[发明专利]叶片异常的预警方法、装置、设备、介质及风力发电机组

说明书

本发明公开了一种叶片异常的预警方法、装置、设备、介质及风力发电机组，用以对风力发电机组叶片的非周期性载荷进行分析，提高叶片异常预警的适应性和准确性。所述叶片异常的预警方法，包括：获取风力发电机组的振动数据和风速数据；基于所述振动数据和所述风速数据，确定用于表征所述叶片非周期性运动载荷特征分布的特征数据；在确定所述特征数据中大于预设数据阈值的比例高于预设比例阈值时，进行叶片异常预警。

技术领域

本发明涉及风力发电技术领域，尤其涉及一种叶片异常的预警方法、装置、设备、介质及风力发电机组。

背景技术

随着风力发电的大力发展，风力发电机组得到广泛的应用。在风力发电机组的使用过程中，随之而来的是风力发电机组的损坏问题。在风力发电机组各部件的损坏中，叶片损坏是重中之重。

实际应用中，风力发电机组叶片损坏的原因主要有以下几点：一、设计方面存在缺陷，目前的设计对风速、风向、旋流、逆扬、振颤、及配重等缺乏考虑；二、制造质量不精良，运输和安装调试环节人为造成的问题；三、外界环境复杂多变，经过长期的周期性和非周期性运动，叶片材料内部发生了变化，产生了微观损伤，然后微观损伤以指数量级增大，最终产生可见的损伤。

风力发电机组叶片损坏严重程度不同，对风力发电机组的运行所带来的影响也不同，而一旦发生严重损坏，将直接导致风力发电机组停止运行，并且叶片的维修非常困难，需要托运到厂家维修，而且维修费用和维修时间等成本都非常高。因此，提前预警到叶片异常，及早采取修补措施或做好维修准备变得至关重要。

目前，叶片异常模型研究多是通过疲劳理论来展开的，其大多数都是针对叶片的周期性载荷进行分析，具体分析方法是载荷传感器结合Palmgren—Miner线性累积理论。但是上述理论在很多实际场合并不适用。具体来说，因为风力发电机组的运行环境千差万别，通过对具体案例的研究推广到各种地形和环境的风电场效果较差，导致载荷传感器方法很不实用，而且很多导致叶片损坏的根因是非周期性载荷，如湍流、电压电流的突然变化等。

因此，现有技术中通过疲劳理论对叶片异常模型研究的方法，对于因非周期性载荷累积导致的叶片损坏问题，并不能较准确的预警。

发明内容

本发明实施例提供了一种叶片异常的预警方法、装置、设备、介质及风力发电机组，用以对风力发电机组叶片的非周期性载荷进行分析，提高叶片异常预警的适应性和准确性。

第一方面，本发明实施例提供一种叶片异常的预警方法，包括：

获取风力发电机组的振动数据和风速数据；

基于振动数据和风速数据，确定用于表征叶片非周期性运动载荷特征分布的特征数据；

在确定特征数据中大于预设数据阈值的比例高于预设比例阈值时，进行叶片异常预警。

在第一方面的一些实施例中，基于振动数据和风速数据，确定用于表征叶片非周期性运动载荷特征分布的特征数据，包括：

基于振动数据确定用于表征叶片运行特征的第一特征数据；

基于风速数据确定用于表征叶片所处位置环境特征的第二特征数据；

根据第一特征数据和第二特征数据，确定用于表征叶片非周期性运动载荷特征分布的特征数据。

在第一方面的一些实施例中，基于振动数据确定用于表征叶片运行特征的第一特征数据，包括：

在获取到的振动数据中，截取第一预设时长的振动数据；

采用滑动窗切分的方式，将截取的第一预设时长的振动数据切分为多个振动数据窗口，其中，每个振动数据窗口中包括第二预设时长的振动数据，第一预设时长大于第二预设时长；

基于多个振动数据窗口，确定用于表征叶片运行特征的第一特征数据。