摘要
课题来源于工信部高技术船舶科研项目“海上风电场智能控制及管理平台研制（No. MC-202025-S02）”。 风力发电作为国家能源战略、碳达峰及碳中和战略目标的重要组成部分，在国家能源中的占比将不断攀升。风电机组是实现风力发电的关键装备，但由于安装在环境恶劣的偏远地区且长期处于变速、变载的工作条件下，导致故障频发，运维成本较高。齿轮箱作为风电机组的关键部件，是风电机组传动链的重要组成部分，其故障造成的停机时间长、维修费用高，因此实时监测风电齿轮箱运行状态对风电机组正常运行和降低风电场运维成本具有重要意义。目前，基于数据驱动的风电齿轮箱状态监测方法存在数据缺失造成的数据质量降低、对风电场内其它风电机组数据利用不充分、无法充分利用少量故障数据等问题，导致无法准确判断风电齿轮箱的运行状态，难以实现准确、高效的风电齿轮箱状态监测。本文以 2 MW 风电机组的齿轮箱为研究对象，基于风电机组的监督控制和数据采集（Supervisory Control And Data Acquisition, SCADA）数据和深度学习、迁移学习方法，围绕风电齿轮箱的状态监测相关技术展开研究。考虑SCADA数据的时序性和多维特征相关性，提出基于循环神经网络的风电机组 SCADA 数据填充方法；探究同一风电场风电机组的相似性，通过自编码网络提取相似风电机组群体的共有特征信息；提出基于群体相似性和参数迁移的风电齿轮箱状态监测方法，提升风电齿轮箱状态监测的准确性；充分利用历史故障数据，提出基于特征迁移的跨风电齿轮箱状态监测方法。本文的主要研究内容如下： ① 针对SCADA数据缺失导致数据质量下降，造成风电齿轮箱状态监测精度降低的问题，提出一种基于循环神经网络的SCADA缺失数据填充方法。同时考虑SCADA数据的时序性和多维特相关性，充分学习数据缺失前后的变化规律，采用循环神经网络动态的估算缺失值，并通过实际运行数据验证所提方法对SCADA缺失数据填充的有效性。 ② 采用时间动态规整（Dynamic Time Warping, DTW）算法计算风电机组的相似性，使用自编码网络提取相似风电机组群体的共有特征信息，比较不同自编码网络的共有特征提取能力，讨论并确定共有特征提取能力最强的时空自编码网络的网络结构和参数设置。 ③ 针对现有的风电齿轮箱状态监测方法对风电场内其它风电机组数据利用不充分的问题，提出一种基于群体相似性和参数迁移的风电齿轮箱状态监测方法。基于风电机组群体相似性和参数迁移技术建立风电齿轮箱正常行为模型；基于监测模型重构误差和指数移动加权平均（ Exponentially Weighted Moving Average, EWMA）控制图对风电齿轮箱进行状态监测；通过实际运行数据验证所提方法对风电齿轮箱正常和故障两种状态监测的有效性。 ④ 针对目前SCADA故障数据量较少、不同风电机组之间数据分布存在差异，导致传统机器学习方法无法充分利用少量故障信息的问题，提出基于特征迁移的跨风电齿轮箱状态监测方法。基于群体相似性和参数迁移的风电齿轮箱状态监测方法和齿轮箱故障记录标定风电齿轮箱数据状态；基于深度自适应迁移方法，建立基于特征迁移的跨风电齿轮箱状态监测模型；通过实际运行数据验证所提方法在跨风电齿轮箱状态监测任务中的有效性。
NETL