Wind turbines often operate under cold weather conditions where icing may occur. Icing causes the blade sections to stall prematurely reducing the power production at a given wind speed. The unsteady aerodynamic loads associated with icing can accelerate blade structural fatigue and creates safety concerns. In this work, the combined blade element-momentum theory is used to compute the air loads on the baseline rotor blades, prior to icing. At each blade section, a Lagrangian particle trajectory model is used to model the water droplet trajectories and their impact on the blade surface. An extended Messinger model is next used to solve the conservation of mass, momentum, and energy equations in the boundary layer over the surface, and to determine ice accretion rate. Finally, the aerodynamic characteristics of the iced blade sections are estimated using XFOIL, which initiate the next iteration step for the computation of air loads via combined blade element theory. The procedure repeats until a desired exposure time is achieved. The performance degradation is then predicted, based on the aerodynamic characteristics of the final iced blades. The 2-D ice shapes obtained are compared against experimental data at several representative atmospheric conditions with acceptable agreement. The performance of a generic experimental wind turbine rotor exposed to icing climate is simulated to obtain the power loss and identify the critical locations on the blade. The results suggest the outboard of the blade is more prone to ice accumulation causing considerable loss of lift at these sections. Also, the blades operating at a higher pitch are expected to accumulate more ice. The loss in power ranges from 10% to 50% of the rated power for different pitch settings under the same operating conditions.

In the rapidly growing wind energy market, regions with cold climates are currently in the spotlight owing to their abundance of wind resources. However, the operation of wind turbines in cold climate conditions is challenged by serious icing problems. Ice accretion on the rotor blades of a wind turbine results in a decline in power production, an increase in fatigue loads, and raises health and safety concerns. To mitigate these adverse effects, ice protection systems (IPS) are now widely being employed. These systems mainly rely on costly blade heating techniques, yet their efficiency is limited and they cannot effectively prevent or remove ice build-up under all ambient conditions. In this study, the performance of five identical wind turbines, each equipped with an electrothermal heating IPS, is analyzed over several icing events. All data are collected from an undisclosed wind park located in northern Sweden. Historical wind turbine data is studied to explore the extent of icing-induced losses and IPS activities, as well as the dependence of blade icing and IPS efficiency on meteorological conditions. Based on the results from the analysis, suggestions will be provided on how the control settings of the IPS can be modified to increase the de-icing effectiveness and reduce ice-related production losses. For the purposes of better understanding the performance of the wind turbines and their IPS in icing conditions, an analytic dashboard has been internally developed. To derive quantitative information about the IPS efficiency, a set of standardized metrics is utilized. An internal algorithm has been developed that classifies various forms of ice losses and different status codes of wind turbines. These ice losses and turbine status codes are monitored and analyzed using the analytic dashboard. Statistical analysis indicates that the most substantial source of ice losses is the stoppages caused by blade icing, whereas losses during de-icing operations are relatively insignificant. Results from the IPS performance analysis show that the icing-induced losses are further influenced by the inconsistency in the IPS behavior. The systems have shown to be inefficient even when operating under conditions of wind speed and ambient temperature that fall within their specified operational limits, indicating their dependence on external conditions. In the majority of icing events, a delay in IPS activation was observed, particularly when these events coincided with periods of high wind speeds. Moreover, the heating of the blades is not sufficient, as multiple attempts to melt the accreted ice are often required, yet success is not always achieved. The difficulty in validating whether the blades are free of ice stems from the fact that the heat is emitted only from the blade’s leading edge. The author suggests specific immediate measures to improve the control of the IPS, including changing the threshold values for IPS triggering and adjusting the duration and frequency of ice removal cycles. These measures are confined by constraints tied to Intellectual Property Rights, limiting the extent to which elements in the IPS control settings can be modified by the wind operator. Nevertheless, if these constraints are relaxed, there exists significant untapped potential for further optimizing the control of IPS. / På den snabbt växande vindkraftsmarknaden är regioner med kallt klimat för närvarande i fokus på grund av deras rikliga vindresurser. Driften av vindkraftverk i kalla klimatförhållanden utmanas dock av allvarliga problem med isbildning. Isbildning på vindkraftverkens rotorblad leder till minskad kraftproduktion, ökade utmattningsbelastningar och ger upphov till hälso- och säkerhetsproblem. För att mildra dessa negativa effekter används nu isskyddssystem (IPS) i stor utsträckning. Dessa system är huvudsakligen beroende av kostsamma tekniker för uppvärmning av bladen, men deras effektivitet är begränsad och de kan inte effektivt förhindra eller avlägsna isbildning under alla omgivningsförhållanden. I denna studie analyseras prestandan hos fem identiska vindkraftverk, vart och ett utrustat med en IPS för elektrotermisk uppvärmning, under flera nedisningshändelser. Alla data har samlats in från en icke namngiven vindkraftspark i norra Sverige. Historiska vindturbindata studeras för att undersöka omfattningen av nedisningsinducerade förluster och IPS-aktiviteter, samt beroendet av bladnedisning och IPS-effektivitet på meteorologiska förhållanden. Baserat på resultaten från analysen kommer förslag att ges på hur kontrollinställningarna för IPS kan modifieras för att öka avisningseffektiviteten och minska isrelaterade produktionsförluster. För att bättre förstå hur IPS-utrustade vindkraftverk presterar under isförhållanden har en analysverktyg utvecklats internt. För att få kvantitativ information om IPS-effektiviteten används en uppsättning standardiserade mätvärden. En intern algoritm har utvecklats som klassificerar olika former av isförluster och olika statuskoder för vindturbiner. Dessa isförluster och turbinstatuskoder övervakas och analyseras med hjälp av analysverktyget. Statistisk analys visar att den mest betydande källan till isförluster är de stopp som orsakas av isbildning på bladen, medan förluster under avisning är relativt obetydliga. Resultaten från IPS-prestandaanalysen visar att de isinducerade förlusterna påverkas ytterligare av inkonsekvensen i IPS-beteendet. Systemen har visat sig vara ineffektiva även när de arbetar under förhållanden med vindhastighet och omgivningstemperatur som faller inom deras angivna operativa gränser, vilket visar att de är beroende av yttre förhållanden. Vid de flesta isbildningstillfällen observerades en fördröjning av IPS-aktiveringen, särskilt när dessa händelser sammanföll med perioder med höga vindhastigheter. Vidare är uppvärmningen av bladen inte tillräcklig, eftersom det ofta krävs flera försök att smälta den ackumulerade isen, men man lyckas inte alltid. Svårigheten att avgöra om bladen är fria från is beror på att värmen endast avges från bladets framkant. Studien föreslår specifika omedelbara åtgärder för att förbättra kontrollen av IPS, inklusive ändring av tröskelvärdena för IPS-aktivering och justering av varaktigheten och frekvensen för isborttagningscykler. Dessa åtgärder begränsas av immateriella rättigheter, som begränsar i vilken utsträckning operatören kan ändra IPS-kontrollinställningarna. Om dessa begränsningar lättas finns det dock en betydande outnyttjad potential för ytterligare optimering av kontrollen av IPS.

When ice is accumulated on a wind turbine's rotor blade its aerodynamics are altered, leading to reduced efficiency and sometimes altered pressure oscillations around the blade. These pressure oscillations can be detected as sound. With sound level measurements over a long time, combined with known ice conditions in the same period, the measured sound data can be used to classify the ice conditions. This master's thesis aims to investigate the possibilities of using sound level measurements at 36 frequency bands in the range 6.3–20 000 Hz along with machine learning and wind speed to detect icing on wind turbine blades. Four k-NN models have been trained and evaluated using two different data configurations that each treat two different means of normalization: one uses the raw sound level data in dBA which has been standardized using z-score. The other uses the wind power density Iwind = 0.5ρU3 instead of the reference sound intensity I0 = 10-12 W/m2 in the decibel formula L = 10log10(I/I0) to reduce the influence of wind speed on the data. The sound/wind speed hybrid data was also z-score standardized. Available data was from February 21st to March 3rd in 2023 and March 1st to April 3rd in 2024. In the summer of 2023, the leading edges of the rotor blades on the investigated wind turbine were renovated which might have altered the sound. Therefore, what is denoted as Data configuration A used 2024 data as training data while 2023 data was used solely for testing. Data configuration B on the other hand used data from March 1st to March 17th 2024 for training and data from April 1st to April 3rd 2024 for testing as the rotor blades were identical between those data sets. Wind conditions were also more similar between training and testing data for Data configuration B. The models were optimized using grid search, varying k, distance metrics and feature combinations of the 36 frequency bands, while maximizing the balanced accuracy, BA, of the model using 5-fold cross-validation. For Data configuration A, this resulted in a balanced accuracy in the testing stage at BAtesting = 0.535 using the dBA sound level data, and BAtesting = 0.601 using the data normalized with wind power density. For Data configuration B, balanced accuracy was BAtesting = 0.845 using the dBA sound level data, and BAtesting = 0.773 using the data normalized with wind power density. The main conclusion is that icing can be detected using sound level measurements, wind speed and machine learning although the models in this project generalize poorly partly due to limited data and partly due to how the models were constructed. The models perform better with wind speeds similar to the training data. / När is ackumuleras på vindturbinblad ändras aerodynamiken vilket leder till lägre verkningsgrad och ibland förändrade tryckoscillationer kring bladet. Dessa tryckoscillationer kan detekteras i form av ljud. Med hjälp av ljudmätningar över en längre tid, kombinerat med kända isförhållanden under tidsperioden, kan ljuddatan användas för att klassificera isförhållandena. Målet med detta examensarbete är att undersöka möjligheterna att använda ljudnivåmätningar vid 36 frekvensspann mellan 6,3–20 000 Hz tillsammans med maskininlärning och vindhastighet för att detektera isbildning på vindkraftverk. Fyra modeller baserade på algoritmen k-NN har tränats och utvärderats med två olika datakonfigurationer som vardera behandlar två olika metoder för normalisering: en använder obehandlad ljudnivådata i enheten dBA som har standardiserats med z-poäng. Den andra använder vindenergidensiteten Iwind = 0.5ρU3 istället för referensintensiteten I0 = 10-12 W/m2 i formeln för decibel L = 10log10(I/I0) för att begränsa vindhastighetens inverkan på datan. Ljud-/vindhybriddatan standardiserades också med z-poäng. Den tillgängliga datan var mellan 21 februari och 3 mars 2023 samt 1 mars till 3 april 2024. Sommaren 2023 renoverades bladen på det undersökta vindkraftverket vilket kan ha påverkat ljudet. Därför användes data från 2024 som träningsdata och data från 2023 som testdata i vad som benämns som Data configuration A. Data configuration B använde istället data från 1-17 mars 2024 för träning och data från 1-3 april 2024 för testning eftersom rotorbladen var identiska mellan de datamängderna. Vindförhållandena var också mer lika inom Data configuration B. Modellerna optimerades med grid search genom att variera k, avståndsmått, och vilken kombination av de 36 frekvensspannen som ingår i modellen. Balanserad träffsäkerhet, BA, är resultatet som maximerades genom 5-delad korsvalidering. För Data configuration A resulterade detta under teststadiet i BAtesting = 0,535 med omodifierad ljuddata och BAtesting = 0,601 då vindenergidensiteten användes som ljudets referensnivå. För Data configuration B var den balanserade träffsäkerheten BAtesting = 0,845 med omodifierad ljuddata och BAtesting = 0,773 då vindenergidensiteten användes som ljudets referensnivå. Den främsta slutsatsen är att isbildning kan detekteras med ljudnivåmätningar, vindhastighet och maskininlärning men modellerna som har tagits fram i detta projekt presterar relativt dåligt, delvis på grund av en begränsad datamängd och delvis på grund av hur modellerna har konstruerats. Modellerna presterade bättre för testdata med liknande vindförhållanden.