摘要
异常检测和故障定位对于风电机组的安全经济运行以及减少非计划停机至关重要。针对小样本场景下高误报率和定位精度不足的问题，本文提出了一种新颖的物理信息驱动的异常检测与故障定位方法。首先，开发了一种集成显式代数物理约束的物理信息自编码器，以验证固有物理关系的有效嵌入。其次，基于该自编码器，开发了一种多策略深度自编码器支持向量数据描述（MS-DASVDD）异常检测方法，该方法融合了物理约束正则化、隐变量对齐和迁移学习，在有限训练数据下显著降低了误报和漏报率。最后，提出了一种物理信息驱动的双向重构误差调整方法，该方法对符合物理约束的误差进行惩罚，同时突出不一致的误差，从而在有限故障样本下显著提升误差驱动的故障特征定位精度。中国北方两个风电场（40兆瓦和30兆瓦）的案例研究表明，所提出的物理信息驱动方法显著提高了精确率、召回率和F1分数，抑制了尖峰异常分数，增强了故障特征的贡献度，证明了其有效性和鲁棒性；敏感性和对比分析进一步验证了其优越性。
