摘要
随着传统化石能源的日益枯竭和环境污染加重，风力发电已成为当今全球电力能源结构中的重要组成部分。基于风场监视控制与数据采集系统(Supervisory control and data acquisition,SCADA)大数据驱动和深度学习方法的异常检测技术可以深层挖掘机组运行数据之间的内部特性，实现对风电机组故障检测。本文使用SCADA数据围绕基于深度正常行为建模(Normal behavior modeling,NBM)方法的风电机组状态监测这一主题，针对数据质量低、机组特性先验信息引入不足、神经网络可解释性差以及难以应用、缺少细粒度评估方法等问题开展如下研究: 1.提出一种考虑工况的组合方法用于风电机组性能曲线上离群点的检测，首先根据物理规则进行异常数据剔除，随后使用基于马氏距离-四分位法方法过滤明显离群点，最后应用基于密度的聚类算法去除运行曲线附近的离群点，可以实现对SCADA性能曲线上异常数据的有效识别，对比其他方法，经数据清洗后的性能曲线拟合精度高。 2.为增强对正常和异常数据的判别性，提高异常检测精度，引入故障样本信息，提出一种基于孪生正常行为建模方法(Siamese normal behavior modeling,Siamese NBM)的风电机组异常检测整体框架，该框架可推广至现有深度学习方法中。实验分别对比了传统深度学习方法，使用人工标注故障信息的Siamese NBM方法和使用功率曲线离群点作为伪故障样本的Siamese NBM方法。通过真实故障案例，表明本文提出框架在多任务学习中，不仅可以高精度的完成回归或重构任务，在对正常样本和异常样本的度量学习中，可以获得判别性特征，因此可以有效提升机组异常检测精度。通过可视化和统计分析的方法，解释本文提出Siamese NBM的风电机组异常检测方法优于传统深度学习方法的原因。为提高预测结果的置信度，在测试过程中引入先验知识，提出基于时间一致性的类别校正方法。最后为缓解真实故障不足的问题，提出基于改进对抗生成网络的故障样本增强方法。 3.针对现有深度NBM风电机组异常检测方法忽略样本内外时序-空间信息的问题，对于样本内部使用图卷积-长短时记忆网络作为特征提取模块，样本之间分别引入时间和空间一致性正则项，提出基于时序-空间一致性的正常行为建模(Temporal-spatial consistency-based normal behavior modeling,T-S NBM)风电机组异常检测方法;针对测试过程中监测变量单一的问题，除使用样本重构误差外，分别引入时间近邻样本平均重构误差和空间近邻样本平均重构误差作为监测变量并进行讨论。实验结果表明，本文提出的T-S NBM方法优于现有基于深度学习的风电机组状态监测方法，在正常数据上拟合精度更高，可以有效提高异常检测结果分数;时间近邻样本重构误差更适合作为机组监测变量，凸显正常和异常状态。 4.针对现有状态监测方法忽略工况信息和缺乏细粒度状态评价的问题，首先根据聚类分析结果，考虑机组运行细粒度工况信息，提出一种基于原型正常行为模型(Prototypical normal behavior modeling,Prototypical NBM)的风电机组异常检测框架。在模型训练过程中，考虑学习机组正常行为模式的同时，在隐含层内拉近相同工况数据，疏远不同工况数据，根据不同工况合理设定告警阈值，最后实现对不同工况正常数据和异常数据的有效辨识;提出风电机组细粒度状态评估方法，进一步应用重构范式下的Prototypical NBM,根据不同状态参数的误差分析，建立劣化程度模型。为评估不同机组状态参数重要性程度，引入神经网络可解释性方法，并结合主观分析法，自上而下逐级给出各状态参数合理权重，应用模糊隶属度函数，给出风电机组状态细粒度评价。实验结果表明，本文提出异常检测-状态评估一体化方案的有效性，对提高风电机组运行安全性和可靠性具有重要意义。
NETL