基于专家特征增强时空对比学习的风机叶片结冰智能检测方法研究

针对风机叶片结冰检测中早期数据重叠、标记数据稀缺和短采样间隔导致样本差异小等难题，研究人员提出融合专家特征的时空对比学习模型（EXF-TCCL）。该方法通过自监督学习充分挖掘SCADA数据时空特征，在两项公开数据集测试中F1-Score与AUC均超98%，显著提升检测效率且降低硬件依赖，为风电系统安全运行提供创新解决方案。

　　

随着全球碳中和目标的推进，风电装机量激增，但风机叶片结冰问题成为制约发电效率的"隐形杀手"。结冰会改变叶片气动外形，导致发电效率骤降80%，甚至引发叶片断裂事故——2011年荷兰Pjelax风场就因结冰导致70%机组停运，造成265MW容量损失。传统检测依赖高成本传感器和人工巡检，而现有AI方法又面临早期结冰数据重叠、标记数据匮乏等瓶颈。

针对这些挑战，研究人员开发了专家特征增强的时空对比学习模型（EXF-TCCL）。该创新方法通过三阶段实现突破：首先利用专家特征放大早期结冰信号差异，随后通过时空对比学习模块（Temporal Contrasting预测未来数据特征，Contextual Contrasting增强同样本多视图相似性）从海量无标记数据中自主学习。在两项SCADA数据集测试中，模型F1-Score和AUC均突破98%，较传统方法提升显著。

关键技术包括：1）基于物理机理的专家特征筛选，选取对结冰敏感的风速、功率等12维特征；2）时空对比学习框架，结合LSTM和Transformer捕捉时序依赖；3）动态阈值分类器实现端到端检测。

研究结果显示：在数据预处理阶段，滑动窗口技术将1Hz采样数据转化为10秒片段，有效提取时序模式。专家特征模块通过互信息分析筛选的特征，使早期结冰数据可分性提升37%。对比学习模块中，温度对比损失函数（NT-Xent）将正负样本区分度提高2.3倍。最终模型在-15°C至5°C低温环境下保持95%以上准确率，且对风速突变等干扰具有鲁棒性。

这项发表于《Engineering Applications of Artificial Intelligence》的研究，首次将自监督学习引入风机结冰检测领域。其重要意义在于：1）突破标记数据依赖，利用风电场现有SCADA数据即可实现高精度检测；2）通过专家特征与AI的融合，为装备健康监测提供新范式；3）实测显示可减少80%除冰能耗，单台机组年增收超12万元。未来研究可拓展至海上风电等复杂场景，并探索与数字孪生技术的结合。