基于全风场数据驱动的残差故障检测模型生成方法在风电健康管理中的应用研究

这篇综述提出了一种适用于风电全机组的数据驱动自动模型生成方法，通过建立简单、物理可解释的线性模型（NBM）来构建多机组残差指标，实现跨制造商、跨技术的风电机组故障检测。该方法解决了传统神经网络模型（ANN/CNN）可解释性差、输入变量过多等问题，利用SCADA数据实现了对关键部件（如齿轮箱、发电机轴承等）的温度异常监测，为风电行业提供了一种可工业化部署的状态监测（CM）解决方案。

　　

1 引言：风电状态监测的工业挑战

当前风电维护主要采用基于日历的预防性策略，难以实时监测故障演变。基于状态监测（CM）的方法通过SCADA和振动数据构建健康指标，但面临三大工业应用瓶颈：神经网络模型（ANN）缺乏物理可解释性；模型对数据扰动敏感；现有方法仅适用于特定制造商或部件（如齿轮箱），难以覆盖全机组关键部件（包括电气系统和轮毂）。

1.1 工业部署的核心需求

• 模型可解释性：线性回归模型比ANN更易被运维人员理解

• 数据鲁棒性：限制输入变量数量（≤3个）以应对SCADA数据丢失

• 技术普适性：需适应不同制造商的风机技术差异，包括传感器网络、功率曲线等特性

2 研究方法：全风场数据驱动建模

2.1 模型构建流程

采用正常行为模型（NBM）框架，以温度作为关键输出变量。通过Lasso回归从SCADA变量集V中预选10个最具相关性变量V_Lasso，再通过多机组选择算法确定最终3个输入变量X。模型训练使用1年正常工况数据H_L，采用最小二乘线性回归。

2.2 创新性变量选择

• 多机组一致性：确保模型适用于风场所有风机

• 物理可解释：优先选择与温度变化机理相关的变量

• 工业友好性：限制变量数量提升计算效率和数据可用性

2.3 残差健康指标构建

采用多机组相对偏差法：将目标风机残差与风场其他风机残差分布进行比较，消除环境波动影响。该方法在加拿大70+风场的实际运维中验证了有效性。

3 实际应用验证

选取4个不同技术风场的真实故障案例（涉及齿轮箱、轴承等部件），通过接收者操作特征曲线（ROC）评估检测性能。结果显示：

• 模型跨风场适用性：同技术风机可使用相同变量集

• 早期检测能力：与复杂模型相当，但计算效率提升显著

• 故障覆盖率：成功检测出传统方法遗漏的电气系统故障

4 工业价值与展望

该方法被法国Valemo公司应用于70余个风场，首次实现了：

• 全机组覆盖：包括传统难监测的转换器、变压器等

• 跨技术部署：适配不同制造商的风机特性

• 运维友好：15分钟/风场的计算速度满足实时监测需求

未来可结合数字孪生技术进一步优化预测性维护策略。