利用SCADA数据进行风力涡轮机预测性维护的机器学习技术

《IEEE Women in Engineering Magazine》：Machine Learning Techniques for Wind Turbine Predictive Maintenance Using SCADA Data

　　

摘要：

本文提出了一种基于数据驱动的框架，用于早期检测风力涡轮机关键部件的异常情况，该框架仅使用 Supervisory Control and Data Acquisition (SCADA) 数据，从而无需额外的高成本 Condition Monitoring Systems (CMS)。本研究的具体目标是开发并比较评估能够准确预测齿轮箱轴承和发电机驱动端轴承温度行为的机器学习模型，以实现异常运行条件的早期识别。所提出的方法包括对 SCADA 数据进行预处理和过滤以反映正常的涡轮机运行状态、基于相关性分析的特征选择、最小-最大值归一化以及时间序列数据分割以避免信息泄露。研究实施了三种回归模型并进行比较：多元线性回归 (MLR)、极端梯度提升 (XGBoost) 和长短期记忆 (LSTM) 神经网络。XGBoost 的超参数使用贝叶斯优化进行调优，而 LSTM 架构配置了提前停止机制以减少过拟合。模型性能通过 R2、RMSE、MAE 和 MAPE 指标进行评估，并通过对预测残差应用统计过程控制（±3σ 控制限）来进行异常检测。利用位于巴西东北部的三台 2.1 兆瓦风力涡轮机的真实 SCADA 数据进行测试的结果表明，XGBoost 在整体性能上表现最为稳定，发电机轴承预测的 R2 值可达 0.92 以上，MAPE 低于 2.2%；而在特定齿轮箱情况下，LSTM 的 R2 值可达 0.99 以上，MAPE 低于 0.5%，尽管计算成本显著较高。研究结果表明，基于 SCADA 的机器学习模型，特别是 XGBoost，是一种可扩展的、资本支出 (CAPEX) 和运营支出 (OPEX) 都较低的风力涡轮机状态监测替代方案，有助于降低运行和维护成本并提高风场的可靠性。