Research on fault warning for wind turbine performance based on multi-residual autoencoder fusion
Ronghua Meng , Zongyi He , Zhengjia Wu , Yingying Zhu & Xuan Du
a College of Mechanical & Power, China Three Gorges University, Yichang, Hubei China;
b Yichang Key Laboratory of Robotics and Intelligent Systems, China Three Gorges University, Yichang, Hubei China;
c Institute of Ant Nest Detection and Comprehensive Termite Control, China Three Gorges University, Yichang, Hubei China
针对单状态变量阈值法易导致误报与漏报的问题，本文提出一种融合多源状态变量残差的系统级风电机组故障预警方法。首先采用基于四分位法的DBSCAN参数自适应策略清洗异常风速-功率数据，通过最大互信息系数选择相关特征，构建一维卷积神经网络与回声状态网络混合预测模型，最后利用自编码器融合多变量残差并构建综合残差指标。两台实际风电机组的案例验证表明，该方法可有效实现早期故障预警，具有更高的可靠性与及时性。
在“双碳”目标推动下，风电装机规模持续扩大，风机数量和复杂性同步提升，故障带来的停机损失和运维成本问题愈发突出。文章指出，基于SCADA数据的数据驱动方法已成为风机故障预警的重要路径，但传统单变量阈值方法难以准确反映整机运行状态，亟需从系统层面提升预警可靠性。
本文提出的故障预警框架分为离线训练与在线预警两部分。
离线训练阶段，对正常运行工况下的历史数据进行特征工程处理，包括基于QM-DBSCAN-PA的参数自适应异常清洗与基于MIC的特征选择，建立1D-CNN-ESN预测模型。
在线预警阶段，将实时数据经相同特征工程处理后输入预训练模型，预测多状态变量，利用自编码器融合变量残差得到重构残差，经时间窗加权平均构建综合残差指标，通过统计方法确定阈值，实现运行异常的实时识别。
原始SCADA数据存在缺失值、离群点与噪声，主要包括限电导致的水平密集异常、随机噪声导致的孤立异常以及停机导致的底部异常。
本文提出QM-DBSCAN-PA算法：先对缺失值进行线性插值并剔除底部异常，采用四分位法逐区间清洗随机噪声，再通过DBSCAN参数自适应算法剔除限电导致的聚类异常。DBSCAN的MinPts根据区间样本数自适应确定，邻域半径ε基于k-距离图法设定为第95百分位值，实现了对不同类型异常的有效清洗。
SCADA系统包含数百维特征，合理筛选与各状态变量密切相关的特征对提升模型训练速度与预测精度至关重要。本文采用最大互信息系数衡量特征与目标变量间的统计相关性，该非参数方法适用于高维非线性数据。计算各特征与目标变量的MIC值后，保留相关性强的特征并剔除冗余变量，为后续建模提供高质量输入。
5. 基于1D-CNN-ESN-AE的风机整机性能故障预测
5.1 1D-CNN局部特征提取
一维卷积神经网络通过卷积层提取时间序列的局部趋势特征，池化层进行降维与二次提取，全连接层输出回归结果。多个卷积核并行运行，将原始输入映射为新的空间特征向量，实现对局部时序模式的有效捕捉。
5.2 ESN模型
回声状态网络由输入层、储备池和输出层构成，储备池为大规模稀疏随机连接的神经元集合，提供动态记忆能力。仅输出层权重参与训练，避免了传统循环神经网络梯度消失与爆炸问题，训练速度快、稳定性好。
5.3 1D-CNN-ESN-AE框架构建
为弥补ESN对局部模式捕捉能力不足的问题，本文构建1D-CNN-ESN混合模型。CNN首先从原始SCADA数据中提取局部特征并降低输入维度，再将特征输入储备池以建模时序动态，最后利用自编码器融合多变量残差，实现整机性能故障预警。
5.4 自编码器重构残差信息
将各状态变量残差拼接为向量输入自编码器，通过编码器压缩至低维隐空间，再由解码器重构。模型以正常状态残差训练最小化重构误差，测试时重构误差增大反映健康状态偏离。计算各时刻重构残差的均方误差作为健康指标。
5.5 构建综合残差指标与阈值设定
为抑制瞬时扰动导致的误报，对重构残差信号进行时间窗加权平均，权重随窗口内位置递增，兼顾历史趋势与当前变化。阈值设定为综合残差指标的均值加倍数标准差，并采用连续六点超限规则判定异常，避免单点误判。
采用EDP公开数据集，选取一台2MW双馈风电机组2016年全年SCADA数据（52439条）进行验证。经QM-DBSCAN-PA清洗后，风速-功率散点图异常点显著减少，数据质量明显提升。通过MIC筛选出与有功功率相关性大于0.5的特征，并剔除冗余变量后保留关键特征。采用Optuna对模型参数进行自动优化，1D-CNN-ESN在五个输出变量（有功功率、平均转子转速、齿轮箱高速轴轴承温度、齿轮箱油温、发电机轴承温度）上的R²、MAE、RMSE均优于GRU、CNN、ESN、CNN-LSTM等对比模型，预测精度提升10%-30%。在齿轮箱故障案例中，综合残差指标提前两周发出预警；在正常运行案例中未触发误报，验证了方法的有效性与鲁棒性。
本文提出了一种融合多状态变量残差的风电机组整机性能预警方法，构建了从数据清洗、特征选择、混合建模到残差融合的完整流程。QM-DBSCAN-PA自适应清洗有效提升了数据质量；1D-CNN-ESN在关键状态变量预测中取得了更优的精度；自编码器残差融合与滑动加权指标显著降低了误报率，并实现了故障的早期识别。案例验证表明，该方法相比传统单变量阈值法具有更高的可靠性与及时性，可为风电场智能运维提供有效支撑。
