基于SCADA数据的风机叶片智能结冰检测模型

风机叶片覆冰诊断一直是风电场状态监测中的难题。现有方法聚焦于结冰过程的机理分析、特征工程的偏差度分析。然而，目前尚未有将神经网络深度应用于该领域的深入研究。数据采集与监视控制系统（SCADA）通过持续提供风电机组的运行参数与性能参数以及环境参数和运行模式，使得训练网络成为可能。本文探索了使用卷积神经网络（CNNs）、生成对抗网络（GANs）与域适应学习在不同训练场景下建立智能诊断框架的可能性。具体地，针对目标风机有充足与无充足标注数据分别提出了PGANC与PGANT。基本思路是采用并行GANs的两阶段训练，旨在为正常与结冰样本捕捉内在特征，随后在不同训练案例中接入分类CNN或域适应模块。在三个风机SCADA数据上的模型验证表明两阶段训练可有效提升模型性能。此外，若目标风机无充足标注数据（工业实践中极常见现象），加入域适应学习使训练模型表现更优。总体而言，相较于其他机器学习模型与常规CNNs，我们提出的智能诊断框架在相同风机上可实现更精确检测，在新风机上具备更强泛化能力。