在寒冷地区,冰的积累是一个主要的问题,阻碍了风力涡轮叶片的有效操作。一篇新论文已经发表在《华尔街日报》能量目的是评估一个新颖的方法检测叶片结冰。研究已经由来自燕山大学电气工程学院的科学家在中国。
研究:与多尺度检测风力涡轮机叶片结冰长期短期记忆网络。图片来源:ka100500 / Shutterstock.com
叶片结冰的危险
风力涡轮机已经成为关键的可再生能源技术在推动碳中和经济。最大化他们的发电能力,许多陆上风力发电机放置在高海拔的地区,如中国的北部地区。然而,安装风力涡轮机在这些领域暴露他们冻结条件下,增加冰形成的风险在涡轮叶片。
成冰作用会导致损坏的涡轮组件如果冰没有及时删除。结构性压力会导致质量和空气动力不平衡,导致降低风力发电和叶片寿命缩短。涡轮部件,如轴承的关键故障会导致重大事故。因此,早期、准确检测结冰事件至关重要,有助于引发汽轮机的除冰系统。
传统的结冰检测方法
目前,有几种方法用来检测叶片结冰和触发及时除冰的干预措施,以避免损坏叶片和涡轮组件。普遍采用传统的方法包括望远镜检测、红外扫描和无人机。振动波传播,声发射方法用于监测叶片的健康。
![原理图的LSTM细胞在时间步t [23]。注意,输出输出ht刘日东等于隐藏状态。](https://d12oja0ew7x0i8.cloudfront.net/images/news/ImageForNews_58845_16503591176698396.jpg)
原理图的LSTM t细胞在时间步。注意,输出yt等于隐藏状态输出ht。图片来源:王,X et al .,能量
然而,这些技术也有不利之处。时期他们不能进行操作,和额外的传感器和摄像机等设备需要增加成本。app亚博体育此外,传感器等设备问app亚博体育题恶化会影响检测的准确性,从而减少了检测方法的有效性。可靠和廉价的方法,提供早期检测的糖衣事件所需的风力涡轮机行业。
SCADA方法出现在低成本和可靠的替代传统冰检测技术。这些方法收集状态和操作数据,包括信息关键机械,电气和环境参数与汽轮机健康状况。SCADA方法被用来监控组件的条件下,他们越来越多地成为标准配置大型风力涡轮机。
三层为颞深LSTM架构特性与多元时间序列学习。这里,p1, p2, p3表示的数量单位LSTM三层。图片来源:王,X et al .,能量
几项研究已经探讨了潜在的SCADA的糖衣事件的准确和可靠的低成本的检测方法。同时更可靠,这些方法有局限性。收集的数据使用SCADA方法缺乏如机械载荷和叶片振动测量,为监测是必不可少的涡轮叶片的健康状况。此外,功能仍需要手工提取,和方法缺乏成熟的机器学习技术。有限的建模能力阻碍这些方法的令人满意的性能。
这篇论文
的新研究调查了发展经济和健壮的系统检测叶片结冰。这部小说模型设计的研究是基于SCADA的方法。与传统的SCADA方法来克服这些问题,团队研究将深入学习模型纳入该系统。
深度学习和神经网络已经被广泛研究了在风力涡轮机行业,与不同的论文应用技术和模型故障诊断和监测。使用这些方法收集的数据是强烈依赖于感官输入的时间特性,和外部环境因素会影响数据。此外,收集的数据非平稳的运动由风力涡轮机。噪音和干扰是收集使用SCADA数据的共同特征。
作者开发了一种新系统被称为WaveletLSTM。将小波纳入系统赋予它一个多尺度的学习能力。系统具有高水平的辨别力和拥有的能力从本地和全局数据分析信息,并从中吸取教训。现实世界SCADA数据被用来评估该模型和演示WaveletLSTM的优越的故障检测能力。
该模型表现好于其他几个机器学习技术。此外,不需要专业知识的设计。作者说这本小说结冰事件检测模型有潜力作为检测故障的系统,可用于多种工业应用。进一步培训和调整在云中可以用于进一步的实际风电场的应用程序。
混淆矩阵不同的模型。图片来源:王,X et al .,能量
未来工作的重点,作者将包括先进的不平衡学习方法的调查开发更强大和有效的故障检测系统。已经指出,该模型的缺点是无法提前检测糖衣;因此,另一个焦点将在探索潜在的及时干预早期故障检测。
进一步的阅读
王,X et al。(2022)与多尺度检测风力涡轮机叶片结冰长期短期记忆网络(在线)能量(8)2864 | mdpi.com。可以在:https://www.mdpi.com/1996-1073/15/8/2864
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。