基于多层级时空图神经网络的风电机组在线异常检测

郑毅; 王承民; 刘保良; 杨镜非; 黄淳驿

doi:10.7500/AEPS20230725011

您当前的位置：

首页 >

文章列表页 >

基于多层级时空图神经网络的风电机组在线异常检测

研制与开发 | 更新时间：2025-06-16

- 基于多层级时空图神经网络的风电机组在线异常检测
- Online Anomaly Detection of Wind Turbines Based on Hierarchical Spatio-temporal Graph Neural Network
- 电力系统自动化 2024年48卷第5期页码：107-119
- 作者机构：
  
  1.上海交通大学电子信息与电气工程学院，上海市 200240
  2.沈阳工程学院电力学院，辽宁省沈阳市110136
- 作者简介：
  
  郑毅(1994—)，男，博士研究生，主要研究方向：电力大数据分析、状态感知、电力市场。E-mail：Yi.Zheng@sjtu.edu.cn
  王承民(1970—)，男，博士，教授，博士生导师，主要研究方向：电力系统规划与经济运行。E-mail：wangchengmin@ sjtu.edu.cn
  刘保良（1976—），男，硕士，高级工程师，辽宁省新能源大数据专业技术创新中心主任，主要研究方向：智能电网、新能源、电网节能与控制、综合能源。E-mail：wuyutiange@ sina.com
- 基金信息：
  
  国家自然科学基金面上项目(51777121);2021年辽宁省揭榜挂帅科技攻关专项(2021JH/10400009)
- DOI：10.7500/AEPS20230725011
  中图分类号：
- 收稿：2023-07-25，
  
  修回：2023-11-01，
  
  纸质出版：2024-03-10
- 稿件说明：
移动端阅览
郑毅,王承民,刘保良等.基于多层级时空图神经网络的风电机组在线异常检测[J].电力系统自动化,2024,48(5):107-119.

ZHENG Yi,WANG Chengmin,LIU Baoliang,et al.Online Anomaly Detection of Wind Turbines Based on Hierarchical Spatio-temporal Graph Neural Network[J].Automation of Electric Power Systems,2024,48(5):107-119.
郑毅,王承民,刘保良等.基于多层级时空图神经网络的风电机组在线异常检测[J].电力系统自动化,2024,48(5):107-119. DOI： 10.7500/AEPS20230725011.

ZHENG Yi,WANG Chengmin,LIU Baoliang,et al.Online Anomaly Detection of Wind Turbines Based on Hierarchical Spatio-temporal Graph Neural Network[J].Automation of Electric Power Systems,2024,48(5):107-119. DOI： 10.7500/AEPS20230725011.

摘要

在风电场运营中，准确及时的故障检测是降低风电机组运行维护成本的关键。然而，现有检测方法未充分挖掘功能单元间的潜在时空关联，限制了检测准确性的提升。文中提出了一种基于多层级时空图神经网络的风电机组在线异常检测方法，以提高故障检测的准确性。该方法依据风电机组物理结构，将其功能单元划分为多个子图，从而构筑了一个多层级的时空图神经网络，通过图注意力机制和多头注意力机制全方位地分析风电机组各传感器节点与功能单元之间的关联强度。同时，针对数据采集与监控（SCADA）系统数据的时间关联，设计了动态图神经网络和时间注意力机制，使正常行为预测模型捕捉了SCADA系统数据的时间关联特性，实现了空间和时间特性的有效融合。最后，基于中国上海某风电场的实际数据验证了所提方法的显著有效性。

Abstract

In the operation of wind farms

accurate and timely fault detection is the key to reducing the operation and maintenance costs of wind turbines. However

the existing detection methods have not fully explored the potential spatio-temporal correlations between functional units

limiting the improvement in detection accuracy. An online anomaly detection method of wind turbines is proposed based on the hierarchical spatio-temporal graph neural network to improve the accuracy of fault detection. Based on the physical structure of wind turbines

functional units are divided into multiple subgraphs to construct a hierarchical spatio-temporal graph neural network

which can fully analyze the correlation strength between various sensor nodes and functional units in wind turbines through graph attention and multi-head attention mechanisms. Additionally

with respect to the temporal correlation of data for the supervisory control and data acquisition (SCADA) system

a dynamic graph neural network and time attention mechanism are designed

which make the normal behavior prediction model capture the temporal correlation

achieving effective integration of spatio and temporal characteristics. Finally

actual data from a wind farm in Shanghai

China confirm that the proposed method is highly effective.

关键词

Keywords

references

龙霞飞，杨苹，郭红霞，等 . 基于KELM和多传感器信息融合的风电齿轮箱故障诊断［J］. 电力系统自动化， 2019 ， 43 （ 17 ）： 132 - 139 .

LONG Xiafei ， YANG Ping ， GUO Hongxia ， et al . Fault diagnosis of wind turbine gearbox based on KELM and multi-sensor information fusion ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 17 ）： 132 - 139 .

李刚，齐莹，李银强，等 . 风力发电机组故障诊断与状态预测的研究进展［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 180 - 191 .

LI Gang ， QI Ying ， LI Yinqiang ， et al . Research progress on fault diagnosis and state prediction of wind turbine ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 180 - 191 .

赵洪山，闫西慧，王桂兰，等 . 应用深度自编码网络和XGBoost的风电机组发电机故障诊断［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 81 - 86 .

ZHAO Hongshan ， YAN Xihui ， WANG Guilan ， et al . Fault diagnosis of wind turbine generator based on deep autoencoder network and XGBoost ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 81 - 86 .

谭本东，杨军，赖秋频，等 . 基于改进CGAN的电力系统暂态稳定评估样本增强方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 149 - 157 .

TAN Bendong ， YANG Jun ， LAI Qiupin ， et al . Data augment method for power system transient stability assessment based on improved conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 149 - 157 .

符杨，黄路遥，刘璐洁，等 . 基于状态自适应评估的海上风电机组预防性维护策略［J］. 电力自动化设备， 2022 ， 42 （ 1 ）： 1 - 9 .

FU Yang ， HUANG Luyao ， LIU Lujie ， et al . Preventive maintenance strategy for offshore wind turbine based on state adaptive assessment ［J］. Electric Power Automation Equipment ， 2022 ， 42 （ 1 ）： 1 - 9 .

刘军，汪继勇 . 基于风电机组健康状态的风电场功率分配研究［J］. 电力系统保护与控制， 2020 ， 48 （ 20 ）： 106 - 113 .

LIU Jun ， WANG Jiyong . Research on power distribution of a wind farm based on the healthy state of wind turbines ［J］. Power System Protection and Control ， 2020 ， 48 （ 20 ）： 106 - 113 .

卢锦玲，张祥国，张伟，等 . 基于改进辅助分类生成对抗网络的风机主轴承故障诊断［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 148 - 154 .

LU Jinling ， ZHANG Xiangguo ， ZHANG Wei ， et al . Fault diagnosis of main bearing of wind turbine based on improved auxiliary classifier generative adversarial network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 148 - 154 .

李东东，周文磊，郑晓霞，等 . 基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究［J］. 电力系统保护与控制， 2017 ， 45 （ 11 ）： 43 - 48 .

LI Dongdong ， ZHOU Wenlei ， ZHENG Xiaoxia ， et al . Diagnosis and research of wind turbine planetary gearbox faults based on multifractal spectrum support vector machine（SVM）［J］. Power System Protection and Control ， 2017 ， 45 （ 11 ）： 43 - 48 .

苏向敬，山衍浩，周汶鑫，等 . 基于GRU和注意力机制的海上风机齿轮箱状态监测［J］. 电力系统保护与控制， 2021 ， 49 （ 24 ）： 141 - 149 .

SU Xiangjing ， SHAN Yanhao ， ZHOU Wenxin ， et al . GRU and attention mechanism-based condition monitoring of an offshore wind turbine gearbox ［J］. Power System Protection and Control ， 2021 ， 49 （ 24 ）： 141 - 149 .

ZHAO B N ， NIU Z W ， LIANG Q H ， et al . Signal-to-signal translation for fault diagnosis of bearings and gears with few fault samples ［J］. IEEE Transactions on Instrumentation and Measurement ， 2021 ， 70 ： 1 - 10 .

ZHU L P ， ZHANG X R . Time series data-driven online prognosis of wind turbine faults in presence of SCADA data loss ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 2 ）： 1289 - 1300 .

JIN X H ， XU Z W ， QIAO W . Condition monitoring of wind turbine generators using SCADA data analysis ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 1 ）： 202 - 210 .

BILENDO F ， BADIHI H ， LU N Y ， et al . A normal behavior model based on power curve and stacked regressions for condition monitoring of wind turbines ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 13 .

WEI L ， QIAN Z ， ZAREIPOUR H . Wind turbine pitch system condition monitoring and fault detection based on optimized relevance vector machine regression ［J］. IEEE Transactions on Sustainable Energy ， 2020 ， 11 （ 4 ）： 2326 - 2336 .

LU C ， WANG Z Y ， QIN W L ， et al . Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state identification ［J］. Signal Processing ， 2017 ， 130 ： 377 - 388 .

KONG Z Q ， TANG B P ， DENG L ， et al . Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units ［J］. Renewable Energy ， 2020 ， 146 ： 760 - 768 .

TAUTZ-WEINERT J ， WATSON S J . Using SCADA data for wind turbine condition monitoring—a review ［J］. IET Renewable Power Generation ， 2017 ， 11 （ 4 ）： 382 - 394 .

PANG Y H ， HE Q ， JIANG G Q ， et al . Spatio-temporal fusion neural network for multi-class fault diagnosis of wind turbines based on SCADA data ［J］. Renewable Energy ， 2020 ， 161 ： 510 - 524 .

JIANG G Q ， HE H B ， YAN J ， et al . Multiscale convolutional neural networks for fault diagnosis of wind turbine gearbox ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 4 ）： 3196 - 3207 .

BAI M L ， YANG X S ， LIU J F ， et al . Convolutional neural network-based deep transfer learning for fault detection of gas turbine combustion chambers ［J］. Applied Energy ， 2021 ， 302 ： 117509 .

DENG A L ， HOOI B . Graph neural network-based anomaly detection in multivariate time series ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2021 ， 35 （ 5 ）： 4027 - 4035 .

GORMEZ Y ， SABZEKAR ， M. IGPRED ： combination of convolutional neural and graph convolutional networks for protein secondary structure prediction ［J］. 2021 ， 89 （ 10 ）： 1277 - 1288 .

ZHOU J ， CUI S ， HU Z ， et al . Graph neural networks： a review of methods and applications ［EB/OL］. ［ 2023-07-05 ］. https：//arxiv.org/abs/1812.0843 https://arxiv.org/abs/1812.0843 .

TOKGÖZ A ， ÜNAL G . A RNN based time series approach for forecasting Turkish electricity load ［C］// 2018 26th Signal Processing and Communications Applications Conference （SIU）， May 2-5 ， 2018 ， Izmir， Turkey ： 1 - 4 .

LANGEROUDI M K ， YAMAGHANI M R ， KHODAPARAST S . FD-LSTM： a fuzzy LSTM model for chaotic time-series prediction ［J］. IEEE Intelligent Systems ， 2022 ， 37 （ 4 ）： 70 - 78 .

ANGLE E D ， LUIS M ， CHRISTIAN Tet al . Fault detection in the main bearing of wind turbines based on gated recurrent unit （GRU） neural networks and SCADA data ［J］. IEEE/ASME Transactions On Mechatronics ， 2022 ， 27 （ 6 ）： 5583 - 5593 .

YANG Q M ， LIU G L ， BAO Y N ， et al . Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy ［J］. IEEE/ASME Transactions on Mechatronics ， 2022 ， 27 （ 5 ）： 3008 - 3018 .

LIU Z P ， WANG X F ， ZHANG L . Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis ［J］. IEEE Transactions on Instrumentation and Measurement ， 2020 ， 69 （ 9 ）： 6630 - 6639 .

GLOROT X ， BENGIO Y . Understanding the difficulty of training deep feedforward neural networks ［EB/OL］. ［ 2023-07-08 ］. http：//proceedings.mlr.press/v9/glorot10a.html http://proceedings.mlr.press/v9/glorot10a.html .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于系统频率轨迹最优化的风电辅助调频反馈控制策略

基于改进时空图神经网络的高渗透率有源配电网故障定位