随着全球向低碳能源结构的加速转型，作为一种清洁和可再生能源，风能正在快速发展[1]、[2]、[3]。其中，海上风能因其丰富的资源和较高的发电效率而成为一个主要增长领域。根据全球风能委员会的数据，到2024年底，全球海上风电装机容量达到了83吉瓦。然而，海上风力涡轮机在高温、盐雾和湿度等恶劣的海洋环境中运行，这些因素显著增加了发电机和齿轮箱等关键部件的故障率；这些故障率远高于陆上涡轮机[4]、[5]。作为核心的能量转换单元，发电机的运行可靠性尤为重要[6]。荷兰Egmond aan Zee（OWEZ）海上风电场的统计数据显示，发电机故障不仅频繁发生，而且导致的停机时间也比其他部件的故障要长得多，成为计划外停机和经济损失的主要原因[7]。为了减轻与海上风力涡轮发电机意外停机和相关故障相关的重大经济损失和安全风险，开发专门针对海上风力涡轮发电机的精确早期预警和故障诊断技术至关重要。
监测关键部件的热行为是工业领域中广泛认可且有效的健康评估和故障诊断策略[8]。其基本物理原理是，大多数机械或电气部件的早期性能退化，如摩擦增加、润滑失效或异常电应力，最终会表现为异常的热量释放[9]、[10]。作为一种变化相对缓慢但信息丰富的物理量，温度趋势可以通过标准的监控控制和数据采集（SCADA）系统有效捕获[11]。因此，出现了一种主流且非侵入式的监测范式：构建一个高精度的正常行为模型来预测部件在特定运行条件下的“预期”温度，然后使用残差（预测值与实际监测值之间的差异）作为健康指标[12]、[13]、[14]。预测模型的精度直接影响残差信号的信噪比，从而从根本上影响故障预警的灵敏度和可靠性。在高精度模型下，健康条件下的残差序列具有稳定的波动和最小的幅度。相反，当发生早期故障时，即使是最微弱的温度异常也能在残差中显著放大，从而实现早期预警。这一原理已在多个领域得到验证，如表1所示。
在风力发电领域，对发电机和齿轮箱等关键热传递组件的温度监测是广泛认可的条件评估和故障预测策略[23]。为了提高预测精度，研究趋势已经从传统的统计模型（如自回归积分移动平均[24]）和浅层机器学习方法（如SVR[25]、[26]）转向能够捕捉复杂非线性关系的混合深度学习模型[27]、[28]、[29]。例如，研究人员结合了CNN和LSTM或深度信念网络与粒子滤波等技术，旨在利用不同网络架构的优势，更准确地捕捉正常运行下的温度与风速、功率和环境温度等多个变量之间的复杂映射关系[30]、[31]。其基本逻辑是，更准确的预测模型可以产生更“干净”的残差信号，从而实现更早和更可靠的故障检测。
尽管模型预测的准确性不断提高，但如何构建一个在灵敏度和可靠性之间取得平衡的基于残差的报警机制仍然是当前研究的关键问题。文献中广泛使用固定报警阈值，这种静态策略在实际应用中具有实现简单等优点。然而，在风力涡轮机在不同条件下运行（如低风速、加速和满功率）的情况下，温度波动的正常范围可能会有显著差异[32]、[33]。使用单一的静态阈值可能在低负载条件下导致灵敏度不足，难以及时检测到早期异常；而在高负载或运行状态转换期间，它可能对正常波动过于敏感，导致一些误报[34]、[35]。这可能会增加操作和维护人员的“报警疲劳”风险，并影响实际风电场中预警系统的实际性能和可信度[36]。因此，进一步探索能够适应不同运行条件的动态阈值策略对于提高预警系统的性能非常重要。
为了解决上述挑战，本研究探讨了两个关键方面：提高预测精度和优化早期预警策略。首先，提出了一种混合深度学习模型，该模型结合了时间卷积网络（TCN）、门控循环单元（GRU）和注意力机制，以提高发电机温度预测的准确性；该模型被称为TCN–GRU attention（TGA）。所提出的TGA模型结合了TCN在并行计算和长序列特征提取方面的优势[37]、GRU在模拟动态时间关系方面的能力[38]，以及注意力机制在动态关注关键信息方面的能力[39]，从而显著提高了温度序列的预测性能。对于早期预警策略，基于TGA的高精度预测结果，设计了一种条件自适应的动态残差阈值方法。在这种方法中，使用因果滑动窗口分位数方法评估绝对预测残差，使报警阈值能够实时适应不同的运行条件，从而提高灵敏度和可靠性。
此外，为了评估所提出的TGA模型的有效性，与几个基线模型进行了比较分析，包括决策树回归器（DTR）、反向传播神经网络（BPNN）、CNN、TCN和TCN–GRU混合模型。这些基线模型经过精心选择，代表了故障诊断和时间序列预测中常用的各种传统机器学习和深度学习方法[40]。具体来说，DTR是一种能够以低计算复杂性捕捉非线性关系的经典模型，代表传统机器学习技术[41]。BPNN代表了一种基础的神经网络架构，为评估更高级结构的好处提供了基准[42]。CNN和TCN广泛用于时间特征提取，其中CNN侧重于局部模式[43]，而TCN通过扩张卷积实现长时间序列建模[44]。包含TCN–GRU模型是为了突出所提出的TGA架构中注意力机制的附加价值。
实验评估表明，所提出的TGA模型在预测精度方面始终优于所有基线方法。此外，当与条件自适应的动态阈值策略结合使用时，所提出的框架显著提高了早期异常检测的及时性、灵敏度和可靠性，突显了其在风力涡轮机系统中智能故障诊断的实际价值。
本文的主要贡献如下：
(1)模型创新：我们开发了一种新型的混合TGA预测模型，其互补的架构设计显著提高了海上风力涡轮机发电机温度预测的准确性。
(2)策略创新：我们提出了一种条件自适应的动态阈值预警方法，其中绝对预测残差通过因果滑动窗口分位数方法进行评估。这使得能够在不同的运行条件下自适应地确定报警边界，从而克服了固定阈值策略的固有局限性，并有效减少了误报和漏检。
(3)实际验证：我们使用真实的风电场SCADA数据进行了案例研究，全面评估了将高精度预测与动态预警策略相结合的集成方案。结果证明了其有效性，并突显了其在实际工程应用中的巨大潜力。
本文的结构如下：第2节介绍了用于温度预测和因果自适应早期预警的混合深度学习框架。第3节描述了主要方法，包括特征选择、TGA预测模型和因果自适应阈值策略。第4节基于实际数据展示了案例分析和结果。第5节总结了本文并讨论了局限性和未来的研究方向。
