirma
también con las figuras 4, 5a y 5b. La figura 4 muestra la mejora
relativa del modelo determinístico no lineal en comparación con el
modelo estocástico lineal, que se describe por el parámetro I =
(\varepsilon_{AR} - \varepsilon_{NL})/\sigma, en función
de la desviación d del valor a predecir respecto de la
persistencia. En este caso, son \varepsilon_{AR} el error de
predicción del modelo AR y \varepsilon_{NL} el error de
predicción del modelo no lineal. La unidad de la magnitud d se
corresponde con la señal de velocidad medida [m/s]. A valores d
reducidos, el parámetro I de la mejora es negativo, es decir, el
modelo estocástico lineal proporciona una predicción mejor que el
modelo determinístico no lineal. A valores d grandes se invierte la
relación.
La figura 5a muestra el parámetro I de la
diferencia relativa media (mejora de la predicción) en función de
diferentes valores umbral D en predicciones del respectivo valor
sucesivo con el moldeo estocástico lineal (dibujado con línea
continua) o con el modelo determinístico no lineal (dibujado con
línea de trazos). Particularmente para aumentos grandes
pronosticados de la velocidad del viento, la mejora de la predicción
según la invención utilizando el modelo no lineal es del orden de
magnitud de la varianza de los datos. Esto representa una ventaja
sustancial de la
invención.
invención.
En la figura 5b se ilustra el número total N de
situaciones en las que se genera de forma correcta la señal de
control o se pronostica correctamente la ráfaga de viento en función
del valor umbral D. Se muestra que pequeñas variaciones de
velocidad que surgen de forma relativamente frecuente se pronostican
usualmente por medio de ambos modelos. Sin embargo, la mayoría de
las grandes oscilaciones se pronostica sólo por medio del modelo
determinístico no lineal. La utilización según la invención del
modelo no lineal para predecir ráfagas de viento se basa en este
resultado.
En caso de variaciones de velocidad negativas, es
decir, con una reducción de la velocidad del viento, resulta otro
comportamiento que está ilustrado en la figura 5c. Al calmarse el
viento, no se logra ninguna mejora del modelo determinístico con
respecto al modelo estocástico.
La figura 5d muestra que un modelo localmente
constante pronostica realmente de manera muy precisa el valor de
expectativa de la variación positiva de la velocidad, mientras que
un modelo lineal infravalora sistemáticamente las variaciones de
velocidad. Se ha registrado para ello en la figura 5d la variación
media real s_{n+S}-S_{n} de la velocidad con
respecto al aumento pronosticado de la velocidad \hat{s}_{n+s}
- s_{n}. La línea de trazos corresponde a la observación para el
modelo localmente constante y la línea continua corresponde a la
observación para el modelo lineal. Además, se ha dibujado la
diagonal sobre la que deberán estar idealmente las variaciones de
velocidad medias. Es evidente que las fluctuaciones de velocidad
medias son sustancialmente más intensas que las pronosticadas por
un modelo lineal. La buena predicción de las fluctuaciones medias
por el modelo localmente constante muestra que las fluctuaciones de
velocidad turbulentas satisfacen realmente la propiedad de
Markov.
En la sección anterior se ha visto que con el
modelo de predicción determinístico no lineal puede mejorarse
sustancialmente la predicción. Como punto de partida para la
predicción de ráfagas de viento, junto con el aumento citado del
valor de predicción por encima de un valor límite predeterminado
puede utilizarse en sí alternativamente también la evolución
temporal (pronosticada) de la velocidad del viento. Esto último se
basa en la detección de evoluciones de velocidad típicas al formarse
una turbulencia o ráfaga de viento.
Una evolución de velocidad típico de ráfagas de
viento está representada para fines de ilustración en la figura 6
(véase "Wind Conditions for Wind Turbine Design", International
Energy Agency, 2nd Symposium, abril 1999, ISSN
0590-8809). Partiendo de una velocidad media
resultan, en primer lugar, un mínimo, a continuación un aumento
hasta un fuerte máximo con una nueva caída hasta un mínimo y,
finalmente, un aumento hasta la velocidad media. El intervalo
temporal que interesa para la predicción puede ser, en la predicción
de turbulencias, el paso por el primer mínimo. En este intervalo
temporal se modifica el factor de desfase temporal de forma
determinada. Tan pronto como detectó esto por comparación con el
vecino en el espacio de fase, se realiza la predicción de ráfagas
de viento. Sin embargo, una predicción de ráfagas de viento puede
basarse también en otros intervalos
temporales.
temporales.
Para controlar un generador eólico 1, que está
representado esquemáticamente en la figura 1, se mide continuamente
con un anemómetro 2 la velocidad del viento o, con un vatímetro, la
potencia del generador eólico, se evalúan los datos de velocidad o
de potencia medidos con el procedimiento explicado a continuación
con referencia a la figura 7 y se realiza una regulación de los
parámetros de funcionamiento del generador eólico 1 después de la
predicción de una ráfaga de viento. Una regulación de los parámetros
de funcionamiento significa que, por ejemplo, se modifica el ángulo
de ataque de las palas 3 del rotor (por ejemplo, en 1º) o se frena
eléctricamente la velocidad del rotor. Para llevar a cabo el
procedimiento según la figura 7 se prevé un dispositivo 4 para el
tratamiento de los datos del viento, cuyos detalles se citan a
continuación.
Según el diagrama de flujo de la figura 7, se
realiza continuamente una medición de la velocidad del viento con
el anemómetro 2 (paso 101). La velocidad del viento o magnitudes
derivadas de ella, como, por ejemplo, la potencia eléctrica medida,
la variación de la velocidad del viento o los valores de desfase
temporal derivados de las series temporales, se someten en el paso
102 a un tratamiento para establecer un valor de predicción
característico que, en el paso 103, se compara con un criterio de
referencia predeterminado (valor umbral). El tratamiento de datos
de viento en el paso 102 se realiza preferentemente utilizando un
denominado algoritmo de caja (box) (véase K. Kantz et al. en
"Nonlinear Time Series Analysis", Cambridge University Press,
Cambridge, 1997, capítulo 4), con el que el número de datos a
evaluar en tiempo real se reduce de aproximadamente 150.000 a
algunos cientos de puntos. El algoritmo de caja es un algoritmo para
la búsqueda rápida de vecinos en n dimensiones ("box assisted
search").
Cuando la comparación 103 del valor umbral se
traduce en la predicción de pequeñas velocidades del viento o bajas
turbulencias, se produce entonces un salto de retroceso al paso 101.
Sin embargo, si la comparación 103 del valor umbral da como
resultado una fuerte desviación respecto de la persistencia o de
estados poco turbulentos, se genera entonces la señal de control
para frenar el generador eólico (paso 104). En aplicaciones
modificadas, puede preverse también la generación de una señal de
aviso o indicación. A continuación, se realizan una nueva medición
de velocidad 105 y, en el paso 106, una comparación con el valor de
predicción.
Si en la comparación 106 se verifica la ráfaga de
viento pronosticada, sigue entonces un paso de espera o demora 107.
Durante el paso 107 se hace que funcione el generador en estado
frenado. Esto produce valores empíricos correspondientes en un
intervalo temporal de aproximadamente 1 a 5 segundos. A
continuación, se produce un salto de retroceso al paso 105. Si en
la comparación 106 no se confirma la ráfaga de viento pronosticada,
se efectúan entonces en el paso 108 la reposición del generador al
estado no frenado y el salto de retroceso al paso 101.
Para desarrollar este procedimiento, el
dispositivo 4 (véase la figura 1) contiene una unidad de cálculo
para determinar el valor de predicción (paso 102), una unidad de
comparación para llevar a cabo el paso de comparación 103 y para
predecir una ráfaga de viento, un dispositivo de ajuste para frenar
(104) el generador y una unidad de comparación adicional (paso 106)
con un circuito de cadencia (paso 107). El dispositivo de ajuste
comprende en particular accionamientos de ajuste para modificar el
ángulo de ataque de las paletas 3 del generador o dispositivos de
ajuste eléctricos para aumentar la resistencia eléctrica del
generador. Estos dispositivos de ajuste se forman por medio de
circuitos de regulación reforzar el desacoplamiento de potencia
respecto del generador.
Las ráfagas de viento pueden dividirse en
diferentes clases de ráfagas de viento (por ejemplo, de 1 a 10) de
conformidad con determinados criterios de velocidad. La figura 8
ilustra una importante ventaja de la invención en base al primero
de ráfagas de viento registradas por el generador eólico en
diferentes clases de tales ráfagas. Si se predice correctamente una
ráfaga de viento en una clase con el procedimiento según la
invención, se frena a tiempo el generador eólico. No se produce
ningún aumento eventualmente peligroso de la velocidad de giro del
rotor, es decir, el generador no registra la ráfaga de viento. El
número de ráfagas de viento registradas se reduce considerablemente
en cada clase de ellas (A: número sin modelo de predicción, B:
número con modelo de predicción utilizado según la invención).
En todas las clases de ráfagas de viento, se
registra menos cantidad de éstas. En las clases con las velocidades
de viento más altas, que son, por tanto, particularmente peligrosas,
el número de ráfagas de viento registradas puede reducirse a cero.
En consecuencia, se puede hacer que el generador eólico funcione a
una velocidad de rotación media que deje una distancia de seguridad
menor con respecto a los valores de ráfagas de viento peligrosas.
Resulta una elevada efectividad del funcionamiento del generador. El
aumento de efectividad puede estimarse como sigue. Con la velocidad
del viento aumenta la potencia del generador típicamente con
v^{3}. Si se hace que el generador eólico funcione en promedio
temporal con un ajuste de ataque más fuerte de las palas del rotor,
se produce un aumento correspondiente de la potencia eléctrica.
(iv) Se explica a continuación la aplicación de
los modelos de predicción citados a la predicción de turbulencias
en una serie temporal multivariante de datos de viento.
Mientras que en la versión univariante se determinan correlaciones
lineales del valor de predicción con varios valores de la serie
temporal en el pasado, el procedimiento multivariante está dirigido
a la evaluación de correlaciones del valor de predicción con
valores de la velocidad y dirección del viento en diferentes puntos
espaciales. En este caso, las correlaciones espaciales pueden
depender de la correspondiente dirección del viento.
Los métodos de espacio de fase no lineales son
adecuados para el tratamiento implícito de inestacionalidades y
separar entre sí situaciones de diferentes tipos dinámicos. Esta
propiedad confiere al procedimiento determinístico no lineal una
clara superioridad con respecto a planteamientos lineales en
situaciones climáticas en las que, por ejemplo, varía la velocidad
del viento. Esto se basa en el hecho de que, para la estimación del
valor futuro de la velocidad del viento, únicamente se toman en
consideración situaciones climatológicas del pasado que son
semejantes a la situación actual cuando, por ejemplo, predomina la
misma dirección media del viento.
Para el análisis cuantitativo de este fenómeno se
ha utilizado una serie temporal multivariante con 9 mediciones
simultáneas de la velocidad del viento y 9 mediciones de la
dirección del viento. Resultan vectores de inclusión de
18-dimensionales o un modelo AR de orden 18. La
disposición de medida está ilustrada esquemáticamente en la figura
9. Los generadores eólicos están dispuestos de plano en filas
orientadas de maneras diferentes. Se evaluó el error de predicción
para 30.000 instantes, es decir, aproximadamente 1 hora de la serie
temporal. Como intervalo de entrenamiento se utilizó un día de la
serie temporal. En horizontes de predicción a partir de
aproximadamente 10 segundos la superioridad asciende a
aproximadamente un 5%. El valor exacto de la mejora depende del
tipo de situación climática considerada. En situaciones con fuertes
oscilaciones de la dirección del viento, la ventaja de los métodos
no lineales es mayor que en situaciones en las que la dirección del
viento es aproximadamente constante. Dado que la intensidad de la
inestacionalidad de la climatología depende de las respectivas
condiciones geográficas y orográficas, habrá que determinar
nuevamente también el rendimiento específico de los métodos no
lineales para cada lugar de ubicación espacial de la
aplicación.
En la predicción multivariante de velocidades del
viento pueden ser netamente superiores los procedimientos no
lineales. Sin embargo, la magnitud exacta de la superioridad y el
horizonte temporal ideal de una predicción no lineal dependen
todavía de la situación climática considerada, la posición
geográfica y la disposición espacial de los instrumentos de
medición. Por ejemplo, a una distancia espacial de los sensores en
el rango de aproximadamente 30 m resultaron horizontes de
predicción en el rango de segundos. Con horizontes temporales en el
rango de minutos a horas se realizan mediciones a mayor distancia
espacial.
Las predicciones mejoradas con el modelo
multivariante, determinístico no lineal pueden utilizarse para el
control permanente o temporal de diferentes procesos técnicos. Así,
en la transformación de la energía eólica pueden controlarse
parámetros técnicos de la turbina o un grupo diesel adicional. Si se
pronostica una velocidad del viento aumentada, debe esperarse una
potencia elevada de los generadores eólicos, de modo que
generadores convencionales hechos funcionar de forma paralela o
complementaria pueden hacerse funcionar con potencia reducida (o
viceversa). En un horizonte temporal mayor es posible también el
control de centrales energéticas convencionales. Este control puede
realizarse de forma permanente o sólo ante fuertes variaciones
pronosticadas del parámetro de
flujo.
flujo.
(v) Con ayuda de resultados de medición obtenidos
en la práctica en un generador eléctrico eólico se ilustra en las
figuras 10a-d la comparación del procedimiento según
la invención con procedimientos convencionales, a saber, con la
predicción de persistencia y con modelos lineales autorregresivos.
Como parámetro de flujo evaluado según la invención se utilizó la
potencia eléctrica medida en el generador eólico.
La figura 10a muestra el error de predicción
relativo de la potencia eléctrica para los diferentes modelos, los
cuales están indicados respectivamente en las curvas, y la mejora
relativa del modelo no lineal con respecto al modelo de
persistencia (curva inferior). El error de predicción promediado en
la predicción de potencia de generadores eléctricos eólicos es
según la invención hasta un 10% más pequeño que en los modelos
lineales convencionales e incluso hasta un 20% más reducido que en
el modelo de persistencia. Es especialmente ventajoso el hecho de
que esta mejora se proporciona en algunos segundos. En este tiempo
se pueden acomodar generadores eólicos efectivamente a la
turbulencia venidera.
La figura 10b muestra que las fluctuaciones de la
potencia pronosticadas por medio del modelo no lineal describen los
incrementos reales de la potencia de forma sustancialmente más
exacta que los modelos lineales convencionales. En la figura 10b
está representada la distribución de probabilidades de los
incrementos de potencia en un espacio temporal de predicción de un
segundo. Fuertes oscilaciones de las potencias que surgen de forma
relativamente frecuente son pronosticadas mejor por el modelo no
lineal utilizado según la invención.
Particularmente, en situaciones en las que surgen
oscilaciones de potencia muy fuertes o se pronostican éstas con el
modelo no lineal, las predicciones del modelo no lineal son
claramente más precisas que las de un modelo lineal convencional.
Esto está representado en la figura 10c con la ilustración del
incremento de potencia medio pronosticado en función del incremento
de potencia real para ambos modelos. Los resultados se obtuvieron
en una instalación de 660 kW con un horizonte de predicción de un
segundo. Para las predicciones del modelo no lineal se ha
representado, además, la dispersión de las predicciones en magnitud
de la desviación estándar alrededor de las predicciones medias. Se
muestra que el modelo no lineal, especialmente con incrementos
fuertes, describe correctamente en promedio las fluctuaciones
reales, mientras que un modelo lineal es inadecuado para describir
los datos.
En la figura 10d están representados los
incrementos observados realmente en situaciones en las que el
modelo no lineal pronostica fuertes oscilaciones (curva central).
Aquí se restó o se sumó de nuevo la desviación estándar de la
dispersión de las predicciones (curvas inferior y superior). Esta
representación demuestra la seguridad de la predicción según la
invención. Se muestra que fuertes oscilaciones pronosticadas no
sólo implican en promedio altos incrementos reales, sino que esto es
verdad para cada situación. Se observa una clara asimetría de la
predicción. Los incrementos positivos pueden pronosticarse mejor que
los incrementos negativos. La razón de ello reside en el recorte de
la potencia a 660 kW. No pueden anunciarse incrementos negativos
por medio de una muestra típica en la serie temporal de
potencia.
Las características de la invención reveladas en
la descripción anterior, los dibujos y las reivindicaciones pueden
ser de importancia tanto de forma individual como también en
cualquier combinación para la puesta en práctica de la invención en
sus diferentes ejecuciones.
Claims (14)
1. Procedimiento para el tratamiento y la
predicción de datos de flujo de un medio circulante, estando
prevista una medición continuamente consecutiva de valores (s_{k})
de al menos un parámetro de flujo en uno o en diferentes lugares en
el medio, siendo el parámetro de flujo característico de la
velocidad del medio y formando los valores (S_{k}) un trazado de
curva actual,
caracterizado porque presenta las etapas
siguientes:
- -
- formar vectores de desfase temporal n-dimensionales a partir de los valores medidos (S_{k}) del al menos un parámetro de flujo, describiendo los vectores de desfase temporal ciertos estados en un espacio de fase n-dimensional y formando estados consecutivos una respectiva serie temporal actualizada de estados (x_{k}), en el que
- -
- la serie temporal se somete a un procedimiento de predicción determinístico no lineal a partir de un modelo de espacio de fase localmente constante para generar valores de predicción para los respectivos parámetros de flujo siguientes, comprendiendo el procedimiento de predicción:
- -
- buscar unos trazados de curva semejantes del parámetro de flujo en el pasado que representen estados (y_{n}) que son vecinos del estado actual (x_{n}) en el espacio de fase, y
- -
- determinar el valor de predicción (S_{n+1}) como valor medio aritmético de los valores sucesivos de los estados (y_{n}), y
- -
- generar una señal de control predeterminada cuando los valores de predicción son característicos de una variación futura de la velocidad de flujo.
2. Procedimiento según la reivindicación 1, en el
que el parámetro de flujo comprende la velocidad de flujo, la
potencia eléctrica de un convertidor de energía dispuesto en el
medio circulante o la variación de la velocidad de flujo.
3. Procedimiento según la reivindicación 1 ó 2,
en el que los valores de predicción comprenden unos valores
pronosticados de la velocidad de flujo, la potencia eléctrica de un
convertidor de energía dispuesto en el medio circulante o la
variación de la velocidad de flujo.
4. Procedimiento según la reivindicación 3, en el
que la diferencia entre el valor pronosticado y la persistencia es
la magnitud de ajuste relevante para procedimientos de control
subsiguientes.
5. Procedimiento según una de las
reivindicaciones anteriores, en el que los datos de flujo
comprenden unos datos de viento de una corriente de aire próxima al
suelo o unos datos de potencia de un generador eléctrico eólico, y
la señal de control se forma cuando se pronostica la entrada de una
ráfaga de viento o una variación de la velocidad media del
viento.
6. Procedimiento según la reivindicación 5, en el
que como parámetro de flujo se mide la velocidad del viento o la
potencia eléctrica del generador eólico y se pronostica la entrada
de una ráfaga de viento cuando la desviación pronosticada de la
velocidad del viento o la potencia eléctrica respecto de la
persistencia es mayor que un valor umbral predeterminado.
7. Procedimiento según una de las
reivindicaciones 5 ó 6, en el que se mide la velocidad del viento
con un anemómetro (2) o con un vatímetro de un generador eléctrico
eólico (1) y en el que se pone en marcha un frenado del generador
eólico con la señal de control generada al predecir una ráfaga de
viento.
8. Procedimiento según la reivindicación 7, en el
que el frenado del generador eólico comprende una reducción del
ángulo de ataque de las palas (3) del rotor del generador eólico y/o
una regulación eléctrica de la resistencia del generador.
9. Procedimiento según una de las
reivindicaciones 5 a 8, en el que como parámetro de flujo se mide
en varios lugares la velocidad del viento y se predice ésta con un
modelo localmente constante y se genera una señal de control cuando
la desviación media pronosticada de la velocidad del viento es mayor
que un valor umbral.
10. Procedimiento según la reivindicación 9, en
el que se produce con la señal de control el ajuste del convertidor
de energía convencional a una potencia modificada.
11. Procedimiento según una de las
reivindicaciones anteriores, en el que como datos de flujo se
tratan velocidades del viento o datos de potencia (s_{n}) según
las etapas siguientes:
- a)
- registrar una pluralidad de valores de velocidad o datos de potencia (s_{k}) con una distancia de exploración \tau,
- b)
- formar los vectores de desfase temporal, cada uno de los cuales consta de los componentes (s_{n}), siendo su número m la dimensión de inclusión, teniendo la ventana de inclusión la anchura m·\tau y formándose para cada uno de estos vectores de desfase temporal un entorno U a partir de todos los vectores de desfase temporal, y siendo la distancia de estos vectores de desfase temporal al respectivo vector de desfase temporal considerado menor que un valor predeterminado \varepsilon, y
- c)
- determinar el valor de predicción (s_{n+1}) como valor medio aritmético de los valores sucesivos de los vecinos del respectivo vector de desfase temporal actual en el entorno U.
12. Dispositivo (4) para el tratamiento de datos
de flujo de un medio circulante con un procedimiento según una de
las reivindicaciones anteriores, que comprende
- -
- un dispositivo de medición para medir valores (s_{n}) del al menos un parámetro de flujo, que es característico de la velocidad del medio,
caracterizado porque presenta
- -
- un dispositivo de cálculo para formar vectores de desfase temporal n-dimensionales a partir de los valores medidos (s_{k}) del al menos un parámetro de flujo, describiendo los vectores de desfase temporal ciertos estados en un espacio de fase n-dimensional y formando estados sucesivos una respectiva serie temporal actualizada de estados (x_{k}), y para tratar la serie temporal con un procedimiento de predicción determinístico no lineal sobre la base de un modelo de espacio de fase localmente constante para generar valores de predicción para los respectivos parámetros de flujo siguientes, comprendiendo el procedimiento de predicción una búsqueda de trazados de curva similares del parámetro de flujo en el pasado que representen estados (y_{n}) que en el espacio de fase sean vecinos del estado actual (x_{n}), y una determinación del valor de predicción (S_{n+1}) como valor medio aritmético de valores sucesivos de los estados (y_{n}),
- -
- un dispositivo de comparación para comparar los valores de predicción con criterios de referencia predeterminados, y
- -
- un dispositivo de salida para los valores de predicción y/o una señal de control predeterminada.
13. Dispositivo según la reivindicación 12, que
es parte de una unidad de control de un generador eólico (1),
siendo el dispositivo de medición un anemómetro (2) o un vatímetro y
estando previsto un dispositivo de ajuste para moderar el generador
eólico (1) al emitir valores de predicción y/o señales de control
predeterminados.
14. Utilización de un procedimiento o de un
dispositivo según una de las reivindicaciones anteriores para
accionar un generador eólico.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE10033183 | 2000-07-07 | ||
| DE10033183A DE10033183C2 (de) | 2000-07-07 | 2000-07-07 | Verfahren und Vorrichtung zur Verarbeitung und Vorhersage von Strömungsparametern turbulenter Medien |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2256285T3 true ES2256285T3 (es) | 2006-07-16 |
Family
ID=7648210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES01962823T Expired - Lifetime ES2256285T3 (es) | 2000-07-07 | 2001-07-03 | Procedimiento y dispositivo para el tratamiento y la prediccion de parametros de flujo de medios turbulentos. |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US6909198B2 (es) |
| EP (1) | EP1299779B1 (es) |
| AT (1) | ATE311622T1 (es) |
| DE (2) | DE10033183C2 (es) |
| DK (1) | DK1299779T3 (es) |
| ES (1) | ES2256285T3 (es) |
| WO (1) | WO2002005041A2 (es) |
Families Citing this family (85)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10109553B4 (de) * | 2001-02-28 | 2006-03-30 | Wobben, Aloys, Dipl.-Ing. | Luftdichteabhängige Leistungsregelung |
| DE10137272A1 (de) * | 2001-07-31 | 2003-02-27 | Aloys Wobben | Frühwarnsystem für Windenergieanlagen |
| US7249007B1 (en) * | 2002-01-15 | 2007-07-24 | Dutton John A | Weather and climate variable prediction for management of weather and climate risk |
| DE10204705A1 (de) * | 2002-02-05 | 2003-08-14 | Mir Chem Gmbh | Vorrichtung und Verfahren zur simultanen Aufnahme von mehreren Zeitreihen und zur Diagnose und Prognose sowie Regelung und Steuerung von dynamischen Prozessen |
| DE10232021B4 (de) * | 2002-07-16 | 2016-05-04 | Markus Jansen | Verfahren zur Vorhersage von Windböen und der damit verbundenen Steuerung von Windenergieanlagen sowie Windenergieanlage zur Durchführung dieses Verfahrens |
| US7519506B2 (en) * | 2002-11-06 | 2009-04-14 | Antonio Trias | System and method for monitoring and managing electrical power transmission and distribution networks |
| US7121795B2 (en) * | 2004-06-30 | 2006-10-17 | General Electric Company | Method and apparatus for reducing rotor blade deflections, loads, and/or peak rotational speed |
| US7228235B2 (en) * | 2005-02-01 | 2007-06-05 | Windlogics, Inc. | System and method for enhanced measure-correlate-predict for a wind farm location |
| US8649911B2 (en) * | 2005-06-03 | 2014-02-11 | General Electric Company | System and method for operating a wind farm under high wind speed conditions |
| DE102005028686B4 (de) | 2005-06-21 | 2007-06-14 | Repower Systems Ag | Verfahren und Anordnung zum Vermessen einer Windenergieanlage |
| US7476985B2 (en) * | 2005-07-22 | 2009-01-13 | Gamesa Innovation & Technology, S.L. | Method of operating a wind turbine |
| DE102005045516A1 (de) * | 2005-09-22 | 2007-03-29 | Daubner & Stommel GbR Bau-Werk-Planung (vertretungsberechtigter Gesellschafter: Matthias Stommel, 27777 Ganderkesee) | Verfahren zur Anpassung einer Windenergieanlage an gegebene Windverhältnisse |
| US7613548B2 (en) * | 2006-01-26 | 2009-11-03 | General Electric Company | Systems and methods for controlling a ramp rate of a wind farm |
| DE102006031144A1 (de) | 2006-07-04 | 2008-01-10 | Daubner & Stommel GbR Bau-Werk-Planung (vertretungsberechtigter Gesellschafter: Matthias Stommel, 27777 Ganderkesee) | Verfahren zum Betreiben einer Windenergieanlage |
| US20080164698A1 (en) * | 2007-01-10 | 2008-07-10 | Gilbert Habets | Method and device to measure, test and monitor turbine performance and conditions |
| WO2008046931A2 (en) * | 2007-01-10 | 2008-04-24 | Shell Internationale Research Maatschappij B.V. | Method and device to measure, test and/or monitor turbine performance |
| DE102007020076B4 (de) * | 2007-04-26 | 2008-12-24 | Christoph Lucks | Windmesssystem für eine Windenergieanlage |
| DK1988284T5 (da) | 2007-05-03 | 2019-09-30 | Siemens Gamesa Renewable Energy As | Fremgangsmåde til at drive en vindmølle og vindmølle |
| US20080284171A1 (en) * | 2007-05-16 | 2008-11-20 | V3 Technologies, L.L.C. | Augmented wind power generation system using an antecedent atmospheric sensor and method of operation |
| DE102007027849A1 (de) | 2007-06-13 | 2008-12-18 | Repower Systems Ag | Verfahren zum Betreiben einer Windenergieanlage |
| US7573149B2 (en) * | 2007-12-06 | 2009-08-11 | General Electric Company | System and method for controlling a wind power plant |
| ES2558428T3 (es) | 2007-12-19 | 2016-02-04 | Vestas Wind Systems A/S | Sistema de control basado en eventos para generadores de turbina eólica |
| US8546967B2 (en) * | 2008-03-07 | 2013-10-01 | Vestas Wind Systems A/S | Control system and a method for controlling a wind turbine |
| DK2110551T4 (da) | 2008-04-15 | 2019-05-13 | Siemens Ag | Fremgangsmåde og indretning til prognose-baseret vindmøllestyring |
| US10746901B2 (en) * | 2008-06-12 | 2020-08-18 | Ophir Corporation | Systems and methods for predicting arrival of wind event at aeromechanical apparatus |
| US8057174B2 (en) * | 2008-10-09 | 2011-11-15 | General Electric Company | Method for controlling a wind turbine using a wind flow model |
| SE536174C2 (sv) * | 2009-02-09 | 2013-06-11 | Xemc Xiangtan Electric Mfg Group Corp Lt | Metod för att styra ett vindkraftverk |
| US8178986B2 (en) * | 2009-03-18 | 2012-05-15 | General Electric Company | Wind turbine operation system and method |
| US8380357B2 (en) * | 2009-03-23 | 2013-02-19 | Acciona Windpower, S.A. | Wind turbine control |
| EP2251543B1 (en) | 2009-05-14 | 2016-12-07 | ALSTOM Renewable Technologies | Method and system for predicting the occurrence of a wind gust at a wind turbine |
| US8227929B2 (en) * | 2009-09-25 | 2012-07-24 | General Electric Company | Multi-use energy storage for renewable sources |
| DK201070274A (en) * | 2009-10-08 | 2011-04-09 | Vestas Wind Sys As | Control method for a wind turbine |
| GB2476316B (en) | 2009-12-21 | 2014-07-16 | Vestas Wind Sys As | A wind turbine having a control method and controller for predictive control of a wind turbine generator |
| GB2476507A (en) | 2009-12-23 | 2011-06-29 | Vestas Wind Sys As | Method And Apparatus For Protecting Wind Turbines From Gust Damage |
| GB2476506A (en) | 2009-12-23 | 2011-06-29 | Vestas Wind Sys As | Method And Apparatus Protecting Wind Turbines From Low Cycle Fatigue Damage |
| US8120194B2 (en) * | 2010-03-05 | 2012-02-21 | General Electric Company | System, device, and method for wind turbine load reduction in a cold weather environment |
| IT1399087B1 (it) * | 2010-03-25 | 2013-04-05 | En Eco Energy For Ecology S R L Ora En Eco S P A | Metodo di controllo di aerogeneratori per la produzione di energia elettrica. |
| US9228785B2 (en) | 2010-05-04 | 2016-01-05 | Alexander Poltorak | Fractal heat transfer device |
| US8115333B2 (en) | 2010-06-23 | 2012-02-14 | Harris Corporation | Wind turbine providing reduced radio frequency interaction and related methods |
| NL2005400C2 (en) * | 2010-09-27 | 2012-03-28 | Stichting Energie | Method and system for wind gust detection in a wind turbine. |
| DK2444659T3 (en) | 2010-10-19 | 2016-10-03 | Siemens Ag | A method and system for adjusting an output parameter of a wind turbine |
| US8178989B2 (en) * | 2010-12-15 | 2012-05-15 | General Electric Company | System and methods for adjusting a yaw angle of a wind turbine |
| US8489247B1 (en) * | 2011-03-18 | 2013-07-16 | Rockwell Collins, Inc. | Agent-based chaotic control of wind turbines |
| US8606418B1 (en) | 2011-03-18 | 2013-12-10 | Rockwell Collins, Inc. | Wind prediction for wind farms through the use of weather radar |
| US8849737B1 (en) | 2011-03-18 | 2014-09-30 | Rockwell Collins, Inc. | Prediction method of predicting a future state of a system |
| US9002483B1 (en) | 2011-03-18 | 2015-04-07 | Rockwell Collins, Inc. | Diploid control of water heaters |
| US8258643B2 (en) * | 2011-10-11 | 2012-09-04 | General Electric Company | Method and system for control of wind turbines |
| ES2407955B1 (es) * | 2011-12-12 | 2014-05-08 | Acciona Windpower, S.A. | Procedimiento de control de un aerogenerador |
| DE102012103108A1 (de) * | 2012-04-11 | 2013-10-17 | Cube Engeneering GmbH | System und Verfahren zur Messung und Speicherung meteorologischer Daten |
| US10387810B1 (en) | 2012-09-28 | 2019-08-20 | Quest Software Inc. | System and method for proactively provisioning resources to an application |
| US9245248B2 (en) | 2012-09-28 | 2016-01-26 | Dell Software Inc. | Data metric resolution prediction system and method |
| US9563722B2 (en) | 2012-11-13 | 2017-02-07 | Gridquant, Inc. | Sigma algebraic approximants as a diagnostic tool in power networks |
| US9460478B2 (en) * | 2012-12-17 | 2016-10-04 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for wind generation forecasting |
| CN103278324B (zh) * | 2013-06-06 | 2015-11-18 | 湖南科技大学 | 一种风力发电机组主传动系统故障诊断模拟装置 |
| GB2520553B (en) * | 2013-11-26 | 2016-09-28 | Ocean Array Systems Ltd | Determination of turbulence in a fluid |
| EP2940295B1 (en) | 2014-04-29 | 2018-04-11 | General Electric Company | System and method for controlling a wind farm |
| CN104112166A (zh) * | 2014-05-22 | 2014-10-22 | 国家电网公司 | 一种风电场的短期风速预测方法及系统 |
| EP3191905B1 (en) * | 2014-09-10 | 2019-05-15 | Siemens Energy, Inc. | Gas turbine failure prediction utilizing supervised learning methodologies |
| CN104463511B (zh) * | 2014-12-31 | 2017-06-06 | 哈尔滨工业大学 | 基于风机单位时间启停频度的风速间歇性定量刻画方法 |
| JP6847343B2 (ja) * | 2015-02-23 | 2021-03-24 | 学校法人沖縄科学技術大学院大学学園 | 再生可能エネルギーの変動に対する予測誤差を決定するシステムおよび方法 |
| US11107169B2 (en) * | 2015-11-18 | 2021-08-31 | General Electric Company | Systems and methods for controlling and monitoring power assets |
| WO2017084674A1 (en) * | 2015-11-18 | 2017-05-26 | Vestas Wind Systems A/S | Control system and method for wind turbine having multiple rotors |
| DE102015122039A1 (de) * | 2015-12-17 | 2017-06-22 | Wobben Properties Gmbh | Verfahren zum Steuern einer Windenergieanlage |
| AT15428U1 (de) * | 2016-03-16 | 2017-08-15 | Uptime Holding Gmbh | Verfahren zur Bestimmung der Windgeschwindigkeit sowie Anlage zur Durchführung desselben |
| US11334834B2 (en) | 2016-05-23 | 2022-05-17 | General Electric Company | System and method for controlling power production from a wind farm |
| US10830545B2 (en) | 2016-07-12 | 2020-11-10 | Fractal Heatsink Technologies, LLC | System and method for maintaining efficiency of a heat sink |
| DE102016224207A1 (de) * | 2016-12-06 | 2018-06-07 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
| CN106779208B (zh) * | 2016-12-08 | 2020-09-29 | 贵州电网有限责任公司电力科学研究院 | 一种基于虚拟测风塔技术的风电超短期功率预测方法 |
| US10570883B2 (en) * | 2017-12-22 | 2020-02-25 | General Electric Company | System and method for protecting wind turbines during wind gusts |
| DE102018003168A1 (de) * | 2018-04-18 | 2019-10-24 | Senvion Gmbh | Verfahren und Vorrichtung zum Betreiben einer Windenergieanlage sowie Windenergieanlage |
| US10796252B2 (en) | 2018-09-06 | 2020-10-06 | Arizona Board Of Regents On Behalf Of Arizona State University | Induced Markov chain for wind farm generation forecasting |
| DE102018127417A1 (de) | 2018-11-02 | 2020-05-07 | fos4X GmbH | Modellierung und Vorhersage von Windströmung mit faseroptischen Sensoren in Windturbinen |
| US11261844B2 (en) * | 2019-02-28 | 2022-03-01 | General Electric Company | System and method for predicting wind turbine shutdowns due to excessive vibration |
| DE102019108300A1 (de) * | 2019-03-29 | 2020-10-01 | Wobben Properties Gmbh | Verfahren und Vorrichtung zum Erstellen und Ausgeben einer Erwartungsleistung |
| CN109946765B (zh) * | 2019-04-02 | 2021-05-07 | 上海电气风电集团股份有限公司 | 风电场的流场的预测方法和系统 |
| DE102019114529A1 (de) * | 2019-05-29 | 2020-12-03 | fos4X GmbH | Modellierung und Vorhersage von Wirbelschleppen und Scherwinden mit faseroptischen Sensoren in Windturbinen |
| EP3885575A1 (en) * | 2020-03-25 | 2021-09-29 | Siemens Gamesa Renewable Energy A/S | Method for determining a spatial arrangement of a floating wind turbine relative to its environment |
| JP7706946B2 (ja) * | 2021-06-15 | 2025-07-14 | 株式会社日立パワーソリューションズ | 再生可能エネルギー発電システムおよび再生可能エネルギー発電システムの制御方法 |
| CN113607373B (zh) * | 2021-07-05 | 2022-08-19 | 北京航空航天大学 | 基于离散多点测量数据的大跨度屋面风压分布快速重构算法 |
| US20230037193A1 (en) * | 2021-07-26 | 2023-02-02 | Dalian University Of Technology | Wind power output interval prediction method |
| EP4198580B1 (en) * | 2021-12-14 | 2026-03-04 | Vestas Wind Systems A/S | A method for real-time prediction of wind conditions across a wind farm |
| JP7827135B2 (ja) * | 2022-04-18 | 2026-03-10 | Ｎｔｔ株式会社 | 時期算出装置、時期算出方法、及びプログラム |
| CN117421517B (zh) * | 2023-12-18 | 2024-03-01 | 中国空气动力研究与发展中心高速空气动力研究所 | 背景纹影测量密度场的泊松方程源项快速计算方法 |
| CN119010017B (zh) * | 2024-10-23 | 2025-02-14 | 山东浪潮智慧能源科技有限公司 | 一种基于风电功率预测的电力调度方法及系统 |
| CN119373658B (zh) * | 2024-11-08 | 2025-10-17 | 国电联合动力技术有限公司 | 基于风电场风况预测的风电机组控制方法及系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4461957A (en) * | 1982-06-17 | 1984-07-24 | Control Data Corporation | Speed tolerant alternator system for wind or hydraulic power generation |
| US4700081A (en) * | 1986-04-28 | 1987-10-13 | United Technologies Corporation | Speed avoidance logic for a variable speed wind turbine |
| DE4102923A1 (de) * | 1991-01-31 | 1992-08-06 | Uwatec Ag | Luftdruckmessgeraet |
| US5083039B1 (en) * | 1991-02-01 | 1999-11-16 | Zond Energy Systems Inc | Variable speed wind turbine |
| US5155375A (en) * | 1991-09-19 | 1992-10-13 | U.S. Windpower, Inc. | Speed control system for a variable speed wind turbine |
| US5329443A (en) | 1992-06-16 | 1994-07-12 | Praxair Technology, Inc. | Two-phase method for real time process control |
| JPH08166465A (ja) * | 1994-12-12 | 1996-06-25 | East Japan Railway Co | 風速予測方法及びその風速予測方法に基づく交通手段運行方法 |
| US5544524A (en) | 1995-07-20 | 1996-08-13 | The United States Of America As Represented By The Secretary Of The Navy | Apparatus and method for predicting flow characteristics |
| US5798631A (en) * | 1995-10-02 | 1998-08-25 | The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University | Performance optimization controller and control method for doubly-fed machines |
| DE69814840D1 (de) * | 1997-03-26 | 2003-06-26 | Forskningsct Riso Roskilde | Windturbine mit vorrichtung zur messung der windgeschwindigkeit |
| JP3162006B2 (ja) | 1997-11-10 | 2001-04-25 | 核燃料サイクル開発機構 | 抽出系のシミュレーション方法 |
| US6122557A (en) | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
| US6320273B1 (en) * | 2000-02-12 | 2001-11-20 | Otilio Nemec | Large vertical-axis variable-pitch wind turbine |
-
2000
- 2000-07-07 DE DE10033183A patent/DE10033183C2/de not_active Expired - Fee Related
-
2001
- 2001-07-03 DE DE50108251T patent/DE50108251D1/de not_active Expired - Lifetime
- 2001-07-03 WO PCT/EP2001/007608 patent/WO2002005041A2/de not_active Ceased
- 2001-07-03 ES ES01962823T patent/ES2256285T3/es not_active Expired - Lifetime
- 2001-07-03 DK DK01962823T patent/DK1299779T3/da active
- 2001-07-03 EP EP01962823A patent/EP1299779B1/de not_active Expired - Lifetime
- 2001-07-03 US US10/332,185 patent/US6909198B2/en not_active Expired - Fee Related
- 2001-07-03 AT AT01962823T patent/ATE311622T1/de not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| WO2002005041A3 (de) | 2002-06-20 |
| ATE311622T1 (de) | 2005-12-15 |
| EP1299779B1 (de) | 2005-11-30 |
| DE50108251D1 (de) | 2006-01-05 |
| WO2002005041A2 (de) | 2002-01-17 |
| EP1299779A2 (de) | 2003-04-09 |
| DK1299779T3 (da) | 2006-04-10 |
| DE10033183C2 (de) | 2002-08-08 |
| US20030160457A1 (en) | 2003-08-28 |
| DE10033183A1 (de) | 2002-01-24 |
| US6909198B2 (en) | 2005-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2256285T3 (es) | Procedimiento y dispositivo para el tratamiento y la prediccion de parametros de flujo de medios turbulentos. | |
| ES2942988T3 (es) | Procedimiento para controlar la operación de una turbina eólica | |
| Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
| Towers et al. | Real‐time wind field reconstruction from LiDAR measurements using a dynamic wind model and state estimation | |
| Alessandrini et al. | A novel application of an analog ensemble for short-term wind power forecasting | |
| US10330081B2 (en) | Reducing curtailment of wind power generation | |
| US10598157B2 (en) | Reducing curtailment of wind power generation | |
| Peña et al. | Atmospheric stability and turbulence fluxes at Horns Rev—An intercomparison of sonic, bulk and WRF model data | |
| Perkin et al. | Optimal wind turbine selection methodology: A case-study for Búrfell, Iceland | |
| Mohandes et al. | Wind speed extrapolation using machine learning methods and LiDAR measurements | |
| EP3942177A1 (en) | System and method for assessing and validating wind turbine and wind farm performance | |
| Dimitrov et al. | Wind turbine load validation using lidar‐based wind retrievals | |
| Van der Hoek et al. | Maximizing wind farm power output with the helix approach: Experimental validation and wake analysis using tomographic particle image velocimetry | |
| WO2016048876A1 (en) | Systems and methods for validating wind farm performance measurements | |
| ES2942017T3 (es) | Un método para controlar un parque de energía eólica teniendo en cuenta efectos de estela | |
| ES2989737T3 (es) | Operación de un aerogenerador con sensores implementados mediante un modelo de aprendizaje automático entrenado. | |
| Li et al. | Multivariable time series prediction for the icing process on overhead power transmission line | |
| ES2932607T3 (es) | Modificación de la estrategia de control para el control de un aerogenerador usando la probabilidad de carga y el límite de carga de diseño | |
| Shi et al. | Estimation of wind energy potential and prediction of wind power | |
| Sommerfeld et al. | Scaling effects of fixed-wing ground-generation airborne wind energy systems | |
| Petersen et al. | Wind conditions and resource assessment | |
| ES2947884T3 (es) | Control de emisiones de ruido desde palas individuales de una turbina eólica | |
| ES2987819T3 (es) | Reacción a un evento de exceso de velocidad | |
| ES2998336T3 (en) | Systems and methods for operating power generating assets | |
| Müller et al. | Tropical cyclone low-level wind speed, shear, and veer: sensitivity to the boundary layer parameterization in WRF |