舰船科学技术  2018, Vol. 40 Issue (9): 99-106   PDF    
Spar型海上浮式风机极端载荷预报
周帅, 王迎光, 李昕雪     
上海交通大学 船舶海洋与建筑工程学院,海洋工程国家重点实验室,高新船舶与深海开发装备协同创新中心,上海 200240
摘要: 在风机极限强度校核问题中,通常采用传统的直接积分法外推求解构件所受的极端载荷。由于传统算法本身的缺陷,在求解海上风机时所需仿真数量急剧增加,给外推造成了困难。为了减少所需的仿真数据,引入反向一阶可靠度方法求解风机极限载荷。将其二维形式环境等值线法与1维最优化方法二分法结合起来,形成一种新的搜索算法。以某Spar型海上浮式风机为例,对其长期载荷进行求解,获得了叶片根部面外弯矩和塔筒基底首尾弯矩分别在1年和20年重现周期下的极端载荷。为了验证计算的准确性,采用计算量更大的直接积分法获取了这2项载荷的长期分布。发现计算结果与超越概率曲线具有较好的吻合度,由此体现出该方法在求解风机特定极限载荷时,不仅具有计算成本的优势同时也有较高的可靠性,为快速求解风机极限载荷提供了一种参考。
关键词: 海上风机     极端载荷     重现周期     超越概率     环境等值线法    
Extreme load predictions of a spar-type floating wind turbine
ZHOU Shuai, WANG Ying-guang, LI Xin-xue     
Shanghai Jiao Tong University, School of Naval Architecture, Ocean and Civil Engineering; State Key Laboratory of Ocean Engineering; Collaborative Innovation Center for Advanced Ship and Deep-Sea Exploration, Shanghai 200240, China
Abstract: In the problem of extreme strength checking of wind turbines, the traditional direct integration method is often used to extrapolate the extreme load of the component. Due to the shortcomings of the traditional algorithm itself, the number of simulations required for offshore wind turbines has increased dramatically, which has caused difficulties in extrapolation. In order to reduce the simulation data required, the Inverse First-Order Reliability Method (IFORM) was introduced. The two-dimensional IFORM (environmental contour method) was combined with the one-dimensional optimization method (dichotomy) to form a new search algorithm. Taking a Spar-type floating offshore wind turbine as an example, the long-term load of it was calculated. And the extreme out-of plane blade root moment and fore-aft tower base moment in 1 year and 20 year return period are acquired. In order to verify the accuracy of the calculation, the long-term distribution of these two loads is obtained by using the direct integration method with greater computational cost. And it is found that the results have good agreement with the transcendental probability curve. This shows that the method not only has the advantage of calculation cost but also high reliability when solving the specific extrme load of wind turbines. So it provides a reference for the rapid calculation of extreme load of wind turbines.
Key words: offshore wind turbine     extreme load     return period     exceedance probability     environmental contour method    
0 引 言

为了保证海上风机的结构完整性,国际电工委员会在设计标准IEC 61400-3[1]中,对支撑结构和叶轮-机舱组合件的设计提出了极限强度分析的要求,其中设计载荷 ${F_d}$ 是分析中的必要参数,求解方法通常为IEC 61400-1[2]中介绍的基本方法,直接积分法。虽然直接积分法便于理解与扩展,但是由于算法本身的缺陷,当考虑的环境变量中不止有风还有波浪等时,所需的仿真次数也急剧增加,因此给海上风机极限载荷的求解造成了困难。

为了减少仿真数量,反向一阶可靠度法IFORM(Inverse First-Order Reliability Method)逐渐被运用到考虑多维变量时极限载荷的求解上。P.J. Moriarty等[3]曾采用直接积分法求解WP_Baselline1.5MW风机叶片根部面外弯矩在1年重现周期下的极端载荷,而Korn Saranyasoontorn等[4]采用2维IFORM法(环境等值线法)以更少的仿真数据便得到了同样良好的结果。K. Saranyasoontorn等[5]曾根据IFORM的3种形式建立了求解风机名义载荷的基本模型,求解了某600 kW陆上风机叶片的极端载荷;D. Karmakar等ADDIN EN.CITE.DATA [68]利用IFORM法求解了3种不同浮式基础NREL5MW海上风机的极限载荷,并对计算结果与浮式基础的关系进行比较;Puneet Agarwal等[9]在样本经验分布函数的基础上采用环境等值线法求取了工作在20 m浅水区域NREL5MW海上风机的长期载荷。

但是在上述研究中,一般都是等间距地在搜索区域上选取搜寻点,外推结果的精度由间隔搜寻角的大小直接决定,间隔角越小外推结果就越精准,但同时仿真数量也会增加。而采用IFORM求解极端载荷实际上也是一个最优化过程,因此本文将环境等值线法与1维最优化方法二分法结合起来,形成一种具有搜寻策略的算法来求解极端载荷,通过多级搜寻逐步缩小搜寻区间,减少不必要的搜寻工作,提高外推精度。同时与传统的直接积分法进行对比验证。

1 计算原理 1.1 IFORM原理简介

直接积分法的计算公式如下

$\begin{aligned}{P_T} = {Pr} \left\{ {L > {l_T}} \right\} = \int\nolimits_{{X_1}} {\int\nolimits_{{X_2}} { \cdots \int\nolimits_{{X_n}} {Pr \{ {L > {l_T}\left| {{X_1}} \right. ={x_1} ,{X_2} =}}}}\\{{{{ {x_2}, \ldots ,{X_n} \!=\! {x_n}} \}{f_{{X_1}{X_2}, \ldots ,{X_n}}}\left( {{x_1},{x_2}, \ldots ,{x_n}} \right){\rm d}{x_1}{\rm d}{x_2}, \ldots ,{\rm d}{x_n}} } } \text{。} \end{aligned}$ (1)

其中: $T$ 为重现周期; $L$ 为短期仿真中的载荷极值; ${l_T}$ ${P_T}$ 为对应的极限载荷和超越概率; ${X_1}, {X_2},\ldots ,{X_n}$ 为环境变量,如平均风速、有义波高、谱峰周期等; ${f_{{X_1}{X_2},...,{X_n}}}$ 为环境变量分布的联合概率密度函数。

从反向可靠性的角度分析积分法求解极限载荷 ${l_T}$ 的过程。现假设 ${l_T}$ 事先已知并且作为结构设计抗力 ${l_{dec}}$ ,则事件 $L > {l_{dec}}$ 为失效事件,概率 ${Pr} \left\{ {L > {l_{dec}}} \right\}$ 为失效概率,记为 ${P_f}$ ,式(1)左半部分变为如下

${P_f} = {Pr} \left\{ {L > {l_{dec}}} \right\}\text{。}$ (2)

为了简化问题,忽略给定环境下短期载荷极值 $L$ 的不确定性,将 $L$ 当作环境变量 $X$ 的确定性函数。再将相互依赖的环境变量 $X$ 转换为独立且服从正态分布的标准正态变量 $U$ ,则短期载荷极值 $L$ 也成为标准正态变量 $U$ 的确定性函数

$L = l\left( U \right) \text{。} $ (3)

在“正向”的一阶可靠度问题中,设计抗力 ${l_{dec}}$ 事先已知,要求的可靠性指标 $\beta $ 由以下最优化问题得到[10]

$\begin{array}{l}{\text{优化变量}}:{\text{标准正态变量}}U\text{,}\\{\text{约束条件}}:g\left( U \right) = {l_{dec}} - l\left( U \right) = 0\text{,}\\{\text{目标函数}}:\beta = \min \left\{ {\left| U \right|} \right\}\text{。}\end{array}$

而在“反向”的一阶可靠度问题中,事先已知的是可靠性指标 $\beta = {\Phi ^{ - 1}}\left( {1 - {P_f}} \right)$ ,要求的变量是设计抗力 ${l_{dec}}$ ,问题转化为如下形式

$\begin{array}{l}{\text{优化变量}}:{\text{标准正态变量}}U\text{,}\\{\text{约束条件}}:\left| U \right| = \beta\text{,} \\{\text{目标函数}}:{l_{dec}} = \max \left\{ {l\left( U \right)} \right\}\text{。}\end{array}$

对比可知,在对结构进行可靠性分析中,搜寻的目标,即可靠性指标 $\beta $ 为标准正态空间内失效面上与坐标原点距离最近的点。而在求解设计抗力 ${l_{dec}}$ 的问题中,搜寻的目标为标准正态空间内半径为 $\beta $ 的球面上短期载荷极值 $L = l\left( U \right)$ 最大的点。

1.2 IFORM的3种形式

对于海上风机,通常主要考虑环境变量为风速 $V$ 和有义波高 $Hs$ 。记 $V$ 的概率密度函数和分布函数分别为 ${f_V}\left( v \right)$ ${F_V}\left( v \right)$ ;给定 $V$ $Hs$ 的密度函数和分布函数分别为 ${f_{Hs\left| V \right.}}\left( {hs\left| v \right.} \right)$ ${f_{Hs\left| V \right.}}\left( {hs\left| v \right.} \right)$ ;给定 $V$ $Hs$ 下短期载荷极值 $L$ 的分布函数为 ${F_{L\left| {V,Hs} \right.}}\left( {l\left| {v,hs} \right.} \right)$ 。则式(2)可改写为

$\begin{aligned}{P_f}\!\!= \! \!\! &\Pr \left\{ {L \!>\! {l_{dec}}} \right\} \!\!=\!\! \int\nolimits_{{V_{in}}}^{{V_{out}}} {\int\nolimits_0^\infty \!\!{{Pr} \left\{ {L\! >\! {l_{dec}}\left| {V \!\!=\!\! v\text{,}\!\!\!Hs \!\!= \!\!hs} \right.} \right\}}} \text{,} \\ &{{{f_{Hs\left| V \right.}}\left( {hs\left| v \right.} \right){f_V}\left( v \right){\rm d}v{\rm d}hs} } \text{。} \end{aligned}$ (4)

其中 ${V_{in}}$ ${V_{out}}$ 分别为切入风速和切出风速。采用Rosenblatt变换[11]将物理变量 $V$ $Hs$ $L$ 转换为标准正态变量 ${U_1}$ ${U_2}$ ${U_3}$

$\varPhi \left( {{u_1}} \right) = {F_V}\left( v \right) \text{,} $ (5)
$\varPhi \left( {{u_2}} \right) = {F_{Hs\left| V \right.}}\left( {hs\left| v \right.} \right) \text{,} $ (6)
$\varPhi \left( {{u_3}} \right) = {F_{L\left| {V,Hs} \right.}}\left( {l\left| {v,hs} \right.} \right) \text{,} $ (7)
$u_1^2 + u_2^2 + u_3^2 = {\beta ^2} \text{。} $ (8)

由此便可在标准正态空间内搜寻引起短期载荷极值 $L$ 最大的风浪组合点。根据简化程度的不同,通常分为3种情况,如图 1所示。

图 1 IFORM的3种基本形式 Fig. 1 3 Basic forms of IFORM

图 1(c)为IFORM法最基本的形式,即三维IFORM法。图 1(b)为IFORM法的二维简化形式。设 ${l_{0.5}}$ 为短期载荷极值分布 ${F_{L\left| {V,Hs} \right.}}\left( {l\left| {v,hs} \right.} \right)$ 的中位数,满足条件

$\Pr \left\{ {L \geqslant {F_{L\left| {V,Hs} \right.}}\left( {{l_{0.5}}\left| {v,hs} \right.} \right)} \right\} = 0.5\text{。}$ (9)

则当式(7)等号右边 $l$ ${l_{0.5}}$ 时,有 ${u_3} \equiv 0$ 。此时标准正态空间内的三维球面简化为 $O{U_1}{U_2}$ 平面上的二维圆,圆上 ${l_{0.5}}$ 最大的点便成为要求的设计点。由于该圆是 $\beta $ 的等值线,所以其在物理空间环境变量平面 $OVHs$ 上对应的曲线称为环境等值线(Environmental Contour),该方法也称为环境等值线法或EC法。

需要注意的是,在EC法的搜寻过程中,只比较中位数 ${l_{0.5}}$ 的大小而忽略短期载荷极值 $L$ 的不确定性必然有所误差。所以需要采取额外的修正措施来弥补EC法的上述不足,例如采用更高的分位数(大于0.5)或者更大的重现周期等。本文采取如下修正方法。

$L$ 的不确定性分为2部分:

$L = {L^*} \cdot \varepsilon \text{,} $ (10)

其中: ${L^*}$ 为由风浪条件变化引起的不确定性; $\varepsilon $ 为同一风浪条件下短期载荷极值本身的不确定性,即仿真中随机数的影响。这2个变量都可以用对数正态分布来拟合,它们取自然对数后的标准差为

${\sigma _{\ln {L^*}}} = \frac{{\ln \left( {L_{T_1}^*/L_{T_2}^*} \right)}}{{{\beta _{T_1}} - {\beta _{T_2}}}} \text{,} $ (11)
${\sigma _{\ln \varepsilon }} = \frac{{{\varepsilon _{p2}} - {\varepsilon _{p1}}}}{{{\varPhi ^{ - 1}}\left( {p_2} \right) - {\varPhi ^{ - 1}}\left( {p_1} \right)}} \text{。} $ (12)

其中: $T_1$ 为要求的重现周期; $T_2$ 为比 $T_1$ 稍短的重现周期; ${\beta _{T1}}$ ${\beta _{T2}}$ 为对应的可靠性指标; $p_1$ 为初始的分位数水平0.5; $p_2$ 是比 $p_1$ 稍高的分位数水平。在得到 ${\sigma _{\ln {L^*}}}$ ${\sigma _{\ln \varepsilon }} $ 后由下式计算修正因子 ${R_T}$

${R_T} = \frac{{{L_{T_1}}}}{{L_{T_1}^*}} = \exp \left[ {\left( {{\sigma _{\ln L}} - {\sigma _{\ln {L^*}}}} \right){\beta _{T_1}}} \right] \text{,} $ (13)

其中 $\sigma _{\ln L}^2 = \sigma _{\ln {L^*}}^2 + \sigma _{\ln \varepsilon }^2$

如果在式(10)中取 $hs$ $h{s_{0.5}}$ ,则 ${u_2}$ 也恒等于0,此时三维IFORM便简化为一维,唯一的搜寻点即当作设计点。

2 数值算例 2.1 Spar型海上浮式风机

NREL海上5MW风机是美国国家可再生能源实验室(National Renewable Energy Laboratory)开发的一款风机[12],根据子结构和基础形式的不同分为多种类型。其中,OC3Hywind是一种Spar型浮式基础的海上风机,如图 2所示。基本参数见表 1

图 2 Spar风机示意图 Fig. 2 Schematic diagram of Spar wind turbine

表 1 基本参数 Tab.1 Basic parameters
2.2 计算工况

计算工况以IEC 61400-3中正常发电工况的DLC 1.1为例,风机等级IECⅠ-A。参考Korn Saranyasoontorn等[13]中丹麦Horns Rev处的海洋气象条件,调整相应的参数使风机运行在一个较合理的环境下。假定平均风速服从韦伯分布

${F_V}\left( v \right) = 1 - \exp \left[ { - {{\left( {\frac{v}{a}} \right)}^k}} \right],\;\;\;a = 12.258\;3,k = 1.8 \text{,} $ (14)

并且只考虑在工作风速区间内失效的情况,因此对切入风速以下和切出风速以上进行截断,将平均风速的实际分布函数改写为

${F_V}\left( v \right) = \frac{{G\left( {{v_{in}}} \right) - G\left( v \right)}}{{G\left( {{v_{in}}} \right) - G\left( {{v_{out}}} \right)}} \text{,} $ (15)
$G\left( v \right) = \exp \left[ { - {{\left( {\frac{v}{a}} \right)}^k}} \right] \text{。} $ (16)

假定有义波高服从正态分布。

$\begin{aligned}& {F_{Hs\left| V \right.}}\left( {hs\left| v \right.} \right) \!=\! \Phi \left[ {\frac{{hs - {\mu _{Hs}}\left( v \right)}}{{{\sigma _{Hs}}}}} \right],\\\;\;\;& {\mu _{Hs}}\left( v \right) \!=\! 0.13v,{\sigma _{Hs}} \!=\! 0.24\text{。}\end{aligned}$ (17)

为了简化问题,将谱峰周期 ${T_p}$ 作为有义波高的确定性函数。参考IEC61400-3中确定性设计波浪对应周期范围的公式

$11.1\sqrt {{H_{S,NSS}}\left( V \right)/g} \leqslant T \leqslant 14.3\sqrt {{H_{S,NSS}}\left( V \right)/g} \text{,} $ (18)

对谱峰周期取值如下:

${T_p} = \frac{{\left( {11.1 + 14.3} \right)}}{2}\sqrt {\frac{{Hs\left( V \right)}}{g}}\text{。} $ (19)

式中 $g$ 为重力加速度,取9.8 m/s。

3 极限载荷求解 3.1 搜索算法

采用环境等值线法求解该风机1年重现周期和20年重现周期下的长期载荷,求解对象为叶片根部面外弯矩OOPB(Out-of Plane Blade Root Moment)以及塔筒基底首尾弯矩TBM(Fore-aft Tower Base Moment)。基本流程如图 3所示。

图 3 搜索算法流程图 Fig. 3 Flow chart of search method
3.2 1年重现周期结果

设定收敛条件 $\delta $ 等于3°。1年重现周期下OOPB的极端载荷见表 2表 3。在进行Rosenblatt变换时,环境等值线上风速较低的2个搜寻点出现了有义波高为负的情况,这是有义波高分布函数本身的定义造成的。而最大短期载荷极值多发生在海况较恶劣的风浪点,因此对设计点的搜寻不造成影响。经过试算,发现同等风速下有义波高较小时中位数 ${l_{0.5}}$ 也较小,因此相同风速的海况中有义波高较小的一组没有进行仿真试验。

表 2 1年重现周期OOPB搜寻结果 Tab.2 Search results of OOPB in 1 year return period

表 3 1年重现周期OOPB设计点修正 Tab.3 Correction of the OOPB design point in 1 year return period

最终获得1年重现周期下OOPB极限载荷 $14\;703 \times$ $1.027\;6 = 15\;109\;{\rm{kN}} \cdot {\rm{m}}$ 。标准正态空间中的OOPB等值线与物理空间中的OOPB等值线如图 4所示。图中标注的数字对应表 1中的搜寻顺序。

图 4 1年OOPB搜寻过程及等值线对比 Fig. 4 Search process of OOPB in 1 year return period and isolines contrast

由于计算中发现TBM短期极值的不确定性比OOPB更大,因此设定收敛条件为 $\delta $ =2°。1年重现周期下TBM的极端载荷见表 4表 5

表 4 1年重现周期TBM搜寻结果 Tab.4 Search results of TBM in 1 year return period

表 5 1年重现周期TBM设计点修正 Tab.5 Correction of the TBM design point in 1 year return period

最终获得1年重现周期下的TBM极端载荷 $145\;129 \times$ $1.048\;8 = 152\;211\;{\rm{kN}} \cdot {\rm{m}}$ 。标准正态空间中的TBM等值线与物理空间中的TBM等值线如图 5所示。

图 5 1年TBM搜寻过程及等值线对比 Fig. 5 Search process of TBM in 1 year return period and isolines contrast
3.3 20年重现周期结果

为了之后与直接积分法进行更多的对比验证,同时还计算了20年重现周期时的极限载荷。搜寻过程与1年重现周期类似,在此不予赘述。最终获得20年重现周期下OOPB极限载荷为 $15\;167 \times 1.048\;9 = $ $15\;909\;{\rm{kN}} \cdot {\rm{m}}$ 。20年重现周期下TBM极限载荷为 $145\;472 \times 1.119\;7 = 162\;885\;{\rm{kN}} \cdot {\rm{m}}$

4 积分法对计算结果的验证

为了对比验证搜索算法的外推结果,根据式1采用直接积分法求解OOPB和TBM的长期分布。首先确定整个2重积分的积分域。根据前文定义的计算工况和平均风速的分布函数,取平均风速的积分区间为5 m/s~25 m/s;根据有义波高的分布函数取积分区间0 m~5 m。然后将各自的积分区间划分成多个子区间。为此将平均风速按照2 m/s的分辨率划分成11个子区间,各子区间平均风速为5 m/s,7 m/s,···,25 m/s。将有义波高按照1 m的分辨率划分成5个子区间,各子区间平均有义波高分别为0.5 m,1.5 m,···,4.5 m。综上所述,总积分域被划分成55个子区间。

确定好各子区间后根据其风浪参数,对风机在该环境条件下的运行进行数值仿真,以获取短期极值点 $L$ 。本文对每个风浪点均进行至少6次随机仿真。首先由湍流风软件TurbSim[14]产生湍流风数据,然后导入风机仿真软件FAST[15]进行10 min短期仿真,最后从输出结果中提取时域响应的极值点。采用常见的分块法选取极值点,根据夏一青等[16]的建议取分块数30,即从每次仿真中选取30个极值点。以平均风速13 m/s,有义波高4.5 m的某次随机仿真为例,选取OOPB短期极值点如图 6所示。

图 8 短期极值分布累积分布函数 Fig. 8 CDF of fitted distribution

图 6 10 min短期载荷极值点,v=15 m/s,Hs=4.5 m Fig. 6 10 minutes short-term load extremes, v=15 m/s, Hs=4.5 m

图 7 短期极值分布概率密度函数 Fig. 7 PDF of fitted distribution

在获得短期极值点后,需要对其分布进行拟合,计算 ${F_{L\left| {V{\text{,}}Hs} \right.}}\left( {l\left| {v{\text{,}}hs} \right.} \right)$ 。本文采用常见的3参数韦伯分布进行拟合,以线性矩法估计分布参数,采用Q-Q图对拟合分布进行检验。同样以上述风浪点为例,拟合分布的概率密度函数和累积分布函数如图 7图 8所示。拟合分布与样本经验分布的分位数对比如图 9所示。

图 9 短期载荷极值Q-Q图 Fig. 9 Quantile-Quantile plot of short-term extreme load

图 10 叶片根部面外弯矩超越概率分布 Fig. 10 Exceedance probability distribution of OOPB

图 11 塔筒基底首尾弯矩超越概率分布 Fig. 11 Exceedance probability distribution of TBM

注意以上求解 ${F_{L\left| {V,Hs} \right.}}\left( {l\left| {v,hs} \right.} \right)$ 的过程在搜索算法计算中位数 ${l_{0.5}}$ 时也会用到。而在积分法中,在式(1)右侧取不同的 ${l_T}$ 可得到不同的超越概率 $Pr \left\{ {L > {l_T}} \right\}$ 。由此计算出OOPB和TBM的长期超越概率曲线如图 10图 11所示。在1年的时长内,有365×24×6=52 560个10 min,因此1年重现周期对应的超越概率为1/52 560=1.902 6E-5,相应地20年重现周期对应的超越概率为9.512 9E-7。

1年和20年重现周期下搜索算法与积分法的对比如表 6所示。其中OOPB1和TBM1为搜索算法直接搜寻的结果,OOPB2和TBM2为经修正点修正之后的结果。

表 6 搜索算法与积分法外推结果对比 Tab.6 Comparison of extrapolation results of search method and integration method

由表中数据可见,在4项对比中,搜索算法预估的失效点与积分法预估的设计点均较一致,平均风速的误差不超过1 m/s,这表明搜索算法具有良好的识别能力,能够有效地分析出风机正常发电时最有可能出现失效的情况。

对于不确定性较小的叶片根部首尾弯矩OOPB,搜索算法外推结果与积分法更接近,修正因子 ${R_T}$ 的数值也更小。塔筒基底首尾弯矩TBM较OOPB的不确定性更大,在和积分法直接比较时,存在一定误差,并且重现周期越大误差也越明显。然而较大的不确定性也导致了较大的修正因子 ${R_T}$ ,所以在一定程度上弥补了搜索算法的不足。经过修正因子修正之后,外推结果与积分法更为接近,误差在5%左右。

5 结 语

将EC法与二分法结合起来形成一种新的搜索算法,应用于求解Spar型浮式风机叶片根部面外弯矩和塔筒基底首尾弯矩在1年和20年重现周期下的极端载荷,主要可得以下结论:

1)相较于积分法55组的仿真数量,搜索算法仅利用17~19组仿真便获得了相应的极限载荷与设计点,因此在计算成本上具有较大的优势。

2)经过与传统直接积分法的外推结果对比验证,发现在极限载荷数值和引发失效的设计点上均较一致,说明了搜索算法同时也具有较高的可靠性。

3)作为参考,EC法还可结合其他最优化方法以进一步减少仿真需要的数量,提高求解精度。

参考文献
[1]
IEC 61400-3: 2009, Wind turbines-Part 3: Design requirements for offshore wind turbines, Edition 1. 0, 2009[S].
[2]
IEC 61400-1: 2005, Wind turbines-Part 1: Design requirements, Edition 3. 0, 2005 [S].
[3]
MORIARTY PJ, HOLLEY W, BUTTERFIELD CP. Extrapolation of extreme and fatigue loads using probabilistic methods[EB/OL]. (2004-11) [2017-02]. http://www.nrel.gov/docs/fy05osti/34421.pdf.
[4]
SARANYASOONTORN K, MANUEL L. Design loads for wind turbines using the environmental contour method[J]. Journal of Solar Energy Engineering, 2006, 128(4): 554-61. DOI:10.1115/1.2346700
[5]
SARANYASOONTORN K, MANUEL L. Efficient models for wind turbine extreme loads using inverse reliability[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2004, 92(10): 789-804. DOI:10.1016/j.jweia.2004.04.002
[6]
KARMAKAR D, GUEDES SOARES C. Reliability based design loads of an offshore semi-submersible floating wind turbine[J]. Developments in Maritime Transportation and Exploitation of Sea Resources, Guedes Soares, C and FL Pena, eds, Taylor & Francis Group, London. 2014: 919–26.
[7]
KARMAKAR D, SOARES C G. Extreme response prediction of offshore wind turbine using inverse reliability technique[C]//ASME 2015 34th International Conference on Ocean, Offshore and Arctic Engineering. American Society of Mechanical Engineers, 2015: V003T02A065-V003T02A065.
[8]
KARMAKAR D, BAGBANCI H, SOARES CG. Long-term extreme load prediction of spar and semisubmersible floating wind turbines using the environmental contour method[J]. Journal of Offshore Mechanics and Arctic Engineering, 2016, 138(2): 021601. DOI:10.1115/1.4032099
[9]
AGARWAL P, MANUEL L. Simulation of offshore wind turbine response for long-term extreme load prediction[J]. Engineering structures, 2009, 31(10): 2236-46. DOI:10.1016/j.engstruct.2009.04.002
[10]
WINTERSTEIN SR, UDE TC, CORNELL CA, et al. Environmental parameters for extreme response: Inverse FORM with omission factors[J]. Proceedings of the ICOSSAR-93, Innsbruck, Austria, 1993, 551-7.
[11]
ROSENBLATT M. Remarks on a multivariate transformation[J]. The Annals of Mathematical Statistics, 1952, 23(3): 470-2. DOI:10.1214/aoms/1177729394
[12]
JONKMAN J, BUTTERFIELD S, MUSIAL W, et al. Definition of a 5-MW reference wind turbine for offshore system development[EB/OL]. (2009–02) [2017–04]. http://www.nrel.gov/docs/fy09osti/38060.pdf
[13]
SARANYASOONTORN K, MANUEL L. On assessing the accuracy of offshore wind turbine reliability-based design loads from the environmental contour method[J]. International Journal of Offshore and Polar Engineering, 2005, 15(02).
[14]
JONKMAN BJ. TurbSim User's Guide: Version 1. 06. 00[EB/OL]. (2012–09)[2017–04]. https://nwtc.nrel.gov/system/files/TurbSim.pdf
[15]
JONKMAN JM, BUHL Jr ML. FAST user's guide[EB/OL]. (2005–08)[2017–04]. http://wind.nrel.gov/public/bjonkman/TestPage/FAST.pdf
[16]
夏一青, 王迎光. 应用统计外推求解近海风机面外叶根部弯矩最大值[J]. 上海交通大学学报, 2013, 47(12): 1968-1973.
XIA Yi-qing, WANG Ying-guang. Calculation of out-of-plane bending moment at the blade root of offshore wind turbines by statistic extrapolation[J]. Journal of Shanghai Jiaotong University, 2013, 47(12): 1968-1973.