CN113606099A - 一种监测风电机组叶片结冰的方法和系统 - Google Patents
一种监测风电机组叶片结冰的方法和系统 Download PDFInfo
- Publication number
- CN113606099A CN113606099A CN202110874189.7A CN202110874189A CN113606099A CN 113606099 A CN113606099 A CN 113606099A CN 202110874189 A CN202110874189 A CN 202110874189A CN 113606099 A CN113606099 A CN 113606099A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- image
- recognition system
- fan
- image recognition
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000026676 system process Effects 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 7
- 238000007710 freezing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 abstract description 5
- 238000000576 coating method Methods 0.000 abstract description 5
- 206010039203 Road traffic accident Diseases 0.000 abstract description 3
- 230000003111 delayed effect Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种监测风机叶片结冰的方法和系统,能够实时准确判定风机叶片结冰,避免了人为误判、延迟判断及覆冰持续运行存在较大安全隐患,节省人力物力,减少现场出行,降低交通事故发生率。该方法包括:摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;所述图像识别系统接收所述风机叶片图像;所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
Description
技术领域
本申请涉及电力领域,并且更具体的,涉及一种监测风电机组叶片结冰的方法和系统。
背景技术
目前高海拔地区的高原风电已经遍布云南、四川、贵州等多地,在气温下降时,容易发生风机叶片结冰情况,在北方地区在秋冬季节也易发生叶片结冰情况。
目前风电场发生结冰时,一般通过人工观察风机以及风机后台数据判定风机叶片结冰后停机。风机自身的判定叶片结冰,存在误判、延迟及覆冰持续运行存在较大安全隐患,远程停运后,等待覆冰融化,恢复还需继续人工检查确认,不能及时恢复机组运行。
因此如何监测风电机组叶片结冰情况,实现准确判定风机结冰是一项亟待解决的问题。
发明内容
本申请提供一种监测风电机组叶片结冰的方法和系统,所述方法能够实时准确判定风机叶片结冰,避免了人为误判、延迟判断及覆冰持续运行存在较大安全隐患,节省人力物力,减少现场出行,降低交通事故发生率。
第一方面,提供了一种监测风电机组叶片结冰的方法,所述方法包括:摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;所述图像识别系统接收所述风机叶片图像;所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
结合第一方面,在第一方面的某些实现方式中,所述图像识别系统根据所述风机叶片图像和预先训练的模型,确定所述风机叶片图像对应的风机叶片是否结冰,包括:所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
可选的,所述参数可以包括以下任一个或多个参数:风速、功率、机舱内外温度、风速仪信息等参数。
结合第一方面,在第一方面的某些实现方式中,在所述摄像头捕获风机叶片图像之前,所述方法还包括:所述图像识别系统处理多张风机叶片图像;所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
具体而言,所述图像识别系统是以智能图像识别yolov4模型上通过2000张机组结冰以上的图片进行训练,首先所述图像识别系统处理多张风机叶片图像,主要消除图像中的噪声和干扰,将图像转化成易识别模式,简化图像信息并提升像中重要信息的可检查度,从而改善特征抽取、匹配和识别的可靠性,其次所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型,得到风机叶片结冰识别能力,保证叶片结冰识别率在95%以上。
可选的,所述图像识别系统将高速运动图像摄像头实时采集的风机叶片图像进行判别结冰后,所述图像识别系统根据最新结冰图片,进行改进学习,训练所述算法模型,以提高风机叶片识别率。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
第二方面,提供了一种监测风机叶片结冰的系统,包括:摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;所述图像识别系统接收所述风机叶片图像;所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
结合第二方面,在第二方面的某些实现方式中,所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
结合第二方面,在第二方面的某些实现方式中,在所述摄像头捕获风机叶片图像之前,所述图像识别系统处理多张风机叶片图像;所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
结合第二方面,在第二方面的某些实现方式中,所述系统还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
可选的,所述系统可以预留其他措施接口,按照所述图像识别系统判断,提供控制或遥控信号。
结合第二方面,在第二方面的某些实现方式中,当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
附图说明
图1是本申请实施例提供的一种监测风电机组叶片结冰的方法的示意性流程图;
图2是本申请实施例提供的一种采用YOLO深度学习相关的目标检测示意性流程图;
图3是本申请实施例的一种监测风电机组叶片结冰的方法的示意性流程图;
图4是本申请实施例的一种监测风电机组叶片结冰的系统的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1是本申请实施例的一种监测风电机组叶片结冰的方法100的示意性流程图。如图1所示,图1中示出的方法100可以包括S110至S130。下面结合图1详细说明方法100中的各个步骤。
S110,摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统。
S120,所述图像识别系统接收所述风机叶片图像。
S130,所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
因此,通过摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统,所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰,能够实时准确判定风机叶片结冰,避免了人为误判、延迟判断及覆冰持续运行存在较大安全隐患,节省人力物力,减少现场出行,降低交通事故发生率。
在一种实现方式中,所述图像识别系统根据所述风机叶片图像和预先训练的模型,确定所述风机叶片图像对应的风机叶片是否结冰,包括:所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
具体而言,所述风机监控系统可以是数据采集与监视控制系统(SupervisoryControl And Data Acquisition,SCADA)。SCADA系统是以计算机为基础的DCS与电力自动化监控系统;它应用领域很广,可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。
在电力系统中,SCADA系统应用最为广泛,技术发展也最为成熟。它在远动系统中占重要地位,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。
可选的,所述参数可以包括以下任一个或多个参数:风速、功率、机舱内外温度、风速仪信息等参数。
在一种实现方式中,在所述摄像头捕获风机叶片图像之前,所述方法还包括:所述图像识别系统处理多张风机叶片图像;所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
具体而言,所述图像识别系统是以智能图像识别YOLOv4模型上通过2000张机组结冰以上的图片进行训练,首先所述图像识别系统处理多张风机叶片图像,主要消除图像中的噪声和干扰,将图像转化成易识别模式,简化图像信息并提升像中重要信息的可检查度,从而改善特征抽取、匹配和识别的可靠性,其次所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型,得到风机叶片结冰识别能力,保证叶片结冰识别率在95%以上。
为了更清楚的理解本申请实施例,首先对YOLO进项简单介绍。YOLO(You OnlyLook Once),是于2015年提出的基于单个神经网络的目标检测系统,是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。现在YOLO已经发展到v4版本。
本申请实施例采用YOLO深度学习相关的目标检测方法,是基于端到端(end toend),无需候选区域,将整张图片作为网络的输入,直接在输出层对bounding box的位置和所属类别进行回归。其处理过程如图2所示,图2本申请实施例提供的一种采用YOLO深度学习相关的目标检测示意性流程图。
步骤一:YOLO检测系统先将输入图像调整到(416,416,3)(可修改),对不符合的图片进行灰条增加,避免图像失真;
步骤二:在图像上运行主干特征提取网络Darknet53,其特点是使用了残差网络Residual,对图片进行不断压缩处理,先将输入图片运用卷积Conv2D扩张至(416,416,32),再用残差网络Residual_body压缩和获得高的通道数(208,208,64)→(104,104,128)→(52,52,256)→(26,26,512)→(13,13,1024),其按顺序残差1/2/8/8/4次进行堆叠(可调整)使用,目的是获得图片上的精准数据信息,以最后三层作为有效特征层。
步骤三:对(13,13,1024)层进行卷识Conv2D_Block操作后直接获得最终有效特征13x13x75,其他有效特征层进行特征信息进行合并(Concat)操作,不断进行上采样进行残差再次堆叠,最终获得26x26x75/52x52x75最终有效特征。
图像识别原理实现细节如下:
1、将一幅图像分成S×S个网格(Grid Cell),如果某个目标(object)的中心落在某个网格中,通过真实的框(ground-truth)确定,则这个网格就负责预测这个目标(object)。
2、每个网格要预测B个bounding box,每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值,即每个box要预测(x,y,w,h)和confidence共5个值。confidence值代表了所预测的bounding box中是否含有object和若有object,这个object预测得有多准的两重信息,计算方式如下式:
如果有object的中心落在一个网格里面,Pr(Object)的前第一项取1,否则取0。第二项是预测的边界框和ground-truth之间的IOU值。
每个网格单元针对类别预测bboxes属于单个类别的条件概率Pr(Classi|Object),属于同一个网格的B个bboxes共享一个条件概率。在测试时,将条件概率分别和单个的bbox的confidence预测相乘,如下式:
3、每个bounding·box要预测(x,·y,·w,·h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类。则SxS个网格,每个网格要预测B个boundingbox还要预测C个类别(categories),一般设定为20个类别。输出S·x·S·x·B*(1+4+C),也就是图中的13x13x·75→13x13x3*(1+4+20),以及26x26x75→26x26x3*(1+4+20)/52x52x·75→52x52x3*(1+4+20),其中13x13类型识别小物体,52x52识别大物体。
关于先遣训练的步骤:
通过LabelImg图形图像注释工具进行目标标记,即可获得目标名称以及标注坐标。然后通过darknet模式下train先遣训练必须通过图像集,传入到卷积神经网络(Conv2D)进行学习,获得最小的损失函数以及最佳权重文件(best.weights),如下式:
该损失函数是通过论文:YOLOv3:·An·Incremental·Improvement(作者:Joseph·Redmon·Ali·Farhadi)的源代码上推导得出。其中:lossobject是表示最小的损失函数值,S表示网数,B表示候选框,是第i个网格的第j个候选框负责检则是否有目标object,如果有那么=1,否则为0,是第i个网格的第j个候选框负责检则无目标,xi、yi是中心坐标,x′i、y′i是预测的中心坐标,w是宽度值,h是高度值,w′i、h′i是预测的宽度值、高度值,Ci是置信度,C′i是预测的置信度,c是分类,P(c)表示分类概率,P(c)表示分类概率的预测值。网格共有S×S个,每个网格产生B个候选框(anchor·box),每个候选框经过网络会得到相应的boundingbox,最终形成S×S×B个boundingbox,如果box内没有目标(nobj),则只计算该box的置信度。上述公式根据大括号的内容分别表示中心坐标误差、宽高坐标误差、置信度交叉熵损失函数、分类交叉熵损失函数,(2-w×h)是加大对小小框的损失计算,最终获得最小的损失函数值。
可选的,所述图像识别系统将高速运动图像摄像头实时采集的风机叶片图像进行判别结冰后,所述图像识别系统根据最新结冰图片,进行改进学习,训练所述算法模型,以提高风机叶片识别率。
可选的,所述方法还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
可选的,所述方法还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
为了更清楚的理解本申请实施例,下面结合图3对本身请实施例的一种监测风电机组叶片结冰的方法200进行介绍。图3是本申请实施例的一种监测风电机组叶片结冰的方法200的示意性流程图。如图3所示,图3中示出的方法200可以包括S210至S230。下面结合图3详细说明方法200中的各个步骤。
S210,高速运动图像摄像头捕获风机叶片图像,并将所述图像传送至图像识别系统。
S220,所述图像识别系统判定风机叶片结冰情况。
S230,当所述图像识别系统判定风机叶片结冰时,所述图像识别系统向合约转换模块下发远程停运机组命令。所述合约转换模块还可以向所述图像识别系统发送的风机参数,
如风速、功率、机舱内外温度、风速仪信息等参数。当所述图像识别系统判定风机叶片未结冰时,所述图像识别系统向合约转换模块下发远程停运机组命令。
S240,所述图像识别系统触发自动及人工除冰系统进行风机叶片除冰,结冰融化。
S250,所述摄像头实时采集风机叶片图片。
S260,所述图像识别系统结合风机监控系统SCADA信息、图像智能识别,判定风机结冰恢复情况。
S270,所述摄像头实时采集的风机叶片图片可以提供给风机叶片结冰图集,所述图像识别系统使用风机叶片结冰图集训练算法模型。
图4是本申请实施例的一种监测风电机组叶片结冰的系统的示意性框图。如图4所示。所述监测风机叶片结冰的系统,包括:摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;所述图像识别系统接收所述风机叶片图像;所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
在一种实现方式中,所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
在一种实现方式中,在所述摄像头捕获风机叶片图像之前,所述图像识别系统处理多张风机叶片图像;所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
在一种实现方式中,所述系统还包括:当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
在一种实现方式中,当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
可选的,所述系统还可以包括其他模块,如可以预留其他措施接口,按照所述图像识别系统判断,提供控制或遥控信号。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种监测风机叶片结冰的方法,其特征在于,包括:
摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;
所述图像识别系统接收所述风机叶片图像;
所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
2.根据权利要求1所述的方法,其特征在于,所述图像识别系统根据所述风机叶片图像和预先训练的模型,确定所述风机叶片图像对应的风机叶片是否结冰,包括:
所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;
所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
3.根据权利要求1或2所述的方法,其特征在于,在所述摄像头捕获风机叶片图像之前,所述方法还包括:
所述图像识别系统处理多张风机叶片图像;
所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;
所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
6.一种监测风机叶片结冰的系统,其特征在于,包括:
摄像头捕获风机叶片图像,并将所述风机叶片图像传输至图像识别系统;
所述图像识别系统接收所述风机叶片图像;
所述图像识别系统根据所述风机叶片图像和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
7.根据权利要求6所述的系统,其特征在于,
所述图像识别系统接收合约转换模块发送的风机参数,所述参数由风机监控系统采集;
所述图像识别系统根据所述风机叶片图像、所述风机参数和算法模型,确定所述风机叶片图像对应的风机叶片是否结冰。
8.根据权利要求6或7所述的系统,其特征在于,在所述摄像头捕获风机叶片图像之前,
所述图像识别系统处理多张风机叶片图像;
所述图像识别系统根据处理后的所述多张风机叶片图像训练所述算法模型。
9.根据权利要求6或7所述的系统,其特征在于,所述系统还包括:
当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像识别系统发出结冰警示;
所述图像识别系统向风机叶片除冰系统发出除冰指示信息。
10.根据权利要求7所述的系统,其特征在于,
当所述图像识别系统确定所述风机叶片图像对应的风机叶片结冰时,所述图像处理系统向所述风机监控系统发出控制信号,所述控制信号用于指示所述风机监控系统停运所述风机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874189.7A CN113606099A (zh) | 2021-07-30 | 2021-07-30 | 一种监测风电机组叶片结冰的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874189.7A CN113606099A (zh) | 2021-07-30 | 2021-07-30 | 一种监测风电机组叶片结冰的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113606099A true CN113606099A (zh) | 2021-11-05 |
Family
ID=78338835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110874189.7A Pending CN113606099A (zh) | 2021-07-30 | 2021-07-30 | 一种监测风电机组叶片结冰的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113606099A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114056567A (zh) * | 2021-11-22 | 2022-02-18 | 西安热工研究院有限公司 | 一种基于无人机群的风电叶片除冰系统和方法 |
CN114673638A (zh) * | 2022-05-26 | 2022-06-28 | 国网江西省电力有限公司电力科学研究院 | 一种风力发电机叶片覆冰监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886617A (zh) * | 2010-06-07 | 2010-11-17 | 三一电气有限责任公司 | 一种风力发电机组及其叶片除冰系统 |
KR101520598B1 (ko) * | 2015-02-10 | 2015-05-14 | 김국빈 | 풍력발전기 블레이드의 결빙감시시스템 |
CN108999758A (zh) * | 2017-06-07 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰监测方法和设备 |
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 |
CN109117858A (zh) * | 2017-06-26 | 2019-01-01 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
-
2021
- 2021-07-30 CN CN202110874189.7A patent/CN113606099A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886617A (zh) * | 2010-06-07 | 2010-11-17 | 三一电气有限责任公司 | 一种风力发电机组及其叶片除冰系统 |
KR101520598B1 (ko) * | 2015-02-10 | 2015-05-14 | 김국빈 | 풍력발전기 블레이드의 결빙감시시스템 |
CN108999758A (zh) * | 2017-06-07 | 2018-12-14 | 北京金风科创风电设备有限公司 | 风力发电机的叶片结冰监测方法和设备 |
CN109117858A (zh) * | 2017-06-26 | 2019-01-01 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114056567A (zh) * | 2021-11-22 | 2022-02-18 | 西安热工研究院有限公司 | 一种基于无人机群的风电叶片除冰系统和方法 |
CN114673638A (zh) * | 2022-05-26 | 2022-06-28 | 国网江西省电力有限公司电力科学研究院 | 一种风力发电机叶片覆冰监测方法及装置 |
CN114673638B (zh) * | 2022-05-26 | 2022-09-02 | 国网江西省电力有限公司电力科学研究院 | 一种风力发电机叶片覆冰监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN113606099A (zh) | 一种监测风电机组叶片结冰的方法和系统 | |
CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN108230602A (zh) | 基于Labview的电气火灾预警系统 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN115620239B (zh) | 一种点云和视频结合的输电线路在线监测方法和系统 | |
CN113391239A (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN113847216A (zh) | 风机叶片的状态预测方法、装置、设备及存储介质 | |
CN107153160B (zh) | 一种风力发电机组全方位安全监控系统 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN116306139A (zh) | 一种风力机叶片寿命智能监测方法及系统 | |
CN110097223B (zh) | 一种台风灾害下输电线路损毁预警方法 | |
CN106949020B (zh) | 一种高度集成风力发电机群安全监控系统 | |
CN117375226A (zh) | 一种电网运行监测装置 | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
CN116910491A (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
Xiao et al. | Monitoring the Abnormal Human Behaviors in Substations based on Probabilistic Behaviours Prediction and YOLO-V5 | |
CN109190841A (zh) | 基于风机概率随机劣化模型的海上风电预测性维护方法 | |
CN105678460B (zh) | 雷电灾害与设备过载及断面越限的关联度分析方法 | |
CN112710918A (zh) | 基于边缘计算的无线数据采集方法及系统 | |
CN117726043B (zh) | 一种水库水情自动测报及预报方法 | |
CN118034354B (zh) | 一种基于无人机的电力巡检控制方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211105 |
|
RJ01 | Rejection of invention patent application after publication |