基于气象数据和深度学习的风机叶片覆冰监测方法

李彬; 袁军; 苏盛; 蒙文川; 杨再敏

doi:10.7500/AEPS20241003001

您当前的位置：

首页 >

文章列表页 >

基于气象数据和深度学习的风机叶片覆冰监测方法

研制与开发 | 更新时间：2026-02-28

- 基于气象数据和深度学习的风机叶片覆冰监测方法
- Icing Monitoring Method for Wind Turbine Blades Based on Meteorological Data and Deep Learning
- 电力系统自动化 2026年50卷第3期页码：180-188
- 作者机构：
  
  1.电网防灾减灾全国重点实验室（长沙理工大学），湖南省长沙市 410014
  2.南方电网能源发展研究院有限责任公司，广东省广州市 510663
- 作者简介：
  
  李彬（1993—），男，博士研究生，主要研究方向：电力气象灾害和低压用电安全防护。E-mail：libin2021666@163.com
  袁军（2001—），男，硕士研究生，主要研究方向：电力气象灾害分析。E-mail：cslgdxyuanjun@163.com
  苏盛（1975—），男，通信作者,博士，教授，主要研究方向：低压用电安全、电力气象灾害和电力系统网络安全防护。E-mail：eessheng@163.com
- 基金信息：
  
  国家自然科学基金资助项目(51777081);广西电网公司科技项目(046000KK52220007)
- DOI：10.7500/AEPS20241003001
  中图分类号：
- 收稿：2024-10-03，
  
  修回：2025-07-10，
  
  网络首发：2025-11-13，
  
  纸质出版：2026-02-10
- 稿件说明：
移动端阅览
李彬,袁军,苏盛等.基于气象数据和深度学习的风机叶片覆冰监测方法[J].电力系统自动化,2026,50(3):180-188.

LI Bin,YUAN Jun,SU Sheng,et al.Icing Monitoring Method for Wind Turbine Blades Based on Meteorological Data and Deep Learning[J].Automation of Electric Power Systems,2026,50(3):180-188.
李彬,袁军,苏盛等.基于气象数据和深度学习的风机叶片覆冰监测方法[J].电力系统自动化,2026,50(3):180-188. DOI： 10.7500/AEPS20241003001.

LI Bin,YUAN Jun,SU Sheng,et al.Icing Monitoring Method for Wind Turbine Blades Based on Meteorological Data and Deep Learning[J].Automation of Electric Power Systems,2026,50(3):180-188. DOI： 10.7500/AEPS20241003001.

摘要

风机叶片覆冰是破坏风机运行工况和电网稳定性的因素之一。传统的覆冰监测方法成本高，且对叶片原有机械结构存在潜在的损害。文中建立了一种基于气象数据和深度学习的覆冰监测模型。通过分析Makkonen模型，从热力学机理出发，针对传统监测模型在液态水含量等直接影响覆冰速率的核心参数表征方面存在的局限性，充分考量气象数据中与覆冰高度密切相关的特征量，同时引入时间序列分析方法以捕捉变量在时间维度上的变化规律。为解决跨风电场数据的分布偏移问题，设计深度自适应标准化模块对输入特征进行域不变性转换，并构建Transformer-时序卷积网络（TCN）双通道架构以同步捕获气象参数的全局时序依赖与局部突变特征。最后以某山区的实际风机数据进行实例仿真，结果表明该模型在实现风机叶片上的覆冰情况诊断方面表现出色，为风机叶片覆冰监测拓展了可用的技术手段。

Abstract

Icing on wind turbine blades is one of the factors that impair the operational conditions of wind turbines and the stability of the power grid. Traditional icing monitoring methods are costly and may potentially damage the original mechanical structure of the blades. This paper establishes an icing monitoring model based on meteorological data and deep learning. By analyzing the Makkonen model from a thermodynamic mechanism perspective

and addressing the limitations of traditional monitoring models in characterizing core parameters such as liquid water content that directly affect icing rate

the model fully considers feature quantities in meteorological data that are closely related to the icing intensity. Meanwhile

time series analysis methods are introduced to capture temporal variation patterns of variables. To tackle the distribution shift problem across wind farm data

a deep adaptive normalization module is designed to perform a domain-invariant transformation on input features. A dual-channel transformer-temporal convolutional network (TCN) architecture is constructed to simultaneously capture global temporal dependencies and local abrupt features of meteorological parameters. Finally

simulations are conducted using actual wind turbine data from a mountainous region. The results show that the model excellently performs in diagnosing icing conditions on wind turbine blades

thereby expanding available technical means for wind turbine blade icing monitoring.

关键词

Keywords

references

EZZAT A A ， JUN M ， DING Y . Spatio-temporal asymmetry of local wind fields and its impact on short-term wind forecasting ［J］. IEEE Transformer Sustain Energy ， 2018 ， 9 （ 3 ）： 1437 - 1447 .

吕云龙，胡琴，胡紫园，等 . 考虑样本不平衡条件下风机叶片覆冰诊断及其可解释性研究［J］. 电工技术学报， 2025 ， 40 （ 11 ）： 3667 - 3679 .

LÜ Yunlong ， HU Qin ， HU Ziyuan ， et al . Diagnosis and interpretability study of wind turbine blade icing under consideration of sample imbalance conditions ［J］. Transactions of China Electrotechnical Society ， 2025 ， 40 （ 11 ）： 3667 - 3679 .

柴荣繁，王钊，王勃，等 . 东北冰冻灾害演变特征及其对风电运行的影响［J］. 电力系统自动化， 2025 ， 49 （ 24 ）： 12 - 19 .

CHAI Rongfan ， WANG Zhao ， WANG Bo ， et al . Evolution characteristics of freezing disaster in NorthEast China and its influence on wind power operation ［J］. Automation of Electric Power Systems ， 2025 ， 49 （ 24 ）： 12 - 19 .

胡琴，王欢，舒立春，等 . 覆冰条件下风力发电机叶片防/除冰方法综述［J］. 电工技术学报， 2024 ， 39 （ 17 ）： 5482 - 5496 .

HU Qin ， WANG Huan ， SHU Lichun ， et al . Review of anti-/de-icing methods for wind turbine blades under icing conditions ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 17 ）： 5482 - 5496 .

JIMÉNEZ A A ， GARCÍA MÁRQUEZ F P ， MORALEDA V B ， et al . Linear and nonlinear features and machine learning for wind turbine blade ice detection and diagnosis ［J］. Renewable Energy ， 2019 ， 132 ： 1034 - 1048 .

LEE J K ， PARK J Y ， OH K Y ， et al . Transformation algorithm of wind turbine blade moment signals for blade condition monitoring ［J］. Renewable Energy ， 2015 ， 79 ： 209 - 218 .

WEI K X ， YANG Y ， ZUO H Y ， et al . A review on ice detection technology and ice elimination technology for wind turbine ［J］. Wind Energy ， 2020 ， 23 （ 3 ）： 433 - 457 .

舒立春，任晓凯，胡琴，等 . 环境参数对小型风力发电机叶片覆冰特性及输出功率的影响［J］. 中国电机工程学报， 2016 ， 36 （ 21 ）： 5873 - 5878 .

SHU Lichun ， REN Xiaokai ， HU Qin ， et al . Influences of environmental parameters on icing characteristics and output power of small wind turbine ［J］. Processings of the CSEE ， 2016 ， 36 （ 21 ）： 5873 - 5878 .

CHEN Y C ， GRIFFITH D T . Blade mass imbalance identification and estimation for three-bladed wind turbine rotor based on modal analysis ［J］. Mechanical Systems and Signal Processing ， 2023 ， 197 ： 110341 .

LONG H ， WANG L ， ZHANG Z J ， et al . Data-driven wind turbine power generation performance monitoring ［J］. IEEE Transactions on Industrial Electronics ， 2015 ， 62 （ 10 ）： 6627 - 6635 .

KREUTZ M ， AIT-ALLA A ， VARASTEH K ， et al . Machine learning-based icing prediction on wind turbines ［J］. Procedia CIRP ， 2019 ， 81 ： 423 - 428 .

ZHANG L J ， LIU K ， WANG Y F ， et al . Ice detection model of wind turbine blades based on random forest classifier ［J］. Energies ， 2018 ， 11 （ 10 ）： 2548 .

TONG R N ， LI P ， LANG X ， et al . A novel adaptive weighted kernel extreme learning machine algorithm and its application in wind turbine blade icing fault detection ［J］. Measurement ， 2021 ， 185 ： 110009 .

SKRIMPAS G A ， SWEENEY C W ， MARHADI K S ， et al . Employment of kernel methods on wind turbine power performance assessment ［J］. IEEE Transactions on Sustainable Energy ， 2015 ， 6 （ 3 ）： 698 - 706 .

CHENG X ， SHI F ， LIU Y P ， et al . Wind turbine blade icing detection： a federated learning approach ［J］. Energy ， 2022 ， 254 ： 124441 .

黄新波，孙钦东，张冠军，等 . 线路覆冰与局部气象因素的关系［J］. 高压电器， 2008 （ 4 ）： 289 - 294 .

HUANG Xinbo， SUN Qindong， ZHANG Guanjun， et al， Relation of transmission line icing and local meteorology ［J］. High Voltage Apparatus ， 2008 （ 4 ）： 289 - 294 .

张好雨 . 基于SCADA数据的风机叶片覆冰故障检测与预测［D］. 北京：北京交通大学， 2022 .

ZHANG Haoyu . Detection and prediction of wind turbine blade icing fault based on SCADA data ［D］. Beijing ： Beijing Jiaotong University ， 2022 .

JIN X H ， ZHANG X Y ， CHENG X ， et al . A physics-based and data-driven feature extraction model for blades icing detection of wind turbines ［J］. IEEE Sensors Journal ， 2023 ， 23 （ 4 ）： 3944 - 3954 .

YANG X Y ， YE T Z ， WANG Q L ， et al . Diagnosis of blade icing using multiple intelligent algorithms ［J］. Energies ， 2020 ， 13 （ 11 ）： 2975 .

BAI X J ， TAO T ， GAO L Y ， et al . Wind turbine blade icing diagnosis using RFECV-TSVM pseudo-sample processing ［J］. Renewable Energy ， 2023 ， 211 ： 412 - 419 .

TAO T ， LIU Y Q ， QIAO Y H ， et al . Wind turbine blade icing diagnosis using hybrid features and stacked-XGBoost algorithm ［J］. Renewable Energy ， 2021 ， 180 ： 1004 - 1013 .

ELLEFSEN A L ， ASOY V ， USHAKOV S ， et al . A comprehensive survey of prognostics and health management based on deep learning for autonomous ships ［J］. IEEE Transactions on Reliability ， 2019 ， 68 （ 2 ）： 720 - 740 .

LIU Y ， CHENG H ， KONG X G ， et al . Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning ［J］. Energy Science & Engineering ， 2019 ， 7 （ 6 ）： 2633 - 2645 .

TIAN W W ， CHENG X ， LI G Y ， et al . A multilevel convolutional recurrent neural network for blade icing detection of wind turbine ［J］. IEEE Sensors Journal ， 2021 ， 21 （ 18 ）： 20311 - 20323 .

CHENG X ， SHI F ， ZHAO M ， et al . Temporal attention convolutional neural network for estimation of icing probability on wind turbine blades ［J］. IEEE Transactions on Industrial Electronics ， 2021 ， 69 （ 6 ）： 6371 - 6380 .

JIANG W ， JIN J . Intelligent icing detection model of wind turbine blades based on SCADA data ［J/OL］. ［ 2024-10-03 ］. https：//arxiv.org/pdf/2101.07914.pdf https://arxiv.org/pdf/2101.07914.pdf .

WANG L ， HE Y G ， SHAO K X ， et al . An unsupervised approach to wind turbine blade icing detection based on beta variational graph attention autoencoder ［J］. IEEE Transactions on Instrumentation and Measurement ， 2024 ， 73： TIM. 2023 .

陈凌 . 旋转圆柱体覆冰增长模型与线路覆冰参数预测方法研究［D］. 重庆：重庆大学， 2011 .

CHEN Ling . Study on model of ice accretion on rotating cylinder and method for forecasting icing parameters during icing on transmission ［D］. Chonqqing ： Chonqqing University ， 2011 .

SHU L C ， QIU G ， HU Q ， et al . Numerical and field experimental investigation of wind turbine dynamic de-icing process ［J］. Journal of Wind Engineering and Industrial Aerodynamics ， 2018 ， 175 ： 90 - 99 .

JIN J Y ， VIRK M S ， HU Q ， et al . Study of ice accretion on horizontal axis wind turbine blade using 2D and 3D numerical approach ［J］. IEEE Access ， 2020 ， 8 ： 166236 - 166245 .

GAO L Y ， LIU Y ， HU H . An experimental investigation of dynamic ice accretion process on a wind turbine airfoil model considering various icing conditions ［J］. International Journal of Heat and Mass Transfer ， 2019 ， 133 ： 930 - 939 .

PASSALIS N ， TEFAS A ， KANNIAINEN J ， et al . Deep adaptive input normalization for time series forecasting ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 31 （ 9 ）： 3760 - 3765 .

DU Y T ， WANG J D ， FENG W J ， et al . ADARNN： adaptive learning and forecasting of time series ［C］// Proceedings of the 30th ACM International Conference on Information & Knowledge Management ， November 1-5 ， 2021 ， Queensland， Australia ： 402 - 411 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多尺度图注意力网络的电力系统暂态稳定评估

基于深度置信网络的电压暂降特征提取及源辨识方法

基于混合特征提取和机器学习的锂离子电池健康状态估计