基于神经网络技术的风力机叶片覆冰预测方法

doi:10.19936/j.cnki.2096-8000.20221128.014

复合材料科学与工程 ›› 2022, Vol. 0 ›› Issue (11): 96-101.DOI: 10.19936/j.cnki.2096-8000.20221128.014

基于神经网络技术的风力机叶片覆冰预测方法

马飞宇¹, 张春芝^1*, 李飞宇²

1.北京工业职业技术学院电气安全技术研究所,北京100000;
2.内蒙古农业大学机电工程学院,呼和浩特010018

收稿日期:2021-10-25 出版日期:2022-11-28 发布日期:2022-12-30
通讯作者: 张春芝(1970-),女,博士,教授,主要从事机电一体化方面的研究,584509868@qq.com。
作者简介:马飞宇(1988-),女,硕士,工程师,主要从事电气安全与智能测试技术方面的研究。
基金资助:
北京市电气安全应用技术创新平台项目

Icing condition prediction of wind turbine blade based on neural network technology

MA Fei-yu¹, ZHANG Chun-zhi^1*, LI Fei-yu²

1. Institute of Electrical Safety Technology, Beijing Polytechnic College, Beijing 100000, China;
2. The College of Electromechanical Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China

Received:2021-10-25 Online:2022-11-28 Published:2022-12-30

摘要/Abstract

摘要： 安装在寒冷地区的风力机叶片不可避免地会发生覆冰现象,影响风电机组的正常工作。叶片的不同覆冰位置和覆冰质量,使得叶片固有频率发生不同改变。文章对2 MW风力机叶片进行有限元模态分析,构建了覆冰叶片的固有频率变化率和不同位置覆冰质量之间的关系,利用该数据集训练BP人工神经网络并对预测能力进行分析。研究表明,使用考虑叶片不同位置覆冰对全覆冰叶片的固有频率的影响程度构建的关系式训练人工神经网络,预测叶片全部覆冰平均相对误差率为13.21%,比Gantasala等人的预测精度提高1.56%。训练好的人工神经网络模型可实现叶片覆冰位置和质量的检测,可为后续加热除冰、超声波除冰等提供数据支撑,提高除冰效率,降低能源消耗。

关键词: 风力机叶片, 神经网络, 固有频率, 覆冰

Abstract: Wind turbine blades installed in cold areas are inevitably covered with ice, which affects the normal operation of wind turbines. The natural frequencies of blades vary with the locations and mass of icing. In this paper, the finite element modal analysis of 2 MW wind turbine blade is carried out, and the relationships between the change rate of natural frequency of ice-covered blade and the mass of ice-covered blade at different positions are constructed. The BP artificial neural network is trained with this data set and the prediction ability is analyzed. The research shows that the average relative error rate of predicting all ice-covered blades is 13.21%, which is 1.56% higher than the prediction accuracy of Gantasala et al., by using the relational training artificial neural network which is constructed considering the influence degree of different ice-covered locations on the natural frequency of all ice-covered leaves. The trained artificial neural network model can predict the locations and mass of icing. The result can provide data support for subsequent heating or ultrasonic deicing and improve deicing efficiency and reduce energy consumption.

Key words: wind turbine blade, neural network, natural frequency, ice

中图分类号:

TB332

马飞宇, 张春芝, 李飞宇. 基于神经网络技术的风力机叶片覆冰预测方法[J]. 复合材料科学与工程, 2022, 0(11): 96-101.

MA Fei-yu, ZHANG Chun-zhi, LI Fei-yu. Icing condition prediction of wind turbine blade based on neural network technology[J]. COMPOSITES SCIENCE AND ENGINEERING, 2022, 0(11): 96-101.

参考文献

[1] 王建录. 风能与风力发电技术[M]. 北京: 化学工业出版社, 2015.
[2] 国家能源局. 2020年全国电力工业统计数据 [EB/OL]. 2021-01-20[2021-03-09]. http://www.nea.gov.cn/2021-01/20/html..
[3] HABIBI H, CHENG L, ZHENG H T, et al. A dual deicing system for wind turbine blades combining high-power ultrasonic guided waves and low-frequency forced vibrations[J]. Renewable Energy, 2015, 83: 859-870.
[4] 刘胜先, 李录平, 余涛, 等. 基于振动检测的风力机叶片覆冰状态诊断技术[J]. 中国电机工程学报, 2013, 33(32): 88-95, 1.
[5] 龚妙, 李录平, 刘瑞, 等. 基于运行参数特征的风力机叶片覆冰诊断方法[J]. 动力工程学报, 2019, 39(3): 217-219.
[6] GANTASALA S, LUNENO J C, AIDANPAA J O. Identification of ice mass accumulated on wind turbine blades using its natural frequencies[J]. Wind Engineering, 2018, 42(1): 66-84.
[7] CATTIN R, HEIKKILA U. Evaluation of ice detection systems for wind turbines[EB/OL]. 2016-01-03[2021-03-09]. https://www.vgb.org/vgbmultimedia/392 Final+report-p-10476.pdf.
[8] WEI K, YANG Y, ZUO H, et al. A review on ice detection technology and ice elimination technology for wind turbine[J]. Wind Energy, 2020, 23: 433-457.
[9] 沃德·海伦, 斯蒂芬·拉门兹, 波尔·萨斯. 模态分析理论与试验[M]. 白化同, 郭继忠, 译. 北京: 北京理工大学出版社, 2001.
[10] 李飞宇, 崔红梅, 苏宏杰, 等. 基于模态频率的风力机叶片覆冰检测方法[J]. 复合材料科学与工程, 2021(2): 19-23, 64.
[11] Department of Fluid Mechanics. Tjaereborg wind turbine geometric and operational date[EB/OL]. 1990-11-30[2021-03-09]. http://130.226.56.150/extra/web_docs/tjare/VK-184-901130.pdf.
[12] Guideline for the certification of wind turbines: GL—2010[S]. German: Germanischer Lioyd, 2010.
[13] 陈彩凤, 杨杰, 成斌, 等. 覆冰条件下旋转风力机叶片应力与模态分析[J]. 玻璃钢/复合材料, 2018(7): 26-30.
[14] GANTASALA S, LUNENO J C, AIDANPAA J O. Influence of icing on the modal behavior of wind turbine blades[J]. Energies, 2016, 9(11): 862-868.
[15] LEE J C, SHIN S C, KIN S Y. An optimal design of wind turbine and ship structure based on neuro-response surface method[J]. International Journal of Naval Architecture and Ocean Engineering, 2015, 7: 750-769.
[16] CHANG G W, HU H J, CHANG Y R, et al. An improved neural network-based approach for short-term wind speed and power forecast[J]. Renewable Energy, 2017, 105: 301-311.
[17] JIMENEZ A A, MARQUEZ F G, MORALEDA V B, et al. Linear and nonlinear features and machine learning for wind turbine blade ice detection and diagnosis[J]. Renewable Energy, 2019, 132: 1034-1048.
[18] DONG X, GAO D, LI J, et al. Blades icing identification model of wind turbines based on SCADA data[J]. Renewable Energy, 2020, 162: 575-586.

基于神经网络技术的风力机叶片覆冰预测方法

Icing condition prediction of wind turbine blade based on neural network technology

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑子君, 乔英, 邵家儒. 基于机器视觉的短纤维复合材料的取向度提取方法[J]. 复合材料科学与工程, 2024, 0(3): 65-72.
[2]	李洪年, 石强斌, 王轩, 邹润文, 张峰. 复合材料蜂窝夹芯结构低速冲击后压缩强度的可靠性与灵敏度分析[J]. 复合材料科学与工程, 2024, 0(2): 5-12.
[3]	李天泽, 李宏宇, 孙鹏文, 王子瑞. 考虑连续性和对称性约束的复合材料风力机叶片纤维铺角优化[J]. 复合材料科学与工程, 2024, 0(2): 75-80.
[4]	郭静静, 张芝芳, 罗子微, 刘文迪. 含分层CFRP层合板结构的振动频率与剩余压缩强度的关联性研究[J]. 复合材料科学与工程, 2024, 0(1): 38-44.
[5]	李原昊, 胡少伟, 单常喜, 牟钊, 潘福渠, 李江. 基于PSO-BP神经网络的玻璃钢管首层失效预测研究[J]. 复合材料科学与工程, 2023, 0(9): 61-66.
[6]	张克群, 孙会来, 李航, 邢文涛, 赵方方. CFRP套料钻制孔工艺及轴向力预测研究[J]. 复合材料科学与工程, 2023, 0(9): 85-91.
[7]	周宸, 陈明达, 杨建, 张雄军, 祝颖丹. 纤维增强树脂基复合材料层合板振动性能的研究进展[J]. 复合材料科学与工程, 2023, 0(2): 126-132.
[8]	崔开心, 卢翔, 赵耀斌. 补片搭接长度对修理层合板湿热振动特性的研究[J]. 复合材料科学与工程, 2023, 0(11): 12-20.
[9]	高翔, 喻光安, 刘志强, 席振钊, 刘防防, 宋笑非, 秦志文. 复合材料风电叶片预埋螺栓套连接的轴向刚度分析[J]. 复合材料科学与工程, 2023, 0(11): 90-95.
[10]	叶帆, 王显峰, 王东立, 高天成, 张浩天, 冯天洋. 不同铺层数量下的纤维角度曲线变化复合材料层合板振动特性研究[J]. 复合材料科学与工程, 2023, 0(1): 44-54.
[11]	李磊, 曹东风, 冀运东, 刘鹏飞, 谭永青, 陈剑平. 三维自动光学检测设备CFRP光学系统挂架的制备及固有频率分析[J]. 复合材料科学与工程, 2023, 0(1): 70-76.
[12]	贾宝惠, 王浩, 卢翔, 单金洋, 赵耀斌. 湿热环境下含分层损伤碳纤维/环氧树脂层合板振动特性[J]. 复合材料科学与工程, 2022, 0(9): 54-61.
[13]	赵雄翔, 孙鹏文, 李建东. 基于应变能的风力机叶片铺层结构优化设计[J]. 复合材料科学与工程, 2022, 0(7): 20-24.
[14]	康元春, 刘俊峰, 孟紫薇. 碳纤维复合材料电池箱轻量化研究[J]. 复合材料科学与工程, 2022, 0(5): 66-70.
[15]	罗玲, 田智立, 张涛, 刘雷波, 李卓达, 李丽英. 基于人工神经网络的热固性树脂基复合材料固化变形预测研究综述[J]. 复合材料科学与工程, 2022, 0(11): 120-127.