基于改進ReliefF?MSET算法的風電機組發電機異常預警方法研究

摘" 要： 發電機作為風電機組中的關鍵部件，其性能的優劣直接影響著風電場的效益和電能轉換的穩定。為監測風電機組發電機異常狀態，減少故障率并提高發電效率，通過對其SCADA歷史數據分析，提出一種基于數據驅動的風電機組發電機異常預警方法。首先針對SCADA中海量數據，用改進ReliefF特征算法（SIG?ReliefF）篩選出用于識別與目標變量（在這種情況下可能是發電機故障）具有最強關聯性的多個特征參數，這種方法的優勢在于能夠有效考慮到特征之間的相關性，最大程度地保留發電機故障相關特征與交互特征；然后建立MSET狀態參數預測模型，通過滑動窗口法對殘差的分布進行統計，從而確定故障閾值；最后通過實例驗證了所提方法的有效性與準確性，并通過與BPNN和SVM算法進行對比，驗證了其具有更優的異常預警性能。

關鍵詞： 風電機組； 發電機； ReliefF； MSET； 異常預警； 特征交互； 標準化交互增益； 滑動窗口

中圖分類號： TN911.23?34" " " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2025）04?0091?06

Method of wind turbine generator abnormal warning based on

improved ReliefF?MSET algorithm

SHEN Xu1， WANG Haiyun1， DU Xin2， HUANG Xiaofang2

（1. Engineering Research Center of Education Ministry for Renewable Energy Power Generation and Grid Connection， College of Electrical Engineering， Xinjiang University， Urumqi 830047， China; 2. Beijing Gold Wind Science and Creation Wind Power Equipment Co.， Ltd.， Beijing 100176， China）

Abstract： As a key component in wind turbines， the performance of generators can directly affect the efficiency of wind farms and the stability of electric energy conversion. In order to monitor the abnormal states of the generator in wind turbines， reduce the failure rate， and improve power generation efficiency， a data?driven based method wind turbine generator abnormal warning is proposed by analyzing the historical SCADA data. The improved ReliefF feature algorithm （SIG ReliefF） is used to identify multiple feature parameters with the strongest correlation with the target variable （which may be a generator fault in this case） for massive data in SCADA. The advantage of this method is that it can effectively take into account the correlation between the features and preserve the generator fault correlation features and interaction features to the greatest extent. An MSET state parameter prediction model is established， and the distribution of residuals is analyzed statistically by means of sliding window approach to determine fault thresholds. The effectiveness and accuracy of the proposed method were validated by examples， and compared with BPNN and SVM algorithms， demonstrating its superior performance in anomaly warning.

Keywords： wind turbine; generator; ReliefF; MSET; abnormal warning; feature interaction; standardized interaction gain; sliding window

0" 引" 言

根據中國國家能源局最新統計數據顯示，截至2022年10月底，全國風電裝機容量約為3.5×108" kW，同比2021年增長16.6%。Wood Mackenzie于2023年1月在“2022 in review for offshore wind”中提出：到2030年，全球海上風電產業將實現5倍增長[1]。盡管裝機熱潮已經過去，但在后期機組的運維時代，如何保證機組的安全穩定運行，降低故障率，減少運維成本，并提高發電效率是需要長期關注的問題。風電機組主要包括葉片、齒輪箱、發電機、變槳系統、偏航系統等關鍵部件[2]。其中，發電機作為風電機組產生電能的關鍵部件，其較高的故障率一直是影響風電機組可靠性與穩定性的重要問題。

風電場普遍采用數據采集與監視控制（Supervisory Control and Data Acquisition， SCADA）系統，該系統中存儲了大量關于自然環境和設備運行參數的數據，通過對這些數據進行挖掘和分析，可以發現潛在的設備故障或異常情況，從而及時采取修復措施，減少停機時間，提高風電場的發電量和經濟效益[3]。當前基于SCADA系統數據的風電機組發電機異常識別，主要是基于歷史數據建立發電機正常運行下相關狀態變量的模型，通過預測值與實際值之間殘差的變化進行故障預警。當發電機正常運行時，其狀態參數的殘差較小，而當殘差明顯增大時，表明發電機異常。在實際工程應用中，溫度溫升是判斷風電機組發電機是否異常的關鍵變量，當發電機處于異常狀態時，溫度的殘差特性分布會發生較大的改變。因此，本文將以多參數溫度作為狀態變量，以其殘差為閾值進行發電機異常預警。

近年來，大數據技術發展迅速，將智能算法與海量的數據信息相結合來實現風電機組的異常診斷已成為實際工程應用中一個重要的手段。針對風電機組發電機異常預測，文獻[4?5]均通過如發電機繞組溫度、發電機轉速、發電機功率等不同狀態參數來建立模型，評估發電機的運行狀態，從而達到狀態監測的目的。文獻[6]提出了一種基于K?CNN和N?GRU相結合的深度學習框架，用于建立風電機組發電機多參數狀態預測模型。該模型利用真實風電場的SCADA系統記錄多維傳感器參數，通過Pearson相關系數進行數據降維，找到與發電機故障相關的多個特征參數；然后通過CNN分層提取特征、KPCA降維等步驟，實現對發電機狀態的預測和評估。該方法具有較好的降維與預測效果。文獻[7]通過協整和向量誤差修正來識別發電機驅動端軸承異常，并使用指數加權移動平均值進行閾值設定，結果表明該方法具有較高的準確性和精度。MSET（Multivariate State Estimation Technique）算法是由Singer等提出的一種非線性的多元預測診斷技術，目前在風電機組中多用于齒輪箱的故障預警。文獻[8]依據馬氏距離對預處理后的數據構造過程記憶矩陣，有效地減小了數據的維度，提高了MSET的運算效率。文獻[9]利用灰色關聯度分析法對變量進行篩選，在保證精度的前提下提高了MSET模型的運算速度。

基于上述研究，考慮到MSET算法在風電機組發電機中缺少相關探討，并且其本身算法特點能夠通過多尺度分析、嵌入式特征學習和跨時空關聯分析，提高發電機溫度相關故障的診斷準確性和預測能力，本文從特征選擇、考慮特征相關性、處理非線性和多重關聯等角度，提出了一種SIG?ReliefF?MSET的風電機組發電機異常預警方法。通過使用改進的SIG?ReliefF對冗余信息進行處理，有效地降低了數據的維度，提高了模型的效率與準確性。最后，以某4.5 MW風電機組進行實例分析，驗證了該方法的準確度與可行性。

1" 基于改進ReliefF算法的特征參數選擇

1.1" ReliefF特征選擇理論

ReliefF算法是一種常見的特征選擇算法，用于從給定的特征集合中選擇具有較高相關性和重要性的特征。該算法的主要思想[10]是：通過計算特征之間的距離和樣本之間的距離來評估特征的重要性，簡而言之，就是通過特征變量區分不同樣本的能力賦予權重，對于區分能力較強的特征變量增加權重，而對于區分能力較弱的變量則減小權重。從訓練集S中隨機挑選出一個樣本A，然后分別計算A的不同類最近鄰（NearMiss）和同類最近鄰（NearHit），最后通過以下規則迭代每個特征的權重[11]：

[W（X）=w（X）-j=1kdiff（X，Ai，Hj）fk+C≠Class（A）P（C）1-P（Class（Ai））·j=1kdiff（X，Ai，Sj）fk]""（1）

式中：[X]為某一特征參數；[w（X）]為特征[X]的權重，其初始值通常設為0；[f]為循環次數；[Ai]為第[i]次選擇的隨機樣本；[k]為選取的近鄰個數；[Hj]為樣本[Ai]同種類別中的最近鄰樣本；[Sj]為樣本[Ai]不同類別中的最近鄰樣本；[Class（Ai）]為樣本[Ai]的類別；[P（C）]為類別[C]所占的比例；[diff（X，Ai，Hj）]為同種類別的故障樣本在特征參數[X]上的差值。

1.2" 特征交互

交互信息（Interaction Information）是用于衡量隨機變量之間相互作用程度的概念，它基于信息論的原理，用于描述變量一起出現時所包含的信息量，以及這種信息量相對于單獨出現時的信息量的增益，所以交互信息又被稱為交互增益（Interaction Gain， IG）。本文中IG指的是用于在特征選擇中衡量多種特征之間相互作用對于目標變量的預測性能的提升程度。其中，三方交互增益的定義[12]如下：

[IG（fi;fj;C）=I（fi;fj;C）-I（fi;C）-I（fj;C）] （2）

式中[I（fi;fj;C）]為在類別[C]中特征變量[fi]與特征變量[fj]之間的交互信息。當[IG（fi;fj;C）gt;0]時，說明特征變量[fi]與特征變量[fj]聯合所提供的信息量大于兩個單體特征變量分別提供的信息量之和，說明兩者之間存在交互性；否則說明兩者聯合所提供的信息量與類別[C]無關或者信息量冗余重復。

1.3" 基于特征交互的ReliefF算法

標準化交互增益（Standardized Interaction Gain， SIG）可以使得不同特征之間的交互增益具有可比性，更好地反映它們對模型性能提升的貢獻程度。SIG定義如下：

[SIG（fi;fj;C）=IG（fi;fj;C）H（fi）+H（fj）] （3）

將式（1）與式（3）相結合，可以得到改進后特征[Xi]的權重公式為：

[w（Xi）=1Nj=1NSIG（Xi;Xj;C）+w（Xi）] （4）

采用式（4）作為新的算法來更新權重，這里定義為SIG?ReliefF算法。相比于傳統的ReliefF算法，SIG?ReliefF算法可以消除特征之間不同量綱的影響，提高特征權重計算的準確性，并更全面地考慮特征之間的相互作用，從而提高特征選擇的效果，改善模型的性能。

2" 基于MSET的發電機狀態變量建模

2.1" MSET模型

MSET算法是一種基于多元時間序列的生成算法，其核心原理是通過分析對比風電機組發電機實時監測數據與正常運行狀態下的歷史數據，找到兩者之間的關聯程度，從而對實際運行狀態做出最優估計[13?14]。這種關聯程度通過權值向量來評判，用于衡量實際工況與正常工況下的相似性。本文通過對發電機的實際狀態與健康狀態進行對比分析，以及對殘差分布開展分析來實現異常識別，從而達到異常預警的目的。

首先通過SIG?ReliefF算法在風電機組發電機部分歷史數據中篩選出與發電機故障相關的主要特征參數，利用這些低維度、交互性強、可解釋性強的數據作為觀測向量構造過程記憶矩陣D：

[D=[x（i1）x（i2）…x（im）]=D11D12…D1mD21D22…D2m????Dn1Dn2…Dnmn×m] （5）

式中：[x（i）]為[i]時刻的觀測向量；n為篩選出的風電機組發電機相關的狀態監測參數個數；m為狀態參數的樣本點個數。

矩陣D中的每一列觀測向量代表發電機的一個正常運行的動態過程。MSET的輸入為某一時刻的觀測向量[Xobs]，輸出為對應輸入的預測值[Xest]。對于任一輸入，MSET生成的權值向量為：

[W=[w1w2…wm]T] （6）

從而得到：

[Xest=D?W=w1?x（i1）+w2?x（i2）+…+wm?x（im）] （7）

權值向量[W]可以通過以下方式確定，首先構造模型輸入觀測向量與輸出預測向量之間的殘差[ε]：

[ε=Xobs-Xest] （8）

為了使模型具有更好的預測精度，需使[ε]越接近0越好。現對[ε]求平方和：

[S（w）=i=1ne2i=eTe=（Xobs-Xest）T?（Xobs-Xest）=（Xobs-DW）T?（Xobs-DW）=i=1nXobs（i）-j=imwjDij] （9）

令[?S（w）?wk=0]，求[S（w）]的最小值，由此可以得到：

[W=（DT?D）-1?（DT?Xobs）]" "（10）

將式（10）代入式（7）可以得到預測值：

[Xest=DW=D?（DT?D）-1?（DT?Xobs）] （11）

為了使此非線性狀態參數估計方法具有更加直觀的物理意義，考慮到變量之間的相關性在點乘[DT?D]后出現不可逆的情況，采用歐氏距離來替代點乘，從而更加能代表向量之間的相關性。將式（10）變為：

[W=（DT?D）-1?（DT?Xobs）] （12）

[?（X，Y）=i=1n（xi-yi）2] （13）

則可得到最優估計值[Xest]：

[Xest=DW=D?（DT?D）-1?（DT?Xobs）] （14）

2.2" 滑動窗口殘差分析與預警

風電機組發電機正常運行狀態下的狀態參數殘差分布特性反映了其在正常工況下的特征。當發電機正常運轉時，狀態參數的殘差應在一個小范圍內波動，而殘差越大時說明異常程度越高[15]。因此，通過對殘差分布特性的分析能夠實現對發電機的異常預警。

相比于貫序概率比法[16]、時間序列分析法、神經網絡殘差分析法等方法，滑動窗口法在殘差分析中具有實時性、自適應性等優勢，并且其原理簡單，具有較好的工程實用性。本文采用滑動窗口法對殘差進行分析來實現對發電機的異常預警。

假設一段時間內模型的殘差序列如下：

[ε={ε1，ε2，…， εn，…}] （15）

設窗口的長度為[N]，計算窗口內連續[N]個殘差的均值：

[ε=1Ni=1Nεi] （16）

由此可設預警閾值為：

[Ep=kEmax] （17）

式中：[Emax]為[ε]的最大絕對值；[k]為根據實際工程條件設置的系數，正常情況下[kgt;1]。

風電機組發電機的異常預警流程如下。

1） 針對從SCADA系統中采集到的歷史數據，采用均值替代法對數據中缺失值進行填補，然后做歸一化處理；接著利用改進的SIG?ReliefF算法篩選出待建模型的狀態變量及觀測向量，將篩選出的特征劃分為相應的訓練樣本和測試樣本。

2） 根據實際工程經驗及模型訓練，確定滑動窗口的窗口長度及閾值系數；通過構建的MSET模型計算測試樣本的殘差分布，并合理調整窗口長度與閾值系數，從而計算出異常預警的閾值。

3） 使用訓練好的SIG?ReliefF?MSET模型對測試樣本進行性能驗證，如果殘差的均值絕對值超出所設置的閾值，則發出異常預警。

2.3" 模型性能評估

本文借鑒國內外常用的模型預測精度評估標準[17]，采用平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）以及可決系數（R2）作為風電機組發電機模型的性能評價指標。其中，MAE的作用是衡量模型預測值與真實值之間的平均差異程度；RMSE反映了模型預測值與真實值之間的平均偏差；MAPE的作用是衡量模型在預測過程中相對于真實值的平均誤差百分比，它可以幫助評估模型對于不同數值范圍的數據的擬合能力；R2表示模型對因變量變化的解釋程度，取值范圍在0～1之間，越接近1表示模型擬合得越好。各指標公式如下：

[MAE=1ni=1nyi，real-yi，pre] （18）

[RMSE=1ni=1n（yi，real-yi，pre）2] （19）

[MAPE=1ni=1nyi，real-yi，preyi，real×100%] （20）

[R2=1-i=1n（yi，real-yi，pre）2i=1n（yi，real-yi，mean）2] （21）

3" 實例分析

3.1" SIG?ReliefF特征參數選擇

本文以實際運行的某4.5 MW風電機組為例，對其從SCADA系統中采集到的原始數據集進行數據異常檢測和缺失值處理后，采用SIG?ReliefF算法進行特征參數選擇，篩選出與風電機組發電機異常相關的特征參數權值，如表1所示。

通過對原始數據中與發電機相關的46個特征參數的權值計算，由表1可以發現，發電機繞組溫度、發電機前/后軸承內/外圈溫度、風速、發電機轉速、網側有功功率等特征參數的權值相對較大。因此，本文選取表1所示的13個特征參數構成觀測向量，作為MSET異常預警模型的輸入，由此達到數據降維與特征交互式選擇的目的。

3.2" 基于MSET建模結果與分析

由3.1節可知，篩選出的風電機組發電機的觀測向量共計13個，挑選其中的發電機繞組溫度和發電機后軸承外圈溫度分別作為狀態變量進行模型有效性驗證。圖1和圖2分別為發電機繞組溫度與發電機后軸承外圈溫度的預測效果圖。圖3為發電機繞組溫度異常預警效果圖，圖中垂直虛線表明MSET模型在第917個樣本點處發出溫度異常預警信息，而SCADA系統則在第943個樣本點處才發出溫度異常報警信息。實驗結果表明，MSET模型較SCADA系統提前1.2 h左右發出預警。

由圖1與圖2可知，MSET模型的預測值與實際值之間殘差分布較小，模型能夠較好地跟隨實際的狀態參數，表明基于MSET的模型具有較好的預測精度。

不同模型之間的性能對比如表2所示。由表2可知，本文所提出的SIG?ReliefF?MSET方法R2明顯高于其他方法，表明其具有更優的性能。

4" 結" 論

風電機組發電機繞組溫度、發電機軸承溫度是衡量發電機及其軸承運行狀態的重要指標，識別場內發電機繞組溫度、發電機軸承溫度離群機組有助于提前感知發電機絕緣損傷、過負荷、冷卻系統故障、軸承故障等異常狀態，及時采取維護措施消除相應故障，避免故障惡化或因發電機繞組溫度或軸承溫度過高導致的故障停機。鑒于此，本文提出了一種SIG?ReliefF?MSET方法對風電機組發電機進行異常預警，通過研究得到以下結論。

1） 相比于傳統的數據降維方法，采用改進的SIG?ReliefF算法進行特征選擇，可以有效地減少冗余特征對模型性能的影響，提高模型的精度和可靠性。

2） 采用MSET算法構建模型，可以充分利用時間序列數據的相關性，進一步提高模型的預測精度和可靠性。在實際應用中，相比于SIG?ReliefF?BPNN和SIG?ReliefF?SVM方法，SIG?ReliefF?MSET具有更高的準確率和較低的誤報率。

參考文獻

[1] SANTOS A C， SOUZA W A， BARBARA G V， et al. Diagnos?tics of early faults in wind generator bearings using hjorth parameters [J]. Sustainability， 2023， 15： 1467.

[2] 胡姚剛，劉懷盛，時萍萍，等.風電機組偏航系統故障診斷與壽命預測綜述[J].中國電機工程學報，2022，42（13）：4871?4884.

[3] LIU Z P， ZHANG L. A review of failure modes， condition monitoring and fault diagnosis methods for large?scale wind turbine bearings [J]. Measurement， 2020（2）： 149.

[4] JIN X， XU Z， QIAO W. Condition monitoring of wind turbine generators using SCADA data analysis [J]. IEEE transactions on sustainable energy， 2020（99）： 1.

[5] 趙洪山，閆西慧，王桂蘭，等.應用深度自編碼網絡和XGBoost的風電機組發電機故障診斷[J].電力系統自動化，2019，43（1）：81?86.

[6] 柴同，袁逸萍，馬軍巖，等.基于K?CNN和N?GRU的風電機組發電機狀態預測[J].機械強度，2023，45（5）：1043?1049.

[7] 張超，張少飛.基于SCADA溫度數據的風電機組發電機驅動端軸承異常識別方法[J].軸承，2022（6）：67?73.

[8] 任夢祎，焦嵩鳴.改進型非線性狀態估計的制粉系統故障診斷[J].熱力發電，2015，44（12）：87?92.

[9] 李大中，常城，許炳坤.基于樣本優化的風電機組齒輪箱軸承溫度預測[J].系統仿真學報，2017，29（2）：374?380.

[10] WU C C， GUPTA J N D， CHENG S R， et al. Robust scheduling for a two?stage assembly shop with scenario?dependent processing times [J]. International journal of production research， 2020（2）： 1?16

[11] 李雨沛，王新利.改進的ReliefF?BPNN分類模型[J].計算機時代，2023（6）：20?24.

[12] WANG L X， JIANG S Y. A feature selection method via analysis of relevance， redundancy， and interaction [J]. Expert systems with applications， 2021， 183： 115365.

[13] 劉長良，王梓齊.基于MSET和集成學習的風電機組齒輪箱故障預警[J].太陽能學報，2020，41（11）：228?233.

[14] 胡杰，唐靜，謝仕義.基于實時動態基線的運行設備多元狀態估計方法[J].熱力發電，2021，50（2）：125?131.

[15] 王洪斌，王紅，何群，等.基于深度信念網絡的風機主軸承狀態監測方法[J].中國機械工程，2018，29（8）：948?953.

[16] 孫英杰，彭敏俊.基于MSET和SPRT的核動力裝置異常狀態監測技術研究[J].核動力工程，2015，36（3）：57?61.

[17] 王偉，王海云，黃曉芳.基于Informer的風電機組葉根載荷預測[J].水力發電，2023，49（9）：85?89.

[18] 曹學華，張建輝，楊月波.基于紅外傳感器的風電機組智能消防系統設計[J].電子設計工程，2024，32（13）：167?171.

作者簡介：沈" 旭（1997—），男，江蘇揚州人，碩士研究生，主要研究方向為風電機組的數據挖掘與故障診斷方法。

王海云（1973—），女，新疆烏魯木齊人，教授，博士生導師，主要研究方向為新能源發電與并網技術。

杜" 新（1986—），男，新疆烏魯木齊人，金風科技股份有限公司運營管理部項目經理，主要研究方向為新能源技術、風力發電制氫、大型風力發電機組核心關鍵技術開發與應用。

黃曉芳（1982—），女，新疆烏魯木齊人，碩士研究生，高級工程師，金風科技股份有限公司研發中心副部長，主要研究方向為風電場智能化數字化控制及保護技術。