基于自编码器的风电机组异常检测

李会玲 ,  郭娜 ,  杜钦君 ,  张磊安 ,  程龙 ,  刘聪

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10921-10931

PDF (4507KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10921-10931 DOI: 10.12404/j.issn.1671-1815.2507028
自动化技术、计算机技术

基于自编码器的风电机组异常检测

作者信息 +

Autoencoder-based Anomaly Detection for Wind Turbines

Author information +
文章历史 +

摘要

风电机组的异常检测是实现智能化运维管理的核心技术之一。当前多数方法主要聚焦于单一组件的状态监控,因此需要为每个组件分别建立检测模型。这种方式不仅会显著降低系统整体的运行效率,还可能忽略风电机组各个部件之间的相互影响。同时,在故障的初始阶段,往往很难准确判断故障的具体类型。针对上述问题,提出了一种基于自编码器的风电机组异常检测方法。具体而言,首先,该方法构建了一个参数重建的自编码器模型,利用相似工况下的风电机组数据提升模型的学习能力;其次,为每个参数设计动态变化的检测阈值曲线,增强异常识别的准确性;再次,提出一种基于参数间相关性的识别策略,通过对误差超限的参数进行分析,识别出最可能引发异常的关键参数,为后续运维决策提供依据;最后,使用河北黄骅风电场的实际运行数据进行验证。结果显示,所提方案在风电机组的异常检测与早期故障预警方面具有良好的应用效果和可靠性。

Abstract

Anomaly detection of wind turbines is a key technology for achieving intelligent operation and maintenance management. Existing approaches mainly focus on monitoring individual components, requiring separate detection models for each part. This not only reduces overall system efficiency but also neglects interactions among components. Moreover, in the early stage of a fault, it is often difficult to accurately determine the fault type. To address these challenges, an anomaly detection approach based on an autoencoder was proposed. First, a system-wide parameter reconstruction model was built using autoencoders, with the learning ability enhanced by using turbine data under similar operating conditions. Next, dynamic detection threshold curves were designed for each parameter to improve anomaly identification. Furthermore, a correlation-based identification strategy was introduced to locate key parameters most likely to cause anomalies by analyzing out-of-tolerance errors, thereby supporting subsequent operation and maintenance decisions. Finally, real operation data from a Huanghua wind farm in Hebei, China were used for validation. The results demonstrate that the proposed approach achieves reliable performance in anomaly detection and early fault warning of wind turbines.

Graphical abstract

关键词

风电机组 / 异常检测 / 自编码器 / 动态阈值 / 数据采集与监控系统(SCADA)数据

Key words

wind turbine / anomaly detection / autoencoder / dynamic threshold / supervisory control and data acquisition (SCADA) data

引用本文

引用格式 ▾
李会玲, 郭娜, 杜钦君, 张磊安, 程龙, 刘聪. 基于自编码器的风电机组异常检测[J]. 科学技术与工程, 2026, 26(25): 10921-10931 DOI:10.12404/j.issn.1671-1815.2507028
LI Hui-ling, GUO Na, DU Qin-jun, ZHANG Lei-an, CHENG Long, LIU Cong. Autoencoder-based Anomaly Detection for Wind Turbines[J]. Science Technology and Engineering, 2026, 26(25): 10921-10931 DOI:10.12404/j.issn.1671-1815.2507028

登录浏览全文

4963

注册一个新账户 忘记密码

在不可再生能源日趋紧张的背景下,全球低碳政策正积极推动新能源的发展。风能作为一种可再生的清洁能源,在全球范围内储量丰富。随着风电机组装机容量的持续增长,高效、智能的运维服务日益受到风电行业的广泛关注[1]。并且陆上风电的运维成本占其平准化度电成本的20%~25%[2]。为有效降低运维开支,并防范重大事故导致的严重损失,发展先进的状态监测与异常检测技术显得尤为迫切[3]。
现有风电机组异常检测研究多聚焦于单一部件的状态监测。例如,赵劲松等[4]面向齿轮箱采用Bagging集成策略与多元状态估计实现状态检测与故障预警;孙坚等[5]针对风电机组叶片结冰故障识别,构建基于特征提取与最优加权集成学习的检测模型,提高了叶片结冰状态分类的准确率;申艳杰等[6]提出基于双馈式风机定子电流信号的齿轮箱状态监测方法,以实现齿轮箱故障诊断。近年来,基于深度学习的异常检测亦取得一定进展[7]:崔恺等[8]提出基于广义回归神经网络的机组性能预测与异常状态预警方法,并在实际运行数据上验证了其有效性;程江洲等[9]构建基于改进贝叶斯网络的故障诊断与风险预测模型,故障预测准确率达到94.92%。尽管上述方法在特定对象与场景下表现良好,但对风电机组而言,异常可能发生于多个部件并且存在耦合关系,而非局限于单一部件[10]。同时,现有模型对场景迁移较为敏感,泛化能力仍有待提升;机组结构复杂、故障模式多样,故障早期异常特征往往不明显,导致故障类型难以及时准确判别,从而增加运维诊断与决策负担。因此,有必要研究面向整个风电机组的异常检测方法,能够基于风电机组运行数据实现异常识别,实现早期预警与预防性检修,降低非计划停机时间并提升发电量。
为解决上述局限,现提出一种基于自编码器的风电机组异常检测方法,该方法以机组监测数据为输入,不依赖风电场特定先验信息,在具备监测数据条件的不同风电场中可直接应用。构建基于自编码器的全系统参数重构模型,通过引入相似状态机组数据增强模型学习能力,以满足全面故障检测的需求;提出一种动态检测阈值曲线构建方法,为各参数独立设定适应性阈值,提升异常检测的准确性;提出基于参数相关性分析的异常参数识别策略,通过误差超限参数分析定位异常源,为运维决策提供依据。

1 相关工作

状态监测通过实时采集风电机组的运行数据,对各个部件的工况进行监控。根据数据来源的不同,相关研究主要可分为基于数据采集与监控系统(supervisory control and data acquisition, SCADA)和基于状态监测系统(condition monitoring system, CMS)两种技术路径[11-12]。CMS通过在齿轮箱、发电机、叶片等关键部件上加装传感器获取监测信息并进行诊断分析[13]。尽管该方法在理论创新、实验验证与小规模应用中取得了一定成效,但其部署成本较高,且难以实现对风机整体运行状态的全面覆盖。相比之下,SCADA系统作为风电机组的标准配置,能够对核心运行参数、环境信息、故障停机及维修记录等进行远程实时监测与存储,无需增设额外硬件,有效控制了运维投入[14]。因此,基于SCADA数据的风电机组状态监测方法近年来逐渐受到行业与研究者的关注[15]。SCADA系统所积累的海量运行数据,也为深度学习技术在异常检测中的应用提供了基础[16-17]。深度学习凭借其多层非线性映射的网络结构,能够从输入数据中自动提取有效特征,尤其适用于风电机组这类具有强非线性和参数耦合特性的复杂系统。

现有风电机组状态监测研究主要聚焦于故障诊断和异常检测。前者通常基于历史运行数据提取已知故障特征,构建识别模型以辅助运维人员制定维护策略[18]。Chatterjee等[19]提出一种双Transformer结构的智能决策方法,能够结合输入特征完成故障识别,并利用自然语言模板自动生成维护方案,从而为工程师提供直观的决策参考。然而,风电机组故障数据量有限,且需依赖专业人员标注,深度学习模型往往因训练样本不足而受限。针对这一问题,Zhang等[20]提出基于平衡联合自适应网络的诊断方法,通过构建不变特征空间,将其他风电场信息迁移至数据不足的新场站,并利用伪标签策略扩充无标记样本,以缓解小样本问题。总体而言,事后诊断虽能支持合理维护,但若能在故障前识别潜在异常,则可提前安排检修,降低突发故障风险。

风电机组的异常检测通常基于正常运行数据构建故障预警模型[21],以便在故障前识别潜在异常,从而提前安排检修,避免停机风险。Fu等[22]提出采用自适应弹性网络进行特征筛选,并结合卷积神经网络与长短期记忆(long short-term memory,LSTM)建立变量间逻辑关系,用于检测齿轮箱轴承高速侧过温。Xiao等[23]设计了一种深度学习方法,通过提取与变频器故障相关的参数绘制雷达图,再利用卷积神经网络自动提取特征,实现变频器故障识别。Zheng等[24]构建半监督检测模型,将重构与预测相结合以捕捉变量相关性与时间依赖,并借助对抗训练提升鉴别能力,从而提高了检测精度。朱彦民等[25]建立卷积神经网络-双向长短时记忆网络算法模型,减少了因故障停机造成的高维护成本。Wang等[26]则基于运行工况聚类结果训练深度信念网络,有效识别主轴承异常,该方法亦可推广至其他关键部件。然而,为每个组件单独建立检测模型会造成较高的计算开销。针对这一问题,Renström等[27]提出基于深层自编码器的全机组检测方法,通过优化自编码器模型构建策略与超参数设置,使用一个检测模型实现对整机运行状态的监测,但难以定位具体异常部件。

2 风电机组SCADA数据

采集的SCADA数据来源于河北省额定容量为100 MW的黄骅风电场。选用其中型号相同的41台型号一致的2.0 MW机组,依次编号为WT1~WT41。数据以5 min为采样间隔,包含运行参数、环境信息及状态记录,共计56个参数变量。

由于风电机组采集的监测数据中可能包含冗余、无效及错误信息,因此需在分析前进行预处理。首先,对参数进行筛选,去除冗余项,例如“风向”相较于“风向对北角度”不再需要;同时,对于多种形式记录的时间变量(如当日运行时长、累计运行时长),根据机组状态与连续运行周期的相关性,将其统一转化为“连续运行时间”指标,最终得到49个相关参数,如表1所示。其次,清理无效与异常数据。风电机组存在并网、待机、检修等多种状态,其中除并网外其余状态通常不产生功率,因此仅保留并网条件下的数据,剔除零功率和负功率样本。对于缺失值或超过传感器量程的读数,直接删除对应时间戳数据。考虑到机组停机后重新启动时各参数受环境与停机时长影响波动较大,缺乏代表性,故进一步去除初启动阶段6个采样点(约30 min)的数据,以避免捕获机组初启动时的瞬态特征。此外,不同监测变量的单位不一,导致数值范围差异明显,需要进行归一化处理以消除尺度效应。采用最大-最小归一化方法,将各参数值域缩放至相似区间,从而提高后续建模与分析的可靠性。

3 基于自编码器的异常检测方法

基于自编码器的风电机组异常检测方法概述如图1所示,包含以下3个阶段。

阶段一 基于自编码器的参数重构模型构建。将预处理后的SCADA数据作为输入,构建基于自编码器的参数重构模型,利用相似工况下风电机组的运行数据训练构建的自编码器模型。

阶段二 异常检测动态阈值设置。将重构模型计算的重构误差作为输入,根据置信水平为每个参数在不同取值范围上确定异常的检测阈值,实现自适应检测。

阶段三 异常参数识别。根据异常动态检测阈值实时监控风电机组运行数据,通过参数重构误差和参数相关性分析识别异常数据。

3.1 基于自编码器的参数重构模型

自编码器是一类以输入数据自身为学习目标的无监督神经网络模型[28],常用于降维、特征提取和数据重建等任务。其结构由编码器与解码器构成。其中,编码器将原始数据压缩至低维特征空间,力求减少信息损失;解码器则尝试从低维表示中尽可能准确地恢复原始数据。由于具备良好的数据重建能力,自编码器在异常检测中得到了广泛应用,基于正常样本训练的模型能够有效识别异常状态。

将风电机组预处理后的正常运行数据用于构建参数重构模型,采用欠完备自编码器[29]实现输入降维。该方法通过限制潜在特征维度小于输入维度来抑制噪声,对于SCADA系统中因环境干扰或通信延迟引入的随机波动具有一定鲁棒性。进一步考虑到风电机组运行数据具有时间序列特征,在自编码器结构中引入门控循环单元(gated recurrent unit, GRU)。GRU是一种改进的循环神经网络[30],其状态更新由重置门和更新门共同控制,能够综合利用当前输入与历史信息,适合处理和预测时序数据。采用全连接层(full connection, FC)与GRU网络分别构建欠完备自编码器,用于风电机组参数重构,其结构如图2所示。编码器与解码器均由两层神经网络组成,其中仅含FC层的模型记为FM,而结合GRU与FC的模型记为FMGRU。FMGRU的解码器未采用与编码器对称的双层GRU结构,这是因为不对称设计更契合时序数据的特征提取与重构需求,同时较轻量的解码器能够降低过拟合风险并提升训练稳定性。

风电机组结构复杂、部件众多,即便由同一厂商生产的相同型号机组,其运行状态仍可能存在明显差异。单一机组的数据难以全面反映多工况下的运行特征,因此提出一种基于自编码参数重构的相似机组筛选方法。该方法利用参数重构模型的预测误差衡量机组间的状态相似度,从而以数据驱动的方式发现实际运行状态模式,减少因环境差异导致的误判。具体步骤如下。

步骤1 以同一风电场、同型号机组一年内的正常运行SCADA数据为基础,随机划分训练集与测试集。利用各机组的训练数据分别预训练自编码器重构模型,并在所有机组测试集上进行测试重构模型的准确率,得到每台风电机组预训练模型在所有机组中测试的重构准确率集合。

步骤2 为解决因工况差异导致的相互预测不对称性,对比机组i与j的交叉测试结果,以准确率较高的一方替代另一方结果,获得更一致的重构准确率集合。

步骤3 基于修正后的准确率矩阵,采用聚类方法对所有机组进行聚类,并将同类结果视为相似运行状态的机组。

3.2 异常检测动态阈值

在风电机组异常检测中,若机组处于正常运行状态,理想的参数重构模型能够较为准确地还原输入数据;当部件或系统发生劣化或故障时,其监测参数往往偏离正常水平,导致输入与输出之间的重构误差显著增大。因此,监测参数的重构误差可作为识别异常的重要依据。常见方法是根据历史数据的误差分布设定阈值,当重构误差超过该阈值时触发异常预警。由于不同参数在运行过程中的变化规律不尽相同,针对各参数分别计算其重构绝对误差并据此设定检测阈值。为获得误差的概率分布,引入核密度估计方法[31]对概率密度函数$\hat{\mathit{f}}\left(\mathit{x}\right)$进行估计,计算公式为

$\hat{\mathit{f}}\left(\mathit{x}\right)=\frac{1}{\mathit{n}\mathit{h}}\stackrel{\mathit{n}}{\sum _{\mathit{k}=1}}\mathit{K}\left(\frac{\mathit{x}-{\mathit{x}}_{\mathit{k}}}{\mathit{h}}\right)$

式(1)中:n为样本个数;h为带宽;xk为第k个样本值;K(·)为核函数,选用高斯核函数进行计算,计算公式为

$\mathit{K}\left(\frac{\mathit{x}-{\mathit{x}}_{\mathit{k}}}{\mathit{h}}\right)=\frac{1}{\mathit{h}\sqrt{2\mathrm{\pi }}}\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{(\mathit{x}-{\mathit{x}}_{\mathit{k}}{)}^{2}}{2{\mathit{h}}^{2}}\right]$

结合概率密度函数$\hat{\mathit{f}}\left(\mathit{x}\right)$和置信水平,可以为各参数确定对应的异常检测阈值。然而,不同取值区间的参数往往表现出差异化的重构误差。在风电机组正常运行数据中,参数“机舱角度”在接近0°时的误差上限明显高于其他区间,如图3所示。

为提升检测精度,提出一种动态阈值曲线构建方法。首先将参数取值范围划分为m个区间,并将样本不足的区间与相邻区间合并;随后依据概率密度函数与置信水平分别计算各区间的检测阈值;最后对所有区间阈值进行线性插值,形成动态阈值曲线,记作gi(x)(i = 1,2,…,49)其中i为参数编号。以“机舱角度”为例,其动态阈值曲线如图3所示。该方法有助于降低误差波动较大区间的误报率,并在误差较小区间提高异常识别的准确性。

3.3 异常参数识别策略

在异常检测过程中,阵风扰动或电网波动等外部因素可能引起瞬时重构误差的大幅波动,因此有必要对连续时间片段的误差进行分析以提高检测的稳健性。通常,超出阈值的参数及其相关参数是定位潜在异常的重要依据。对于参数重构模型而言,若仅依赖各参数自身的阈值独立判断,容易忽视变量之间的耦合关系,从而难以准确识别机组的实际故障位置。在实际运行中,由于风电机组各部件高度耦合,可能出现大量超阈值参数(简称超限参数),但并非全部都对应真实问题。基于此,提出了一种融合参数相关性的异常识别策略,主要步骤如下。

步骤1 当参数i在连续k个时间点上的平均重构误差超过对应的平均阈值时,记为一次超限警告。同时定义平均误差与平均阈值的比值qi,t衡量该参数在时刻t前k个时间窗口内的超限程度,计算公式如(3)所示。

${\mathit{q}}_{\mathit{i},\mathit{t}}=\frac{{\mathit{e}}_{\mathit{i},\mathit{t}-\mathit{k}}+{\mathit{e}}_{\mathit{i},\mathit{t}-\mathit{k}+1}+\dots +{\mathit{e}}_{\mathit{i},\mathit{t}}}{{\mathit{g}}_{\mathit{i}}\left({\mathit{x}}_{\mathit{t}-\mathit{k}}\right)+{\mathit{g}}_{\mathit{i}}\left({\mathit{x}}_{\mathit{t}-\mathit{k}+1}\right)+\dots +{\mathit{g}}_{\mathit{i}}\left({\mathit{x}}_{\mathit{t}}\right)}$

式(3)中:ei,t为状态参数i在时刻t的重构误差;gi(xt)为该参数在该时刻取值对应的检测阈值。由于风电机组的异常往往具有持续性特征,因此将时间间隔不超过1 h的相邻超限记录视为同一次异常。在该时间段内,每个超限参数的重构误差与阈值比值累积为Qi,T,并根据其大小对超限参数进行降序排序,最终形成异常超限参数集合。

一个由5条不超过1 h的相邻超限记录构成的实例如表2所示,依据上述方法获得的异常超限参数集合如表3所示。首先,根据时间戳识别并合并相邻超限记录,得到异常对应的时间区间T;接着,将相同参数在该区间内的所有qi,t累加以获得Qi,T;其中,Qi,T越大,表明该参数所对应的部件在该异常中发生故障的可能性越高;最后按照Qi,T的降序排列得到异常超限参数集合OS,即OS={机舱振动X, 机舱振动Y, 频率}。

步骤2 依据以往工作[32]提出的特征自动选择方法,对单一状态参数预测任务进行相关性分析,进而获得每个参数i的相关参数集合,记为RSi。各集合按照相关性强弱依次排序,部分参数的相关性结果如表4所示。将得到的相关参数集合RS与异常超限参数集合OS进行相似度计算,以识别系统级参数重构模型在单参数异常检测过程中可能遗漏的关键相关参数。

步骤3 计算异常超限参数集合OS与各相关参数集合RS的相似度。具体而言,截断RSi集合,去除尾部冗余参数,使其满足len(RSi)≤len(OS),i∈[1,49],其中len(OS)表示DS中参数的数量。设异常参数集合OS={p1, p2, …, pn},然后结合参数在集合中的位次及其在两个集合中的相对位置差异,计算OS与RSi的相似度得分SCi,其计算公式如下。

$\mathit{S}{\mathrm{C}}_{\mathit{i}}=\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}\mathrm{e}\mathrm{x}\mathrm{i}\mathrm{t}(\mathrm{R}{\mathrm{S}}_{\mathit{i}},{\mathit{p}}_{\mathit{j}})[\mathit{n}-\mathit{j}+1+\mathrm{d}\mathrm{i}\mathrm{s}(\mathrm{R}{\mathrm{S}}_{\mathit{i}},\mathrm{O}\mathrm{S},{\mathit{p}}_{\mathit{j}}\left)\right]$
$\mathrm{e}\mathrm{x}\mathrm{i}\mathrm{t}(\mathrm{R}{\mathrm{S}}_{\mathit{i}},{\mathit{p}}_{\mathit{j}})=\left\{\begin{array}{l}0,{\mathit{p}}_{\mathit{j}}\notin \mathrm{R}{\mathrm{S}}_{\mathit{i}}\\ 1,{\mathit{p}}_{\mathit{j}}\in \mathrm{R}{\mathrm{S}}_{\mathit{i}}\end{array}\right.$
$\mathrm{d}\mathrm{i}\mathrm{s}(\mathrm{R}{\mathrm{S}}_{\mathit{i}},\mathrm{O}\mathrm{S},{\mathit{p}}_{\mathit{j}})=\frac{\left|\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{e}\mathrm{x}(\mathrm{R}{\mathrm{S}}_{\mathit{i}},{\mathit{p}}_{\mathit{j}})-\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{e}\mathrm{x}(\mathrm{O}\mathrm{S},{\mathit{p}}_{\mathit{j}})\right|}{\mathrm{l}\mathrm{e}\mathrm{n}\left(\mathrm{O}\mathrm{S}\right)}$

式中:exit(RSi, pj)用于判断参数pj是否属于集合RSi;n-j+1为参数pj在OS中的位次得分,位置越靠前,其相关性越高;dis(RSi, OS, pj)用于衡量参数pj在两个集合中的距离得分;index(RSi, pj)为pj在集合RSi中的排序位置,若未包含该参数则返回0。依据计算得到的相似度分值SC,将参数按降序排列,形成相似度集合PS。

步骤4 综合考虑集合OS与PS中排名前三的参数位次及其重叠情况,计算参数i的异常得分ASi,选取得分最高的前3个异常参数,为检修人员制定风电机组的运维计划提供依据。计算公式为

$\begin{array}{l}\mathit{A}{\mathit{S}}_{\mathit{i}}=0.6[1-0.2\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{e}\mathrm{x}(\mathrm{O}\mathrm{S},\mathit{i}\left)\right]+0.4[1-\\ 0.2\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{e}\mathrm{x}(\mathrm{R}\mathrm{S},\mathit{i})]\end{array}$

式(7)中:0.6和0.4分别为OS和RS所属参数的异常分数权值,0.2为相邻位次参数之间的异常得分差值。

4 实验验证

4.1 实验设置

选取了同一风电场中编号为WT1~WT41的41台风电机组在2020年与2021年的SCADA数据,并按照第2章所述方法进行预处理。通常在故障真正发生前,机组已表现出偏离正常状态的特征。因此,依据运维日志,将每台机组在上一次故障修复后至下一次故障发生前一个月内的数据定义为“正常运行数据”。实验部分以2020年正常运行数据为基础,按照8∶2的比例划分训练集与验证集,用于自编码器重构模型的训练;并利用2021年的57组异常运行数据(即故障发生前1个月内的数据)以及相应的正常运行数据构建测试集,用于检验异常检测的准确率。

在自编码器参数重构模型的超参数与结构调整方面,设定的搜索范围如下:学习率为{0.01, 0.001, 0.000 1};批处理大小为{128, 256, 512};迭代次数为{100, 200, 300, 400, 500};编码维度为{28, 32, 36};隐含层节点数为{64, 96, 128, 160, 192, 160-80, 128-64};优化算法采用 Adam;损失函数选用MAE。在异常检测阈值的确定上,基于验证集调参结果,初始将参数取值范围划分为m=10个区间,并最终选取99.99%的置信水平来计算各区间的检测阈值。在异常参数识别环节,设置k=6个连续时间戳(约半小时)的平均重构误差超过平均阈值时,记为一次参数超限警告。

4.2 评估指标

为评估自编码器模型的重构性能,选用平均绝对误差(mean absolute error, MAE)作为评价指标。MAE是回归分析中常用的度量方式,用于计算预测值与真实值之间差异的平均绝对值。该值越小,说明模型的重构效果越好,其计算公式为

$\mathit{M}\mathit{A}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\left|{\mathit{x}}_{\mathit{i}}-{\hat{\mathit{x}}}_{\mathit{i}}\right|$

式(8)中:n为样本数量;xi为真实值;${\hat{\mathit{x}}}_{\mathit{i}}$为模型预测值。为评估异常检测方法的有效性,采用分类任务中常用的两类指标:准确率(precision, P)与召回率(recall, R)。其中,准确率用于衡量检测结果中被判定为异常的样本中,真正异常所占的比例。召回率用于衡量故障发生前能被成功识别为异常的比例。为同时兼顾准确率与召回率的评估值,进一步采用F1作为综合评价指标,3个指标的计算公式如式(9)~式(11)所示。

$\mathit{P}=\frac{\mathrm{T}{\mathrm{P}}_{\mathrm{p}}}{\mathrm{T}{\mathrm{P}}_{\mathrm{p}}+\mathrm{F}\mathrm{P}}$
$\mathit{R}=\frac{\mathrm{T}{\mathrm{P}}_{\mathrm{r}}}{\mathrm{T}{\mathrm{P}}_{\mathrm{r}}+\mathrm{F}\mathrm{N}}$
${\mathit{F}}_{1}=\frac{2\mathit{P}\mathit{R}}{\mathit{P}+\mathit{R}}$

式中:TPp为在异常运行数据中检测出异常的次数;FP为在正常运行数据中检测出异常的次数;TPr为在57组异常运行数据内检测出异常的组数;FN为未检测出的组数。

4.3 风电机组相似状态评估

为提升重构模型的准确性,需要通过相似状态机组的评估与数据融合来丰富工况信息。在相似性评估中选用基于全连接层构建的自编码器模型FM进行实验,以保证训练效率。具体而言,采用2020年41台同型号风电机组的正常运行数据,分别训练41个预训练FM模型,并用每个预训练模型测试全部41台机组的重构误差。在聚类分析中,选取3种密度聚类算法,即DBSCAN、OPTICS与Mean Shift,其聚类结果如表5所示。不同聚类算法得到的聚类结果不同,OPTICS将41台机组聚为一类,表明相同型号的机组具有较为相似的运行状态。其他两种方法均将编号为21、27、30、33、36和37的机组单独划分,表明这些机组可能因故障或环境条件差异导致运行状态偏离其他机组。此外,Mean Shift与DBSCAN将其余35台机组聚为一类,说明这些机组运行状态高度相似。综合聚类结果分析,将除编号21、27、30、33、36和37外的其余35台机组可视为运行状态最为接近的一组。

表5所述3种聚类结果为相似状态机组的划分提供了多种依据。为确定最终的相似状态机组组合,并验证所提出的选择方法的有效性,对不同机组聚类结果进行实验,如表6所示。其中,FMS表示利用单台机组的正常运行数据训练参数重构模型,并在对应机组上测试得到的MAE,该模型作为基线用于验证相似状态机组数据对于模型重构准确率提升的有效性;FM41表示基于全部41台机组数据训练的重构模型在各机组上的测试结果,用于验证所提方法的有效性;FM35表示35台相似机组数据进行模型训练和测试得到的MAE。

从表6中可以得到,使用单一机组数据训练的FMS模型重构误差最大,其他选用不同组合相似状态机组训练的模型重构误差都相对降低,说明运行数据越多,包含的工况和运行状态越丰富,有利于提高模型的参数重构准确率。选用35台相似状态机组数据训练的FM35模型重构误差最小,表明35台机组数据共同使用时重构准确率更高,因此这35台机组具有较为相似的运行状态,验证了所提相似状态机组评估方法的有效性。采用全部41台机组数据训练的FM41得到了仅次于FM35的MAE测试结果,这说明丰富的运行数据有助于模型训练,也验证了仅使用相似状态机组数据能够降低不相似状态机组数据对模型训练的影响,进一步提高了参数重构模型的准确率。

针对运行状态差异较大的6台风电机组,分别在FMS和FM41模型下进行了测试,其MAE如表7所示。在大多数不相似状态的机组中,利用所有同型号机组数据训练的FM41模型能够获得更高的预测精度,在一定程度上弥补了缺乏相似状态机组数据的不足。然而,对于WT30机组,仅依靠自身运行数据训练的参数重构模型反而取得了更低的误差。这表明该机组在实际运行过程中与其余机组存在较大差异,此时若引入其他机组数据进行联合建模,反而可能削弱模型效果。

4.4 自编码器参数重构模型的性能评估

在相似状态机组分类的基础上,选取35台机组的运行数据训练自编码器参数重构模型,分别构建了基于全连接层的FM模型和引入GRU单元的FMGRU模型,其中FMGRU的输入为连续24个时间戳的序列数据。此外,还对比了误差反向传播方法与自编码器特有的堆叠式训练方法(SFM)在该研究中的适用性。实验采用2020年的正常运行数据作为训练集,对FM、SFM和FMGRU共3个模型进行训练,并在2020年正常运行数据测试集上分别计算其重构MAE值,结果如表8所示。

实验结果表明,在2020年的数据测试中,FMGRU的重构误差最低,说明在模型中引入时序特征能够更准确地重构输入信息。FM的表现仅次于FMGRU,虽然结构相对简单,但仍能有效提取关键特征并实现较高的重构精度。相比之下,采用堆叠式训练的SFM模型在准确率上表现最差,说明其更适合特征提取,而在重构任务中效果有限。因此,使用提出的FMGRU模型作为参数重构模型,并在后续实验中加以应用。

4.5 面向异常检测的性能评估

利用2020年35台相似状态机组的正常运行数据训练FMGRU模型,并在2021年的57组异常运行数据及超过6个月的连续正常运行数据上进行验证。以中控箱温度为例,模型在正常与异常工况下的重构误差波动情况如图4所示,并说明了异常检测的基本流程。图4(a)是WT17机组在2021年的一段正常运行数据,其中,中控箱温度重构误差基本在正常范围内(0, 100)波动。需要指出的是,由于新的运行工况以及突变环境等因素可能引发正常运行状态下的异常误报,但正常运行数据中检测出的异常并不都是误报,比如故障早期征兆。图4(b)是WT34机组在某次发电机故障发生前一个月的运行情况,可以观察到中控箱温度重构误差在第1 700个数据点附近出现瞬时异常,并在第1 800个数据点左右开始持续大幅波动直至故障发生。在此过程中,若能尽早识别异常并追溯原因,将有助于提前采取措施,降低故障风险。

此外,本文方法与多种基线方法的性能对比结果如表9所示。

实验结果表明,Sin与SinD相较于传统方法能够更全面地识别异常,并有效降低误报率。其中,SinD在F1和召回率指标上表现最佳,说明动态阈值的引入显著提升了检测的准确性。

4.6 异常参数识别策略评估

以中国河北黄骅风电场WT1~WT41号风电机组为实例对象,应用本文方法进行异常检测。首先,采用基于自编码器的参数重构模型对机组运行数据进行特征提取与重构;进而,引入动态阈值曲线,实现异常参数的识别。在风电机组的实际应用中,通过两个具体故障案例展示了异常参数识别结果,从而验证了所提参数识别策略的有效性。识别结果如表10所示。各故障案例具体说明如下。

(1) WT22在10 543故障发生前约324个数据点(故障发生数据点4 025减首次检测到异常的数据点3 701),已首次检测到异常。引发故障的根本原因是变桨系统通信故障,延时继电器损坏。变桨系统是风机根据风速精确调整桨叶角度的核心部件之一,其通信故障导致控制系统无法正确指挥桨叶动作,而延时继电器损坏则导致供电和上电逻辑异常,从而加剧了通信的不稳定。在第3 704数据点上检测出桨叶角度2A、桨叶角度1A和桨叶角度3A异常,这表明由于通信问题,桨叶角度与实际位置不匹配。在第3 701数据点检测出桨叶3电机温度异常,在第3 816数据点检测出桨叶3电池箱温度异常,这可能是由于变桨通信故障导致电机控制指令异常,使电机处于异常状态,从而造成发热;同时,为变桨电机供电的电池箱也因负载不稳定而温度升高。此外,在第3 809数据点检测出机舱控制柜温度异常。变桨系统的核心控制器通常位于机舱控制柜内,通信模块长期异常运行可能导致局部温度上升。根据上述分析,在多数异常点上均能推断出变桨系统因通信中断而无法正常工作。桨叶角度、电机与电池温度,以及控制柜温度等一系列异常,共同说明异常可发生在变桨系统中。根据上述分析,运维人员可根据变桨系统和延时继电器组件依次进行排查,提前安排检修。

(2) WT24在10 548故障发生前约2 575个数据点(故障发生数据点5 907减首次检测到异常的数据点3 332),至少8 d前首次检测到异常。引发故障的原因是发电机非驱动端(non-drive end,NDE)轴承内部异常,其直接表现为温度持续升高。发电机轴承是风力发电机组传动链的关键部件,其温度异常升高通常是润滑不良、磨损加剧或负载过重的表现。在第3 332数据点首次检测到机舱振动Y1异常,说明受轴承运行状态恶化影响,机组已经出现不稳定运行迹象。随着异常的发展,振动现象持续并加剧。在第3 422和5 185数据点,系统连续检测到机舱振动X1和机舱振动Y1同时异常。这表明机舱在两个方向上均出现显著振动,振源与传动链核心旋转部件高度相关,其中发电机NDE轴承异常可能是主要因素。观察异常识别结果,轴承在高温下机械性能下降,摩擦冲击增大,引发机舱强烈振动;而持续振动又反过来加速轴承劣化,进一步推高温度。最终导致机组发生故障。根据上述分析,运维人员可重点检查发电机前后轴承,维护风机的正常运行。

综上所述,故障案例分析表明,异常参数识别策略在该故障案例中能够检测到异常位置和异常原因的相关参数,验证了本文方法的有效性,为运维人员在故障发生前安排检修计划、确定异常原因、锁定检修范围提供有效参考。

5 结论

风电机组异常检测的目标是在故障发生前识别潜在隐患,从而提前制定检修计划以降低故障风险。目前大多数研究方法仍集中在单一部件的检测,少量涉及全系统的研究在异常原因分析方面仍存在不足。针对这一问题,提出一种基于自编码器的风力发电机组异常检测方法。具体而言,首先通过相似状态机组扩充训练数据,构建参数重构模型,以提升模型的重构精度;其次,提出动态阈值曲线构建方法,并结合重构误差比和参数相关性分析,设计了异常参数识别策略,用于定位异常部件及原因;最后,利用真实风电场SCADA数据对方法进行验证,得到如下结论。

(1) 在参数重构方面,本文提出的参数重构模型FMGRU的重构误差最低,表明其对输入信息具有更准确的重构能力。

(2) 在异常检测方面,提出的异常检测策略Sin的召回率与F1分别达到0.929 8与0.745 0,显著优于基线方法。

(3) 引入动态阈值曲线后,异常检测的准确率、召回率及F1分别是0.818 1、1、0.899 9,均优于所有对比方法,表明本文策略能有效提升检测精度,实现对风电机组异常状态的早期预警,从而为运维决策提供依据。

未来的研究工作将从以下几方面展开:探索基于对比学习的自编码器训练方法,增强模型对异常数据的敏感性,进一步提升重构精度;基于故障先兆信息直接构建早期故障辨识模型,以提高异常检测的效率和故障定位的准确性;基于异常检测与定位结果,优化风电机组维护资源调度决策,以提升风电场维护策略的经济性与可靠性。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Bashir M B A. Principle parameters and environmental impacts that affect the performance of wind turbine: an overview[J]. Arabian Journal for Science and Engineering, 2022, 47(7): 7891-7909.
[2]

International Renewable Energy Agency. Renewable energy cost analysis: wind power[R]. Abu Dhabi: International Renewable Energy Agency, 2012.
[3]

Yan J, Liu Y, Li L, et al. Wind turbine condition monitoring using the SSA-optimized self-attention BiLSTM network and change point detection algorithm[J]. Sensors, 2023, 23(13): 5873.
[4]

赵劲松, 王梓齐, 刘长良. 基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测[J]. 科学技术与工程, 2020, 20(20): 8180-8186.
[5]

Zhao Jinsong, Wang Ziqi, Liu Changliang. Wind turbine gearbox condition monitoring based on Bagging ensemble strategy and multivariate state estimate technique[J]. Science Technology and Engineering, 2020, 20(20): 8180-8186.
[6]

孙坚, 杨宇兵. 基于特征提取和最优加权集成策略的风机叶片结冰故障检测[J]. 科学技术与工程, 2024, 24(11): 4501-4509.
[7]

Sun Jian, Yang Yubing. Icing fault detection of wind turbine blades based on feature extraction and an optimal weighted ensemble strategy[J]. Science Technology and Engineering, 2024, 24(11): 4501-4509.
[8]

申艳杰, 李鹏飞, 武英杰, 等. 基于双馈式风电机组定子电流信号现象学模型的齿轮箱故障监测方法[J]. 仪器仪表学报, 2025, 46(9): 348-359.
[9]

Shen Yanjie, Li Pengfei, Wu Yingjie, et al. A phenomenological model-based gearbox fault monitoring method using stator current analysis for doubly-fed induction wind turbines[J]. Chinese Journal of Scientific Instrument, 2025, 46(9): 348-359.
[10]

夏博, 李春杨, 万露露, 等. 基于深度学习的风力发电机组故障预警方法研究综述[J]. 科学技术与工程, 2023, 23(9): 3577-3587.
[11]

Xia Bo, Li Chunyang, Wan Lulu, et al. Review of wind turbine fault warning methods based on deep learning[J]. Science Technology and Engineering, 2023, 23(9): 3577-3587.
[12]

崔恺, 许宜菲, 李雪松, 等. 基于广义回归神经网络的风电机组性能预测模型及状态预警[J]. 科学技术与工程, 2020, 20(32): 13220-13228.
[13]

Cui Kai, Xu Yifei, Li Xuesong, et al. Wind turbine performance prediction model and early warning of abnormal condition based on GRNN[J]. Science Technology and Engineering, 2020, 20(32): 13220-13228.
[14]

程江洲, 冯馨以, 冯梦婷, 等. 计及气象因素的风电机组故障诊断与风险预测[J]. 科学技术与工程, 2022, 22(22): 9645-9651.
[15]

Cheng Jiangzhou, Feng Xinyi, Feng Mengting, et al. Wind turbine fault diagnosis and risk prediction considering meteorological factors[J]. Science Technology and Engineering, 2022, 22(22): 9645-9651.
[16]

胡超波. 风电场中风力发电机组运行故障及维护[J]. 仪器仪表用户, 2023, 30(9): 110-112, 31.
[17]

Hu Chaobo. Operation failure and maintenance of wind turbine in wind farm[J]. Instrumentation, 2023, 30(9): 110-112, 31.
[18]

龙寰, 杨婷, 徐劭辉, 等. 基于数据驱动的风电机组状态监测与故障诊断技术综述[J]. 电力系统自动化, 2023, 47(23): 55-69.
[19]

Long Huan, Yang Ting, Xu Shaohui, et al. Review of data-driven condition monitoring and fault diagnosis technologies for wind turbines[J]. Automation of Electric Power Systems, 2023, 47(23): 55-69.
[20]

余浩帅, 汤宝平, 张楷, 等. 小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法[J]. 中国机械工程, 2021, 32(20): 2475-2481.
[21]

Yu Haoshuai, Tang Baoping, Zhang Kai, et al. Fault diagnosis method of wind turbine gearboxes mixed with attention prototype networks under small samples[J]. China Mechanical Engineering, 2021, 32(20): 2475-2481.
[22]

Tautz-Weinert J, Watson S J. Using SCADA data for wind turbine condition monitoring-a review[J]. IET Renewable Power Generation, 2017, 11(4): 382-394.
[23]

Feng Y, Qiu Y, Crabtree C J, et al. Use of SCADA and CMS signals for failure detection and diagnosis of a wind turbine gearbox[C]// European Wind Energy Conference and Exhibition 2011. Brussels: European Wind Energy Association, 2011: 17-19.
[24]

王中行, 周元贵, 张学广. 基于人工智能算法的风电机组状态监测和故障诊断技术研究综述[J]. 东北电力大学学报, 2024, 44(1): 42-51.
[25]

Wang Zhongxing, Zhou Yuangui, Zhang Xueguang. Review of artificial intelligence algorithms-based wind turbine condition monitoring and fault diagnosis techniques[J]. Journal of Northeast Electric Power University, 2024, 44(1): 42-51.
[26]

Wen Y, Rahman M F, Xu H, et al. Recent advances and trends of predictive maintenance from data-driven machine prognostics perspective[J]. Measurement, 2022, 187: 110276.
[27]

Chen W, Qiu Y, Feng Y, et al. Diagnosis of wind turbine faults with transfer learning algorithms[J]. Renewable Energy, 2021, 163: 2053-2067.
[28]

Li H, Liu C, Du Q, et al. Optimizing resource allocation for wind turbine maintenance through process and fault data fusion[J]. Information Fusion, 2025: 103678.
[29]

Chatterjee J, Dethlefs N. A dual transformer model for intelligent decision support for maintenance of wind turbines[C]// 2020 International Joint Conference on Neural Networks. Glasgow: IEEE, 2020: 1-10.
[30]

Zhang G, Li Y, Jiang W, et al. A fault diagnosis method for wind turbines with limited labeled data based on balanced joint adaptive network[J]. Neurocomputing, 2022, 481: 133-153.
[31]

Chen H, Liu H, Chu X, et al. Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network[J]. Renewable Energy, 2021, 172: 829-840.
[32]

Fu J, Chu J, Guo P, et al. Condition monitoring of wind turbine gearbox bearing based on deep learning model[J]. IEEE Access, 2019, 7: 57078.
[33]

Xiao C, Liu Z, Zhang T, et al. Deep learning method for fault detection of wind turbine converter[J]. Applied Sciences, 2021, 11(3): 1280.
[34]

Zheng M, Man J, Wang D, et al. Semi-supervised multivariate time series anomaly detection for wind turbines using generator SCADA data[J]. Reliability Engineering & System Safety, 2023, 235: 109235.
[35]

朱彦民, 李忠虎, 杨立清, 等. 基于卷积双向长短时记忆模型的风电机组故障预测[J]. 科学技术与工程, 2024, 24(25): 10790-10797.
[36]

Zhu Yanmin, Li Zhonghu, Yang Liqing, et al. Fault prediction of wind turbine based on convolutional bidirectional long short term memory model[J]. Science Technology and Engineering, 2024, 24(25): 10790-10797.
[37]

Wang H, Wang H, Jiang G, et al. Early fault detection of wind turbines based on operational condition clustering and optimized deep belief network modeling[J]. Energies, 2019, 12(6): 984.
[38]

Renström N, Bangalore P, Highcock E. System-wide anomaly detection in wind turbines using deep autoencoders[J]. Renewable Energy, 2020, 157: 647-659.
[39]

Baldi P. Autoencoders, unsupervised learning, and deep architectures[C]// Proceedings of ICML Workshop on Unsupervised and Transfer Learning. Bellevue: JMLR Workshop and Conference Proceedings, 2012: 37-49.
[40]

Sreenatha M, Mallikarjuna P B. A fault diagnosis technique for wind turbine gearbox: an approach using optimized blstm neural network with undercomplete autoencoder[J]. Engineering, Technology & Applied Science Research, 2023, 13(1): 10170-10174.
[41]

倪维健, 孙宇健, 刘彤, 等. 基于注意力双向循环神经网络的业务流程剩余时间预测方法[J]. 计算机集成制造系统, 2020, 26(6): 1564-1572.
[42]

Ni Weijian, Sun Yujian, Liu Tong, et al. Business process remaining time prediction using bidirectional recurrent neural networks with attention[J]. Computer Integrated Manufacturing System, 2020, 26(6): 1564-1572.
[43]

Węglarczyk S. Kernel density estimation and its application[C]// ITM Web of Conferences. Kielce: EDP Sciences, 2018, 23: 00037.
[44]

Guo N, Liu C, Li C, et al. Explainable and effective process remaining time prediction using feature-informed cascade prediction model[J]. IEEE Transactions on Services Computing, 2024, 17(3): 949-962.

基金资助

国家自然科学基金面上项目(62472264)

国家自然科学基金面上项目(52574256)

山东省杰出青年基金(ZR2025QA13)

教育部人文社会科学研究项目基金(24YJCZH194)

山东省泰山学者工程专项基金(TSTP20250506)

PDF (4507KB)

54

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录