System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及风机除冰,尤其涉及一种基于气动噪声检测模型的叶片除冰方法、装置和存储介质。
技术介绍
1、风能作为一种清洁的可再生能源越来越受到世界各国的重视。而我国的装机容量以及占比都在逐年攀升,风电行业的发展潜力巨大。因为天气原因,风电场风机的叶片上容易附着冰层,使得叶片的重量增加和形状改变,形成不平衡负载,进而导致风机发电量降低,以及叶片损伤等,因此,对风机结冰检测成为急需解决的问题。
2、当前,风电场一般采用人工定期巡检的方式,但是此方法存在着一定的问题,例如由于风机一般所处位置为山顶,叶片上的冰层为透明或半透明,通过机器或者人眼都难以发现是否叶片结冰,即人工巡检方式的结果不可靠。
技术实现思路
1、本申请的主要目的在于提供一种基于气动噪声检测模型的叶片除冰方法、装置和存储介质,旨在提高风机叶片结冰检测结果的准确性。
2、第一方面,为实现上述目的,本申请提供一种基于气动噪声的叶片除冰方法,所述基于气动噪声的叶片除冰方法应用于风机,所述基于气动噪声的叶片除冰方法包括:
3、获取目标风机的叶片的气动噪声,以及所述叶片所处环境信息;
4、根据所述环境信息确定环境类型,并根据所述环境类型查找到对应的目标卷积神经网络模型,其中,目标卷积神经网络模型根据所述环境信息下的样本数据训练所获得;
5、将所述气动噪声输入所述目标卷积神经网络模型,获得结冰检测结果;
6、根据所述检测结果启动所述叶片上对应位置的电加热模块,以进行除
7、在一些实施例中,所述根据所述环境信息查找到对应的目标卷积神经网络模型之前,包括:
8、获取目标风机的叶片的气动噪声样本集以及样本集中各数据对应风机所处环境数据,所述样本集中包括正样本集合负样本集;
9、根据所述环境数据划分对应的环境类型;
10、将所述样本集中样本划分与根据所述环境类型对应的多组样本,每组样本中包括正样本和负样本;
11、将每组样本输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型,各卷积神经网络模型与环境类型一一对应。
12、在一些实施例中,所述环境信息包括风向、风速、温湿度和天气信息;所述根据所述环境数据划分对应的环境类型包括:
13、根据所述风向、风速、温湿度和天气信息的等级数据进行排列组合,根据排列组合结果确定环境类型。
14、在一些实施例中,所述将每组样本输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型,包括:
15、对每组样本进行降噪;
16、将降噪后的每组样本通过梅尔频谱进行转换,获得每组样本对应的图像数据;
17、将各组图像数据输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型。
18、在一些实施例中,所述将各组图像数据输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型之前,还包括:
19、对每组图像数据进行旋转,获得旋转后的多组图像数据。
20、在一些实施例中,所述根据所述检测结果启动所述叶片上对应位置的电加热模块,以进行除冰,还包括:
21、在确定叶片结冰后,获取将所述气动噪声输入所述目标卷积神经网络模型过程中的隐特征;
22、根据所述隐特征与预设值确定所述叶片上结冰位置;
23、根据所述结冰位置启动所述叶片上对应位置的电加热模块,以进行除冰。
24、第二方面,本申请还提供一种基于气动噪声检测模型的叶片除冰装置,所述叶片除冰装置包括:
25、第一获取模块,用于获取目标风机的叶片的气动噪声,以及所述叶片所处环境信息;
26、确定模块,用于根据所述环境信息确定环境类型,并根据所述环境类型查找到对应的目标卷积神经网络模型,其中,目标卷积神经网络模型根据所述环境信息下的样本数据训练所获得;
27、第二获得模块,用于将所述气动噪声输入所述目标卷积神经网络模型,获得结冰检测结果;
28、除冰模块,用于根据所述检测结果启动所述叶片上对应位置的电加热模块,以进行除冰。
29、在一些实施例中,所述叶片除冰装置还包括:
30、第三获取模块,用于获取目标风机的叶片的气动噪声样本集以及样本集中各数据对应风机所处环境数据,所述样本集中包括正样本集合负样本集;
31、环境类型划分模块,用于根据所述环境数据划分对应的环境类型;
32、样本划分模块,用于将所述样本集中样本划分与根据所述环境类型对应的多组样本,每组样本中包括正样本和负样本;
33、训练模块,用于将每组样本输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型,各卷积神经网络模型与环境类型一一对应。
34、在一些实施例中,所述环境类型划分模块,还用于:
35、根据所述风向、风速、温湿度和天气信息的等级数据进行排列组合,根据排列组合结果确定环境类型。
36、第三方面,本申请还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于气动噪声的叶片除冰程序,其中,所述基于气动噪声的叶片除冰程序被处理器执行时,实现如上所述的基于气动噪声的叶片除冰方法的步骤。
37、本申请技术方案中,所述基于气动噪声的叶片除冰方法应用于风机,获取目标风机的叶片的气动噪声,以及所述叶片所处环境信息;根据所述环境信息确定环境类型,并根据所述环境类型查找到对应的目标卷积神经网络模型,其中,目标卷积神经网络模型根据所述环境信息下的样本数据训练所获得;将所述气动噪声输入所述目标卷积神经网络模型,获得结冰检测结果;根据所述检测结果启动所述叶片上对应位置的电加热模块,以进行除冰。通过上述方式,由于气动噪声收到的影响比较多,因此本专利技术根据环境信息划分为不同的类型,每个类型对应不同个神经网络模型,采集不同的环境类型的训练对应的网络模型,然后根据目标风机所处的环境确定与该环境对应类型的神经网络模型,从而实现自动化检测,并提高了风机叶片结冰检测结果的准确性。在获得结冰检测结果后,根据检测结果自动启动电加热模块,实现自动进行除冰。
本文档来自技高网...【技术保护点】
1.一种基于气动噪声检测模型的叶片除冰方法,其特征在于,所述叶片除冰方法应用于风机,所述叶片除冰方法包括:
2.根据权利要求1所述的叶片除冰方法,其特征在于,所述根据所述环境信息查找到对应的目标卷积神经网络模型之前,包括:
3.根据权利要求2所述的叶片除冰方法,其特征在于,所述环境信息包括风向、风速、温湿度和天气信息;所述根据所述环境数据确定对应的环境类型,之前包括:
4.根据权利要求2所述的叶片除冰方法,其特征在于,所述将每组样本输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型,包括:
5.根据权利要求4所述的叶片除冰方法,其特征在于,所述将各组图像数据输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型之前,还包括:
6.根据权利要求1所述的叶片除冰方法,其特征在于,所述根据所述检测结果启动所述叶片上对应位置的电加热模块,以进行除冰,还包括:
7.一种基于气动噪声检测模型的叶片除冰装置,其特征在于,所述叶片除冰装置包括:
8.根据权利要求7所述的叶片除冰装置,其特征在于
9.根据权利要求7所述的叶片除冰装置,其特征在于,所述环境类型确定模块,还用于:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于气动噪声的叶片除冰程序,其中,所述基于气动噪声的叶片除冰程序被处理器执行时,实现如权利要求1至6中任一项所述的基于气动噪声的叶片除冰方法的步骤。
...【技术特征摘要】
1.一种基于气动噪声检测模型的叶片除冰方法,其特征在于,所述叶片除冰方法应用于风机,所述叶片除冰方法包括:
2.根据权利要求1所述的叶片除冰方法,其特征在于,所述根据所述环境信息查找到对应的目标卷积神经网络模型之前,包括:
3.根据权利要求2所述的叶片除冰方法,其特征在于,所述环境信息包括风向、风速、温湿度和天气信息;所述根据所述环境数据确定对应的环境类型,之前包括:
4.根据权利要求2所述的叶片除冰方法,其特征在于,所述将每组样本输入卷积神经网络模型进行训练,获得多个训练好的卷积神经网络模型,包括:
5.根据权利要求4所述的叶片除冰方法,其特征在于,所述将各组图像数据输入卷积神经网络模型进行训练,获得多个训练好的卷积...
【专利技术属性】
技术研发人员:李媛,耿杰,徐越,谭光道,汪德军,胡辉,王蕴海,王德林,孟鹏飞,
申请(专利权)人:华能赫章风力发电有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。