基于机器学习的条件监测：量化风力涡轮机能量损失的数据驱动框架
系统与控制
2025-06-17 v1 机器学习
系统与控制
摘要
风能显著促进了全球向可再生能源的转变，但运营挑战，如风力涡轮机叶片的前缘侵蚀，显著降低了能源输出。本研究引入了一个先进的、可扩展的机器学习框架用于风力涡轮机的状态监测，特别针对使用监控控制和数据采集（SCADA）数据改进异常检测。该框架通过严格的预处理有效隔离了正常涡轮机行为，包括领域特定规则和异常检测滤波器，如高斯混合模型和预测功率得分。数据清洗和特征选择过程使得能够识别指示性能退化的偏差，从而便于估计年度能源产量损失。数据预处理方法实现了显著的数据缩减，平均每个风电场保留了原始SCADA数据的31%。值得注意的是，在35台涡轮机中，24台表现出明显的性能下降。同时，7台有所改善，4台在使用功率曲线特征集（由风速和环境温度组成）时没有显著变化。随机森林、XGBoost和KNN等模型一致地捕捉到了涡轮机性能的微妙但持续的下降。所开发的框架通过隔离正常运营数据和估计年度能量损失，为现有的状态监测方法提供了一种新颖的方法，这可以是降低维护成本和缓解涡轮机停机经济影响的关键部分。
引用
@article{arxiv.2506.13012,
title = {Condition Monitoring with Machine Learning: A Data-Driven Framework for Quantifying Wind Turbine Energy Loss},
author = {Emil Marcus Buchberg and Kent Vugs Nielsen},
journal= {arXiv preprint arXiv:2506.13012},
year = {2025}
}