CN116881662A - 一种旋转风电叶片覆冰灾害预测方法 - Google Patents
一种旋转风电叶片覆冰灾害预测方法 Download PDFInfo
- Publication number
- CN116881662A CN116881662A CN202310924821.3A CN202310924821A CN116881662A CN 116881662 A CN116881662 A CN 116881662A CN 202310924821 A CN202310924821 A CN 202310924821A CN 116881662 A CN116881662 A CN 116881662A
- Authority
- CN
- China
- Prior art keywords
- icing
- wind power
- power blade
- blade
- disaster
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011248 coating agent Substances 0.000 claims description 29
- 238000000576 coating method Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 12
- 239000003595 mist Substances 0.000 claims description 10
- 239000007921 spray Substances 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种旋转风电叶片覆冰灾害预测方法,通过旋转风电叶片覆冰振动测试平台,模拟实际运行环境;采集旋转风电叶片不同覆冰状态下的振动信号以及覆冰影响因素数据;对采集的不同覆冰状态下的振动信号进行预处理,得到并收集不同覆冰状态下的振动特性数据作为样本数据;基于样本数据和覆冰影响因素数据构建风电叶片状态预测模型;并根据输出结果得到风电叶片的覆冰状态;根据风电叶片的覆冰状态,基于灰色理论构建风电叶片覆冰灾害预测模型,并根据输出的预测结果及设置的覆冰灾害值,得到风电叶片不同位置下一时间序列内,覆冰灾害的位置及时刻。能够实时、准确的预测旋转风电叶片的覆冰状态及灾害发生时刻。
Description
技术领域
本发明涉及风力发电技术领域,更具体的说是涉及一种旋转风电叶片覆冰灾害预测方法。
背景技术
目前,随着全球生态环境日益恶化,可再生能源的开发和利用已经成为焦点。风能是可再生能源中发展最快的清洁能源,具有大规模开发和商业化的市场前景,近年来,我国风力发电机组装机容量快速增加、风力发电场规模持续扩大、风力发电机组应用场景持续拓宽,在我国风能主要集中在气候寒冷的三北(东北、西北、华北)地区和湿度较大的东南沿海地区,同时也让风力发电机组的安全稳定运行面临新的挑战。特别进入严寒冬季时,山地风力发电机组由于受到高海拔、低温、高湿度等环境影响,风力发电机组将面临覆冰不利影响,尤其是叶片,覆冰情况将改变叶片载荷及动力特性,对风力发电机组的安全稳定运行带来严重影响,严重时可能导致叶片折断、塔筒坍塌。及时、准确地预测出叶片的覆冰位置、覆冰厚度及灾变时刻,便于对风力机采取及时、有效的运行和维护措施,对提高风电场运行的安全可靠性和经济性,具有重要意义。
但是,现有技术是通过数值模拟以及实验分析等方法对风电装备叶片覆冰做了大量研究,主要以静止状态下的单叶片为研究对象进行分析。在旋转风电装备叶片覆冰状态及覆冰灾害发生时刻预测方面的研究较少,尚未出现能够成熟用于旋转风电叶片的覆冰状态及灾害发生时刻预测方法。
因此,如何实时、准确的预测旋转风电叶片的覆冰状态及灾害发生时刻是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种旋转风电叶片覆冰灾害预测方法,能够实时、准确的预测旋转风电叶片的覆冰状态及灾害发生时刻。
为了实现上述目的,本发明采用如下技术方案:
一种旋转风电叶片覆冰灾害预测方法,包括以下步骤:
通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境;
采集旋转风电叶片不同覆冰状态下的振动信号以及覆冰影响因素数据;
对所述不同覆冰状态下的振动信号进行预处理,得到不同覆冰状态下的振动特性数据;收集所有的所述振动特性数据作为样本数据;
基于所述样本数据和所述覆冰影响因素数据构建风电叶片状态预测模型;并根据输出的预测结果得到风电叶片的覆冰状态;
根据所述风电叶片的覆冰状态,基于灰色理论构建风电叶片覆冰灾害预测模型,根据所述风电叶片覆冰灾害预测模型输出的预测结果,结合设置的覆冰灾害值,得到风电叶片不同位置下一时间序列内,覆冰灾害的位置及时刻。
进一步的,所述覆冰状态包括:覆冰厚度和覆冰位置;所述覆冰影响因素至少包括:温度、湿度、风速和运行时间。
进一步的,所述通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境,具体包括:
通过高压水泵将水箱中的水输送至高压喷头,高压喷头以水雾的形式输出,经轴流风机将输出的水雾吹向风电叶片,风电叶片上覆盖的水雾结冰后模拟自然覆冰状态,还原了旋转风电叶片实际运行环境。
进一步的,所述采集旋转风电叶片不同覆冰状态下的振动信号,具体包括:
采用多个三轴加速度传感器实时采集旋转风电叶片不同覆冰状态下的振动信号;所述多个三轴加速度传感器布置在气动中心靠近叶片前缘的风电叶片上的不同位置。
进一步的,所述振动信号进行预处理,具体包括:
对采集的振动信号的缺失值采用均值插补法进行处理,采用卡尔曼方法对采集的振动信号进行滤波处理,滤除噪声信号。
进一步的,所述构建风电叶片状态预测模型,具体包括:
通过试验获取l个周期的时间序列原始数据,所述原始数据包括:不同监测点的叶片覆冰厚度和4个覆冰影响因素样本数据序列;
对采集的所述不同监测点的叶片覆冰厚度和所述4个覆冰影响因素样本数据序列作一次累加生成,记为 其中,m为风电叶片上设置的监测点个数,n为覆冰厚度影响因素个数,/>为监测时间内旋转风电叶片上第i个测点上影响覆冰厚度的第j个因素的原始序列,对/>作一次累加生成1-AGO,得/>
对作紧邻均值生成,得到/>其中,/>为/>紧邻均值序列,k=1,2,…,l;
建立微分方程:其中,/>为灰导数;a为发展系数,/>为驱动项,bij为驱动系数;
对参数列进行最小二乘估计,得:/>其中,Y为数据向量,/> 为监测时间内旋转风电装备叶片上第i个测点的覆冰厚度原始数据;B为数据矩阵,/>参数列/>中的元素是各影响因素对主因素影响大小的反应;求解得到发展系数a和驱动系数bij;
第i个旋转风电装备叶片覆冰测点的厚度预测模型为:
由公式求解得到监测时间内旋转风电装备叶片上第i个测点的覆冰厚度预测值/>
进一步的,所述风电叶片覆冰灾害预测模型,预测过程如下:
为旋转风电装备叶片第i个测点上覆冰厚度预测数据序列,设定覆冰厚度上限异常值即覆冰灾害值ξ;
基于覆冰灾害值ξ得到覆冰灾害序列Xiξ:
Xiξ={xi[q(1)],xi[q(2)],...,xi[q(l)]}={xi[q(k)]≥ξ,k=1,2....,l},其中,q(k)为灾害时间序号,l为获取时间序列原始数据的周期数;
基于所述覆冰灾害序列得到第i个测点上风电叶片覆冰灾害日期序列基于/>得到风电叶片覆冰灾害日期1-AGO序列其中,qi(l)为第l周期第i个测点的灾害时间序号,为测得的第l个周期第i个测点的灾害时间序号进行1-AGO后的值,i=1,2,…,m,m为风电叶片上设置的监测点个数;
通过计算所述风电叶片覆冰灾害日期1-AGO序列,得到风电叶片覆冰厚度值达到异常值上限的时刻,根据i的取值获得覆冰厚度值达到异常值上限的位置。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种旋转风电叶片覆冰灾害预测方法,具有以下有益效果:
1、本发明基于采集的振动信号,不仅能够准确预测风电叶片不同位置的覆冰厚度,同时还能准确预测发生覆冰灾害的时刻,便于工作人员对风电叶片采取及时、有效的运行和维护措施,提高了风电叶片的使用寿命;
2、本发明可为风电装备叶片防冰除冰提供理论依据,为不同覆冰位置和覆冰厚度下旋转风电叶片运维提供基础数据,对提高风电装备运行可靠性、减少风电装备功率损失以及减少风电装备运行事故具有重要意义。
3、本发明计算过程简单,计算效率高,对硬件设备无较高计算性能要求,具有较大的推广价值;
4、所需的传感器种类、测点数量少,实现成本低,且不会对叶片造成新的损伤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的方法流程图。
图2附图为本发明提供的旋转风电叶片覆冰振动测试平台试验过程示意图;其中:水箱1、高压水泵2、轴流风机3、高压喷头4、风电叶片5、集流环6、三轴加速度传感器7、计算机8、机箱和数据采集卡9。
图3附图为本发明提供的三轴加速度传感器测点布置图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,本发明实施例公开了一种旋转风电叶片覆冰灾害预测方法,包括以下步骤:
通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境;
采集旋转风电叶片不同覆冰状态下的振动信号以及覆冰影响因素数据;
对不同覆冰状态下的振动信号进行预处理,得到不同覆冰状态下的振动特性数据;收集所有的振动特性数据作为样本数据;
基于样本数据和覆冰影响因素数据构建风电叶片状态预测模型;并根据输出的预测结果得到风电叶片的覆冰状态;
根据风电叶片的覆冰状态,基于灰色理论构建风电叶片覆冰灾害预测模型,根据风电叶片覆冰灾害预测模型输出的预测结果,得到风电叶片不同位置下一时间序列内,覆冰灾害的位置及时刻。
优选的,覆冰状态包括:覆冰厚度和覆冰位置;覆冰影响因素至少包括:温度、湿度、风速和运行时间。
优选的,结合图2,旋转风电叶片覆冰振动测试平台包括:水箱1、高压水泵2、轴流风机3、高压喷头4、风电叶片5、集流环6、三轴加速度传感器7、计算机8以及机箱和数据采集卡9;
通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境,具体包括:通过高压水泵2将水箱1中的水输送至高压喷头4,高压喷头4以水雾的形式输出,经轴流风机3将输出的水雾吹向风电叶片5,风电叶片5上覆盖的水雾结冰后模拟自然覆冰状态,还原了旋转风电叶片实际运行环境。通过还原旋转风电叶片实际运行环境,使得采集的数据更加真实,进而使得预测结果更加精准可靠。
优选的,通过高压喷头4可调节水雾输出,进而调节试验环境湿度;
优选的,采集旋转风电叶片不同覆冰状态下的振动信号,具体包括:
采用多个三轴加速度传感器实时采集旋转风电叶片不同覆冰状态下的振动信号;多个三轴加速度传感器布置在气动中心靠近叶片前缘的风电叶片上的不同位置。
优选的,结合图3,多个三轴加速度传感器测点具体布置为:风电叶片展长为R,由风电叶片的叶尖至叶根依次按顺序布置4个三轴加速度传感器,并进行相应编号1至4测点,1至4测点与叶根距离分别为0.85R,0.55R,0.35R,0.2R。
优选的,还包括安装于风机叶片转轴中心的集流环6,用于连接多个三轴加速度传感器,以保证采集的旋转叶片振动信号稳定传输。
优选的,振动信号进行预处理,具体包括:
通过机箱和数据采集卡9完成数据采集和预处理;预处理包括:对采集的振动信号的缺失值采用均值插补法进行处理,采用卡尔曼方法对采集的振动信号进行滤波处理,滤除噪声信号。
优选的,机箱和数据采集卡9具体包括:NI-9230数据采集卡和CDAQ-9171机箱,其中CDAQ-9171机箱用于控制I/O模块与计算机8之间进行定时、同步和数据传输。
优选的,温度及湿度数据由高精度温湿度仪测量采集;风速数据可由AM-4201手持式数字风速仪测量采集;运行时间数据由秒表进行测量采集。
优选的,构建风电叶片状态预测模型,具体包括:
通过试验获取l个周期的时间序列原始数据,原始数据包括:不同监测点的叶片覆冰厚度和4个覆冰影响因素样本数据序列;
对采集的不同监测点的叶片覆冰厚度和4个覆冰影响因素样本数据序列作一次累加生成,记为 其中,m为风电叶片上设置的监测点个数,n为覆冰厚度影响因素个数,/>为监测时间内旋转风电叶片上第i个测点上影响覆冰厚度的第j个因素的原始序列,对/>作一次累加生成1-AGO,得/>
对作紧邻均值生成,得到/>其中,/>为/>紧邻均值序列,k=1,2,…,l;
建立微分方程:其中,/>为灰导数;a为发展系数,/>为驱动项,bij为驱动系数;
对参数列进行最小二乘估计,得:/>其中,Y为数据向量,/> 为监测时间内旋转风电装备叶片上第i个测点的覆冰厚度原始数据,T为转置矩阵标志;B为数据矩阵,参数列/>中的元素是各影响因素对主因素影响大小的反应;求解得到发展系数a和驱动系数bij;
以覆冰影响因素为输入,以采集的旋转风电叶片不同位置的振动特性数据为中间量,以旋转风电叶片覆冰厚度为输出,构建旋转风电叶片覆冰厚度GM(1,N)模型,第i个旋转风电装备叶片覆冰测点的厚度预测模型为:
由公式求解得到监测时间内旋转风电装备叶片上第i个测点的覆冰厚度预测值/>
优选的,还包括预测模型可靠性检验,具体包括:
将平均百分比误差(MMAPE)和均方根误差(RRMSE)作为预测模型的可靠性评判指标,两个参考指标值越小,实际预测值误差就越小,具体公式如下:
其中,MMAPE为平均绝对百分比误差,RRMSE为均方根误差,l为样本数量,为覆冰厚度实际值,/>为预测模型输出的覆冰厚度预测值。
优选的,风电叶片覆冰灾害预测模型,预测过程如下:
为旋转风电装备叶片第i个测点上覆冰厚度预测数据序列,设定覆冰厚度上限异常值即覆冰灾害值ξ;
基于覆冰灾害值ξ得到覆冰灾害序列Xiξ:
Xiξ={xi[q(1)],xi[q(2)],...,xi[q(l)]}={xi[q(k)]≥ξ,k=1,2....,l},其中,q(k)为灾害时间序号,l为获取时间序列原始数据的周期数;
基于覆冰灾害序列得到第i个测点上风电叶片覆冰灾害日期序列 基于/>得到风电叶片覆冰灾害日期1-AGO序列/> 其中,qi(l)为第l周期第i个测点的灾害时间序号,/>为测得的第l个周期第i个测点的灾害时间序号进行1-AGO后的值,i=1,2,…,m,m为风电叶片上设置的监测点个数;
通过计算风电叶片覆冰灾害日期1-AGO序列,得到风电叶片覆冰厚度值达到异常值上限的时刻,根据i的取值获得覆冰厚度值达到异常值上限的位置。
通过对某一时间序列内覆冰状态异常值出现的时间进行分析,寻找不同环境条件下风电叶片不同测点覆冰厚度出现异常值的规律性。从而预测下一时间序列内不同测点风电叶片覆冰厚度出现异常值的时刻,根据不同测点的覆冰灾害预测结果,得到覆冰灾害具***置。
本发明通过旋转风电叶片覆冰振动测试平台,模拟实际运行环境;采集旋转风电叶片不同覆冰状态下的振动信号以及覆冰影响因素数据;对采集的不同覆冰状态下的振动信号进行预处理,得到并收集不同覆冰状态下的振动特性数据作为样本数据;基于样本数据和覆冰影响因素数据构建风电叶片状态预测模型;并根据输出结果得到风电叶片的覆冰状态;根据风电叶片的覆冰状态,基于灰色理论构建风电叶片覆冰灾害预测模型,并根据输出的预测结果,结合设置的覆冰灾害值,得到风电叶片不同位置下一时间序列内,覆冰灾害的位置及时刻。具有以下有益效果:
1、本发明基于采集的振动信号,不仅能够准确预测风电叶片不同位置的覆冰厚度,同时还能准确预测发生覆冰灾害的时刻,便于工作人员对风电叶片采取及时、有效的运行和维护措施,提高了风电叶片的使用寿命;
2、本发明可为风电装备叶片防冰除冰提供理论依据,为不同覆冰位置和覆冰厚度下旋转风电叶片运维提供基础数据,对提高风电装备运行可靠性、减少风电装备功率损失以及减少风电装备运行事故具有重要意义。
3、本发明计算过程简单,计算效率高,对硬件设备无较高计算性能要求,具有较大的推广价值;
4、所需的传感器种类、测点数量少,实现成本低,且不会对叶片造成新的损伤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种旋转风电叶片覆冰灾害预测方法,其特征在于,包括以下步骤:
通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境;
采集旋转风电叶片不同覆冰状态下的振动信号以及覆冰影响因素数据;
对所述不同覆冰状态下的振动信号进行预处理,得到不同覆冰状态下的振动特性数据;将所有的所述振动特性数据作为样本数据;
基于所述样本数据和所述覆冰影响因素数据构建风电叶片状态预测模型;并根据输出的预测结果得到风电叶片的覆冰状态;
根据所述风电叶片的覆冰状态,基于灰色理论构建风电叶片覆冰灾害预测模型,根据所述风电叶片覆冰灾害预测模型输出的预测结果,结合设置的覆冰灾害值,得到风电叶片不同位置下一时间序列内覆冰灾害的位置及时刻。
2.根据权利要求1所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述覆冰状态包括:覆冰厚度和覆冰位置;所述覆冰影响因素至少包括:温度、湿度、风速和运行时间。
3.根据权利要求1所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述通过旋转风电叶片覆冰振动测试平台,模拟旋转风电叶片实际运行环境,具体包括:
通过高压水泵将水箱中的水输送至高压喷头,高压喷头以水雾的形式输出,经轴流风机将输出的水雾吹向风电叶片,风电叶片上覆盖的水雾结冰后模拟自然覆冰状态,还原了旋转风电叶片实际运行环境。
4.根据权利要求1所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述采集旋转风电叶片不同覆冰状态下的振动信号,具体包括:
采用多个三轴加速度传感器实时采集旋转风电叶片不同覆冰状态下的振动信号;所述多个三轴加速度传感器布置在气动中心靠近叶片前缘的风电叶片上的不同位置。
5.根据权利要求1所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述振动信号进行预处理,具体包括:
对采集的振动信号的缺失值采用均值插补法进行处理,采用卡尔曼方法对采集的振动信号进行滤波处理,滤除噪声信号。
6.根据权利要求2所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述构建风电叶片状态预测模型,具体包括:
通过试验获取l个周期的时间序列原始数据,所述原始数据包括:不同监测点的叶片覆冰厚度和4个覆冰影响因素样本数据序列;
对采集的所述不同监测点的叶片覆冰厚度和所述4个覆冰影响因素样本数据序列作一次累加生成,记为 其中,m为风电叶片上设置的监测点个数,n为覆冰厚度影响因素个数,/>为监测时间内旋转风电叶片上第i个测点上影响覆冰厚度的第j个因素的原始序列,对/>作一次累加生成1-AGO,得/>
对作紧邻均值生成,得到/>其中,/>为/>紧邻均值序列,k=1,2,…,l;
建立微分方程:其中,/>为灰导数;a为发展系数,为驱动项,bij为驱动系数;
对参数列进行最小二乘估计,得:/>其中,Y为数据向量,/> 为监测时间内旋转风电装备叶片上第i个测点的覆冰厚度原始数据;B为数据矩阵,/>参数列/>中的元素是各影响因素对主因素影响大小的反应;求解得到发展系数a和驱动系数bij;
第i个旋转风电装备叶片覆冰测点的厚度预测模型为:
由公式求解得到监测时间内旋转风电装备叶片上第i个测点的覆冰厚度预测值/>
7.根据权利要求1所述的一种旋转风电叶片覆冰灾害预测方法,其特征在于,所述风电叶片覆冰灾害预测模型,预测过程如下:
为旋转风电装备叶片第i个测点上覆冰厚度预测数据序列,设定覆冰厚度上限异常值即覆冰灾害值ξ;
基于覆冰灾害值ξ得到覆冰灾害序列Xiξ:
Xiξ={xi[q(1)],xi[q(2)],...,xi[q(l)]}={xi[q(k)]≥ξ,k=1,2....,l},其中,q(k)为灾害时间序号,l为获取时间序列原始数据的周期数;
基于所述覆冰灾害序列得到第i个测点上风电叶片覆冰灾害日期序列基于/>得到风电叶片覆冰灾害日期1-AGO序列其中,qi(l)为第l个周期第i个测点的灾害时间序号,为测得的第l个周期第i个测点的灾害时间序号进行1-AGO后的值,i=1,2,…,m,m为风电叶片上设置的监测点个数;
通过计算所述风电叶片覆冰灾害日期1-AGO序列,得到风电叶片覆冰厚度值达到异常值上限的时刻,根据i的取值获得覆冰厚度值达到异常值上限的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924821.3A CN116881662A (zh) | 2023-07-26 | 2023-07-26 | 一种旋转风电叶片覆冰灾害预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924821.3A CN116881662A (zh) | 2023-07-26 | 2023-07-26 | 一种旋转风电叶片覆冰灾害预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881662A true CN116881662A (zh) | 2023-10-13 |
Family
ID=88258533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310924821.3A Pending CN116881662A (zh) | 2023-07-26 | 2023-07-26 | 一种旋转风电叶片覆冰灾害预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759487A (zh) * | 2023-11-20 | 2024-03-26 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及*** |
-
2023
- 2023-07-26 CN CN202310924821.3A patent/CN116881662A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759487A (zh) * | 2023-11-20 | 2024-03-26 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及*** |
CN117759487B (zh) * | 2023-11-20 | 2024-05-24 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101706508B1 (ko) | 풍력 발전기의 피로 해석 및 등가하중 해석 시스템 | |
CN106779208B (zh) | 一种基于虚拟测风塔技术的风电超短期功率预测方法 | |
CN116881662A (zh) | 一种旋转风电叶片覆冰灾害预测方法 | |
CN110080921B (zh) | 一种抽水蓄能电站主进水阀在线监测评估方法和*** | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN105758602A (zh) | 一种桁架梁桥断面抖振力同步测量方法 | |
CN114692669A (zh) | 一种海上风机三维空间姿态的预报方法及应用 | |
CN105138845B (zh) | 获得风力发电机风速值的方法 | |
Wang et al. | EEMD-based videogrammetry and vibration analysis method for rotating wind power blades | |
CN113357099B (zh) | 一种基于加速度传感器的风机塔筒的疲劳诊断检测方法 | |
CN102298072B (zh) | 一种微差压式高精度测风装置及其测量方法 | |
CN110987396A (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN116956047B (zh) | 一种基于风力发电数据的风电机组性能评估*** | |
CN104008284A (zh) | 测风塔在数值天气预报中的校正方法 | |
CN109798226B (zh) | 一种风电机组塔筒载荷预测方法和*** | |
CN103217507A (zh) | 一种无线智能碳汇监测*** | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN106225916A (zh) | 固定式海洋平台安全可靠性的定量、在线的检测方法 | |
CN116256016A (zh) | 一种建筑结构体系全过程健康监测*** | |
CN109100102B (zh) | 基于应变连续监测的风机模态分析方法、装置、终端与计算机可读存储介质 | |
CN110942218B (zh) | 计算风电场上网电量的方法、装置以及*** | |
CN202041228U (zh) | 一种基于热工参数场监测的建筑群能耗监测装置 | |
CN111325440A (zh) | 一种风电场测风塔自由流风速的估算方法及装置 | |
CN111561907A (zh) | 一种基于平面倾角测量的塔筒不均匀沉降监测方法 | |
CN214944743U (zh) | 一种海上风电机组载荷测试数据采集*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |