本发明涉及设备检测,具体为一种基于数字孪生的风机叶片结冰状态预测方法、系统及设备。
背景技术:
1、风力发电作为一种新型的可再生能源,其优点在于对环境友好、永不耗尽,并且可以实现分散式发电。然而,在寒冷条件下,风机叶片易受结冰影响,导致风机性能下降,能量损失增加,并且可能引发严重的设备故障。因此,及时准确地检测和判定风机叶片的结冰状态对于风力发电系统的稳定运行至关重要。
2、目前,现有的风机叶片结冰状态检测方法存在一些局限性:
3、传感器监测方法:传统方法通常采用温度传感器、湿度传感器和振动传感器等来监测风机叶片的状态。但由于风机叶片表面结冰情况受到多种因素的影响,如气象条件、叶片材料等,单一传感器的监测结果可能不够全面和准确。
4、图像识别方法:通过图像识别技术来判断风机叶片的结冰状态。但是这种方法需要安装相应的摄像设备,并且图像识别算法的准确性与复杂性也是一大挑战。
5、物理模型方法:有些研究采用数学物理模型来模拟风机叶片的结冰过程,但这种方法需要较为复杂的模型和大量的数据,且实时性较差。
6、综上所述,现有的风机叶片结冰状态监测方法在准确性、实时性和综合优化方面仍存在一定的局限性。
技术实现思路
1、为解决上述的问题,本发明第一方面提供了一种基于数字孪生的风机叶片结冰状态预测方法,所述方法步骤如下:
2、收集风机叶片历史运行的状态数据建立样本训练集,并对样本训练集进行预处理,得到结冰状态数据集和非结冰状态数据集;
3、使用结冰状态数据集和非结冰状态数据集对机器学习模型进行分类训练,得到训练好的机器学习模型;
4、根据风机叶片的参数特性建立风机叶片的数字模型;通过传感器采集风机叶片运行的状态数据,获取预处理后的结构数据集、导热性数据集以及气动数据集;将结构数据集、导热性数据集以及气动数据集与所述风机叶片数字模型进行关联映射,构建风机叶片数字孪生模型;
5、根据未来天气的气象条件建立气象数据集,通过风机叶片数字孪生模型对气象数据集进行模拟运行,获取风机叶片运行状态的新的数据样本;
6、基于训练好的机器学习模型,对新的数据样本进行风机叶片结冰状态的分类预测。
7、所述方法通过结合数字孪生技术和机器学习技术,能够根据风机叶片的模拟数据进行实时预测,提高风机叶片结冰状态的判断精度,对于风力发电系统的安全稳定运行具有重要意义。
8、在第一方面的一些实现方式中,所述收集风机叶片历史运行的状态数据,其中每条历史运行的状态数据包含以下特征参量:叶片表面温度、叶片振动、环境气温、环境湿度、环境风速,以及叶片运行时对应风机叶片的结冰状态。
9、所述收集风机叶片历史运行的状态数据建立样本训练集,对样本训练集进行预处理,预处理包括:
10、进行数据清洗:处理风机叶片样本训练集中的状态数据缺失值和异常值;
11、进行数据特征选择:从所述状态数据的所有特征中选取影响风机叶片结冰的特征参量;
12、进行数据特征缩放:将选取的不同尺度的数据特征缩放至统一的范围。
13、在第一方面的一些实现方式中,所述风机叶片的参数特性包括:
14、材料特性,包括风机叶片的热导率、材料密度及热膨胀系数;
15、几何结构参数,包括风机叶片的长度、宽度、厚度及扭转角度;
16、气动特性,包括风机叶片表面受风力影响的表面压力分布和风阻力。
17、所述根据风机叶片的参数特性建立风机叶片的数字模型,具体包括建立弹性模型、导热传导模型、曲面模型以及流体力学计算模型。
18、在第一方面的一些实现方式中,所述根据未来天气的气象条件建立气象数据集,通过风机叶片数字孪生模型对气象数据集进行模拟运行,具体方法为:
19、根据天气预报获取未来一周天气的气象条件,并计算得到未来一周内每天的平均气温、平均湿度和平均风速;
20、利用平均气温、平均湿度和平均风速建立气象数据集,通过风机叶片数字孪生模型对气象数据进行模拟运行,获取得到基于每天气象条件下的叶片表面温度、叶片振动数据。
21、同时,通过风机叶片数字孪生模型对气象数据集进行模拟运行还包括:将每天的气象数据集与对应获取的叶片表面温度、叶片振动数据进行组合建立新的数据样本。
22、在第一方面的一些实现方式中,所述基于训练好的机器学习模型,对新的数据样本进行风机叶片结冰状态的分类预测,具体包括:
23、所述机器学习模型采用随机森林模型,将新的样本数据输入到随机森林模型中进行结果判断,若判断结果为1,则表示风机叶片处于结冰状态;若判断结果为0,则表示风机叶片处于非结冰状态;通过对随机森林模型中各分类器的判断结果进行投票或取平均的方式获得最终的预测结果。
24、第二方面提供了一种基于数字孪生的风机叶片结冰状态预测系统,包括:
25、收集模块:收集风机叶片历史运行的状态数据建立样本训练集,并对样本训练集进行预处理,得到结冰状态数据集和非结冰状态数据集;
26、训练模块:使用结冰状态数据集和非结冰状态数据集对机器学习模型进行分类训练,得到训练好的机器学习模型;
27、模型构建模块:根据风机叶片的参数特性建立风机叶片的数字模型;通过实际传感器系统采集风机叶片运行的状态数据,获取预处理后的结构数据集、导热性数据集以及气动数据集;将结构数据集、导热性数据集以及气动数据集与所述风机叶片数字模型进行关联映射,构建风机叶片数字孪生模型;
28、模拟模块:根据未来天气的气象条件建立气象数据集,通过风机叶片数字孪生模型对气象数据集进行模拟运行,采集获取风机叶片运行状态的新的数据样本;
29、预测模块:基于训练好的机器学习模型,对新的数据样本进行风机叶片结冰状态的分类预测。
30、第三方面提供了一种基于数字孪生的风机叶片结冰状态预测设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的程序数据时实现如上所述的基于数字孪生的风机叶片结冰状态预测方法。
31、有益效果在于:
32、本发明通过机器学习模型对风机叶片的结冰状态识别判断进行优化,相较传统方法,可以智能处理采集的运行数据,提高判断的准确性和实时性;
33、本发明通过数字孪生技术实现风机叶片与孪生模型的对应,并与机器学习技术进行结合,使得风机叶片结冰状态的判断预测更加准确、全面,实现了结冰状态的预测,优化了模型的决策确定合理性,降低了能力损失和设备故障风险;
34、本发明通过风机叶片的数字孪生模型根据未来天气状况模拟获取叶片的实时运行状态数据,能够实现风机叶片结冰状态的趋势分析和状态预测,有助于及时发现叶片结冰的趋势和故障,从而采取相应的预防措施,提高风机的可靠性,保障风力发电的稳定性。
1.一种基于数字孪生的风机叶片结冰状态预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述收集风机叶片历史运行的状态数据,其中每条历史运行的状态数据包含以下特征参量:叶片表面温度、叶片振动、环境气温、环境湿度、环境风速,以及叶片运行时对应风机叶片的结冰状态。
3.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述收集风机叶片历史运行的状态数据建立样本训练集,对样本训练集进行预处理,预处理包括:
4.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述风机叶片的参数特性包括:
5.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述根据风机叶片的参数特性建立风机叶片的数字模型,具体包括建立弹性模型、导热传导模型、曲面模型以及流体力学计算模型。
6.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述根据未来天气的气象条件建立气象数据集,通过风机叶片数字孪生模型对气象数据集进行模拟运行,具体方法为:
7.根据权利要求6所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,还包括:将每天的气象数据集与对应获取的叶片表面温度、叶片振动数据进行组合建立新的数据样本。
8.根据权利要求1所述的基于数字孪生的风机叶片结冰状态预测方法,其特征在于,所述基于训练好的机器学习模型,对新的数据样本进行风机叶片结冰状态的分类预测,具体包括:
9.一种基于数字孪生的风机叶片结冰状态预测系统,其特征在于,包括:
10.一种基于数字孪生的风机叶片结冰状态预测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的程序数据时实现如所述权利要求1-8中任一项所述的基于数字孪生的风机叶片结冰状态预测方法。