CN108223307A - 风力发电机组叶片结冰程度的检测方法和检测装置 - Google Patents
风力发电机组叶片结冰程度的检测方法和检测装置 Download PDFInfo
- Publication number
- CN108223307A CN108223307A CN201611159214.9A CN201611159214A CN108223307A CN 108223307 A CN108223307 A CN 108223307A CN 201611159214 A CN201611159214 A CN 201611159214A CN 108223307 A CN108223307 A CN 108223307A
- Authority
- CN
- China
- Prior art keywords
- power
- wind speed
- icing
- blade
- icing degree
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 230000008014 freezing Effects 0.000 claims description 12
- 238000007710 freezing Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013481 data capture Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 3
- 238000005315 distribution function Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000005094 fruit set Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Wind Motors (AREA)
Abstract
提供一种风力发电机叶片结冰程度的检测方法和检测装置,其特征在于,所述检测方法包括:测量当前的风速,并确定当前的风速所对应的风速区间;根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值;根据确定的功率的概率值来确定当前叶片的结冰程度。采用本发明示例性实施例的所述风力发电机叶片结冰程度的检测方法和检测装置,能够实现对风力发电机叶片结冰程度的检测,并有助于控制器更新控制策略,有效提高发电量,保障风力发电机的安全运行。
Description
技术领域
本发明总体说来涉及风力发电机技术领域,更具体地讲,涉及一种风力发电机组叶片结冰程度的检测方法和检测装置。
背景技术
目前,风力发电机一般工作在风资源比较丰富的地区,其面临的环境比较严酷,在低温或严寒的地区和季节,叶片往往会发生结冰的情况。在叶片结冰的情况下叶片的翼型发生改变进而影响风力发电机的发电量,严重时会导致风力发电机失速使风力发电机处于过载的危险状态。研究风力发电机叶片的结冰状态可以提升风力发电机的发电量,并可以使风力发电机避免处于危险状态,保证载荷安全。
为此,现有技术中产生了许多识别风力发电机叶片结冰的检测方法,其检测方法主要分为两类:一类是通过先进的传感器实现叶片结冰诊断,但这种检测方法依赖于先进的硬件设备,成本昂贵,同时传感器的可靠性难以保证。另一类是结合实际风速、转速、功率与理论值比较进行叶片结冰判断,如对比风力发电机实际发电功率与相应风速的“期望功率”值,当差值超过了一定的阈值即认为是叶片结冰,但上述的检测方式仅能判断出叶片是否结冰,对于叶片的结冰程度无法进行判断。
发明内容
本发明的示例性实施例的目的在于提供一种风力发电机组叶片结冰程度的检测方法和检测装置,以解决现有技术中无法判断风力发电机叶片结冰程度的技术问题。
根据本发明示例性实施例的一方面,提供一种风力发电机叶片结冰程度的检测方法,其特征在于,测量当前的风速,并确定当前的风速所对应的风速区间;根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值;根据确定的功率的概率值来确定当前叶片的结冰程度。
可选地,所述功率的概率值可包括功率的概率密度值或功率的累积概率值。
可选地,根据确定的功率的概率值来确定当前叶片的结冰程度的步骤可包括:根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。
可选地,通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
可选地,所述风速区间对应的功率概率分布曲线可通过以下方式被确定:预先获取风力发电机在正常发电状态下的运行数据,所述运行数据包括风速数据以及功率值;对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
可选地,所述检测方法可还包括:存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合;统计所述确定结果集合内的不同结冰程度的确定结果的占比;将大于预定值的比例所对应的结冰程度或占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
可选地,所述叶片的结冰程度可包括未结冰、轻微结冰、严重结冰。
可选地,所述检测方法在确定最终确定结果之前可还包括:获取风力发电机当前所处的外界环境参数;根据获取的外界环境参数来判断当前气象条件是否满足结冰条件;当满足结冰条件时,去除所述确定结果集合中叶片未结冰的确定结果;当不满足结冰条件时,去除所述确定结果集合中叶片轻微结冰和叶片严重结冰的确定结果。
根据本发明示例性实施例的另一方面,提供一种风力发电机叶片结冰程度的检测装置,其特征在于,风速检测单元,测量当前的风速;风速区间确定单元,确定当前的风速所对应的风速区间;概率确定单元,根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值;结冰程度确定单元,根据确定的功率的概率值来确定当前叶片的结冰程度。
可选地,所述功率的概率值可为功率的概率密度值或功率的累积概率值。
可选地,结冰程度确定单元可根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。
可选地,结冰程度确定单元通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
可选地,所述检测装置可还包括:数据获取单元,预先获取风力发电机在正常发电状态下的运行数据,所述运行数据包括风速数据以及功率值;拟合单元,对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
可选地,所述检测装置可还包括:集合构成单元,存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合;统计单元,统计所述确定结果集合内的不同结冰程度的确定结果的占比,其中,结冰程度确定单元可将大于预定值的比例所对应的结冰程度或占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
可选地,所述叶片的结冰程度可包括未结冰、轻微结冰、严重结冰。
可选地,所述检测装置可还包括:环境参数获取单元,获取风力发电机当前所处的外界环境参数;判断单元,根据获取的外界环境参数来判断当前气象条件是否满足结冰条件;结果修正单元,当满足结冰条件时,去除所述确定结果集合中叶片未结冰的确定结果,当不满足结冰条件时,去除所述确定结果集合中叶片轻微结冰和叶片严重结冰的确定结果。
采用本发明示例性实施例的所述风力发电机叶片结冰程度的检测方法和检测装置,能够实现对风力发电机叶片结冰程度的检测,并有助于控制器更新控制策略,有效提高发电量,保障风力发电机的安全运行。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述,本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的风力发电机叶片结冰程度的检测方法的流程图;
图2示出根据本发明示例性实施例的确定风速区间对应的功率概率分布曲线的步骤的流程图;
图3示出根据本发明示例性实施例的风力发电机在正常发电状态下多个风速以及在每个风速下风力发电机对应的发电功率值的关系的示例图;
图4示出根据本发明示例性实施例的风速区间对应的功率概率分布曲线的示例图;
图5示出根据本发明示例性实施例的确定叶片结冰程度的优选示例;
图6示出根据本发明示例性实施例的对确定的叶片结冰程度进行修正的步骤的流程图;
图7示出根据本发明示例性实施例的风力发电机叶片结冰程度的检测装置的框图;
图8示出根据本发明示例性实施例的用于确定风速区间对应的功率概率分布曲线的装置的框图;
图9示出根据本发明示例性实施例的对确定的叶片结冰程度进行修正的装置的框图。
具体实施方式
现在,将参照附图更充分地描述不同的示例实施例,其中,一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风力发电机叶片结冰程度的检测方法的流程图。
参照图1,在步骤S10中,测量当前的风速,并确定当前的风速所对应的风速区间。这里,可利用现有的各种方法来测量风机外部当前的风速。优选地,可预先对有效风速范围内的所有风速进行划分(即对风速进行分仓),来获得多个风速区间。在测量出当前的风速之后,确定当前的风速所处的风速区间。应理解,本领域技术人员可根据实际需要来确定风速区间的范围,例如,为了更加详细的刻画风力发电机的功率波动情况可将风速区间的范围划分的小一些。
在步骤S20中,根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值。
例如,可首先确定在当前的风速下风力发电机对应的功率值,再依照所述功率概率分布曲线确定出该功率值对应的功率的概率值。
下面参照图2来详细介绍确定风速区间对应的功率概率分布曲线的步骤。
图2示出根据本发明示例性实施例的确定风速区间对应的功率概率分布曲线的步骤的流程图。
参照图2,在步骤S201中,预先获取风力发电机在正常发电状态下的运行数据。这里,所述运行数据可包括风速数据以及功率值,例如,该风速数据可包括有效风速范围内的多个风速,该功率值可包括在每个风速下风力发电机对应的功率。作为示例,风力发电机的正常发电状态可指去除限功率状态、启停机状态、数据不可用状态、故障状态和/或维护状态之外的状态。
在步骤S202中,对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
具体说来,可先对所述风速数据包括的多个风速进行分仓,获得多个风速区间,然后,针对每个风速区间,获取风速区间内的各风速对应的功率值,再对各风速对应的功率值进行拟合来得到与该风速区间对应的功率概率分布曲线。
这里,可利用现有的各种拟合方法来对功率值进行拟合以获得功率概率分布曲线,例如,可利用以下分布函数中的任一种来对各个风速区间内的功率值进行拟合:威布尔分布、Gamma分布、高斯分布、Bate分布。
图3示出根据本发明示例性实施例的风力发电机在正常发电状态下多个风速以及在每个风速下风力发电机对应的功率值的关系的示例图。
如图3所示,横坐标为风速(m/s),纵坐标为功率(kw),下面以图3所示的风速区间为[5.4,5.6]内各风速对应的功率值为例来结合图4介绍确定功率概率分布曲线的步骤。
图4示出根据本发明示例性实施例的风速区间对应的功率概率分布曲线的示例图。
如图4所示,横坐标为功率(kw),左侧纵坐标为数量(个),右侧纵坐标为概率值,以风速区间为[5.4,5.6]为例,在获取该风速区间内各风速对应的功率值之后,统计不同的功率值在该风速区间下的分布情况(如图4中所示的直方图),例如,统计在该风速区间下功率值为200kw的功率值的数量,功率值为300kw的功率值的数量等,计算不同的功率值在该风速区间下的出现概率,以功率值为200kw为例,将功率值为200kw的功率值的数量除以该风速区间内各风速对应的功率值的总数量得到功率值为200kw的发电功率值的概率值,在计算出所有功率值的概率值(离散形式)后,利用现有的拟合方法来获得功率概率分布曲线(如图4中所示的曲线)。
一种情况,根据功率概率分布曲线确定的功率的概率值可为功率的概率密度值。
具体说来,上述预先确定的风速区间对应的功率概率分布曲线即为PDF(probability density function)概率分布函数(参照图4所示的曲线),在步骤S20中,在确定出在当前的风速下风力发电机对应的功率值之后,代入待PDF概率密度分布函数即可得到该功率值对应的功率的概率密度值。在此情况下,后续可利用确定出的功率的概率密度值来识别当前叶片的结冰程度。
另一种情况,根据功率概率分布曲线确定的功率的概率值可为功率的累积概率值。
这里,参照图4所示的功率概率分布曲线可以看出,在实际情况中,当叶片结冰时风力发电机对应的功率值会有所下降,这体现在上述功率概率分布曲线的左侧的低值点区域,当风速仪结冰后会出现小风速大功率的现象,这体现在上述功率概率分布曲线的右侧的低值点区域。上述现象导致当确定出风力发电机在当前风速下的功率值对应的功率的概率值(即,功率的概率密度值)较低时,无法准确判断出是发生了叶片结冰的状况还是风速仪结冰的状况,这会导致对叶片结冰的误判断。
为避免上述对低功率概率值的误判断,优选地,在确定出功率概率分布曲线(即,PDF概率分布函数)之后,可通过对该PDF概率分布函数进行积分来获得CDF(cumulativedistribution function)累积概率分布函数,以根据在当前的风速下风力发电机对应的功率值来获得功率的累积概率值。在此情况下,后续可利用确定出的功率的累积概率值来识别当前叶片的结冰程度。
这里,在本发明示例性实施例中,对有效风速范围内包括的所有风速划分了风速区间,保证了小风速下叶片结冰程度检测质量。
返回图1,在步骤S30中,根据确定的功率概率值来确定当前叶片的结冰程度。
可选地,根据确定的功率的概率值来确定当前叶片的结冰程度的步骤可包括:根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。作为示例,所述叶片的结冰程度可包括未结冰、轻微结冰、严重结冰。
优选地,可通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
可选地,可通过以下方式来获得上述训练数据以及与其对应的不同结冰程度的标签:例如,可针对预定风力发电机,先获取所述预定风力发电机在多个风速下对应的功率值,并确定获取的各功率值对应的功率的概率值,再通过在所述预定风力发电机上安装的结冰传感器获得用于反应结冰程度的电压信号,可将电压信号划分为多个档位,一个档位对应一个结冰程度的标签,以获得多个功率的概率值与多个结冰程度的标签的对应关系。
优选地,为得到理想的训练数据,本领域技术人员可根据经验或风力发电机的各项参数(转速、扭矩等)来手动挑选与结冰程度的标签更为吻合的功率的概率值作为训练数据对分类器进行训练。例如,将功率的概率值作为分类器的输入,将结冰程度的标签作为分类器的输出来对分类器进行训练,作为示例,当功率的概率值为功率的概率密度值时,可将功率的概率密度值作为分类器的输入,将结冰程度的标签作为分类器的输出来对分类器进行训练,类似地,当功率的概率值为功率的累积概率值时,可将功率的累积概率值作为分类器的输入,将结冰程度的标签作为分类器的输出来对分类器进行训练。
上述本发明示例性实施例的风力发电机叶片结冰程度的检测方法是通过测量当前的风速获得的一次叶片结冰程度确定结果,这里,仅以采集一次数据来确定的叶片结冰程度判断结果容易产生误差,为避免这种数据采集的误差导致的误判,本发明提出一种确定叶片结冰程度的优选实施例。
图5示出根据本发明示例性实施例的确定叶片结冰程度的优选示例。
参照图5,在步骤S501中,存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合。
例如,可对预定时间段内确定的叶片的结冰程度的确定结果进行缓存,从缓存中提取所述预定时间段内的结冰程度的确定结果以构成上述结冰程度的确定结果集合。
在步骤S502中,统计所述确定结果集合内的不同结冰程度的确定结果的占比。例如,可分别统计叶片未结冰的确定结果占确定结果集合内所有确定结果的占比、叶片轻微结冰的确定结果占确定结果集合内所有确定结果的占比、叶片严重结冰的确定结果占确定结果集合内所有确定结果的占比。优选地,所述占比可指不同结冰程度的确定结果的百分比。
在步骤S503中,基于统计的不同结冰程度的确定结果的占比确定当前叶片的结冰程度的最终确定结果。
在一个示例中,可将大于预定值的占比所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。例如,可分别将上述统计的占比的值与所述预定值进行比较,从而将大于预定值的占比所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。这里,可根据本领域技术人员的实际经验来确定所述预定值的大小。
在另一示例中,可将占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。例如,可将上述统计的各占比的比例值进行相互比较,以将占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
优选地,在构成上述集合之后,可先对所述集合中包括的结冰程度的确定结果进行初步的修正,然后再统计修正后的集合内包括的不同结冰程度的比例,以提高确定叶片结冰程度的准确性和可靠性。
图6示出根据本发明示例性实施例的对确定的叶片结冰程度进行修正的步骤的流程图。
参照图6,在步骤S601中,获取风力发电机当前所处的外界环境参数。这里,可利用现有的各种方法来测量风机当前所处的外界环境参数。作为示例,所述外界环境参数可包括外界环境的温度和/或外界环境的湿度。
在步骤S602中,根据获取的外界环境参数来判断当前气象条件是否满足结冰条件。例如,可根据获取的外界环境参数与预定值的比较结果来判断当前气象条件是否满足结冰条件,优选地,当所述外界环境参数包括外界环境的温度和外界环境的湿度时,所述预定值可包括温度预定值和湿度预定值,此时,可根据外界环境的温度与温度预定值的比较结果以及外界环境的湿度与湿度预定值的比较结果来判断当前气象条件是否满足结冰条件。
如果当前气象条件不满足结冰条件,则执行步骤S603:去除所述确定结果集合中叶片轻微结冰和叶片严重结冰的确定结果。
例如,针对上述外界环境参数包括外界环境的温度和外界环境的湿度的情况,当外界环境的温度不小于(即,大于等于)温度预定值,和/或外界环境的湿度不大于(即,小于等于)湿度预定值时,可确定当前气象条件不满足结冰条件,此时可将确定结果集合中叶片轻微结冰的确定结果和叶片严重结冰的确定结果去除,仅在确定结果集合中保留叶片未结冰的确定结果。
如果当前气象条件满足结冰条件,则执行步骤S604:去除所述确定结果集合中为叶片未结冰的确定结果。
例如,针对上述外界环境参数包括外界环境的温度和外界环境的湿度的情况,当外界环境的温度小于温度预定值,且外界环境的湿度大于湿度预定值时,可确定当前气象条件满足结冰条件,此时可将确定结果集合中为叶片未结冰的确定结果去除,仅在确定结果集合中保留叶片结冰的确定结果(包括叶片轻微结冰的确定结果和叶片严重结冰的确定结果)。
图7示出根据本发明示例性实施例的风力发电机叶片结冰程度的检测装置的框图。
如图7所示,根据本发明示例性实施例的风力发电机叶片结冰程度的检测装置包括风速检测单元10、风速区间确定单元20、概率确定单元30和结冰程度确定单元40。
具体说来,风速检测单元10测量当前的风速。这里,可利用现有的各种方法来测量风机外部当前的风速。
风速区间确定单元20确定当前的风速所对应的风速区间。优选地,风速区间确定单元20可预先对有效风速范围内的所有风速进行划分(即对风速进行分仓),来获得多个风速区间。在风速检测单元10测量出当前的风速之后,风速区间确定单元20确定当前的风速所处的风速区间。应理解,本领域技术人员可根据实际需要来确定风速区间的范围,例如,为了更加详细的刻画风力发电机的功率波动情况可将风速区间的范围划分的小一些。
概率确定单元30根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值。
下面参照图8来详细介绍确定风速区间对应的功率概率分布曲线的过程。
图8示出根据本发明示例性实施例的用于确定风速区间对应的功率概率分布曲线的装置的框图。
如图8所示,用于确定风速区间对应的功率概率分布曲线的装置可包括数据获取单元801和拟合单元802。
具体说来,数据获取单元801预先获取风力发电机在正常发电状态下的运行数据。这里,所述运行数据可包括风速数据以及功率值,例如,该风速数据可包括有效风速范围内的多个风速,该功率值可包括在每个风速下风力发电机对应的功率。作为示例,风力发电机的正常发电状态可指去除限功率状态、启停机状态、数据不可用状态、故障状态和/或维护状态之外的状态。
拟合单元802对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
具体说来,拟合单元802可先对所述风速数据包括的多个风速进行分仓,获得多个风速区间,然后,针对每个风速区间,获取风速区间内的各风速对应的功率值,再对各风速对应的功率值进行拟合来得到与该风速区间对应的功率概率分布曲线。
这里,可利用现有的各种拟合装置来对发电功率值进行拟合以获得功率概率分布曲线。优选地,用于确定当前叶片的结冰程度的功率概率值可为功率的概率密度值或功率的累积概率值。
返回图7,结冰程度确定单元40根据确定的功率的概率值来确定当前叶片的结冰程度。
具体说来,结冰程度确定单元40可根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。作为示例,所述叶片的结冰程度可包括未结冰、轻微结冰、严重结冰。
优选地,结冰程度确定单元40可通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
可选地,结冰程度确定单元40可针对预定风力发电机,先获取所述预定风力发电机在多个风速下对应的功率值,并确定获取的各功率值对应的功率的概率值,再通过在所述预定风力发电机上安装的结冰传感器获得用于反应结冰程度的电压信号,可将电压信号划分为多个档位,一个档位对应一个结冰程度的标签,以获得多个功率的概率值与多个结冰程度的标签的对应关系。
优选地,为得到理想的训练数据,本领域技术人员可根据经验或风力发电机的各项参数(转速、扭矩等)来手动挑选与结冰程度的标签更为吻合的功率的概率值作为训练数据对分类器进行训练。例如,将功率的概率值作为分类器的输入,将结冰程度的标签作为分类器的输出来对分类器进行训练。
上述本发明示例性实施例的风力发电机叶片结冰程度的检测装置是通过测量当前的风速获得的一次叶片结冰程度确定结果,这里,仅以采集一次数据来确定的叶片结冰程度判断结果容易产生误差,为避免这种数据采集的误差导致的误判,本发明提出一种确定叶片结冰程度的优选实施例。
在优选实施例中,根据本发明示例性实施例的风力发电机叶片结冰程度的检测装置可还包括集合构成单元和统计单元。
具体说来,集合构成单元存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合,统计单元统计所述确定结果集合内的不同结冰程度的确定结果的占比。例如,统计单元可分别统计叶片未结冰的确定结果占确定结果集合内所有确定结果的占比、叶片轻微结冰的确定结果占确定结果集合内所有确定结果的占比、叶片严重结冰的确定结果占确定结果集合内所有确定结果的占比。优选地,所述占比可指不同结冰程度的确定结果的百分比。
在此情况下,结冰程度确定单元40可基于统计的不同结冰程度的确定结果的占比确定当前叶片的结冰程度的最终确定结果。
在一个示例中,结冰程度确定单元40可将大于预定值的占比所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。例如,结冰程度确定单元40可分别将上述统计的占比的值与所述预定值进行比较,从而将大于预定值的占比所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。这里,可根据本领域技术人员的实际经验来确定所述预定值的大小。
在另一示例中,结冰程度确定单元40可将占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。例如,结冰程度确定单元40可将上述统计的各占比的比例值进行相互比较,以将占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
优选地,在构成上述集合之后,可先对所述集合中包括的结冰程度的确定结果进行初步的修正,然后再统计修正后的集合内包括的不同结冰程度的比例,以提高确定叶片结冰程度的准确性和可靠性。
图9示出根据本发明示例性实施例的对确定的叶片结冰程度进行修正的装置的框图。
如图9所示,根据本发明示例性实施例的对确定的叶片结冰程度进行修正的装置包括:环境参数获取单元901、判断单元902和结果修正单元903。
具体说来,环境参数获取单元901获取风力发电机当前所处的外界环境参数。这里,可利用现有的各种装置来测量风机当前所处的外界环境参数。作为示例,所述外界环境参数可包括外界环境的温度和/或外界环境的湿度。
判断单元902根据获取的外界环境参数来判断当前气象条件是否满足结冰条件。例如,判断单元902可根据获取的外界环境参数与预定值的比较结果来判断当前气象条件是否满足结冰条件,优选地,当所述外界环境参数包括外界环境的温度和外界环境的湿度时,所述预定值可包括温度预定值和湿度预定值,此时,判断单元902可根据外界环境的温度与温度预定值的比较结果以及外界环境的湿度与湿度预定值的比较结果来判断当前气象条件是否满足结冰条件。
结果修正单元903当当前气象条件满足结冰条件时,去除所述确定结果集合中叶片未结冰的确定结果,当当前气象条件不满足结冰条件时,去除所述确定结果集合中叶片轻微结冰的确定结果和叶片严重结冰的确定结果。
例如,针对上述外界环境参数包括外界环境的温度和外界环境的湿度的情况,当外界环境的温度不小于(即,大于等于)温度预定值,和/或外界环境的湿度不大于(即,小于等于)湿度预定值时,判断单元902可确定当前气象条件不满足结冰条件,此时,结果修正单元903可将确定结果集合中叶片轻微结冰的确定结果和叶片严重结冰的确定结果去除,仅在确定结果集合中保留叶片未结冰的确定结果。
当外界环境的温度小于温度预定值,且外界环境的湿度大于湿度预定值时,判断单元902可确定当前气象条件满足结冰条件,此时,结果修正单元903可将确定结果集合中为叶片未结冰的确定结果去除,仅在确定结果集合中保留叶片结冰的确定结果(包括叶片轻微结冰的确定结果和叶片严重结冰的确定结果)。
采用本发明示例性实施例的所述风力发电机叶片结冰程度的检测方法和检测装置,能够实现对风力发电机叶片结冰程度的检测,并有助于控制器更新控制策略,有效提高发电量,保障风力发电机的安全运行。
此外,应该理解,根据本发明示例性实施例的风力发电机叶片结冰程度的检测装置中的各个单元可被实现硬件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外,根据本发明示例性实施例的风力发电机叶片结冰程度的检测方法可以被实现为计算机可读记录介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本发明的上述方法。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (16)
1.一种风力发电机叶片结冰程度的检测方法,其特征在于,
测量当前的风速,并确定当前的风速所对应的风速区间;
根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值;
根据确定的功率的概率值来确定当前叶片的结冰程度。
2.如权利要求1所述的检测方法,其特征在于,所述功率的概率值包括功率的概率密度值或功率的累积概率值。
3.如权利要求1或2所述的检测方法,其特征在于,根据确定的功率的概率值来确定当前叶片的结冰程度的步骤包括:
根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。
4.如权利要求3所述的检测方法,其特征在于,通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
5.如权利要求1或2或3所述的检测方法,其特征在于,所述风速区间对应的功率概率分布曲线通过以下方式被确定:
预先获取风力发电机在正常发电状态下的运行数据,所述运行数据包括风速数据以及功率值;
对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
6.如权利要求1或2所述的检测方法,其特征在于,还包括:
存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合;
统计所述确定结果集合内的不同结冰程度的确定结果的占比;
将大于预定值的占比所对应的结冰程度或占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
7.如权利要求6所述的检测方法,其特征在于,所述叶片的结冰程度包括未结冰、轻微结冰、严重结冰。
8.如权利要求7所述的检测方法,其特征在于,确定最终确定结果之前包括:
获取风力发电机当前所处的外界环境参数;
根据获取的外界环境参数来判断当前气象条件是否满足结冰条件;
当满足结冰条件时,去除所述确定结果集合中叶片未结冰的确定结果;
当不满足结冰条件时,去除所述确定结果集合中叶片轻微结冰和叶片严重结冰的确定结果。
9.一种风力发电机叶片结冰程度的检测装置,其特征在于,
风速检测单元,测量当前的风速;
风速区间确定单元,确定当前的风速所对应的风速区间;
概率确定单元,根据预先确定的所述风速区间对应的功率概率分布曲线来确定当前的风速所对应的功率的概率值;
结冰程度确定单元,根据确定的功率的概率值来确定当前叶片的结冰程度。
10.如权利要求9所述的检测装置,其特征在于,所述功率的概率值为功率的概率密度值或功率的累积概率值。
11.如权利要求9或10所述的检测装置,其特征在于,结冰程度确定单元根据预先建立的功率的概率值与叶片的结冰程度的对应关系模型,来确定所述功率的概率值所对应的当前叶片的结冰程度。
12.如权利要求11所述的检测装置,其特征在于,结冰程度确定单元通过将训练数据以及与其对应的不同结冰程度的标签输入到分类器中进行训练,得到功率的概率值与叶片的结冰程度的对应关系模型。
13.如权利要求9或10或11所述的检测装置,其特征在于,所述检测装置还包括:
数据获取单元,预先获取风力发电机在正常发电状态下的运行数据,所述运行数据包括风速数据以及功率值;
拟合单元,对所述风速数据进行分仓,并分别针对每个风速区间内的功率值进行拟合,得到与每个风速区间对应的功率概率分布曲线。
14.如权利要求9或10所述的检测装置,其特征在于,所述检测装置还包括:
集合构成单元,存储预定时间段内的结冰程度的确定结果,形成结冰程度的确定结果集合;
统计单元,统计所述确定结果集合内的不同结冰程度的确定结果的占比,
其中,结冰程度确定单元将大于预定值的比例所对应的结冰程度或占比最大的比例值所对应的结冰程度作为当前叶片的结冰程度的最终确定结果。
15.如权利要求14所述的检测装置,其特征在于,所述叶片的结冰程度包括未结冰、轻微结冰、严重结冰。
16.如权利要求15所述的检测装置,其特征在于,所述检测装置还包括:
环境参数获取单元,获取风力发电机当前所处的外界环境参数;
判断单元,根据获取的外界环境参数来判断当前气象条件是否满足结冰条件;
结果修正单元,当满足结冰条件时,去除所述确定结果集合中叶片未结冰的确定结果,当不满足结冰条件时,去除所述确定结果集合中叶片轻微结冰和叶片严重结冰的确定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159214.9A CN108223307B (zh) | 2016-12-15 | 2016-12-15 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159214.9A CN108223307B (zh) | 2016-12-15 | 2016-12-15 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108223307A true CN108223307A (zh) | 2018-06-29 |
CN108223307B CN108223307B (zh) | 2019-08-02 |
Family
ID=62650350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611159214.9A Active CN108223307B (zh) | 2016-12-15 | 2016-12-15 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108223307B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109595130A (zh) * | 2018-12-25 | 2019-04-09 | 济中能源技术服务(上海)有限公司 | 一种风机叶片结冰故障预测方法及系统 |
CN111878326A (zh) * | 2020-08-06 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
CN113847214A (zh) * | 2021-09-15 | 2021-12-28 | 国电投河南新能源有限公司 | 一种大型风力发电机组结冰检测方法 |
CN114593024A (zh) * | 2022-04-06 | 2022-06-07 | 华润电力技术研究院有限公司 | 风机叶片结冰预测方法以及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012119061A1 (en) * | 2011-03-03 | 2012-09-07 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN104066983A (zh) * | 2011-12-22 | 2014-09-24 | 维斯塔斯风力系统集团公司 | 风力涡轮机叶片积冰检测器 |
EP2647838B1 (en) * | 2012-04-04 | 2014-12-17 | Siemens Aktiengesellschaft | Method for operating a wind turbine having a rotor hub supporting at least one rotor blade |
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
-
2016
- 2016-12-15 CN CN201611159214.9A patent/CN108223307B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012119061A1 (en) * | 2011-03-03 | 2012-09-07 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN104066983A (zh) * | 2011-12-22 | 2014-09-24 | 维斯塔斯风力系统集团公司 | 风力涡轮机叶片积冰检测器 |
EP2647838B1 (en) * | 2012-04-04 | 2014-12-17 | Siemens Aktiengesellschaft | Method for operating a wind turbine having a rotor hub supporting at least one rotor blade |
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109026563B (zh) * | 2018-07-24 | 2019-12-27 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109595130A (zh) * | 2018-12-25 | 2019-04-09 | 济中能源技术服务(上海)有限公司 | 一种风机叶片结冰故障预测方法及系统 |
CN111878326A (zh) * | 2020-08-06 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
CN113847214A (zh) * | 2021-09-15 | 2021-12-28 | 国电投河南新能源有限公司 | 一种大型风力发电机组结冰检测方法 |
CN113847214B (zh) * | 2021-09-15 | 2023-12-29 | 国电投河南新能源有限公司 | 一种大型风力发电机组结冰检测方法 |
CN114593024A (zh) * | 2022-04-06 | 2022-06-07 | 华润电力技术研究院有限公司 | 风机叶片结冰预测方法以及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108223307B (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108223307B (zh) | 风力发电机组叶片结冰程度的检测方法和检测装置 | |
CN106014858B (zh) | 一种风电机组对风误差自动校准方法及装置 | |
TWI788290B (zh) | 風力渦輪機偏航失準估測 | |
US11460005B2 (en) | Condition monitoring system and wind turbine generation apparatus | |
EP2583125B1 (en) | Estimation of wind conditions at a wind turbine | |
CN107885959B (zh) | 一种基于置信等效功率曲线带的风电建模及性能评估方法 | |
US8476780B2 (en) | Wind turbine generator and method of estimating wind direction in wind turbine generator | |
US20150176569A1 (en) | Monitoring system and a monitoring method for a wind turbine generator | |
CN105089929B (zh) | 风力发电机组叶片结冰检测系统及其方法 | |
US7086835B2 (en) | Horizontal axis wind turbine and method for controlling horizontal axis wind turbine | |
EP3221582B1 (en) | A method for estimating a wind speed including calculating a pitch angle adjusted for blade torsion | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN105134510A (zh) | 一种风力发电机组变桨系统的状态监测和故障诊断方法 | |
EP2860395A1 (en) | System for automatic power estimation adjustment | |
CN104074687B (zh) | 一种用于兆瓦级风电机组的载荷及性能测试方法及装置 | |
US20230265832A1 (en) | Load control method and apparatus for wind turbine generator system | |
CN115081346B (zh) | 一种风电机组尾流效应下的健康度判断方法、装置及介质 | |
DK2981711T3 (en) | PROCEDURE FOR EFFICIENCY MONITORING OF A WINDOW ENERGY PARK | |
CN103758697A (zh) | 一种基于风机有效跟踪区间的改进最大功率跟踪控制方法 | |
DK201670830A1 (en) | Method and system of yaw control of wind turbines in a wind turbine farm | |
CN108204342A (zh) | 风力发电机的叶片结冰识别方法和装置 | |
EP3737857B1 (en) | A method for controlling a wind energy farm taking wake effects into account | |
CN110162888A (zh) | 一种基于半监督式学习的风机叶片结冰检测的方法 | |
CN109840563B (zh) | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 | |
CN110020000B (zh) | 判定异常风速数据的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |