论文总字数：24326字

摘 要

在当今新能源全面发展的环境下，叶片结冰已经成为是风力发电领域的一大难题。叶片结冰不仅仅会影响风力发电的效率，还有可能改变叶片材料的结构性能，甚至引起负载方面的问题等，对风机的发电性能和安全运行造成较大的威胁。本文在SCADA系统产生的大数据环境下，对某风机场的数据进行挖掘和建模，结合风力机结冰的机理进行分析，提取对风力机结冰敏感的特征，建立基于机器学习的深度神经网络结构的叶片结冰预测模型，并使用该模型进行数据分析，完成风机叶片结冰的预测。所得结果对于优化日常风力发电机的管控，对风电机组叶片结冰预测问题进行快速有效判断和处理具有重要的指导意义。

论文拟采用全连接神经网络模型DNN进行分析，该模型学习能力强，处理数据效率较高，是当下应用较广泛的模型。在对数据预处理后，运用DNN全面对数据进行分析，挖掘数据体现出来的结冰特征，并利用图表、精确率和召回率等标准验证结果。运用该模型能够及时发现早期的结冰迹象，进而及时开启除冰系统。这样可以使叶片在受到不可逆的严重结冰损伤之前可以得到保护，风机运行的整体效率也会得到提升，风电场的整体运行风险也能大幅度降低。

研究结果表明：所提出的基于深度全连接网络的风电机组叶片结冰预测算法，模型稳定，计算便捷，能够快速高效地进行风电机组叶片结冰预测。

本文的特色：本文通过构建深度全连接网络，使其对风机叶片组的相关数据进行处理和分析，进而能够判断并预测结冰问题，对于机器学习的应用，和风力发电的发展具有参考意义。

关键词：叶片结冰；深度神经网络；机器学习；预测分析。

Abstract

Blade icing is a global problem in wind power. The problems of blade icing, material and structure property change and load change caused by low temperature environment pose great threat to the power generation performance and safe operation. This paper mine the data of a wind airport in the big data environment generated by the SCADA system and model a deep neural network of leaf icing prediction based on machine learning. The prediction of blade icing is obtained by analyzing the data. The results are of great significance to optimize the control of wind turbine and to judge and deal with the prediction of wind turbine blade icing quickly and effectively.

This paper mainly studies the analysis of blade parameters using artificial intelligence deep neural network model, which bring about accurate prediction in the early stage of icing and the deicing system can be opened in time, so as to improve the efficiency of the deicing system and reduce the efficiency loss of the fan blade and the risk of the fan operation.

The results show that the prediction algorithm of wind turbine blade icing based on deep fully connected network has high precision and less computation, so it can anticipate wind turbine blade icing quickly and effectively.

Features of this paper: By constructing a deep fully connected network, this paper process and analyze the relevant data of fan blade group, and it can recognize and predict the icing problem, which is of reference significance for the application of machine learning and the development of wind power generation.

Key Words：wind turbine blade icing; deep neural network; machine learning

目 录

第1章 绪论 6

1.1 研究背景 6

1.2 研究目的及意义 7

1.3 国内外研究现状 8

1.4 本文研究内容 8

第2章 研究方法及相关理论 10

2.1 深度全连接神经网络 10

2.1.1 深度全连接神经网络定义及其应用 10

2.1.2 深度全连接神经网络的典型结构 10

2.2 设计内容与方法 11

2.2.1 设计内容目标 11

2.2.2 深度全连接神经网络的相关参数方法 12

第3章 研究方法及相关理论 16

3.1 数据处理 16

3.2 特征工程 17

3.2.1 数据分析 18

3.2.2 数据清理 21

第4章 风机叶片结冰预测系统仿真与检验 25

4.1 检验标准 25

4.2 数据导入 25

4.2 建模与输出 31

第5章 总结 34

参考文献 35

致谢 36

第1章 绪论

1.1 研究背景

当今社会高速发展，科学技术日新月异，导致人们对能源的需求量越来越大。虽然我国现在的主流能源仍以火力发电为主，但面临着环境污染问题和可持续发展的目标，环境友好型的资源需求日益增长，可再生能源逐渐成为能源结构中不可忽视的一部分。

风能作为一种广泛应用的可再生能源，在全球各地都拥有丰富的资源，并兼具环境友好的清洁特性。风力发电也逐渐进入人们的视野，成为能源产业中的主流。随着风电成本的上升，风电的发展开始面临相应的挑战。根据美国能源部（DOE）的研究，到2030年，风力发电场收入增长的20%将来自于风力涡轮机工作状态的改善和维修费用的减少。运用适当的检修维护策略是风电场降低成本，提高收益的重要途经。然而在风电机分布的区域，常常具有温度低，海拔高，湿度大等问题，这很容易造成叶片不同程度的结冰，进而导致风电机组发生功率损失，甚至是机械故障或停机事件，严重威胁了风力发电厂的正常运行。同样，叶片结冰的不均匀分布改变了原来的质量分布，使风力涡轮机无法正常运行，并对叶片造成不同程度的严重损害。这不仅使风电场的运营有着巨大的安全隐患，而且严重影响了风电场的运行效率。

国际电工委员会IEC制定了许多标准和指导方针，从建立功率阈值曲线到三维风力机叶片结冰的数值模拟方法，这对分析汽轮机故障都有一定帮助。但是上述研究通常需要额外的传感器放置风力涡轮机叶片。实际应用不方便，会增加风电场运维成本等缺点，使其无法在实践中得到广泛应用。因此，一种可靠的风力发电机叶片结冰检测方法是非常重要的，特别是在早期结冰检测中。

1980年代末期，人工神经网络的反向传播算法（Back Propagation）的发明，使机器学习能够完成基于统计模型的相关计算，这也使得机器学习逐渐进入了人们的视野。到今天，人工神经的网络发展更是如日中天。人工神经网络模型的优越性在于，它能通过分析大量训练样本得出其中的统计规律，从而在同等情况下对未知做出预测和判断。这个时候的人工神经网络，又名为多层感知机（Multi-layer Perceptron），它是深度全连接神经网络的雏形，区别在于其隐藏层数只有一层。而当在感知机中间增加更多隐层节点时，函数特点可以被一步步的抽象出来，下一层网络会直接使用上一层抽象的特征进行进一步的线性组合。这样，使用更深层的神经网络可以得到更好的表达效果，也就是深度全连接神经网络（Deep Neural Networks）。

2006年，杰弗里·辛顿以及他的学生正式提出了深度学习的概念^[2]。在世界级学术期刊《科学》中，他们通过一篇文章中详细阐述了“梯度消失”问题的解决方案——通过无监督的学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。该深度学习方法的提出，给学术圈造成了非常大的影响，各大实验室、研究所都开始如火如荼地进行机器学习和神经网络的研究。而后，由于其广泛的适用性，深度学习又被迅速运用到工业界中。

1.2 研究目的及意义

随着煤炭、石油、天然气等传统化石燃料的逐渐枯竭，风电等新能源的开发和使用受到越来越多的关注，使风能成为世界上增长最快的能源之一。2017 年，全球风电新装机容量达到52492兆瓦，累计装机容量达到539123兆瓦。其中，我国风电新装机容量占37%，累计装机容量占35%^[3]。全球风能理事会（GWEC） 预测，随着成本下降，市场将在此十年末开始复苏，未来五年全球风电装机容量将增长50%以上。在冬季，尤其是在高海拔山区，风力涡轮机叶片容易形成不同程度的结冰，这会影响风能转换效率和风机工作，并且导致经济收益的问题。

目前，风力发电机叶片结冰方面的研究大致分为3个模块：（1）针对翼型的各项实验，研究不同工况下的结冰问题及其气动特性；（2）用数值方法模拟风机的二维翼型在不同工况下的结冰问题^[4]；（3）关于检测结冰和及时除冰的研究。前两种方法主要是寻找并选择适当的除冰方法，但若除冰系统一直运行则会耗费大量能量，进而降低风电场的运行效率。而当风力机叶片能被预测模型提前检测到冻结时，这些警告信息将反馈给风电场的管理人员和控制人员。此时，叶片还处在覆冰早期。这种早期结冰的预警信息使他们有时间处理风力涡轮机叶片的结冰。在此期间，他们可以使用适当的除冰方法并及时采取除冰措施，以防止由于风力机叶片严重结冰而造成的损失和损坏。

此前，预测风机叶片结冰的方法多是通过一些光学设备对风机叶片进行直接观察，或者是通过人为分析环境数据和风机运行参数来分析风机叶片的覆冰状态。然而这些方法不仅会花费大量不必要的人力资源，并且对相关从业人员的专业知识要求很高。当今时代，人工智能正蓬勃发展，有关机器学习和深度学习的研究也越来越多，其应用也逐渐变得普遍。现在风电场常用的监测方法多为基于SCADA数据的监测方法，对风机的各项运行数据实时存储，通过对比输出功率来判断叶片的覆冰问题。在实际生产中，由于其报警的时间差，往往还是导致无法及时对叶片覆冰进行处理。因此，寻找一种有效，可靠，经济且实际的方法对风机叶片结冰进行预测对于风能的有效运用，风电场的稳步运营和发展都具有重要意义。

1.3 国内外研究现状

请支付后下载全文，论文总字数：24326字

相关图片展示：