《Renewable Energy》：Enhancing energy availability based on explainable two-level clustering for root-cause diagnosis of production loss events in wind farms
编辑推荐：
本文提出基于无监督学习的风电机组故障根因诊断方法，通过聚类分析将故障事件划分为不同组别，再通过子聚类结合规则总结实现可解释性诊断。该方法有效解决了监督学习依赖标注数据的难题，在西班牙和阿根廷真实数据集上验证了其高诊断准确率，显著降低维修时间和提升年发电量。
阿德里安·吉尔-加姆博亚（Adrián Gil-Gamboa）|何塞·E·桑切斯-洛佩兹（José E. Sánchez-López）|哈维尔·索利斯-加西亚（Javier Solís-García）|米格尔·A·德尔加多（Miguel A. Delgado）|伊格纳西奥·罗曼（Ignacio Román）|何塞·弗兰克洛（José Franquelo）|何塞·C·里克尔梅（José C. Riquelme）|阿丽西亚·特龙科索（Alicia Troncoso）
数据科学与大数据实验室，帕布罗·德奥拉维德大学（Pablo de Olavide University），西班牙塞维利亚（ES-41013）
摘要
风能的经济可行性在很大程度上取决于提高可用性并最小化由于非计划停机造成的生产损失。因此，快速准确地诊断故障的根本原因对于恢复发电效率至关重要。分析风电场运行中的故障原因并采取必要措施，以使风力涡轮机在最短时间内重新发电是至关重要的。在本文中，我们提出了一种方法来发现有助于诊断一个或多个风力涡轮机故障根本原因的模式。为此，我们定义了“事件”为“能源生产损失事件”，并选出了描述此类事件的变量。为了解决在标签稀缺环境中监督学习的局限性，我们采用了一种基于无监督学习的可解释方法：第一阶段通过聚类来确定不同的事件组；第二阶段获得共享警报的事件组，称为子群。最后，我们提供了一条规则来解释每个子群的模式，从而提供了深度学习模型所缺乏的基于规则的可解释性。我们使用了来自西班牙和阿根廷风电场的传感器信号记录以及发生的警报的两个真实世界数据集来评估该模型。实验结果显示出高诊断准确性，这直接有助于减少平均维修时间并提高年能源产量。
引言
为了实现全球可再生能源目标，必须最大化现有风能资产的可用性。目前，非计划停机导致了显著的能源损失，从而造成了收入损失[1]、[2]。虽然预测性维护可以预测涡轮机何时可能停止，但恢复能源生产取决于缩短平均修复时间（MTTR）。MTTR在很大程度上取决于根本原因诊断的速度和准确性。
虽然预测性维护旨在预测故障，但理解设备故障的根本原因（即故障诊断）对于确保采取适当的预防措施至关重要[3]、[4]。这种理解不仅仅局限于识别故障本身，而是要深入探究所谓的根本原因。因此，正如最近的研究所指出的，区分预测性维护和故障诊断是很重要的[5]。预测性维护作为一种总体策略，通过根据资产状况安排维护来优化风电场的可用性。然而，其实际效果在很大程度上取决于故障诊断的能力。预测性维护回答了何时需要干预以避免停机的問題，而故障诊断则解决了需要做什么以及为什么需要这样做的问题。
在许多数据驱动的方法中，重点仅在于检测异常以识别问题所在。然而，如果没有准确的根本原因识别——例如区分传感器错误和结构缺陷——预测模型可能会触发正确的警报，但导致错误的维护措施。可以区分四个层次：异常检测用于识别问题；故障隔离用于检测例如齿轮箱故障；故障诊断用于确定齿轮箱出现齿裂的原因；根本原因分析用于诊断齿轮箱出现齿裂是因为润滑泵故障。因此，先进的故障诊断技术不仅仅是独立的任务，而是有效预测性维护策略的基础智能层。在这个背景下，本研究重点关注这一诊断组件，以支持明智的预测性决策。
工业自动化程度的提高产生了大量非常有用的数据。在可再生能源发电厂中，这一任务由监控控制和数据采集（SCADA）系统完成，这些系统始终进行全面的监控[6]。数据必须记录可能发生的各种类型的故障，并识别涉及的过程以及影响每种故障的参数。
机器学习方法利用这些数据自动高效地提取知识，应用于工业工厂的监控和控制[7]或优化风力涡轮机维护以减少停机时间[8]。在初始阶段，使用了支持向量机或随机森林等机器学习方法[9]、[10]。然而，近年来基于深度学习的模型得到了广泛研究[11]、[12]。
尽管这些机器学习技术在风电场运营和维护中得到了广泛应用，但它们的主要缺点是需要标记数据（即历史故障明确标注了其具体根本原因的数据），而这在实际情况中是不可用的，限制了它们的应用范围，从而影响了它们对全球能源产量的影响[13]、[14]。然而，在大多数实际应用中，通常没有标记的历史数据[15]。此外，大多数用于故障检测的机器学习模型是不可解释的，因此工厂操作员无法理解它们所做的决策[16]、[17]。因此，对于预测性维护来说，有一些关键任务（如发现故障的根本原因）仍然需要由专家操作员手动完成。
在风电场的背景下，理解设备故障的根本原因至关重要。这种理解不仅仅局限于识别故障本身，而是要深入探究所谓的根本原因。根本原因是指问题或故障的根本原因，如果得到适当处理，将防止其再次发生。它不仅仅是一个症状，而是导致不良结果的一系列事件中最深层次的原因。例如，风力涡轮机可能会出现低功率输出的警报（一个症状）。直接原因可能是传感器读数错误。然而，根本原因可能是由于安装不当导致的传感器线路振动疲劳，或者是软件配置错误导致传感器数据解读错误。识别这一根本原因可以采取有针对性的干预措施，如重新设计传感器安装方式、更新软件或实施更好的安装协议，从而防止未来的类似故障并优化维护策略。
本研究专注于开发一种可解释的方法来诊断风力涡轮机事件中的这些根本原因，超越了简单的故障检测，为预测性维护提供可操作的见解。因此，本文提出应用无需预标记数据的无监督学习来发现风电场中发生的事件的根本原因。首先，通过确定事件的开始和结束时间戳以及事件期间触发的所有警报，对事件进行了全面的描述。其次，需要进行属性工程以选择最能触发警报的变量。随后，提出了一种基于聚类的技术来确定事件的根本原因，并提供规则来解释每个根本原因的模式。使用来自多个风电场的每10分钟收集的真实数据报告了结果，展示了所提出方法的表现。因此，该方法提供了一种可解释且不依赖于标签的诊断方法，使操作员能够最小化停机时间，从而直接保障风能资产的发电能力和经济效益。
本文的其余部分结构如下：第2节回顾了相关工作，概述了现有方法及其在风电场故障检测方面的局限性。第3节描述了本研究中使用的数据，包括事件定义，并详细介绍了发现风电场事件根本原因的方法。第4节展示了实验结果并讨论了我们的方法表现。最后，第5节总结了我们的发现，并提出了未来研究的方向。
相关研究
相关工作
本节回顾了近年来发表的与预测性维护相关的研究，主要集中在可再生能源发电厂，尤其是风电场。
在风电场的预测性维护领域，已经探索了多种方法来提高运营效率并降低成本。传统的维护策略从反应性（纠正性）发展为主动性（预防性和预测性）。纠正性维护是在故障发生时进行处理，
方法论
本节描述了用于从SCADA和警报日志中推导出风力涡轮机生产损失事件可解释的根本原因假设的端到端方法。如图1所示，工作流程从数据准备（清洗/插补）和从时间序列测量及警报激活中客观构建事件开始。接下来，通过工程化和选择最具信息量的变量，并应用两级无监督学习来构建离线知识库
聚类数量的选择
开始分析时，一个关键步骤是确定使用K-Means算法将事件数据划分为多少组或簇（表示为K）的理想数量。这类似于决定在组织大量项目时哪些类别最自然和最具信息量。
我们系统地测试了K从1到50的范围。选择这个范围是因为我们预计使用超过50个簇会导致数据过度分散
结论
本文提出了一种基于子群的方法来推荐风电场故障的根本原因。首先，提供了一种算法来获得对事件客观且精确定义。然后进行两步无监督学习：第一步是获得具有相似模式的事件簇；第二步是获得代表这些事件根本原因的子群。子群是一组事件
CRediT作者贡献声明
阿德里安·吉尔-加姆博亚（Adrián Gil-Gamboa）：撰写——原始草稿，软件开发，调查，数据管理。何塞·E·桑切斯-洛佩兹（José E. Sánchez-López）：撰写——原始草稿，软件开发，调查，数据管理。哈维尔·索利斯-加西亚（Javier Solís-García）：撰写——原始草稿，软件开发，调查，数据管理。米格尔·A·德尔加多（Miguel A. Delgado）：撰写——审稿与编辑，验证，软件开发，数据管理。伊格纳西奥·罗曼（Ignacio Román）：撰写——审稿与编辑，验证，调查。何塞·弗兰克洛（José Franquelo）：监督，项目管理，资金获取，
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
