基于机理与数据驱动的风力机叶片结冰诊断方法研究

针对风力机叶片(WTB)结冰导致发电效率下降和结构损伤的问题，研究人员提出融合机理建模与数据驱动的诊断方法。通过构建风机运行机理模型模拟结冰工况生成平衡数据集，并开发基于麻雀搜索算法优化胶囊网络(SSA-CapsNet)的诊断模型。实验表明该模型在小样本条件下准确率达92.5%，较传统CNN提升7.3%，为风电场实时结冰监测提供创新解决方案。

　　

随着全球风电装机容量快速增长，低温高湿环境下的风力机叶片(WTB)结冰问题日益突出。结冰不仅造成年发电量损失高达20%，还会引发叶片气动性能恶化、载荷失衡等安全隐患。尽管现有SCADA系统能采集运行数据，但结冰事件发生率不足6%导致数据严重失衡，传统机器学习方法在样本稀缺时准确率骤降至65%以下。更棘手的是，基于振动传感器或红外成像的直接检测法需加装昂贵硬件，难以在现役机组推广。

为解决这一行业痛点，华北电力大学的研究团队在《Renewable Energy》发表创新成果，首次将机理建模与深度学习方法相结合。研究团队首先构建了包含12个气动参数的风机机理模型，通过调整叶片表面粗糙度系数模拟不同结冰厚度，生成包含3.2万条数据的平衡数据集。随后开发的SSA-CapsNet模型创新性地将胶囊网络(CapsNet)的动态路由机制与麻雀搜索算法(SSA)的超参数优化能力相结合，在特征提取阶段采用4层卷积结构捕获时空关联特征。

关键技术包括：1) 基于BEM理论(叶素动量理论)的风机机理建模；2) 采用SCADA系统采集的功率曲线、风速等12维特征；3) SSA优化CapsNet的初始权重和学习率；4) 通过5折交叉验证评估模型性能。实验选用中国北方某风场真实数据验证，包含正常工况样本2847组和结冰样本193组。

Mechanism Modelling of WT
通过建立包含转矩平衡方程和气动损失系数的双模块机理模型，研究发现结冰导致叶片升阻比下降37.2%，与实测数据误差控制在4.8%以内。该模型成功复现了结冰工况下功率输出突降15%-25%的典型特征。

Theories of the SSA-CapsNet Model
胶囊网络的向量神经元结构能有效保留结冰特征的方位信息，SSA算法将分类准确率提升9.2%。消融实验显示，动态路由机制使小样本F1值提高至0.89。

SSA-CapsNet Model for Icing Diagnosis
在样本量仅为200组时，模型准确率达92.5%，显著优于PSO-ConvLSTM-Transformer(85.7%)和GTAN(88.3%)。特征可视化显示模型能自动聚焦于桨距角异常波动等关键指标。

Conclusions
该研究突破性地解决了结冰诊断中的"数据荒"难题，机理模型生成的合成数据使样本均衡度提升8倍。SSA-CapsNet在山西某风场的实际部署中，将误报率控制在1.2%以下，较行业标准降低60%。该方法无需硬件改造即可实现结冰厚度0.5mm级的识别精度，为智慧风场建设提供核心算法支撑。值得关注的是，研究揭示的"小样本特征增强"策略可推广至齿轮箱故障诊断等领域，推动新能源装备运维进入AI驱动的新阶段。