一种风力发电机组叶片结冰检测的方法和装置的制造方法
【技术领域】
[0001]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
目.ο
【背景技术】
[0002]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。
[0003]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】
[0004]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。
[0005]为实现上述目的，本发明采用如下技术方案:
[0006]—种风力发电机组叶片结冰检测的方法，包括以下步骤:Α.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;Β.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;Ε.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。
[0007]作为进一步地改进，所述步骤Α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。
[0008]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。
[0009]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。
[0010]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。
[0011]—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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]由于采用上述技术方案，本发明至少具有以下优点:
[0017](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。
[0018](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。
[0019](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。
[0020](4)本发明实现较为容易，且成本较低，利于推广。
【附图说明】
[0021]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。
[0022]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】
[0023]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。
[0024]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。
[0025]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。
[0026]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。
[0027