一种风电叶片覆冰状态智能识别及预警方法与流程

1.本发明属于风力发电技术领域，具体涉及一种风电叶片覆冰状态智能识别及预警方法。


背景技术：

2.因实际需要，有一些风电机组会安装在寒冷的山区，冬季温度较低时，叶片上有极大可能出现覆冰现象。叶片在覆冰状态下运行会破坏原有的叶片气动外形，增加叶片质量，这会降低机组发电效率，还会引起风轮的不平衡转动，覆冰严重时甚至会引起叶片超载断裂、机组倒塌事故，因此尽早识别叶片覆冰状态并采取对应措施具有重要意义。
3.早先，叶片是否覆冰很难通过有效手段进行检测，一般需要派出维护人员实地对风电机组进行观察，但是覆冰的风电机组多处于冬季山区，此时气候寒冷地面积雪会给维护人员上山带来很大安全隐患；因此近些年来不断有新的覆冰检测方法产出，检测方法主要包括两类：
4.一类是给风电机组安装额外的传感器或检测设备，并通过图像识别法或基于加速度传感器所测叶片固有频率变化进行叶片覆冰检测，这无疑会增加检测成本。
5.另一类检测方法是将风电机组实际运行中的风速、转速、功率与理论值对比，当差值超过了一定的阈值即认为是叶片覆冰，该方法无需安装额外硬件设备成本较低，但该方法无法判断叶片覆冰的具体程度，且该方法忽略了叶片不同覆冰程度、机组不同运行区间对机组各项运行参数的影响，也忽略了风电机组本身性能退化所引起的参数理论值变化，因此诊断精度会有所降低。


技术实现要素：

6.本发明的目的在于提供一种风电叶片覆冰状态智能识别及预警方法，弥补了现有的风电叶片覆冰状态识别和预警方法的不足。
7.为了达到上述目的，本发明采用的技术方案是：
8.本发明提供的一种风电叶片覆冰状态智能识别及预警方法，包括以下步骤：
9.步骤1，获取风电机组设计参数及设定时间段内的历史运行数据，其中，所述设计参数包括切入风速、切出风速、额定风速、额定功率、额定风轮转速和全开桨时叶片桨距角，所述历史运行数据包括机组运行状态、风速、有功功率、风轮转速、叶片桨距角等；
10.步骤2，根据得到的历史运行数据分别得到风速-功率曲线及风速-桨距角曲线；
11.步骤3，设置覆冰环境温度阈值、最近预设时间段内数据点总数、低风速区最大风速阈值、覆冰预警比例阈值、覆冰三级预警参数损失百分比阈值、覆冰二级预警参数损失百分比阈值和覆冰一级预警参数损失百分比阈值；
12.步骤4，获取当前环境温度，其中，若当前环境温度小于覆冰环境温度阈值时，获取风电机组预设时间内的当前运行数据，当前运行数据包括机组运行状态、风速、有功功率、风轮转速和叶片桨距角；
13.步骤5，将得到的当前运行数据与步骤2得到的风速-功率曲线及风速-桨距角曲线分别进行对比，根据比对结果对风电叶片覆冰状态进行识别并推送预警信息。
14.优选地，根据得到的历史运行数据分别得到风速-功率曲线及风速-桨距角曲线，具体方法是：
15.s21，以设定的风速间隔对得到的历史运行数据进行分仓，得到多个风速区间数据；
16.s22，对得到的各个风速区间数据进行清洗，得到每个子风速区间；
17.s23，将每个子风速区间的数据进行数据拟合，分别得到风速-功率曲线及风速-桨距角曲线。
18.优选地，在对历史运行数据进行分仓之前，将得到历史运行数据中停机、空转、故障、检修和启动等非正常发电的数据进行剔除，得到风电机组正常发电运行的历史数据。
19.优选地，s22中，对得到的多个风速区间数据进行清洗，得到每个子风速区间，具体方法是：
20.计算每个风速区间内的功率平均值μ和标准差σ；
21.从得到的每个风速区间内剔除输出功率小于μ-3σ或输出功率大于μ+3σ的数据，得到对应的子风速区间。
22.优选地，s23，对每个子风速区间的数据进行数据拟合，分别得到风速-功率曲线及风速-桨距角曲线，具体方法是：
23.计算每个子风速区间对应的风速均值、有功功率均值和叶片桨距角均值，得到多个风速均值、有功功率均值和叶片桨距角均值；
24.根据得到的多个风速均值、有功功率均值和叶片桨距角均值分别拟合得到风速-功率曲线及风速-桨距角曲线。
25.优选地，步骤5中，将得到的当前运行数据与步骤2得到的风速-功率曲线及风速-桨距角曲线分别进行对比，根据比对结果对风电叶片覆冰状态进行识别，具体方法是：
26.s51，将得到的当前运行数据与步骤2得到的风速-功率曲线及风速-桨距角曲线分别进行对比，其中，若当前运行数据中在风速-功率曲线或风速-桨距角曲线以下的数据点的占比小于覆冰预警比例阈值时，则判定机组正常发电运行；否则，进行s52；
27.s52，计算当前运行数据中的风速均值，其中，若风速均值小于低风速区最大风速阈值时，判定叶片出现低风速结冰，并推送覆冰三级预警信息；否则进入s53；
28.s53，当风速均值大于额定风速时，计算当前运行数据中的每一个数据点相对于同风速下桨距角曲线对应桨距角的损失百分比，并对计算得到的各个损失百分比取均值；否则，计算当前运行数据中的每一个数据点相对于同风速下功率曲线对应功率的损失百分比，并对计算得到的各个损失百分比取均值；
29.s54，根据得到的损失百分比均值判断叶片的覆冰程度。
30.优选地，在将得到的当前运行数据与步骤2得到的风速-功率曲线及风速-桨距角曲线分别进行对比之前，将得到当前运行数据中限功率运行的数据以及停机、空转、故障、检修和启动的非正常发电的数据进行剔除，得到风电机组正常的当前运行数据。
31.优选地，当得到的风电机组正常的当前运行数据中的数据点总数小于最近规定时间段内数据点总数的二分之一时，则不进行判定，程序结束；否则进入s51。
32.优选地，s54中，根据得到的损失百分比均值判断叶片的覆冰程度，具体方法是：
33.当损失百分比均值大于覆冰一级预警参数损失百分比阈值时，则判定叶片出现重度结冰现象，并推送一级预警信息；
34.当损失百分比均值大于覆冰二级预警参数损失百分比阈值时，则判定叶片出现中度结冰现象，并推送二级预警信息；
35.当损失百分比均值大于覆冰三级预警参数损失百分比阈值时，则判定叶片出现轻度结冰现象，并推送三级预警信息。
36.一种风电叶片覆冰状态智能识别及预警系统，包括：
37.数据采集单元，用于获取风电机组设计参数及设定时间段内的历史运行数据，其中，所述设计参数包括切入风速、切出风速、额定风速、额定功率、额定风轮转速和全开桨时叶片桨距角，所述历史运行数据包括机组运行状态、风速、有功功率、风轮转速、叶片桨距角等；
38.曲线拟合单元，用于根据得到的历史运行数据分别得到风速-功率曲线及风速-桨距角曲线；
39.阈值预设单元，用于设置覆冰环境温度阈值、最近预设时间段内数据点总数、低风速区最大风速阈值、覆冰预警比例阈值、覆冰三级预警参数损失百分比阈值、覆冰二级预警参数损失百分比阈值和覆冰一级预警参数损失百分比阈值；
40.数据获取单元，用于获取当前环境温度，其中，若当前环境温度小于覆冰环境温度阈值时，获取风电机组预设时间内的当前运行数据，当前运行数据包括机组运行状态、风速、有功功率、风轮转速和叶片桨距角；
41.状态识别与预警单元，用于将得到的当前运行数据与得到的风速-功率曲线及风速-桨距角曲线分别进行对比，根据比对结果对风电叶片覆冰状态进行识别并推送预警信息。
42.与现有技术相比，本发明的有益效果是：
43.本发明提供的一种风电叶片覆冰状态智能识别及预警方法，通过提取风电机组最近设定时间段内历史运行数据，并对数据进行充分清洗后拟合得到风电机组当前运行风速-功率曲线和风速-桨距角曲线。此外，在环境达到覆冰条件后，以较短时间间隔提取最近预设时间段内的风电机组运行数据，对其进行数据清洗后将剩余数据与拟合得到的风速-功率曲线或风速-桨距角曲线对比，判定叶片覆冰程度并给出预警。所提出的方法仅需对风电机组原有运行数据进行分析，无需安装额外检测设备或传感器无需增加额外成本，且该方法考虑了风电机组不同运行区间、叶片不同覆冰程度对风电机组各项运行参数的影响，相较风电机组自身数据采集与监视控制(supervisory control and data acquisition，scada)系统能更早地识别叶片覆冰以及覆冰程度，并及时给出预警，可有效降低风电机组在叶片覆冰状态下的运行风险。
附图说明
44.图1为本发明的方法流程图；
45.图2是本发明的系统结构示意图。
具体实施方式
46.下面结合说明书附图对本发明作进一步的描述。
47.如图1所示，本发明提供的一种风电叶片覆冰状态智能识别及预警方法，具体包括以下步骤：
48.步骤1，读取风电机组切入风速(line1)、切出风速(line2)、额定风速(line3)、额定功率(line4)、额定风轮转速(line5)、全开桨时叶片桨距角(line7)等设计参数，并每隔固定时间从scada系统中提取风电机组最近3个月内的机组运行状态、风速、有功功率、风轮转速、叶片桨距角等10min级运行数据；
49.提取10min级数据是为了后续的功率曲线拟合，由于风电机组功率曲线短时间内通常不会发生明显变化，因此此处数据提取时间间隔设置为半个月或一个月均可。每次提取的数据需能保证风电机组输出功率小于额定功率时每0.5m/s风速区间内的数据点不少于30个，以保证拟合得到的功率曲线足够准确，通常规定时间设置为3个月能够满足此要求。
50.步骤2，进行数据清洗，剔除掉步骤1提取的风电机组运行数据中停机、空转、故障、检修、启动等非正常发电的数据从而得到风电机组正常发电状态数据；
51.数据清洗时，停机、空转、故障、检修、启动等状态可直接通过scada数据中机组运行状态识别。
52.步骤3，以每0.5m/s为一个风速区间对数据进行分仓，计算每个风速区间内的功率平均值(μ)和标准差(σ)，剔除每个风速区间内输出功率小于μ-3σ以及输出功率大于μ+3σ的大范围离群数据点，得到每个子风速区间；
53.计算每个子风速区间内各数据点对应的风速均值、有功功率均值和叶片桨距角均值，保存风速-功率以及风速-桨距角数据并通过差值拟合得到机组最近3个月内的风速-功率曲线及风速-桨距角曲线；
54.叶片覆冰会影响叶片气动外形从而导致相同风速下机组的输出功率降低，机组需要在更高风速下达到额定输出功率，从而导致额定功率数据点对应的叶片变桨角度降低。因此可以通过对比当前短时间内风电机组输出功率、变桨角度与同风速未覆冰状态下输出功率和变桨角度理论值之间差值的大小判定叶片是否覆冰以及覆冰的程度。
55.风电机组scada系统中没有针对叶片覆冰状态的识别及控制策略，而是当机组未进行限功率控制但输出功率却远小于同风速下风电机组初始设计或初始安装运行时的理论输出功率时，直接判定机组出现故障并停机。此时通常叶片覆冰情况已经非常严重，机组无法自动识别叶片早期覆冰以及覆冰程度，因此不能提前采取措施防止风电机组运行在危险工况以下。此外，随着风电机组运行年限的增加，风电机组发电性能会存在一定退化，这也导致风速-功率曲线不断变化。与此同时，不用季节、不同环境、不同空气密度下风电机组实际运行风速-功率曲线也会存在一定差异。因此，若想准确判断叶片是否覆冰，需要对每台风电机组分别进行步骤1、步骤2和步骤3的分析，获得每台机组最新拟合得到的风速-功率曲线以及风速-桨距角曲线，并以其为基准进行叶片覆冰诊断和预警，从而有效提升诊断准确性。
56.步骤4，设置覆冰环境温度阈值n1，最近2小时内数据点总数n2，低风速区最大风速阈值n3，覆冰预警比例阈值n4，覆冰三级预警参数损失百分比阈值n5，覆冰二级预警参数损
失百分比阈值n6，覆冰一级预警参数损失百分比阈值n7；
57.此处覆冰一级预警、二级预警、三级预警分别指代叶片重度覆冰、中度覆冰以及轻度覆冰。
58.步骤5，当环境温度小于覆冰环境温度阈值n1时，启动覆冰预警模型，并每隔固定时间从scada系统中提取风电机组最近2小时内的机组运行状态、风速、有功功率、风轮转速、叶片桨距角等参数的1min级数据；
59.此处提取数据的间隔可根据覆冰程度以及覆冰速度进行选择，例如叶片覆冰程度较严重或覆冰速度较快时选择较短的间隔时间并采取相应的措施，以防止叶片严重覆冰对机组运行稳定性的影响。
60.步骤6，剔除掉步骤5提取的风电机组运行数据中停机、空转、故障、启动等非正常发电的数据，得到风电机组当前2小时内正常发电状态数据x；当x的数据点数小于n2/2时，认定“数据量不足”，暂不进行判定；否则进入步骤7)；
61.步骤7，将数据x与步骤3所得近3个月内的风速-功率曲线和风速-桨距角曲线对比，若数据x中在风速-功率曲线或风速-桨距角曲线以下数据点的占比小于覆冰预警比例阈值n4，则判定“机组正常发电运行”，否则判定机组覆冰并进入步骤8；
62.步骤8，计算数据x中的风速均值，当风速均值小于低风速区最大风速阈值n3时，判定叶片出现低风速结冰，并向监控系统推送：“覆冰三级预警：叶片低风速轻微覆冰”；否则进入步骤9；
63.叶片覆冰会降低风电机组风轮转矩，也进一步降低风轮转速。因此在低风速区范围内，叶片严重覆冰会导致风轮转速达不到机组并网转速，也即机组会处于空转状态无功率输出。而若是在低风速区有功率输出，那通常覆冰程度比较轻微，与此同时低风速区风电机组载荷和振动较小，安全风险相对较小，因此此处可直接给出三级覆冰预警。
64.步骤9，当数据x中的风速均值大于额定风速line3时，计算x中的每一个数据点相对于同风速下桨距角曲线对应桨距角的损失百分比，并对计算得到的各个损失百分比取均值；当数据x中的风速均值小于或等于额定风速line3时，计算x中的每一个数据点相对于同风速下功率曲线对应功率的损失百分比，并对计算得到的各个损失百分比取均值；
65.通常情况下，风电机组在风速小于额定风速时，叶片一直处于完全开桨状态，桨距角保持不变。而当风速大于额定风速时，机组输出功率达到额定输出功率，机组通过改变叶片桨距角维持功率的稳定输出。因此，步骤9通过判定数据x的风速均值与额定风速的相对大小来确定风电机组当前两小时内的主要运行区间，从而确定应该采用桨距角还是输出功率进行分析，保证所提出的覆冰状态智能识别方法适用于风电机组各个运行区间。
66.步骤10，当步骤9所计算得到的损失百分比均值大于覆冰一级预警参数损失百分比阈值n7时，判定叶片出现重度结冰现象，并向监控系统推送“一级预警：叶片重度覆冰”；
67.当损失百分比均值小于覆冰一级预警参数损失百分比阈值n7且大于覆冰二级预警参数损失百分比阈值n6时，判定叶片出现中度结冰，并向监控系统推送“二级预警：叶片中度覆冰”；
68.当损失百分比均值小于覆冰二级预警参数损失百分比阈值n6且大于覆冰三级预警参数损失百分比阈值n5时，判定叶片出现轻度结冰，并向监控系统推送“三级预警：叶片轻度覆冰”。
69.如图2所示，本发明提供的一种风电叶片覆冰状态智能识别及预警系统，包括：
70.数据采集单元，用于获取风电机组设计参数及设定时间段内的历史运行数据，其中，所述设计参数包括切入风速、切出风速、额定风速、额定功率、额定风轮转速和全开桨时叶片桨距角，所述历史运行数据包括机组运行状态、风速、有功功率、风轮转速、叶片桨距角等；
71.曲线拟合单元，用于根据得到的历史运行数据分别得到风速-功率曲线及风速-桨距角曲线；
72.阈值预设单元，用于设置覆冰环境温度阈值、最近预设时间段内数据点总数、低风速区最大风速阈值、覆冰预警比例阈值、覆冰三级预警参数损失百分比阈值、覆冰二级预警参数损失百分比阈值和覆冰一级预警参数损失百分比阈值；
73.数据获取单元，用于获取当前环境温度，其中，若当前环境温度小于覆冰环境温度阈值时，获取风电机组预设时间内的当前运行数据，当前运行数据包括机组运行状态、风速、有功功率、风轮转速和叶片桨距角；
74.状态识别与预警单元，用于将得到的当前运行数据与得到的风速-功率曲线及风速-桨距角曲线分别进行对比，根据比对结果对风电叶片覆冰状态进行识别并推送预警信息。
75.所述状态识别与预警单元包括：
76.阈值识别预警单元，用于将得到的当前运行数据与得到的风速-功率曲线及风速-桨距角曲线分别进行对比，其中，若当前运行数据中在风速-功率曲线或风速-桨距角曲线以下的数据点的占比小于覆冰预警比例阈值时，则判定机组正常发电运行；否则，进行风速识别预警单元；
77.风速识别预警单元，用于计算当前运行数据中的风速均值，其中，若风速均值小于低风速区最大风速阈值时，判定叶片出现低风速结冰，并推送：“覆冰三级预警：叶片低风速轻微覆冰”；否则进入损失百分比计算单元；
78.损失百分比计算单元，用于当风速均值大于额定风速时，计算当前运行数据中的每一个数据点相对于同风速下桨距角曲线对应桨距角的损失百分比，并对计算得到的各个损失百分比取均值；否则，计算当前运行数据中的每一个数据点相对于同风速下功率曲线对应功率的损失百分比，并对计算得到的各个损失百分比取均值；
79.损失百分比识别预警单元，用于根据得到的损失百分比均值判断叶片的覆冰程度。