一种叶片防雷组件及其防雷方法

技术领域

本申请涉及叶片防雷领域，更具体地说，涉及一种叶片防雷组件及其防雷方法。

背景技术

但是随着海上风力发电机组的单机容量越发增大，风机叶片逐渐变长，整体风电机组越建越高，加上其与陆上风机大为不同的海洋接地环境，现在的海上风机不仅设计建造成本水涨船高，在遭受雷击前后的运行修复成本也更高，其中自然也包括雷击可能造成的严重后果和运行风险等。这些原因让海上风电机组成为一项高成本的投资，一旦遭受留击，造成的损失将十分巨大。其次，海上雷雨多，且无遮挡物，易受雷电袭击。雷电会对风电机组造成根本性破坏，进而导致整机故障，使得机组长期处于停机状态。相比之下，陆地环境中雷击的风险要小得多。此外，海上风电机组环境恶劣，易受腐蚀，维修不便，且成本高昂。无论是在建造成本还是维修成本方面，陆上风电机组经济压力都要远小于海上风电机组2]。因此，风电机组的运行可靠性的发展和提升离不开防雷与接地系统的技术支持。设计不合理的防雷接地系统会极大地影响机组工作稳定性，从而影响风电机组的发电效率和可靠性。

近年来海内外学者在研究海上风电机组的雷电保护时对其复杂特殊的海洋接地环境考虑并不是非常充分，对接地电阻做出准确的预测仍是一个亟待解决的问题。

针对上述问题，本文提出一种叶片防雷组件及其防雷方法。

发明内容

1、需要解决的技术问题

本发明提供了一种叶片防雷组件及其防雷方法，旨在解决现有技术中海上风机接地线路的设置，所述技术方案包括以下几个方面。

2、技术方案

根据本申请实施例的一方面，一种叶片防雷组件，包括：

接闪器：安装在叶片的尖端，用于吸收雷电流并将其引导到地面，以避免雷击损伤；

接地装置：将雷电流导入大地；

引下线系统：连接接闪器和接地装置，将雷电流导入接地装置；

在线监测系统：用于监测接闪器、引下线系统和雷电流；

在线监测管理平台：接收所述在线监测系统的监测数据，对超过正常值的情况立即报警，提升安全管理水平；

数据处理模块：利用深度神经网络模型根据监测数据和接地环境生成接地电阻预测模型。

根据本申请实施例的一方面，

所述接地环境包括海水电阻率、海水深度和海床电阻率。

根据本申请实施例的一方面，

所述接地装置包括：接地网材质、接地网面积，

根据本申请实施例的一方面，

所述深度神经网络模型为卷积神经网络模型。

根据本申请实施例的一方面，所述接闪器包括：

叶尖接闪器：安装在叶片的尖端，用于吸引雷电保护叶尖结构；

叶身接闪器：安装在叶片的中部，用于连接接地装置和分散雷电，保护叶片结构。

根据本申请实施例的一方面，所述在线监测系统包括：

雷电流在线监测依：基于罗氏线圈传感器技术，还原雷击峰值、极性、能量，监测数据为实时雷电流的峰值、极性、能量以及雷击时间和雷电次数。

接地电阻在线监测仪：通过三点法或回路法测量接地电阻。

峰值：雷电流的峰值是指在雷击瞬间，电流达到的最大值。它通常以安培(A)为单位表示。

极性：雷电流的极性由雷电先导所带电荷的极性决定。负极性雷击占绝大多数，对设备绝缘造成较大危害，因此防雷计算中一般按负极性考虑。

能量：雷电流的能量是指雷电击中物体时释放的电能。这个能量与雷电流的幅值和持续时间有关。

雷电次数是指雷暴进行时，雷声的时间间隔小于15分钟时，不论雷声断续传播的时间有多长，均算作是一次雷暴；若其间雷声的停息时间在15分钟以上时，就把前后分作是两次雷暴。

雷电活动频度包括雷暴日和雷暴小时，用于描述雷电活动的频率。

根据本申请实施例的一方面，所述数据处理模块利用深度神经网络模型根据监测数据和接地环境对接地电阻预测模型进行训练。

一种叶片防雷组件的防雷方法：包括电阻预测模型的生产方法：

S1数据收集和准备：

收集监测数据，实时雷电流的峰值、极性、能量、雷击时间、雷电次数、海水电阻率、海水深度和海床电阻率；并处理缺失值和异常值；

S2数据划分：

将数据集划分为训练集和测试集；

所述卷积神经网络模型包括输入层、隐藏层和输出层；

S3模型训练：

使用训练集对模型进行训练，优化模型参数；

监控训练过程，避免过拟合；

S4模型评估；

使用测试集评估模型的性能，均方误差、R

S5预测接地电阻：

输入雷电流的峰值、极性、能量、雷击时间、雷电次数、海水电阻率、海水深度和海床电阻率，通过训练好的神经网络模型预测接地电阻。

3、有益效果

本申请技术方案中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请利用深度神经网络模型根据监测数据和接地环境生成接地电阻预测模型，能够处理复杂的监测数据和环境数据，具有较高的预测精度和鲁棒性；深度神经网络模型能够快速处理大量数据，实现接地电阻预测的实时性；深度神经网络模型系统能够自动处理和分析数据，减少人工干预和误判的风险。利用深度神经网络模型进行接地电阻预测有助于提高风电机组的可靠性、安全性和运行效率。

附图说明

图1为本申请一较佳实施例公开的防雷方法的流程图。

具体实施方式

海上风机造成设备损坏的主要原因之一便是雷害，事故损坏的设备包括但不限于机组变压器、风机叶片等，这些设备的准备和更换难度都很大，如果因为遭受雷击造成了损坏，那么不短的断电时间和巨额的经济损失是在所难免的。为了更好的避免雷击伤害，本申请设计了一种叶片防雷组件。

以下结合说明书附图对本申请作进一步详细说明。

一种叶片防雷组件，包括：

接闪器：安装在叶片的尖端，用于吸收雷电流并将其引导到地面，以避免雷击损伤；

接地装置：将雷电流导入大地；

引下线系统：连接接闪器和接地装置，将雷电流导入接地装置；

在线监测系统：用于监测接闪器、引下线系统和雷电流；

在线监测管理平台：接收在线监测系统的监测数据，对超过正常值的情况立即报警，提升安全管理水平；

数据处理模块：利用深度神经网络模型根据监测数据和接地环境生成接地电阻预测模型。

进一步，

接地环境包括海水电阻率、海水深度和海床电阻率。

为了达到海上风机叶片系统故障和防雷保护的要求，接地装置的设计受到不同环境因素的影响，比如海水电阻率、海水深度以及海床电阻率。

进一步，

接地装置包括：接地网材质、接地网面积。

进一步，

深度神经网络模型为卷积神经网络模型。

进一步，接闪器包括：

叶尖接闪器：安装在叶片的尖端，用于吸引雷电保护叶尖结构；

叶身接闪器：安装在叶片的中部，用于连接接地装置和分散雷电，保护叶片结构。

雷出叶片接闪器后雷电流会通过叶片上的金属导体引下线通过叶身接闪器和接地装置被引入地下。

进一步，在线监测系统包括：

雷电流在线监测依：基于罗氏线圈传感器技术，还原雷击峰值、极性、能量，监测数据为实时雷电流的峰值、极性、能量以及雷击时间和雷电次数。

接地电阻在线监测仪：通过三点法或回路法测量接地电阻。

进一步，数据处理模块利用深度神经网络模型根据监测数据和接地环境对接地电阻预测模型进行训练。

一种叶片防雷组件的防雷方法：包括电阻预测模型的生产方法：

S1数据收集和准备：

收集监测数据，实时雷电流的峰值、极性、能量、雷击时间、雷电次数、海水电阻率、海水深度和海床电阻率；这些数据可以通过传感器、监测设备或其他数据源获取。

数据清洗：对收集到的数据进行清洗，处理缺失值和异常值；确保数据质量，以便后续的模型训练和评估。；

S2数据划分：

将数据集划分为训练集和测试集；通常，80％的数据用于训练，20％的数据用于测试。数据划分的目的是在模型训练和评估过程中使用不同的数据子集，以验证模型的泛化能力。

卷积神经网络模型包括输入层、隐藏层和输出层；

输入层：接收特征向量，包括雷电流的峰值、极性、能量、雷击时间、雷电次数、海水电阻率、海水深度和海床电阻率。

隐藏层：进行特征提取和表示学习。卷积层、池化层和全连接层等组成隐藏层，用于学习数据的抽象特征。

输出层：用于预测接地电阻。根据具体问题，可以是一个回归问题(预测连续值)或分类问题(预测离散类别)。

S3模型训练：

使用训练集对卷积神经网络模型进行训练。训练过程中，优化模型参数，例如权重和偏置，以最小化预测误差。

监控训练过程，避免过拟合。可以使用技术如早停止法，以防止模型在训练集上过度拟合。

S4模型评估；

使用测试集评估模型的性能。常用的评估指标包括均方误差(MSE)和决定系数(R

S5预测接地电阻：

输入雷电流的峰值、极性、能量、雷击时间、雷电次数、海水电阻率、海水深度和海床电阻率，通过训练好的神经网络模型预测接地电阻。

本申请利用深度神经网络模型根据监测数据和接地环境生成接地电阻预测模型，能够处理复杂的监测数据和环境数据，具有较高的预测精度和鲁棒性；深度神经网络模型能够快速处理大量数据，实现接地电阻预测的实时性；深度神经网络模型系统能够自动处理和分析数据，减少人工干预和误判的风险。