基于AI算法的极端天气下风机叶片冻结潜势预测及其可持续性意义

《Energy Reports》:Freeze potential prediction of blades surface based on AI algorithm under extreme weather in the context of sustainability

【字体: 大 中 小 】 时间:2026年09月28日 来源:Energy Reports 6.6

编辑推荐:

  在可持续发展背景下,本研究提出了一种基于AI算法的风机叶片冻结潜势预测框架。研究设计了基于多普勒原理(Doppler Principle)的冗余传感器检测结构,采用变分模态分解(Variational Mode Decomposition, VMD)与马氏距离

  
在可持续发展背景下,本研究提出了一种基于AI算法的风机叶片冻结潜势预测框架。研究设计了基于多普勒原理(Doppler Principle)的冗余传感器检测结构,采用变分模态分解(Variational Mode Decomposition, VMD)与马氏距离(Mahalanobis Distance)联合算法从噪声中分离主信号,并提取梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients, MFCC)以表征结冰相关的声谱包络变化。研究人员将MFCC特征与选定的环境及运行变量拼接构建融合特征向量,进而训练随机森林(Random Forest, RF)分类器,将融合特征映射为结冰潜势概率。研究在中国河北省某风电场多台2.5 MW风机上开展了实证研究,结果表明该系统能够有效预测叶片结冰累积状态,为极端天气下风机叶片健康状态的在线智能监测与预警提供了技术方案,具有重要的可持续性意义。

论文解读文章

一、研究背景与问题提出

风力发电机组的高效稳定运行长期受到多种环境因素的制约,其中叶片结冰问题尤为突出。在低温和高湿环境下,风机叶片极易发生结冰现象。叶片表面结冰不仅会增加气动阻力、降低风能捕获效率,还会导致叶片不平衡、振动加剧,甚至引发结构疲劳与损伤。长期结冰会严重削弱叶片的力学性能,缩短其使用寿命并增加维护成本。此外,结冰引起的异常振动和载荷变化还会对风机其他关键部件造成二次损伤,引发更为复杂的故障问题。
传统维护手段多依赖定期巡检或人工检查,而结冰现象往往具有突发性和不均匀性,传统方法难以满足实时、精准的检测需求。基于实时数据的预测方法能够在结冰发生的早期阶段捕捉其征兆,从而及时采取除冰措施或调整运行策略,保障风机稳定运行并降低事故发生率。据统计,在环境条件较差的地区,年发电量损失可达20%–50%。因此,开发高精度、实时的结冰状态预测技术已成为风电行业亟待解决的关键技术问题之一。
早期研究主要依赖基于SCADA(Supervisory Control and Data Acquisition,数据采集与监控系统)数据的间接物理模型与分析方法,通过观测结冰所引发的后果来推断结冰状态。例如,有研究建立理论模型分析叶片结冰导致气动性能恶化进而引发的发电量异常下降,以此识别结冰状态;另有研究通过监测结冰引起的机舱振动信号增强来检测结冰。此类方法的优势在于可直接利用风电场现有SCADA数据,无需额外部署传感器,实施成本相对较低。然而,其局限性同样明显:风机功率或性能下降可能由多种因素导致,容易引发误报;且此类方法往往存在显著延迟,只有在结冰累积到一定程度并造成明显性能退化后才能被检测到,难以实现早期预警。
为实现更直接、更早期的结冰检测,基于外部传感器的直接监测技术得到了广泛研究与应用。视觉图像分析是最直观的结冰识别方法,研究者在机舱或塔筒上部署可见光或热成像相机,并采用图像处理算法检测冰层。但该方法性能受环境条件严重制约,在夜间、雾天或降雪等低能见度天气下几乎失效。另有研究在叶片内部布置传感器,通过分析信号变化识别结冰,该方法不受外部天气影响且精度较高,但传感器安装复杂、成本高昂,且对信号解译技术要求极为苛刻。
近年来,随着人工智能技术的突破,涌现了大量基于数据驱动的智能识别方法研究。这些方法通常以各类传感器采集的高维数据为输入,通过训练复杂的神经网络模型自动学习结冰状态与数据特征之间的非线性映射关系。例如,有研究采用基于计算机视觉的方法从叶片图像中提取特征;有研究利用长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元(Gated Recurrent Units, GRU)以及CNN与LSTM混合模型等时间序列深度学习模型,捕捉结冰发生前后功率、转速、振动、温度等多参数动态演变规律,从而实现更早期的预警。此外,也有研究探索将声学传感器信号与深度学习相结合,以进一步提升声学方法的自动化与识别能力。
叶片结冰会影响结构响应以及叶片通过时产生的气动声。结冰累积改变叶片质量分布,可能改变其固有频率、阻尼特性及振动幅值;同时,表面粗糙度和翼型几何形状的变化会改变边界层发展、流动分离及气动压力脉动。这些效应可能导致多个频段相对声能分布的变化。因此,能够表征整体频谱包络的声学描述符可为结冰潜势评估提供补充信息。

二、研究内容与主要技术方法

本研究提出了一种数据驱动的风机叶片结冰潜势在线评估框架,利用声学信号、环境与运行变量以及随机森林分类器实现结冰预测。研究采用塔筒安装的麦克风采集叶片通过声学信号,利用转速及多普勒相关信息辅助选择与叶片通过相关的声学片段。主要关键技术方法包括以下几个方面:
多普勒频移算法(Doppler Frequency Shift Algorithm):研究表明,叶片靠近叶尖三分之一长度区域对风机输出功率的贡献可达80%,而叶根处翼型形状变化不规则,其功率贡献可忽略不计。因此,声学信号检测的重心应置于叶片叶尖三分之一截面处。根据多普勒算法,旋转叶片产生的多普勒频移信号具有典型的窄带调制特性,其基频分量严格受叶片转速约束,谐波群集中于转速频率整数倍附近。风电场开放空间中的背景噪声多为宽带白噪声。通过设计时变陷波窗口的带阻滤波器组,可在保持多普勒边带信息完整性的前提下实现8–12 dB的定点噪声抑制。
声纹特征传感器拓扑结构(Topology of Voiceprint Characteristics Sensors):基于多普勒原理,研究设计了冗余布置的声学传感器方案,选择将传感器安装于塔筒上部,利用叶片叶尖与叶片三分之一处的空间位置差异产生多普勒效应,实现声信号的捕获与筛选。对于2.5 MW风机,采用多普勒原理捕获叶片三分之一处(约10 m)两端声信号,建议在保证精度的前提下对称分布于3–5 m间距。系统采用热冗余配置,任一传感器故障时其余两个可重新配置有源阵列;通过多数投票机制交叉校验过滤偶发误报。系统定期发射测试声波进行自诊断以监测传感器健康状态。沿塔筒长度部署三组传感器,全面覆盖0.5–350 Hz特征频率分量。考虑到空气中声衰减遵循平方反比定律,信号强度每增加1 m距离约衰减6 dB,传感器与声源间最佳距离维持在0.8–1.5 m以平衡信噪比与空间分辨率。通过差分测量抑制多普勒效应引起的频移,将转速相关频移误差从±3.2 Hz降至±0.7 Hz。采用正交三角阵列构型实现三维振动解耦,三只传感器周向间隔120°布置,结合加速度计数据可分离变桨、偏航和扭转振动模态对应的独立特征。
声信号降噪方法(Voice Signals Noise Reduction):变分模态分解(VMD)是一种自适应信号分解方法,目标是将复杂信号分解为若干有限带宽的模态分量。与传统经验模态分解不同,VMD采用严格的数学优化方法,利用变分原理和交替方向乘子法求解分解问题,具有更好的鲁棒性和抗噪性。假设原始信号为f(t),目标是将其分解为K个模态分量uk(t)及可能的噪声分量n(t),即f(t)=Σk=1Kuk(t)+n(t)。在VMD中,每个模态uk(t)被假定为中心频率为ωk的带限信号。为避免模态间频谱重叠,在调制后计算各模态的梯度能量以构建约束变分模型。
特征提取与分类:提取梅尔频率倒谱系数(MFCC)以表征结冰引起的声谱包络变化,将MFCC特征与选定的环境及运行变量拼接构建融合特征向量,进而训练随机森林(RF)分类器将融合特征映射为结冰潜势概率。

三、研究结果

2.1 多普勒频移算法:研究通过多普勒频移算法实现了旋转叶片声信号的有效捕获与噪声抑制。利用叶片叶尖三分之一区域对功率输出的主要贡献特性,将声学检测重心置于该区域。多普勒频移信号呈现典型窄带调制特性,基频分量严格受转速约束。通过设计时变陷波窗口的带阻滤波器组,在保持多普勒边带信息完整性的前提下实现了8–12 dB的定点噪声抑制。
2.2 声纹特征传感器拓扑结构:研究设计了基于多普勒原理的冗余传感器布置方案,将传感器安装于塔筒上部,利用叶片空间位置差异产生多普勒效应实现声信号捕获。系统采用热冗余配置和多数投票机制增强可靠性,定期自诊断监测传感器健康。三组传感器沿塔筒部署,全面覆盖0.5–350 Hz特征频率范围。差分测量将转速相关频移误差从±3.2 Hz降至±0.7 Hz。正交三角阵列结合加速度计数据实现三维振动解耦,可分离变桨、偏航和扭转振动模态的独立特征。
2.3 声信号降噪方法:研究采用变分模态分解(VMD)与马氏距离(Mahalanobis Distance)联合算法实现声信号的降噪处理。VMD通过严格的数学优化方法将复杂信号分解为若干有限带宽模态分量,相比传统经验模态分解具有更好的鲁棒性和抗噪性。该联合算法有效抑制了以风噪声为主的干扰成分,实现了主信号与噪声的有效分离。

四、讨论与结论

本研究提出的数据驱动框架实现了风机叶片结冰潜势的在线评估。通过塔筒安装的麦克风采集叶片通过声学信号,结合转速及多普勒相关信息选择与叶片通过相关的声学片段,采用VMD与马氏距离联合降噪方法抑制风噪声,提取MFCC特征表征结冰相关的声谱包络变化,并将MFCC特征与环境及运行变量融合构建特征向量,最终通过随机森林分类器实现结冰潜势概率的映射。
研究结论表明:在中国河北省某风电场多台2.5 MW风机的实证研究中,该系统能够有效预测叶片结冰累积状态,为极端天气下风机叶片健康状态的在线智能监测与早期预警提供了技术解决方案,在可持续发展背景下具有重要的工程应用价值。该研究为风电行业提供了一种兼具实时性、准确性和经济性的结冰预测技术路径,有助于提升风电场运行效率、降低维护成本并减少因结冰导致的发电损失。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号