基于多目标堆叠集成方法的风电机组故障检测与诊断框架

《IEEE Transactions on Industrial Informatics》：Reliable Multitarget Ensemble Learning for Wind Turbine Fault Detection and Diagnosis

　　

摘要：

风能是现代电力系统脱碳的核心力量，然而风电机组的快速扩张也带来了长期可靠性、运行安全和经济性能方面的持续挑战。因此，有效的状态监测对于最大化发电产出、降低运行成本以及防止非计划停机至关重要。传统的基于监控与数据采集（SCADA）的正常行为模型（NBMs）通常被构建为单目标预测器，需要为每个被监测信号分别建立模型。这种方法增加了建模负担，并限制了管理大规模风电机组的运营商的可扩展性。为克服这些局限性，本文提出了一种面向诊断的风电机组故障检测与诊断多目标框架。该框架引入自回归特征以捕捉SCADA信号中的短期时序依赖关系。此外，该框架采用两级堆叠集成方法，对多个子系统目标进行联合预测。模型基于历史正常运行数据进行训练，数据通过基于功率曲线的信号处理方案进行筛选。残差分析结合变点检测，能够识别突发异常和持续性性能退化。跨目标一致性要求物理相关的子系统信号出现共同偏差后才确认报警。这有助于抑制虚假告警并支持根本原因归因。基于风电场SCADA数据的实验表明，所提出的框架在统一的建模与监测流程中，相较于独立训练的单目标NBMs显著提升了预测精度。