用于风电场状态监测的多目标正常行为模型

风力涡轮机尺寸增大以及风电场位于偏远地区的趋势，推动了对能够降低运营成本并避免非计划停机的自动化状态监测策略的需求。正常行为建模已被引入，用于基于涡轮机的 SCADA 数据检测对正常运行的异常偏离。为此，风电场管理者正在开发越来越多关于涡轮子系统正常行为的机器学习模型。然而，这些模型需要被追踪、维护并频繁更新。本研究探索多目标模型作为一种捕捉风力涡轮机正常行为的新方法。我们概述多目标回归方法，阐明其在风力涡轮机状态监测中的应用与益处，并在风电场案例研究中评估其性能。我们发现，与单目标建模相比，多目标模型具有优势，因为它们能在不牺牲准确性的情况下降低实际状态监测的成本与工作量和。我们也概述了一些未来研究的领域。