风力涡轮机控制方法

摘要

一种运行风力涡轮机的方法。风力涡轮机根据控制策略在运行时段内运行。在运行时段内从测量涡轮机的运行参数的传感器接收传感器信号。使用模型来基于传感器信号获得建模疲劳值。建模疲劳值提供在运行时段内施加到涡轮机的部件上的疲劳载荷的估算值。基于建模疲劳值来修改控制策略。

说明书

技术领域

本发明涉及风力涡轮机的控制，更具体地涉及基于疲劳载荷值的风力涡轮机的控制。

背景技术

当给风力涡轮机或风力发电场选址时，通常首先要测量所提议的场址的天气条件。通过这些测量，可以预测涡轮机将经受的疲劳载荷，并设计出一种在涡轮机的寿命内运行涡轮机的控制策略。所设计的控制策略可以包括诸如风力扇区运行模式的静态控制特征，其可以例如在给定扇区中将涡轮机设置为运行或在给定扇区中关闭涡轮机。可以将设计的控制策略设计为平衡涡轮机的寿命、运行支出和年发电量。然后基于针对其预定寿命(其可能在20-25年之间)的控制策略来构造和运行涡轮机。

然而，针对如此长的时段预先确定控制策略并不能在涡轮机的一般控制策略中考虑到涡轮机运行期间的实际现场条件。

正是在这种背景下设计了本发明。

发明内容

在第一方面，提供了一种运行风力涡轮机的方法，该方法包括：

根据控制策略在运行时段内运行风力涡轮机；

在所述运行时段内从测量涡轮机的运行参数的传感器接收传感器信号；

使用模型来基于所述传感器信号获得建模疲劳值，其中，所述建模疲劳值提供在所述运行时段内施加到涡轮机的部件上的疲劳载荷的估算值；以及

基于所述建模疲劳值来修改所述控制策略。

通过基于由传感器测量的实际运行测量结果对疲劳载荷进行建模，可以针对涡轮机经受的实际运行参数优化控制策略。例如，可以调节在功率曲线、推力极限方面的控制策略(可能地在风力扇区管理方案中调节这些控制策略)。

传感器可以是应变仪，但是应变仪可能很昂贵。因此，优选地，传感器不是应变仪。

可选地，所述建模疲劳值通过如下方式获得：从所述传感器信号导出统计数据，并将所述统计数据输入到所述模型中以获得所述建模疲劳值，从而获得建模疲劳值。例如，统计数据可以包括运行参数在运行时段内的平均值、最大值、最小值、标准偏差、雨流计数统计值、载荷持续时间/转数分布统计值中的一个或多个。运行参数可能会在运行时段内呈现周期性变化。导出统计数据可能比记录并使用运行参数随时间的全部变化在计算上更有效率。

在一些实施例中，所述模型可以是代理模型。代理模型可以包括响应表面，当给定传感器信号(或一组传感器信号，每个信号涉及不同的运行参数)作为输入时，该响应表面预测疲劳值。使用代理模型可以提供用于预测疲劳值的在计算上很有效率的方法。

该方法可以进一步包括使用训练数据来训练所述代理模型。使用训练数据来训练模型可以包括基于训练数据运行机器学习算法。

在一些这样的实施例中，可以使用来自气动弹性涡轮机载荷模拟的模拟训练数据来训练代理模型。气动弹性载荷模拟通常基于叶片元素动量理论(BEM)，该叶片元素动量理论对转子的空气动力学特性以及涡轮机和控制系统的结构模型进行建模。模拟的输入可以是基于湍流模型的风的湍流的表示。模拟的输出可以是涡轮机响应(例如叶片偏转、旋转速度或加速度、载荷和发电量)。先前记录的统计数据(例如来自其他涡轮机或涡轮机场的统计数据)可用作模拟的输入。模拟可以基于该输入来输出预测的疲劳值。可以使用原型涡轮机上的应变仪来验证模拟。通过使用这样的模拟，可以生成大量数据来训练代理模型，从而确保代理模型在与实际测量结果一起使用时能够准确地估算疲劳载荷。

在一些实施例中，该方法可以包括确定所述建模疲劳值是否与预期疲劳值不同；以及如果所述建模疲劳值与所述预期疲劳值不同，则基于所述建模疲劳值来修改所述控制策略。

例如，该方法可以包括：在所述运行时段内运行涡轮机之前，估算涡轮机的疲劳寿命；基于所述疲劳寿命和所述运行时段的持续时间确定所述运行时段的预期疲劳值；以及将所述建模疲劳值与所述预期疲劳值进行比较，以确定所述建模疲劳值是否与所述预期疲劳值不同。以这种方式，可以确定由于实际运行参数而导致的涡轮机经受的疲劳载荷是否高于或低于预期的在涡轮机寿命的该点处的疲劳载荷。

在特定实施例中，修改所述控制策略可以包括：修改所述控制策略，以减小所述建模疲劳值与所述预期疲劳值之间的差值。

可以基于建模疲劳值与预期疲劳值之间的差值或比率来定义疲劳使用测量结果(诸如使用率)。

在一些实施例中，所述运行时段包括多个运行间隔，并且所述建模疲劳值是累积建模疲劳值，所述累积建模疲劳值通过如下方式获得：使用所述模型来基于每一个运行间隔的传感器信号获得该间隔的间隔疲劳值；以及累加每一个运行间隔的间隔疲劳值。因此，在运行时段内的建模疲劳值可以表示在多个运行间隔内的累积的建模疲劳值。

所述运行参数可以包括风力参数(诸如风速)。

所述运行参数可以包括以下各项中的至少一项：风速；塔架加速度；转子速度；叶片桨距角；有功功率和叶片根部弯矩。与使用应变仪直接测量疲劳载荷相比，测量这种运行参数的值可能相对不那么昂贵。传感器可以测量一个或多个运行参数；或者可以使用多个传感器，每个传感器测量一个运行参数。

该模型可以用于仅获得单个建模疲劳值，该单个建模疲劳值提供在运行时段内仅施加到涡轮机的单个部件上的疲劳载荷的估算值。替代地，该模型可以用于获得多个建模疲劳值，每个建模疲劳值提供在运行时段内施加到涡轮机的各个不同部件上的疲劳载荷的估算值。例如，该模型可以用于获得针对叶片摆振/边缘方向力矩、传动系扭矩、传动系弯矩和/或塔架弯矩的建模疲劳值。

修改所述控制策略可以包括基于所述建模疲劳值来调节涡轮机的控制设置(诸如功率设置或速度设置)。

在特定实施例中，修改所述控制策略可以包括调节风力涡轮机的倾斜偏航控制增益。调节所述控制增益可以减少叶片变桨活动，从而提高叶片轴承的寿命。

修改所述控制策略可以附加地或替代地包括调节以下各项中的至少一项：涡轮机的预期寿命；涡轮机的运行模式；涡轮机的功率设置；以及涡轮机的速度设置。

根据第二方面，提供了一种适于执行根据第一方面的任何实施例的方法的风力涡轮机控制系统。该风力涡轮机控制系统可以包括被布置成从传感器接收传感器信号的控制器。

通常，控制器可以是一个单元或功能单元的或集合，其包括一个或多个处理器、输入/输出接口以及能够存储可由处理器执行的指令的内存。

根据第三方面，提供了一种风力涡轮机，其包括根据第二方面的风力涡轮机控制系统。

根据第四方面，提供一种计算机程序产品，其包括适于当在数据处理系统上执行时控制风力涡轮机的软件代码，该计算机程序产品适于执行根据第一方面的任何实施例的方法。

可以在计算机可读存储介质上提供该计算机程序产品，或者可以从通信网络下载该计算机程序产品。该计算机程序产品包括指令，当该指令被加载到数据处理系统(例如，采用控制器的形式)上时，使得数据处理系统执行该指令。

通常，本发明的各个方面可以在本发明的范围内以任何可能的方式组合和耦合。参考下文描述的实施例，本发明的这些和其他方面、特征和/或优点将变得显而易见并得到阐明。

附图说明

将参考附图仅以示例的方式描述本发明的实施例，其中：

图1示出了风力涡轮机的示例；

图2示出了控制系统以及风力涡轮机的元件的实施例；

图3a示出了可用于训练代理模型的一组训练数据；

图3b示出了图3a的训练数据的曲线拟合；

图4示出了示例使用率曲线；

图5示出了修改的控制策略，其中调节了涡轮机的预期寿命；

图6示出了修改的控制策略，其中调节了涡轮机的控制设置；以及

图7示出了控制风力涡轮机的方法。

具体实施方式

图1以示意性透视图示出了风力涡轮机1的示例。风力涡轮机1包括塔架2、在塔架顶点处的机舱3以及可操作地联接到容纳在机舱3内部的发电机的转子4。除了发电机之外，机舱还容纳将风能转换成电能所需的各种各样的部件以及运行、控制和优化风力涡轮机1的性能所需的各种部件。风力涡轮机的转子4包括中央轮毂5和从中央轮毂5向外突出的多个叶片6。在所示的实施例中，转子4包括三个叶片6，但是数量是可以变化的。此外，风力涡轮机包括控制系统。该控制系统可以被放置在机舱内部或分布在涡轮机内部的多个位置并通信连接。

风力涡轮机1可以被包括在属于风力发电厂(也被称为风电场或风电厂)的其他风力涡轮机的集合中，该风力发电厂用作通过传输线与电网连接的发电厂。电网通常由电站、传输电路和变电站的网络组成，变电站由传输线网络联接，传输线将电力传输到载荷，该载荷为终端用户和电力公司的其他客户的形式。

图2示意性地示出了控制系统20以及风力涡轮机的元件的实施例。风力涡轮机包括转子叶片6，转子叶片6经由齿轮箱23机械地连接至发电机22。在直接驱动系统和其他系统中，可能不存在齿轮箱23。发电机22生成的电力经由电转换器25注入电网24。发电机22和转换器25可以基于满量程转换器(FSC)架构或双馈感应发电机(DFIG)架构，但可以使用其他类型。

控制系统20包括多个元件，所述多个元件包括具有处理器和内存的至少一个主控制器200，使得处理器能够基于存储在内存中的指令执行计算任务。通常，风力涡轮机控制器确保风力涡轮机在运行中生成所要求的电力输出水平。这是通过调节叶片6的桨距角和/或转换器25的功率提取而获得的。为此，控制系统包括：变桨系统，其包括使用桨距基准28的桨距控制器27；以及动力系统，其包括使用功率基准26的功率控制器29。风力涡轮机转子包括可以通过变桨机构变桨的转子叶片。转子可以包括共同的变桨系统，该共同的变桨系统同时调节所有转子叶片的所有桨距角，此外，转子还在其上包括能够对转子叶片进行单独变桨的单独变桨系统。可以将控制系统或控制系统的元件放置在发电厂控制器(未示出)中，使得可以基于外部提供的指令来运行涡轮机。

通常，涡轮机根据在涡轮机开始运行之前确定的寿命控制策略来运行。该寿命控制策略基于具有已知的估算实际现场条件的局限性的模型，并且基于静态控制特征(诸如风力扇区运行模式)。

本发明提供了一种控制风力涡轮机的方法，其中，在涡轮机的运行过程中，基于涡轮机承受的建模的实际疲劳值(即，基于实际测量数据估算的疲劳值)来修改控制策略。对涡轮机的这种自适应控制能够平衡寿命、运行支出(OPEX)和年发电量(AEP)，从而相对于实际现场条件实现更佳的涡轮机控制。

代理模型31用于基于传感器信号获得建模疲劳值。代理模型31从涡轮机上或与涡轮机相关联的传感器30接收测量数据作为输入。传感器30测量涡轮机经受的一个或多个运行参数。该运行参数可以包括风速、塔架加速度、转子速度、叶片桨距角、有功功率和/或测量的叶片根部弯矩。

传感器30可以是作为监督控制和数据采集(“SCADA”)系统的一部分的传感器。SCADA系统是大规模的分布式测量和控制系统，其通常用于监测或控制化学、物理或运输过程，其中术语SCADA通常是指监测和控制整个场址的中央系统。

代理模型31输出一个或多个建模疲劳值。每个建模疲劳值均提供在一段时间内施加到涡轮机的部件上的疲劳载荷的估算值。代理模型可以提供将由涡轮机的部件上的应变仪测量的疲劳载荷的估算值。例如，代理模型可以提供由叶片摆振/边缘方向的力矩、传动系扭矩、传动系弯矩(例如，传动系在垂直或水平方向上的弯曲)和/或塔架弯矩引起的疲劳载荷的估算值。输出可以被表示为雨流计数和/或载荷持续时间和/或转数分布。输出可以是根据这样的估算载荷值确定的疲劳值。例如，可以使用Palmgren-Miner线性损伤假设(Miner规则)将估算载荷值中的周期性变化转换为疲劳载荷的量度。

所述代理模型可以通过如下方式创建：使用机器学习技术来构建响应表面，该响应表面针对给定传感器输入预测疲劳值。可以利用由模拟工具创建的训练数据来训练代理模型响应表面。例如，可以使用气动弹性涡轮机载荷模拟工具。如本领域技术人员所熟悉的，模拟可以利用诸如Flex5或HAWC2之类的通用软件包。气动弹性模拟可以用来预测疲劳值，该疲劳值由大量变化的运行参数集产生。如本领域技术人员将理解的，这些预测的疲劳值用于通过应用机器学习算法来训练代理模型。

一旦创建了代理模型，就可以基于来自传感器30的真实测量数据，使用该代理模型来估算或建模各个涡轮机部件所经受的疲劳载荷。

为了避免完全记录运行参数在运行时段内的变化所需的运行和计算成本，可以将基于测量结果的统计数据而不是原始传感器数据输入到代理模型中。统计数据可以是涡轮机在该运行时段内经受的运行参数的统计表示。例如，可以确定运行时段内的平均值、最大值、最小值、标准偏差、雨流计数、载荷持续时间和/或载荷分布，并将其馈送到代理模型中。

可以仅针对单个运行时段或针对多个运行时段(即一系列运行间隔)对疲劳值进行建模。所述运行时段例如可以具有在5分钟和15分钟之间的持续时间，或者可以是10分钟，或者可以在1秒和10秒之间。可以使用运行时段的任何其他持续时间。可以在线(即，在相应运行时段结束之后立即实时地)获得建模疲劳值。替代地，可以基于记录的传感器数据离线获得建模疲劳值。

图3a和图3b给出了如何基于来自气动弹性模拟的训练数据来训练代理模型的示例。图3a示出了一组训练数据。图3a的x轴表示模拟运行时段内特定运行参数(在这种情况下为平均风速V)的值。

图3a的y轴表示来自训练数据的疲劳值，该训练数据是通过气动弹性模拟确定的。在该示例中，疲劳值表示风力涡轮机的主轴承处的疲劳倾斜载荷。

图3a中用叉号表示的每个数据点表示通过将数据集输入到气动弹性模拟中而计算出的疲劳值，该数据集表示运行参数(在这种情况下为风速V)在模拟的运行时段内的变化。气动弹性模拟然后处理数据集以确定主轴承处的倾斜载荷，然后使用Miner规则来计算该运行时段的疲劳值。然后，将输入到气动弹性模拟中的数据集的平均风速V与特定的疲劳值相关联，以生成训练数据集中的数据点。例如，图3a中的数据点30示出了与约26个平均风速V相关联的约1750个疲劳值，并且数据点31示出了与约13个平均风速V相关联的约1500个疲劳值。

然后，将图3a中表示的训练数据用于训练代理模型31。具体而言，机器学习算法分析训练数据以识别运行参数集与疲劳值之间的相关性，然后可以将其用于在来自真实风力涡轮机的传感器数据被输入到代理模型中时预测疲劳载荷。特别地，机器学习算法可以识别特定运行参数和疲劳值之间的相关性。代理模型因此可以利用与训练数据中的疲劳值最密切相关的那些运行参数进行训练。

使用图3a中所示的示例，平均风速V和疲劳值之间存在相关性，并且机器学习算法将曲线32拟合到训练数据上，如图3b所示。实际上，该曲线32是一维代理模型，其可以用于将平均风速V的任何值映射到建模疲劳值，进而提供在运行时段内施加到涡轮机的主轴承上的疲劳载荷的估算值。

然后，可以基于另一个运行参数重复图3a和图3b中所示的过程，以生成二维响应表面(曲线32的二维等效)，并依此类推生成更高维。

在实践中，将通过气动弹性模拟来模拟许多不同的输入和输出变量集，以训练代理模型。代理模型使用所有数据集，从而形成多维响应表面，而不是图3b的一维示例中的简单曲线32。

优选地，将由与涡轮机相关联的多个传感器测量的一组多个运行参数输入到代理模型中。例如，可以使用表示两个、三个、五个或更多个运行参数的一组传感器信号。使用更多的运行参数允许获得更准确的建模疲劳值。

如上所述，可以将建模疲劳值与涡轮机寿命中该点处的涡轮机预期疲劳值进行比较。在特定实施例中，可以确定使用率，以帮助将建模疲劳值与预期疲劳值进行比较。使用率可以表示自运行开始以来涡轮机经受的累积疲劳载荷——即，它可以表示多个运行间隔的建模疲劳值之和。

疲劳值使用率可以被定义为“实际”建模疲劳值除以涡轮机的预期寿命中该点处的预期疲劳值。预期寿命可以是基于初始控制策略在风力涡轮机开始运行之前估算的涡轮机的寿命。

如果x是到目前为止的总运行时间，则风力涡轮机已在从时间0到时间x的运行时段内运行。该运行时段由多个运行间隔组成。例如，如果x是一天，并且每个运行间隔的持续时间为10分钟，那么到目前为止的运行时段包括144个运行间隔。代理模型31基于该间隔内的传感器信号，针对每个10分钟间隔输出间隔疲劳值。通过累加针对每个运行时段的间隔疲劳值，即可获得累积疲劳值——换句话说，通过保留代理模型31输出的间隔疲劳值的运行总和。因此，在上述示例中，通过累加代理模型的先前的144个输出，获得累积的建模疲劳值。

然后可以将使用率(UR)计算为：

UR＝d

其中x是到目前为止的总运行时间；T是总预期(设计)寿命；d

可以针对整个涡轮机计算使用率，或者可以针对涡轮机的一个或多个部件定义单独的使用率(诸如表示累积的叶片摆振/边缘方向力矩、传动系扭矩、传动系弯矩(倾斜/偏航)和/或塔架弯矩的使用率)。在单独的使用率的情况下，UR方程中的d

图4示出了在运行时段x之后的示例涡轮机的部件UR。图4中的线40表示UR曲线，该曲线是基于涡轮机的设计疲劳值和预期寿命(如在涡轮开始运行之前预测的)而预期的。预期的UR曲线40在设计寿命T结束时达到值1，这表明涡轮机已承受了其被设计为要承受的所有疲劳载荷。

线42-44表示基于代理模型31输出的建模疲劳值的在直到时间x的运行时段内的部件UR曲线。在该示例中，线42-44中的每条线均位于预期UR曲线40下方，这表明每个部件均经受低于预期的疲劳载荷。因此，涡轮机具有用于承受疲劳载荷的未使用的潜力，这提供了如下文更详细描述的修改控制策略的机会。

线42表示风力涡轮机的迄今为止具有最大建模使用率的部件。该线表示具有用于承受附加疲劳载荷的最小潜力的部件，因此对于修改控制策略可能特别重要。

另一方面，如果部件使用率中的任何一个高于预期的UR曲线40，则表明该部件承受的疲劳载荷超过了涡轮机寿命中该点处的预期值。在这种情况下，修改控制策略可以试图减小至少该部件的未来的疲劳载荷。

尽管使用率对于将建模疲劳值与预期疲劳值进行比较可能特别有用，但是也可以使用其他比较措施。例如，可以计算建模疲劳值与预期疲劳值之间的简单差值，并基于该差值修改控制策略。

通过(例如使用使用率)将涡轮机承受的建模疲劳值与涡轮机寿命中该点处的预期疲劳值进行比较，可以识别出用于承受疲劳载荷的未使用的潜力。可以修改涡轮机的总体控制策略，以利用这种未使用的潜力。这可以确保涡轮机在其整个寿命中得到最佳使用，例如在最大程度地减少运行支出的同时提取最大的能量。

一种可能的修改是调节涡轮机的工作寿命。通常，在运行开始之前估算涡轮机的寿命，以及确定寿命控制策略。但是，如果建模疲劳值表明存在承受附加疲劳载荷的潜力，则可以延长寿命。例如，在已计算出并按图4绘制使用率的情况下，可以在时间上外推建模的UR曲线，直到UR达到1为止，如图5中外推的UR曲线42a所示。外推的UR曲线42a达到1时的运行时间T+Δ可以被认为是涡轮机的新的估算寿命。例如，可以将剩余的运行时间计算为：剩余时间(例如，以年为单位)＝T/UR-x。可以针对整个涡轮机UR或针对最大的部件UR(即图4中的线42)执行延长寿命的操作。

修改涡轮机的寿命可以包括基于建模疲劳值来计算涡轮机的新的预期寿命，以及用新的预期寿命来更新涡轮机的预期寿命的记录。预期寿命的记录可以存储在外部存储设备(诸如与远程网络相关联的存储设备)上。例如，外部存储设备可以存储数据库，该数据库将多个涡轮机与相应的预期寿命值相关联。涡轮机(或涡轮机的控制器)可以经由有线或无线通信链路与外部存储设备通信，以更新数据库中该涡轮机的预期寿命值。

附加地或替代地，可以调节特定部件的运行。例如，可以基于估算的部件疲劳使用率来调节变桨响应控制增益。变桨响应控制增益可能与所谓的倾斜-偏航控制(TYC)有关，该控制增益也称为TYC增益。倾斜偏航控制的目的是通过引入周期性变桨(有时也称为独立变桨)来减小主轴承经受的平面外载荷(即所谓的倾斜和偏航载荷)，该周期性变桨抵消涡轮机所经受的主轴承上的平面外载荷(并在一定程度上减小叶片疲劳值)。TYC控制的周期性变桨会由于变桨活动增加而导致叶片轴承的磨损增加。如果受TYC控制影响的UR曲线低于预期值，则可以减小TYC增益(周期性变桨的幅度)。这导致变桨活动减少，因此叶片轴承的寿命增加。这进而减少了运行涡轮机的运行支出成本。

可以通过预期的UR曲线(即图4中的线40)来约束对TYC增益的调整——即可以调整TYC增益，以使相关联的建模倾斜/偏航UR曲线接近预期的UR曲线。替代地，如果倾斜/偏航UR曲线不是建模UR曲线中的最高的曲线(即，不是图4中的线42)，则可以调节TYC增益，直到倾斜/偏航UR是建模UR曲线中的最高的曲线为止。

修改控制策略可以附加地或替代地包括基于建模疲劳值或对应的使用率来调节涡轮机的运行设置(例如风力扇区运行模式)。特别地，这可以包括调节涡轮机的功率和速度设置。

通常，涡轮机具有不同的可用运行模式(即具有可替代的功率和速度设置的模式)。具有这些模式的动机是为了能够针对特定的场址调整涡轮机的运行，例如通过以更激进的模式(即高功率和/或速度)运行涡轮机来利用具有良性条件的风力扇区，或在条件恶劣(即低速和/或功率)的风力扇区中减小涡轮机的疲劳载荷。这些模式通常是基于施工前的选址载荷预测来选择的，并且在整个涡轮机寿命期间，涡轮机通常都以这些设置进行运行。然而，在本发明中，如果估算的UR曲线显示出用于附加疲劳载荷的未使用的潜力，则可以修改这些设置。特别地，在存在未使用的潜力的情况下，可以选择更激进的模式以用于将来的运行。相反，如果确定涡轮机经受了比预期更大的疲劳载荷，则可以选择较不激进的模式。

修改控制策略可以附加地或替代地包括基于建模的塔架疲劳值或对应的使用率来调节阻尼控制设置。阻尼控制设置可以是影响由涡轮机或涡轮机的部件提供的阻尼的控制设置。例如，阻尼控制设置可以是变桨控制。阻尼可以是侧向塔架阻尼(SSTD)和/或前后塔架阻尼(FATD)。阻尼控制可以是变桨响应增益值，也可以是定义变桨控制阻尼被启用的条件的激活阈值。因此，如果发现受SSTD或FATD影响的估算UR曲线(例如塔架载荷UR曲线)低于预期的UR曲线，则可以减少用于降低塔架载荷的变桨活动。这可以增加叶片轴承的寿命，从而降低OPEX成本。

图6给出了一个示例，其中与UR曲线42相关联的控制策略在时间x处被修改为变得更具侵略性，因此预期将来的使用率将遵循曲线42b——在时间T处达到使用率1。

以上控制策略的任何组合可用于优化涡轮机的寿命、OPEX和年发电量。

图7示出了根据本发明的实施例的控制风力涡轮机的方法。

在步骤51中，根据控制策略使风力涡轮机运行第一运行时段。特别地，该控制策略可以是初始控制策略，其在涡轮机开始运行之前确定。

在步骤52中，在第一运行时段内，从测量涡轮机的运行参数的一个或多个的传感器接收一个或多个传感器信号。

在步骤53中，基于传感器信号对在第一运行时段内施加到涡轮机的部件上的疲劳值进行建模。特别地，当被提供传感器信号作为输入时，可以使用代理模型来估算疲劳值。

在步骤54中，基于建模疲劳值来修改涡轮机的控制策略。

该方法然后可以再次开始，返回到步骤51以根据修改的控制策略使风力涡轮机运行第二运行时段。在第二运行时段之后，该方法可以进行到步骤52至54，基于第二运行时段的建模疲劳值进一步修改控制策略。

图7的步骤可以被实现为计算机程序产品或代码，该计算机程序产品或代码适于生成到控制器的指令，该控制器被布置为控制风力涡轮机或风力涡轮机的部件的运行。可以以任何合适的方式来提供计算机程序。该计算机程序产品通常由风力涡轮机控制系统200存储和执行。

尽管已经结合特定的实施例描述了本发明，但是不应以任何方式将其解释为限于所呈现的示例。本发明可以通过任何适当的手段来实现；并且本发明的范围将根据所附的权利要求书来解释。权利要求中的任何附图标记都不应被解释为限制该范围。