CN105464912B - 一种风力发电机组叶片结冰检测的方法和装置 - Google Patents

Abstract

本发明公开了一种风力发电机组叶片结冰检测的方法和装置，所述方法包括：A.获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率；B.剔除非结冰状态下及风机偏航误差过大时的数据；C.根据风速功率矩阵及风速桨距角矩阵获得实测风速下的功率和桨距角计算值；D.将发电机功率及桨距角实测值与计算值的差值与偏差设定值比对，修正设定值，获得偏差优化值；E.比较实时监测的与根据风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合偏差优化值，判断叶片为结冰状态。本发明能够准确、可靠地探查风电机组叶片结冰状态，实现有效预警与维护，从而提高机组发电量、稳定性及使用寿命。

Description

一种风力发电机组叶片结冰检测的方法和装置

技术领域

本发明涉及风电技术领域，特别是涉及一种风力发电机组叶片结冰检测的方法和装置。

背景技术

叶片结冰后会引起风力发电机组载荷增加，影响叶片寿命，而且加载在每个叶片上的冰载不相同，使得机组的不平衡载荷增大，在叶片结冰状态下继续运行会对机组产生非常大的危害，结冰严重时机组不得不脱网停机，使长年处于低温地区的机组利用率大为降低；叶片结冰后，由于叶片每个截面结冰厚度不一样，使得叶片原有的翼型改变，影响风电机组的载荷，机组寿命受到一定的影响，同时结冰后的翼型会提前进入失速区，导致桨叶气动性能恶化。此外，随着温度升高，结冰叶片上的冰块会发生脱落，对机组和现场人员带来很大安全隐患。

研究检测风机叶片结冰状态，可避免载冰运行带来的大疲劳载荷，防止桨叶受到损坏，提高机组的安全性能，保证风机设计寿命。此外，现有的检测系统大多只注重风速相对于功率波动情况，难以准确区分是由于小风偏航过大引起的功率波动还是叶片结冰引起功率波动。因此，创设一种能够准确检测风电机组叶片结冰状态的方法和装置，可靠探查机组状态，可实现及时预警与维护，从而提高机组发电量、稳定性及使用寿命。

发明内容

本发明的目的是提供一种风力发电机组叶片结冰检测的方法和装置，使其能够准确、可靠地探查风电机组叶片结冰状态，实现有效预警与维护，从而提高机组发电量、稳定性及使用寿命。

为实现上述目的，本发明采用如下技术方案：

一种风力发电机组叶片结冰检测的方法，包括以下步骤：A.获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率的实测数据；B.根据所述环境温度和湿度数据判断结冰状态，剔除非结冰状态下的上述各种实测数据；根据风向和机舱位置数据计算风机对风值，剔除风机偏航误差过大时的上述各种实测数据；C.根据正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据，获取风速功率矩阵及风速桨距角矩阵；利用所述风速功率矩阵及风速桨距角矩阵分别获得实测风速下的功率计算值和桨距角计算值；D.设定功率偏差值，将发电机功率实测值与功率计算值的差值与所述功率偏差设定值比对，采用自适应学习修正功率偏差设定值，获得功率偏差优化值；设定桨距角偏差值，将叶片桨距角实测值与桨距角计算值的差值与桨距角偏差设定值比对，采用自适应学习修正桨距角偏差设定值，获得桨距角偏差优化值；E.分别比较机组实时监测的功率及桨距角与根据所述风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合所述功率偏差优化值及桨距角偏差优化值，判断叶片为结冰状态。

作为进一步地改进，所述步骤A获取的环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率数据是通过滤波处理后的数据。

所述步骤B中还根据风速判断小风状态，剔除小风环境下的各种实测数据。

所述步骤C中所述风速功率矩阵及风速桨距角矩阵是通过对所述正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据进行神经网络训练获得的。

所述步骤D中功率及桨距角偏差优化值是通过对偏差大于设定值的无效点使用逼近算法来修正功率及桨距角偏差设定值，再通过多次迭代获得的。

一种风力发电机组叶片结冰检测的装置，包括：数据获取模块，用于获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率的实测数据；数据处理模块，用于根据所述环境温度和湿度数据判断结冰状态，剔除非结冰状态下的上述各种实测数据；根据风向和机舱位置数据计算风机对风值，剔除风机偏航误差过大时的上述各种实测数据；风速功率及风速桨距角模块，用于根据正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据，获取风速功率矩阵及风速桨距角矩阵；利用所述风速功率矩阵及风速桨距角矩阵分别获得实测风速下的功率计算值和桨距角计算值；结冰修正模块，用于设定功率偏差值，将发电机功率实测值与功率计算值的差值与所述功率偏差设定值比对，采用自适应学习修正功率偏差设定值，获得功率偏差优化值；设定桨距角偏差值，将叶片桨距角实测值与桨距角计算值的差值与桨距角偏差设定值比对，采用自适应学习修正桨距角偏差设定值，获得桨距角偏差优化值；结冰检测算法模块，用于分别比较机组实时监测的功率及桨距角与根据所述风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合所述功率偏差优化值及桨距角偏差优化值，判断叶片为结冰状态。

作为进一步地改进，所述数据获取模块获取的环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率数据是分别通过处理电路滤波后的数据。

所述数据处理模块还根据风速判断小风状态，剔除小风环境下的各种实测数据。

所述风速功率及风速桨距角模块通过对所述正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据进行神经网络训练获得所述风速功率矩阵及风速桨距角矩阵。

所述结冰修正模块通过对偏差大于设定值的无效点使用逼近算法来修正功率及桨距角偏差设定值，再通过多次迭代，获得所述功率及桨距角偏差优化值。

由于采用上述技术方案，本发明至少具有以下优点：

(1)本发明的风力发电机组叶片结冰检测的方法和装置，能够准确、可靠地探查风电机组叶片结冰状态，实现有效预警与维护，从而提高机组发电量、稳定性及使用寿命。

(2)由于同时考虑了风速与桨距角以及机组对风关系等因素，利于更加准确地探查机组状态。并且，准确获取风电机组风速、功率、桨距角、温湿度、偏航对风等数据与叶片结冰关系，为叶片结冰检测优化工作提供数据支持。

(3)通过进一步剔除小风状态下的数据，本发明的检测方法和装置避免了小风状态下的功率波动干扰，可区分功率波动的真实原因，尤其是能够准确区分是由于小风偏航过大引起的功率波动还是叶片结冰引起功率波动。

(4)本发明实现较为容易，且成本较低，利于推广。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明的风力发电机组叶片结冰检测装置结构示意图。

具体实施方式

本发明提供了一种风力发电机组叶片结冰检测的方法，主要包括以下步骤：A.获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率的实测数据；B.根据所述环境温度和湿度数据判断结冰状态，剔除非结冰状态下的上述各种实测数据；根据风向和机舱位置数据计算风机对风值，剔除风机偏航误差过大时的上述各种实测数据；C.根据正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据，获取风速功率矩阵及风速桨距角矩阵；利用所述风速功率矩阵及风速桨距角矩阵分别获得实测风速下的功率计算值和桨距角计算值；D.设定功率偏差值，将发电机功率实测值与功率计算值的差值与所述功率偏差值比对，采用自适应学习修正功率偏差值，获得功率偏差优化值；设定桨距角偏差值，将叶片桨距角实测值与桨距角计算值的差值与桨距角偏差设定值比对，采用自适应学习修正桨距角偏差设定值，获得桨距角偏差优化值；E.分别比较机组实时监测的功率及桨距角与根据所述风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合所述功率偏差优化值及桨距角偏差优化值，判断叶片为结冰状态。

其中，所述步骤A获取的环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率数据是通过滤波处理后的数据。所述步骤B中还根据风速判断小风状态，剔除小风环境下的各种实测数据。所述步骤C中所述风速功率矩阵及风速桨距角矩阵是通过对所述正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据进行神经网络训练获得的。所述步骤D中功率及桨距角偏差优化值是通过对偏差大于设定值的无效点使用逼近算法来修正功率及桨距角偏差设定值，再通过多次迭代获得的。

以上过程中，由于同时考虑了风速与桨距角以及机组对风关系等因素，利于更加准确地探查机组状态。并且，获取风电机组风速、功率、桨距角、温湿度、偏航对风等数据与叶片结冰关系，为叶片结冰检测优化工作提供数据支持。

此外，通过进一步剔除小风状态下的数据，本发明避免了小风状态下的功率波动干扰，可区分功率波动的真实原因，尤其是能够准确区分是由于小风偏航过大引起的功率波动还是叶片结冰引起功率波动。

请参阅图1所示，对应上述检测方法，本发明还提供一种叶片结冰检测装置，包括机舱外环境温湿度传感器及对应的处理电路，风速、风向、机舱位置传感器及对应的处理电路，叶片桨距角传感器及对应的处理电路，发电机功率传感器及对应的处理电路，以及叶片结冰检测PLC，所述叶片结冰检测PLC主要包括数据处理模块、风速功率模块、风速桨距角模块、结冰修正模块和结冰检测算法模块等。该检测装置易于实现，且成本较低，利于推广。

以下结合本发明所述的检测方法将该装置作为一种具体的实施方式介绍如下：

(1)叶片结冰检测PLC安装在机舱，通过CAN通讯与主控PLC进行数据交互。

(2)安装机舱外温度传感器和湿度传感器在机舱尾部，用来采集环境温、湿度数据。温湿度传感器处理电路对原始数据进行滤波处理后输出给叶片结冰检测PLC结冰环境值模块，判断是否有结冰的可能。

(3)通过风速传感器、风向传感器及机舱位置传感器分别采集机舱外风速、风向及机舱位置数据，其中，风向及机舱位置数据用于判断风机对风情况。风速及对风采集器处理电路对原始数据进行滤波处理后，输出给叶片结冰检测PLC风机对风值模块，用于判断风机偏航误差大小。

(4)叶片桨距角位置传感器安装在机舱内，采集风机3个叶片桨距角数据。叶片桨距角采集器处理电路对原始数据进行滤波处理后，输出给叶片结冰PLC桨距角模块。

(5)发电机功率传感器安装在机舱内，采集发电机功率数据。发电机功率采集器处理电路对原始数据进行滤波处理后，输出给叶片结冰PLC发电机功率模块。

(6)数据处理模块主要对以上采集的各种实测数据统计分析，剔除非结冰状态下的上述各种实测数据，获取结冰状态下的可用数据，同时，剔除风机偏航误差过大时的上述各种实测数据，去除偏航误差过大的无效数据。进一步地，还可剔除小风环境下的相关实测数据，用于避免小风环境下的功率波动干扰。

(7)利用风速功率模块和风速桨距角模块，对实际风场风机的长期运行数据进行神经网络训练，训练出单台风机准确的风速功率对应矩阵和风速桨距角对应矩阵。

(8)利用实测风速功率与风速功率对应矩阵计算出的风速功率进行比对，记录功率差值大于设定值的无效点；利用实测风速桨距角与风速桨距角对应矩阵计算出风速桨距角进行比对，记录桨距角差值大于设定值的无效点。

(9)对(8)进行筛选，对其中的无效点使用逼近算法来修正功率和桨距角偏差设定值。

(10)使用多次迭代(8)和(9)，获得比较准确的功率和桨距角优化值。

(11)将以上获得的风速功率矩阵、风速桨距角矩阵以及功率、桨距角偏差设定值应用到其他机组，对其叶片结冰进行检测。同时也为叶片结冰优化工作提供数据支持。

由于采用以上技术方案，本发明风力发电机组叶片结冰检测的方法和装置，通过运用风场机组实际运行数据长期分析，训练出机组准确的风速功率曲线及风速桨距角曲线，对比风机实际运行相关数据，实时检测机组在低温运行中是否有结冰现象，可靠探查机组状态，实现有效预警与维护，从而提高机组发电量、稳定性及使用寿命。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (10)

1.一种风力发电机组叶片结冰检测的方法，其特征在于，包括以下步骤：

A.获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率的实测数据；

B.根据所述环境温度和湿度数据判断结冰状态，剔除非结冰状态下的上述各种实测数据；根据风向和机舱位置数据计算风机对风值，剔除风机偏航误差过大时的上述各种实测数据；

C.根据正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据，获取风速功率矩阵及风速桨距角矩阵；利用所述风速功率矩阵及风速桨距角矩阵分别获得实测风速下的功率计算值和桨距角计算值；

D.设定功率偏差值，将发电机功率实测值与功率计算值的差值与所述功率偏差值比对，采用自适应学习修正功率偏差值，获得功率偏差优化值；

设定桨距角偏差值，将叶片桨距角实测值与桨距角计算值的差值与桨距角偏差设定值比对，采用自适应学习修正桨距角偏差设定值，获得桨距角偏差优化值；

E.分别比较机组实时监测的功率及桨距角与根据所述风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合所述功率偏差优化值及桨距角偏差优化值，判断叶片为结冰状态。

2.根据权利要求1所述的一种风力发电机组叶片结冰检测的方法，其特征在于，所述步骤A获取的环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率数据是通过滤波处理后的数据。

3.根据权利要求1所述的一种风力发电机组叶片结冰检测的方法，其特征在于，所述步骤B中还根据风速判断小风状态，剔除小风环境下的各种实测数据。

4.根据权利要求1所述的一种风力发电机组叶片结冰检测的方法，其特征在于，所述步骤C中所述风速功率矩阵及风速桨距角矩阵是通过对所述正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据进行神经网络训练获得的。

5.根据权利要求1所述的一种风力发电机组叶片结冰检测的方法，其特征在于，所述步骤D中功率及桨距角偏差优化值是通过对偏差大于设定值的无效点使用逼近算法来修正功率及桨距角偏差设定值，再通过多次迭代获得的。

6.一种风力发电机组叶片结冰检测的装置，其特征在于，包括：

数据获取模块，用于获取环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率的实测数据；

数据处理模块，用于根据所述环境温度和湿度数据判断结冰状态，剔除非结冰状态下的上述各种实测数据；根据风向和机舱位置数据计算风机对风值，剔除风机偏航误差过大时的上述各种实测数据；

风速功率及风速桨距角模块，用于根据正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据，获取风速功率矩阵及风速桨距角矩阵；利用所述风速功率矩阵及风速桨距角矩阵分别获得实测风速下的功率计算值和桨距角计算值；

结冰修正模块，用于设定功率偏差值，将发电机功率实测值与功率计算值的差值与所述功率偏差值比对，采用自适应学习修正功率偏差值，获得功率偏差优化值；设定桨距角偏差值，将叶片桨距角实测值与桨距角计算值的差值与桨距角偏差设定值比对，采用自适应学习修正桨距角偏差设定值，获得桨距角偏差优化值；

结冰检测算法模块，用于分别比较机组实时监测的功率及桨距角与根据所述风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合所述功率偏差优化值及桨距角偏差优化值，判断叶片为结冰状态。

7.根据权利要求6所述的一种风力发电机组叶片结冰检测的装置，其特征在于，所述数据获取模块获取的环境温度、湿度、风速、风向、机舱位置、叶片桨距角及发电机功率数据是分别通过处理电路滤波后的数据。

8.根据权利要求6所述的一种风力发电机组叶片结冰检测的装置，其特征在于，所述数据处理模块还根据风速判断小风状态，剔除小风环境下的各种实测数据。

9.根据权利要求6所述的一种风力发电机组叶片结冰检测的装置，其特征在于，所述风速功率及风速桨距角模块通过对所述正常非结冰环境下的风速、叶片桨距角及发电机功率的历史数据进行神经网络训练获得所述风速功率矩阵及风速桨距角矩阵。

10.根据权利要求6所述的一种风力发电机组叶片结冰检测的装置，其特征在于，所述结冰修正模块通过对偏差大于设定值的无效点使用逼近算法来修正功率及桨距角偏差设定值，再通过多次迭代，获得所述功率及桨距角偏差优化值。