《Results in Engineering》：Short-Term Wind Speed Power Curve Estimation Over Time to Assess Wind Turbine Ageing
编辑推荐：
本文针对风力发电机性能退化监测中缺乏经济有效方法的问题，提出了一种基于标准SCADA数据的数据驱动方法。研究人员通过紧凑型人工神经网络（含单隐藏层和10个节点）估计随时间变化的风速-功率曲线（WSPC），结合基于制造商参考曲线和Hampel滤波器的两步异常值过滤程序，实现了对18台风机6.5年运行数据的分析。结果表明，仅需两个月数据即可可靠估计WSPC，尤其适用于低风速范围。该方法无需额外硬件，为风电场连续状态监测和长期性能优化提供了可扩展的无传感器解决方案。
随着全球对清洁和可再生能源需求的持续增长，风能作为关键资源近年来经历了快速发展。然而，尽管风电技术取得了显著进步，许多风电场在部署时往往未充分重视长期维护策略。由于风能成本中很大一部分来自运营和维护阶段，因此最小化这些成本对于提高风电竞争力至关重要。一旦风电场投入运营，运维就成为少数剩余的优化杠杆之一。在此背景下，基于状态的维护被广泛认为是最有效的策略之一。
风机本质上是非线性系统，其性能通常由制造商通过功率曲线来表征，该曲线将电气输出与风速联系起来。风速-功率曲线对于风电场规划和开发至关重要，随着性能监测兴趣的增长，它已成为关键诊断工具。然而，涡轮机性能会随时间逐渐下降，而这种老化过程的早期检测仍然具有挑战性，特别是在没有额外传感器或昂贵仪器的情况下。
这项研究提出了一种实用的数据驱动方法，通过使用标准监控和数据采集（SCADA）数据随时间估计风速-功率曲线来监测涡轮机老化。该方法采用紧凑型人工神经网络（ANN），仅包含单个隐藏层和少至十个节点，在10分钟分辨率的SCADA记录上进行训练。基于与制造商参考曲线对齐和Hampel滤波器的两步异常值过滤程序确保了数据质量和鲁棒性，无需手动干预。
通过以年度或更短时间间隔估计WSPC，该方法能够通过曲线的渐进右移检测性能退化。它支持涡轮机级分析，并促进跨风电场的性能排名。从18台涡轮机6.5年的数据获得的结果表明，仅使用两个月数据即可实现可靠的WSPC估计，特别是在较低风速范围内。该方法不需要任何额外硬件，可以在本地或云环境中实施。
为了开展研究，研究人员主要采用了几个关键技术方法：首先是对SCADA数据进行预处理和异常值过滤，包括基于制造商参考曲线的物理过滤和统计学的Hampel滤波；其次是使用紧凑型人工神经网络（ANN）进行WSPC建模，网络结构为单隐藏层（5-10个节点）和log-sigmoid激活函数；研究还采用了时间窗口分析（从两个月到一年不等）来评估数据量对模型性能的影响；此外，通过合成数据实验对比了多种机器学习方法（如高斯过程回归、支持向量机等）的性能；整个分析基于波兰Suwa?ki风电场18台西门子SWT-2.3-101风机的7年SCADA数据集。
2.1. 西门子SWT-2.3-101风力发电机及所用数据
研究基于波兰Suwa?ki风电场18台西门子SWT-2.3-101风机的SCADA数据集，时间跨度为2014年1月1日至2020年7月1日。所有18台风机具有相同数量的记录（341,542条），确保了数据集的均衡性。平均风速值从WT11的5.42 m/s到WT15的6.36 m/s不等，平均功率输出从517.37 W（WT11）到654.99 W（WT1），揭示了风机间性能的显著差异。
2.2. 原始SCADA数据中的异常值
原始风速-功率数据点的表示与制造商提供的预期表示不同。数据显示出明显的异常值，特别是在某些风机（如WT1和WT3）中观察到围绕2000 kW的突出水平线，表明存在外部控制事件。这种基于需求的调节虽然有助于优化能源使用，但引入了显著影响WSPC估计的异常值。
2.3. 异常值过滤
研究采用了三步数据清理流程：处理NaN值、基于制造商功率曲线的物理过滤规则以及Hampel滤波器应用。物理过滤规则定义了围绕连续名义曲线P7(w)的接受区域，边界由woff和poff确定的水平和垂直位移定义。
2.4. 用于WSPC估计的机器学习选项选择
通过比较多种回归模型，研究发现人工神经网络（ANN）在准确性和计算成本之间提供了最佳权衡。最终选择了三种ANN架构进行详细评估：最小前馈神经网络、多层感知器和Kolmogorov-Arnold网络（KAN）架构。
2.5. 使用优化的浅层ANN进行WSPC估计
研究采用单层ANN，其中一个输入s（风速）和一个输出p(s)（功率输出）。所提出的ANN模型具有N个隐藏神经元，使用贝叶斯正则化方法进行训练，学习率为0.005。所有在时间窗口内可用的数据都用于训练。
2.6. 通过流程图总结
该方法通过流程图进行了总结，从数据库中的SCADA数据开始，通过数据清理和异常值过滤，到每个风机的ANN训练，最后生成并存储估计的WSPC用于后续比较。
3.1. 过滤和隔离异常值
异常值过滤器在所有风机上进行了测试，特别是在WT5（无调节）和WT11（参与功率调节）上进行了定性评估。结果表明，所提出的过滤器有效消除了WSPC异常或意外区域的大量数据点。
3.2. 用于研究风机老化的年度曲线估计
估计了每个风机从2014年到2020年的七个WSPC。在大多数情况下，观察到曲线的逐渐右移，表明风机需要更高的风速来实现相同的功率输出——这是与渐进老化一致的模式。
3.2.1. 具有10个隐藏节点的浅层ANN
实验结果表明，仅具有十个隐藏节点的ANN实现了优异的性能，特别是在使用对数sigmoid函数作为激活函数时。训练和测试阶段的RMSE值在所有情况下几乎相同，显示了高度一致性。
3.2.2. WSPC的时间演化：视觉和定量评估
通过μ1度量量化了老化行为，该度量近似于每个WSPC下的面积。大多数风机显示μ1普遍下降趋势，证实了性能退化的视觉印象。
3.2.3. 2014年和2020年风机间性能比较
尽管所有风机属于同一模型，但它们表现出不同的WSPC形状。根据μ1度量，WT11在2014年是性能最高的风机，而WT15在同一年表现出最低性能。
3.3. 探索一致估计所需的最小数据量
该实验旨在确定获得可靠WSPC估计所需的最小数据量。使用六个月数据（2015年1月至6月和7月至12月）的估计与全年WSPC几乎相同，表明六个月数据足以进行准确估计。然而，当减少到三个月间隔时，WSPC的上部区域变得不太稳定。进一步减少到两个月窗口时，准确估计WSPC上部变得越发困难。
3.4. 简化的ANN架构：减少隐藏节点
为了评估模型简单性和估计准确性之间的权衡，使用逐渐减少隐藏节点数量（从10个到5个）的浅层ANN重复了年度WSPC估计。结果显示，仅用5个节点获得的WSPC与用10个节点估计的WSPC几乎无法区分。
3.5. 激活函数选择的重要性
在网络优化过程中，观察到激活函数的选择在确定ANN所需架构和大小方面起着关键作用。在满足这些标准的函数中，对数sigmoid激活函数产生了最佳结果。
3.6. 与主流WSPC建模方法的定量比较
该研究将提出的方法与九种模型进行了比较，包括三种提出的ANN架构、高斯过程回归（GPR）、支持向量机（SVM）、两种逻辑回归模型和两种长短期记忆（LSTM）模型。提出的模型在数据拟合和目标曲线拟合方面实现了最佳度量，同时保持了可接受的计算成本。
3.7. 不同异常值过滤方法的比较实验
研究实施了与三种基准策略的比较分析：Hampel滤波器、隔离森林（iForest）和局部异常因子（LOF）。结果表明，提出的方法实现了最低的估计误差和最高的数据保真度，同时与基于机器学习的方法（如LOF）相比保持了非常低的计算成本。
3.8. 所分析风电场的运行边界
该方法的有效风速范围定义在3.5 m/s至12 m/s之间，与风机的切入速度和额定功率区域一致。估计精度在超低风速区域由于启动瞬态和高风速区域（>12 m/s）由于数据稀疏性自然下降。
研究结论表明，该方法能够实现风机性能的时间分辨监测和老化效应检测——通过多年来WSPC的渐进右移证明。结果还显示，即使在同一风电场内的同一模型风机也可能表现出显著不同的退化曲线。通过比较风机间的WSPC，该方法还支持性能排名和最佳与最差性能风机的识别。
该研究提出了一个可解释、轻量级且易于部署的解决方案，用于基于现有SCADA系统进行风机效率的长期监测和分析。未来工作可能包括基于风机负载数据的老化机制关联分析、异常值过滤参数的自适应优化以及跨风电场模型转移方法。
