CN116412091A - 基于机器学习的风力发电机组叶片实时除冰方法及*** - Google Patents

Abstract

本发明提供了基于机器学习的风力发电机组叶片实时除冰方法及***。包括：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。通过对风机叶片的实时数据进行处理分析，建立冰块覆盖模型，从而对冰块进行判断，得到对应的精准除冰方案，使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

Description

基于机器学习的风力发电机组叶片实时除冰方法及***

技术领域

本发明涉及实时除冰领域，特别涉及基于机器学习的风力发电机组叶片实时除冰方法及***。

背景技术

目前，我国的风机装机总量已跃居世界第一位，而且呈逐年增长的态势，其中我国的风电场主要分布在“三北”等较湿冷地区，该地区的风机叶片存在严重的覆冰现象。叶片覆冰对风机的机械性能和气动性能造成很大危害,严重影响着风机的输出效率。风力发电在我国起步时间较晚，国内对风机叶片除冰技术的研究较少且不成熟，为确保风电场的正常稳定运行，风机叶片的冰灾防治已成为风电行业发展过程中必须解决的难题之一。

然而，现有的除冰技术容易对叶片造成机械损伤，而且叶根附近位置振动效果差，除冰可靠性低，另一方面除冰过程的瞬时用电功率较大，也会对设备造成不可逆的损害。

因此，本发明提供了基于机器学习的风力发电机组叶片实时除冰方法及***。

发明内容

本发明提供了基于机器学习的风力发电机组叶片实时除冰方法及***，用以通过对风机叶片的实时数据进行处理分析，建立冰块覆盖模型，从而对冰块进行判断，得到对应的精准除冰方案，使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

本发明提供基于机器学习的风力发电机组叶片实时除冰方法，包括：

步骤1：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

步骤2：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

步骤3：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

步骤4：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

在一种可能实现的方式中，基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息，包括：

步骤11：基于预设若干不同类型的传感器获取风力发电机组中目标风机叶片不同部位的实时传感器数据；

步骤12：将所述传感器数据填充入预设传感器数据表中，并基于对应数据类型的标准数据格式对所述传感器数据进行标准化处理，得到实时数据信息。

在一种可能实现的方式中，基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型，包括：

步骤21：对获取到的实时数据信息进行信息分析；

步骤22：基于实时数据信息的信息种类及信息分析结果筛选算法数据库中可匹配的同类型数据算法；

将分析结果代入同类型数据算法中，确定所述分析结果与同类型数据算法的可匹配程度；

步骤23：基于得到的可匹配程度，筛选匹配值最高的算法，作为当前风机叶片的预设算法；

步骤24：基于所述预设算法，建立当前风机叶片的原始冰块覆盖模型；

步骤25：基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行测试调整，得到调整后的第一冰块覆盖模型。

在一种可能实现的方式中，基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析，包括：

步骤31：基于所述第一冰块覆盖模型确定当前风机叶片对应的冰块关键属性；

步骤32：基于所述冰块关键属性传输至智能管理终端，并与预设冰块属性进行匹配；

步骤33：基于匹配结果，确定与当前风机叶片的冰块关键属性匹配程度最高的标准冰块关键属性，及标准冰块关键属性对应的冰块等级；

步骤34：基于所述冰块等级以及标准冰块关键属性对应的同一冰块等级的冰块属性，对当前风机叶片的冰块进行第一分析。

在一种可能实现的方式中，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰，包括：

步骤41：将所述第一分析结果与预设分析表进行对应，并将匹配冰块指数作为风机叶片对应冰块的第一预测指数；

步骤42：基于第一预测指数确定对应的第一除冰方案，并基于所述第一除冰方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案；

步骤43：基于第二除冰方案对风机叶片的对应位置进行实时除冰。

在一种可能实现的方式中，基于第一预测指数确定对应的第一除冰方案，并基于所述方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案，包括：

步骤421：基于第一预测指数与指数方案表中的指数范围进行比较；

若第一预测指数处于指数方案表的第一预设范围内，则基于风机叶片的叶片旋转惯性力以及对应超声波模块进行工作，作为当前风机叶片的第一除冰方案；

若第一预测指数处于指数方案表的第二预设范围内，则基于风机叶片的叶片旋转惯性力以及对应激光模块进行工作，作为当前风机叶片的第一除冰方案；

反之，则基于风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块，作为当前风机叶片的第一除冰方案；

步骤422：基于预测的第一除冰方案在智能管理终端进行模拟，预测对应风机叶片的除冰时间；

其中，T₀为通用影响因素的影响时间；T₁为第一预测指数处于指数方案表的第一预设范围时的风机叶片的除冰时间；T₂为第一预测指数处于指数方案表的第二预设范围时的风机叶片的除冰时间；T₃为第一预测指数处于指数方案表的第二预设范围之外时的风机叶片的除冰时间；T_s为标准状态下风机叶片的除冰时间；β₁、β₂、β₃、β₄为通用影响因素中每一个因素的时间转换系数；h₁为当前风机叶片的最大覆冰厚度；h₂为最小覆冰厚度；h₀为对除冰时间影响变化点的覆冰厚度；α₁为覆冰厚度对除冰时间的第一影响指数；α₂为覆冰厚度对除冰时间的第二影响指数；t₁为当前风机叶片所处环境的最大环境温度；t₂为最小环境温度；t₀为环境温度对除冰时间影响变化点的环境温度；μ₁为环境温度对除冰时间的第一影响指数；μ₂为环境温度对除冰时间的第二影响指数；v为风机叶片实时工作风速；v_s为风机叶片正常工作的标准风速；l为风机叶片所处环境的实时液态水含量；l_s为风机叶片所处环境的标准液态水含量；P₁为风机叶片在超声波影响下的热释放功率；C₁为风机叶片在超声波影响下的加热时间；c为冰的比热容；m为目标风机叶片上冰块的质量；ω为温度时间转换系数；P₂为风机叶片在激光影响下的热释放功率；C₂为风机叶片在激光影响下的加热时间；ε₁、ε₂为当前加热功率对当前除冰时间的影响权重；

若所述除冰时间处于第一预设时间范围内，则确定当前第一除冰方案为第二除冰方案；

反之，则重新进行数据采集、算法匹配、模型建立，得到第二除冰方案。

在一种可能实现的方式中，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰之后，还包括：对除冰结果进行校验，具体包括：

步骤01：当实时除冰任务显示完成后，再次获取预设传感器的实时数据信息，并进行标准化处理；

步骤02：基于标准化处理后的实时数据信息与当前风机叶片对应的标准状态数据进行对比，实现结果校验；

若所述校验结果处于预设正常范围内，则判断当前除冰任务完成，并将完成结果传输至智能管理终端；

反之，则判断当前除冰任务未完成，基于所述未完成除冰的风机叶片的实时数据信息重新建立第一冰块覆盖模型，并进行分析预测，再次进行除冰。

本发明提供了基于机器学习的风力发电机组叶片实时除冰***，包括：

数据获取模块：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

模型建立模块：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

分析预测模块：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

除冰处理模块：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中基于机器学习的风力发电机组叶片实时除冰方法的流程图；

图2为本发明实施例中基于机器学习的风力发电机组叶片实时除冰方法中基于分析结果预测冰块指数，确定除冰方案的流程图；

图3为本发明实施例中基于机器学习的风力发电机组叶片实时除冰***的结构图；

图4为本发明实施例中基于机器学习的风力发电机组叶片实时除冰方法的另一流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本发明实施例提供了基于机器学习的风力发电机组叶片实时除冰方法，如图1所示，包括：

步骤1：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

步骤2：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

步骤3：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

步骤4：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

该实施例中，预设传感器是指用来收集风机叶片的叶片加速度、温度、湿度、气压、风速、载荷等数据信息的传感器设备。

该实施例中，目标风机叶片是指风力发电机组中需要进行风力发电的风机叶片。

该实施例中，实时数据信息是指基于预设传感器采集到的风机叶片的数据信息，比如，包括叶片加速度、温度、湿度、气压、风速、载荷等。

该实施例中，机器学习是指基于对风机叶片的数据信息的初步认识以及学习目的的分析，选择合适的数学模型，拟定参数，输入风机叶片的数据信息，然后依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测的过程。

该实施例中，预设算法是基于实时信息的信息种类及信息分析结果筛选算法数据库中可匹配的同类型数据算法，将分析结果代入同类型数据算法中，确定分析结果与同类型数据算法的可匹配程度，基于得到的可匹配程度，筛选匹配值最高的算法，作为当前风机叶片的预设算法，预设算法是机器学习模型，对于不同场景所需要使用到的机器学习模型是不一样的，所以会进行相关算法的匹配筛选，得到匹配度最高的算法也就是机器学习模型，进而后续在获取到传感器所采集的各种信息之后通过机器学习模型的各种学习，实现对冰块覆盖模型的建立。

该实施例中，第一冰块覆盖模型是指基于预设算法建立风机叶片的原始冰块覆盖模型，并基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行调整，得到的冰块覆盖模型，比如，将风机叶片的每一组历史数据信息输入原始冰块覆盖模型中，基于当前原始冰块覆盖模型会得到一个冰块覆盖情况的输出结果，基于输出结果与历史数据信息得到的冰块覆盖结果进行比较，若比较结果存在偏差，则基于当前历史数据信息筛选得到对应算法，并生成一个历史冰块覆盖模型，比较历史冰块覆盖模型与原始冰块模型的差异，并进行对应调整。

该实施例中，冰块关键属性是指风机叶片上的冰块的可测量属性，比如，冰块的结冰大小、结冰部位。

该实施例中，冰块指数是指基于冰块关键属性得到对应的冰块等级，并基于当前冰块等级对应的分析结果得到对应的冰块指数。

该实施例中，除冰方案是指基于冰块指数得到对应的冰块除冰方案，可以基于冰块指数不同确定不同的除冰方案，比如，按照冰块指数不同，将风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块等作为风机叶片的冰块除冰方案。

该实施例中，针对步骤1-4的具体过程，如图4所示。

上述技术方案的有益效果是：通过对风机叶片的实时数据进行处理分析，建立冰块覆盖模型，从而对冰块进行判断，得到对应的精准除冰方案，使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

实施例2：

基于实施例1的基础上，基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息，包括：

步骤11：基于预设若干不同类型的传感器获取风力发电机组中目标风机叶片不同部位的实时传感器数据；

步骤12：将所述传感器数据填充入预设传感器数据表中，并基于对应数据类型的标准数据格式对所述传感器数据进行标准化处理，得到实时数据信息。

该实施例中，预设传感器是指用来收集风机叶片的叶片加速度、温度、湿度、气压、风速、载荷等数据信息的传感器设备。

该实施例中，目标风机叶片是指风力发电机组中进行风力发电的风机叶片。

该实施例中，不同部位的实时传感器数据是指风机叶片的叶片前、中、后部对应的传感器获得的实时传感器数据。

该实施例中，预设传感器数据表是指基于风机叶片的传感器获取数据类型设置的传感器数据表，其中，第一列为传感器数据类型，比如，叶片加速度、温度、湿度、气压、风速、载荷，第二列对传感器对应的数据信息。

该实施例中，标准数据格式是指传感器表中对应数据类型的标准数据格式，比如，叶片加速度的标准数据格式为10米每平方秒。

该实施例中，标准化处理是指对实时传感器数据进行逆指标一致化的处理，比如，倒数一致化，减数一致化的处理。

该实施例中，实时数据信息是指基于预设传感器采集到的风机叶片的数据信息，比如，包括叶片加速度、温度、湿度、气压、风速、载荷等。

所述技术方案的有益效果是：通过对传感器数据进行处理，得到风机叶片的实时数据，并进行分析，从而建立冰块覆盖模型，对冰块进行判断，得到对应的精准除冰方案，可以使得除冰可靠性增加。

实施例3：

基于实施例2的基础上，基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型，包括：

步骤21：对获取到的实时数据信息进行信息分析；

步骤22：基于实时数据信息的信息种类及信息分析结果筛选算法数据库中可匹配的同类型数据算法；

将分析结果代入同类型数据算法中，确定所述分析结果与同类型数据算法的可匹配程度；

步骤23：基于得到的可匹配程度，筛选匹配值最高的算法，作为当前风机叶片的预设算法；

步骤24：基于所述预设算法，建立当前风机叶片的原始冰块覆盖模型；

步骤25：基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行测试调整，得到调整后的第一冰块覆盖模型。

该实施例中，信息分析是指对实时数据信息进行分类，并对分类后的数据信息进行分析整理。

该实施例中，算法数据库是指包含所有类型算法的数据库。

该实施例中，同类型数据算法是指基于实时数据信息的信息种类在算法数据库中筛选出的与当前信息种类类型一致的数据算法。

该实施例中，可匹配程度是指将信息分析结果代入同类型数据算法中，判断信息分析结果与同类型数据算法的匹配程度。

该实施例中，匹配值是指将信息分析结果与同类型数据算法进行匹配时，对应的匹配程度高低对应的数值。

该实施例中，预设算法是基于匹配值，筛选匹配值最高的算法作为预设算法。

该实施例中，原始冰块覆盖模型是基于预设算法及实时数据信息构建的冰块模型。

该实施例中，历史数据信息是指目标风机叶片的传感器采集到的历史数据信息。

该实施例中，第一冰块覆盖模型是指基于预设算法建立风机叶片的原始冰块覆盖模型，并基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行调整，得到的冰块覆盖模型。

该实施例中，第一冰块覆盖模型与风机SCADA后台通讯，可以获取风机及冰块关键属性。

所述技术方案的有益效果是：通过对风机叶片的实时数据并进行分析，从而建立冰块覆盖模型，可以对冰块进行判断，从而得到对应的精准除冰方案，可以使得除冰可靠性增加。

实施例4：

基于实施例3的基础上，基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析，包括：

步骤31：基于所述第一冰块覆盖模型确定当前风机叶片对应的冰块关键属性；

步骤32：基于所述冰块关键属性传输至智能管理终端，并与预设冰块属性进行匹配；

步骤33：基于匹配结果，确定与当前风机叶片的冰块关键属性匹配程度最高的标准冰块关键属性，及标准冰块关键属性对应的冰块等级；

步骤34：基于所述冰块等级以及标准冰块关键属性对应的同一冰块等级的冰块属性，对当前风机叶片的冰块进行第一分析。

该实施例中，第一冰块覆盖模型是指基于预设算法建立风机叶片的原始冰块覆盖模型，并基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行调整，得到的冰块覆盖模型。

该实施例中，冰块关键属性是指风机叶片上的冰块的可测量属性，比如，冰块的结冰大小、结冰部位。

该实施例中，预设冰块属性是指预设的风机叶片上可能会存在的冰块的所有冰块属性。

该实施例中，标准冰块关键属性是指预设冰块属性中与当前风机叶片的冰块关键属性匹配程度最高的冰块关键属性。

该实施例中，冰块等级是指基于当前标准冰块关键属性得到的对应的冰块等级，比如，冰块结冰大小为10立方厘米，结冰部位处于风机叶片中部时对应的冰块等级为2级。

该实施例中，冰块属性是指包含标准冰块关键属性的预设冰块属性。

该实施例中，第一分析是指对标准冰块关键属性对应的同一冰块等级的冰块属性进行分析。

所述技术方案的有益效果是：通过建立冰块覆盖模型确定冰块关键属性，从而对冰块进行判断，可以得到对应的精准除冰方案，使得除冰可靠性增加。

实施例5：

基于实施例4的基础上，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰，如图2所示，包括：

步骤41：将所述第一分析结果与预设分析表进行对应，并将匹配冰块指数作为风机叶片对应冰块的第一预测指数；

步骤42：基于第一预测指数确定对应的第一除冰方案，并基于所述第一除冰方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案；

步骤43：基于第二除冰方案对风机叶片的对应位置进行实时除冰。

该实施例中，第一分析是指对标准冰块关键属性对应的同一冰块等级的冰块属性进行分析。

该实施例中，预设分析表是基于当前风机叶片的历史数据信息等预先设置的冰块分析表，基于预设分析表与第一分析结果进行对应，预设分析表中与第一分析结果对应的分析结果所对应的冰块指数即为当前风机叶片的冰块的冰块指数。

该实施例中，冰块指数是指基于冰块关键属性得到对应的冰块等级，并基于当前冰块等级对应的分析结果得到对应的冰块指数。

该实施例中，第一预测指数是基于冰块指数确定的。

该实施例中，第一除冰方案是指基于第一预测指数得到对应的冰块除冰方案，可以基于第一预测指数不同确定不同的除冰方案，比如，按照第一预测指数不同，将风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块等作为风机叶片的冰块除冰方案。

该实施例中，第二除冰方案是指在第一除冰方案的基础上，进行模拟时，对第一除冰方案进行调整后得到的。

上述技术方案的有益效果是：通过对冰块指数进行预测，并基于冰块指数确定除冰方案，并对除冰方案进行调整，可以使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

实施例6：

基于实施例5的基础上，基于第一预测指数确定对应的第一除冰方案，并基于所述方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案，包括：

步骤421：基于第一预测指数与指数方案表中的指数范围进行比较；

若第一预测指数处于指数方案表的第一预设范围内，则基于风机叶片的叶片旋转惯性力以及对应超声波模块进行工作，作为当前风机叶片的第一除冰方案；

若第一预测指数处于指数方案表的第二预设范围内，则基于风机叶片的叶片旋转惯性力以及对应激光模块进行工作，作为当前风机叶片的第一除冰方案；

反之，则基于风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块，作为当前风机叶片的第一除冰方案；

步骤422：基于预测的第一除冰方案在智能管理终端进行模拟，预测对应风机叶片的除冰时间；

其中，T₀为通用影响因素的影响时间；T₁为第一预测指数处于指数方案表的第一预设范围时的风机叶片的除冰时间；T₂为第一预测指数处于指数方案表的第二预设范围时的风机叶片的除冰时间；T₃为第一预测指数处于指数方案表的第二预设范围之外时的风机叶片的除冰时间；T_s为标准状态下风机叶片的除冰时间；β₁、β₂、β₃、β₄为通用影响因素中每一个因素的时间转换系数；h₁为当前风机叶片的最大覆冰厚度；h₂为最小覆冰厚度；h₀为对除冰时间影响变化点的覆冰厚度；α₁为覆冰厚度对除冰时间的第一影响指数；α₂为覆冰厚度对除冰时间的第二影响指数；t₁为当前风机叶片所处环境的最大环境温度；t₂为最小环境温度；t₀为环境温度对除冰时间影响变化点的环境温度；μ₁为环境温度对除冰时间的第一影响指数；μ₂为环境温度对除冰时间的第二影响指数；v为风机叶片实时工作风速；v_s为风机叶片正常工作的标准风速；l为风机叶片所处环境的实时液态水含量；l_s为风机叶片所处环境的标准液态水含量；P₁为风机叶片在超声波影响下的热释放功率；C₁为风机叶片在超声波影响下的加热时间；c为冰的比热容；m为目标风机叶片上冰块的质量；ω为温度时间转换系数；P₂为风机叶片在激光影响下的热释放功率；C₂为风机叶片在激光影响下的加热时间；ε₁、ε₂为当前加热功率对当前除冰时间的影响权重；

若所述除冰时间处于第一预设时间范围内，则确定当前第一除冰方案为第二除冰方案；

反之，则重新进行数据采集、算法匹配、模型建立，得到第二除冰方案。

该实施例中，指数方案表是指包含所有指数范围，及每一范围对应的解决方案的方案表。

该实施例中，第一预设范围、第二预设范围是基于风机叶片的本身属性及环境因素预先确定的，可以基于风机叶片的本身属性不同及环境不同对第一、第二预设范围进行调整，其中，第一预设范围小于第二预设范围。

该实施例中，第一除冰方案可以根据冰块指数的不同进行调整，其中，第一预测指数处于指数方案表的第一预设范围内，则基于风机叶片的叶片旋转惯性力以及对应超声波模块进行工作，作为当前风机叶片的第一除冰方案；若第一预测指数处于指数方案表的第二预设范围内，则基于风机叶片的叶片旋转惯性力以及对应激光模块进行工作，作为当前风机叶片的第一除冰方案；反之，则基于风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块，作为当前风机叶片的第一除冰方案。

该实施例中，激光模块及超声波模块都处于风机叶片的塔筒外壁。

该实施例中，除冰时间是指基于第一除冰方案下时，对应的冰块去除的时间。

该实施例中，覆冰厚度是指风机叶片上冰块的厚度，覆冰厚度高于除冰时间影响变化点的覆冰厚度时除冰时间对冰块的影响指数与覆冰厚度低于除冰时间影响变化点的覆冰厚度时除冰时间对冰块的影响指数不同，且第一影响指数大于第二影响指数。

该实施例中，风机叶片正常工作的标准风速不小于风机叶片的实时风速，风机叶片所处环境的标准液态水含量不小于当前环境的实时液态水含量。

该实施例中，第一预设时间范围是基于风机叶片的工作效率、工作时间确定的。

该实施例中，第二除冰方案是指在第一除冰方案的基础上，确定对应的除冰时间，并基于除冰时间对第一除冰方案进行调整后得到的。

上述技术方案的有益效果是：通过对第一除冰方案的模拟，从而对除冰时间进行判断，并基于除冰时间对第一除冰方案进行调整，可以得到对应的精准除冰方案，使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

实施例7：

基于实施例5的基础上，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰之后，还包括：对除冰结果进行校验，具体包括：

步骤01：当实时除冰任务显示完成后，再次获取预设传感器的实时数据信息，并进行标准化处理；

步骤02：基于标准化处理后的实时数据信息与当前风机叶片对应的标准状态数据进行对比，实现结果校验；

若所述校验结果处于预设正常范围内，则判断当前除冰任务完成，并将完成结果传输至智能管理终端；

反之，则判断当前除冰任务未完成，基于所述未完成除冰的风机叶片的实时数据信息重新建立第一冰块覆盖模型，并进行分析预测，再次进行除冰。

该实施例中，标准状态数据是指当前风机叶片在当前工作环境中正常工作时，所有传感器采集到的状态数据，比如，在101Kpa，15摄氏度，一级风，无冰等状态下时对应的状态数据为标准状态数据。

该实施例中，结果校验是指基于实时数据信息与当前风机叶片对应的标准状态数据进行对比，从而实现对除冰结果的检验。

上述技术方案的有益效果是：通过将完成除冰后的实时数据信息与标准状态信息进行比较，从而对对风机叶片除冰结果进行校验，可以使得除冰可靠性增加，使得除冰结果的精准性增加，从而减少对设备的损害。

实施例8：

本发明实施例提供了基于机器学习的风力发电机组叶片实时除冰***，如图3所示，包括：

数据获取模块：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

模型建立模块：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

分析预测模块：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

除冰处理模块：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

上述技术方案的有益效果是：通过对风机叶片的实时数据进行处理分析，建立冰块覆盖模型，从而对冰块进行判断，得到对应的精准除冰方案，使得除冰可靠性增加，同时使得除冰过程中的用电功率减小，减少对设备的损害。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，包括：

步骤1：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

步骤2：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

步骤3：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

步骤4：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

2.如权利要求1所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息，包括：

步骤11：基于预设若干不同类型的传感器获取风力发电机组中目标风机叶片不同部位的实时传感器数据；

步骤12：将所述传感器数据填充入预设传感器数据表中，并基于对应数据类型的标准数据格式对所述传感器数据进行标准化处理，得到实时数据信息。

3.如权利要求2所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型，包括：

步骤21：对获取到的实时数据信息进行信息分析；

步骤22：基于实时数据信息的信息种类及信息分析结果筛选算法数据库中可匹配的同类型数据算法；

将分析结果代入同类型数据算法中，确定所述分析结果与同类型数据算法的可匹配程度；

步骤23：基于得到的可匹配程度，筛选匹配值最高的算法，作为当前风机叶片的预设算法；

步骤24：基于所述预设算法，建立当前风机叶片的原始冰块覆盖模型；

步骤25：基于当前风机叶片的历史数据信息，对所述原始冰块覆盖模型进行测试调整，得到调整后的第一冰块覆盖模型。

4.如权利要求3所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析，包括：

步骤31：基于所述第一冰块覆盖模型确定当前风机叶片对应的冰块关键属性；

步骤32：基于所述冰块关键属性传输至智能管理终端，并与预设冰块属性进行匹配；

步骤33：基于匹配结果，确定与当前风机叶片的冰块关键属性匹配程度最高的标准冰块关键属性，及标准冰块关键属性对应的冰块等级；

步骤34：基于所述冰块等级以及标准冰块关键属性对应的同一冰块等级的冰块属性，对当前风机叶片的冰块进行第一分析。

5.如权利要求4所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰，包括：

步骤41：将所述第一分析结果与预设分析表进行对应，并将匹配冰块指数作为风机叶片对应冰块的第一预测指数；

步骤42：基于第一预测指数确定对应的第一除冰方案，并基于所述第一除冰方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案；

步骤43：基于第二除冰方案对风机叶片的对应位置进行实时除冰。

6.如权利要求5所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于第一预测指数确定对应的第一除冰方案，并基于所述方案在智能管理终端进行模拟，从而对第一除冰方案进行调整，得到第二除冰方案，包括：

步骤421：基于第一预测指数与指数方案表中的指数范围进行比较；

若第一预测指数处于指数方案表的第一预设范围内，则基于风机叶片的叶片旋转惯性力以及对应超声波模块进行工作，作为当前风机叶片的第一除冰方案；

若第一预测指数处于指数方案表的第二预设范围内，则基于风机叶片的叶片旋转惯性力以及对应激光模块进行工作，作为当前风机叶片的第一除冰方案；

反之，则基于风机叶片的叶片旋转惯性力、对应激光模块以及超声波模块，作为当前风机叶片的第一除冰方案；

步骤422：基于预测的第一除冰方案在智能管理终端进行模拟，预测对应风机叶片的除冰时间；

其中，T₀为通用影响因素的影响时间；T₁为第一预测指数处于指数方案表的第一预设范围时的风机叶片的除冰时间；T₂为第一预测指数处于指数方案表的第二预设范围时的风机叶片的除冰时间；T₃为第一预测指数处于指数方案表的第二预设范围之外时的风机叶片的除冰时间；T_s为标准状态下风机叶片的除冰时间；β₁、β₂、β₃、β₄为通用影响因素中每一个因素的时间转换系数；h₁为当前风机叶片的最大覆冰厚度；h₂为最小覆冰厚度；h₀为对除冰时间影响变化点的覆冰厚度；α₁为覆冰厚度对除冰时间的第一影响指数；α₂为覆冰厚度对除冰时间的第二影响指数；t₁为当前风机叶片所处环境的最大环境温度；t₂为最小环境温度；t₀为环境温度对除冰时间影响变化点的环境温度；μ₁为环境温度对除冰时间的第一影响指数；μ₂为环境温度对除冰时间的第二影响指数；v为风机叶片实时工作风速；v_s为风机叶片正常工作的标准风速；l为风机叶片所处环境的实时液态水含量；l_s为风机叶片所处环境的标准液态水含量；P₁为风机叶片在超声波影响下的热释放功率；C₁为风机叶片在超声波影响下的加热时间；c为冰的比热容；m为目标风机叶片上冰块的质量；ω为温度时间转换系数；P₂为风机叶片在激光影响下的热释放功率；C₂为风机叶片在激光影响下的加热时间；ε₁、ε₂为当前加热功率对当前除冰时间的影响权重；

若所述除冰时间处于第一预设时间范围内，则确定当前第一除冰方案为第二除冰方案；

反之，则重新进行数据采集、算法匹配、模型建立，得到第二除冰方案。

7.如权利要求5所述的基于机器学习的风力发电机组叶片实时除冰方法，其特征在于，基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰之后，还包括：对除冰结果进行校验，具体包括：

步骤01：当实时除冰任务显示完成后，再次获取预设传感器的实时数据信息，并进行标准化处理；

步骤02：基于标准化处理后的实时数据信息与当前风机叶片对应的标准状态数据进行对比，实现结果校验；

若所述校验结果处于预设正常范围内，则判断当前除冰任务完成，并将完成结果传输至智能管理终端；

反之，则判断当前除冰任务未完成，基于所述未完成除冰的风机叶片的实时数据信息重新建立第一冰块覆盖模型，并进行分析预测，再次进行除冰。

8.基于机器学习的风力发电机组叶片实时除冰***，其特征在于，包括：

数据获取模块：基于预设传感器获取目标风力发电机组中每一风机叶片的不同部位的实时数据信息；

模型建立模块：基于机器学习对获取的实时数据信息的处理，并基于预设算法建立每一风机叶片的第一冰块覆盖模型；

分析预测模块：基于所述第一冰块覆盖模型确定对应风机叶片的冰块关键属性，并传输至智能管理终端进行分析；

除冰处理模块：基于分析结果预测冰块指数，确定除冰方案，实现对目标风机叶片的实时除冰。

Images