图1 改进EEMD分解流程
Fig.1 Flowchart of improved EEMD decomposition
摘要 现有基于数据采集与监视控制系统（SCADA）数据的风电机组故障预警方法往往只针对风电机组的某一位置或者某一类型故障，无法对风电机组整体进行较为全面的预警。针对这一问题，该文提出了基于改进集合经验模态分解（EEMD）和强化的视觉转换器（ViT）模型的风电机组故障预警方法。首先，对EEMD算法进行改进，分解得到的数据包含不同时间尺度的特征信息，且使得分解过程中不发生信息泄露。采用改进的EEMD算法解构风电机组SCADA多维数据之后，构建反映风电机组实时状态的特征矩阵。然后，结合非对称卷积模块对ViT模型进行强化，并加入可变形注意力模块，在降低计算复杂度的同时使得模型可以充分捕捉不同维度与时间尺度的风电机组特征。最后，将特征矩阵输入强化的ViT模型以获得预测结果，与实际值对比得到残差矩阵，依此进行风电机组故障的预警。经风电机组实际运行SCADA数据验证，该文提出的风电机组故障预警方法准确有效，并可通过残差矩阵进一步辨识风电机组发生的故障类型。
关键词：风电机组 数据采集与监视控制系统（SCADA）数据 故障预警 改进集合经验模态分解（EEMD） 强化ViT模型
截至2023年底，全球风电新增装机容量118 GW，我国新增风电装机容量77.1 GW[1]。风电机组装机地点具备优质的风资源，但其环境相对恶劣，机组维护和运行难度较大。因此，发展准确可靠的风电机组故障预警技术对于降低运行维护成本，维护电网安全意义重大。目前，大部分风电机组均配备有数据采集与监视控制系统（Supervisory Control and Data Acquisition, SCADA）系统，可提供全面反映风电机组整体运行状态的SCADA数据。因此，通过挖掘SCADA数据表征机组运行状态，以实现风电机组故障预警受到了国内外学者的广泛关注。近年来，随着人工智能的迅速发展，国内外研究学者广泛应用人工智能来进行风电机组故障预警和诊断，并结合SCADA数据特点对原有方法进一步改进，以适应风电机组故障预警与诊断的需要。
风电机组故障预警中主流方法为正常行为建模方法[2]。该类方法通过建立并训练正常状态下的预测模型，实现对风电机组正常状态的预测，并与风电机组实际状态比较以判断风电机组是否出现异常或者故障。在该类方法中，选择合适的正常状态预测模型尤为关键，其影响了故障预警的时间和准确度。目前，用于风电机组故障预警的模型有极端梯度提升树（Extreme Gradient Boosting, XGBoost）[3-4]、堆叠泛化模型（Stacking）[5]、卷积神经网络（Convolutional Neural Network, CNN）[6]、长短期记忆递归（Long Short Term Memory, LSTM）网络[7]、Transformer[8]等。XGBoost算法在风电机组故障预警领域的研究较为成熟、应用较广。华北电力大学的马良玉等提出了基于支持向量数据描述（Support Vector Data Description, SVDD）和XGBoost模型的风电机组异常工况预警方法[9]。集成学习的Stacking模型通过融合多个不同的模型，可以获得高于单一模型的准确率。魏书荣等提出了一种基于GRA- LSTM-Stacking模型的海上双馈感应风力发电机的早期故障预警与诊断方法，经验证具有较高的预警率和诊断精度[10]。然而，Stacking类集成学习融合了多种模型，导致其模型复杂度高，基学习器选择也较为困难。深度学习中的CNN具有捕捉不同尺度特征的卷积模块，因此，在挖掘数据潜在运行规律时独具优势。但CNN模型并不会考虑历史数据的信息，不适用于时间序列预测。因此，能够通过门控单元来更准确地实现预测的LSTM也被应用于风电机组故障预警。胡爱军等提出一种结合空洞卷积神经网络（Atrous Convolutional Neural Networks, ACNN）和双向长短期记忆网络（Bi-LSTM）相结合的早期故障识别方法，可有效识别风电机组的早期故障[11]。但由于CNN和LSTM预测过程中难以保留长时间信息，并且LSTM为串行网络，不完全适用于SCADA一类的大型数据。近年来，Transformer模型因其独特的注意力机制和简单的序列结构在诸多领域得到了广泛应用。文献[12]中，樊红卫等提出基于经验模态分解联合伪魏格纳分布（Empirical Mode Decomposition & Pseudo-Wigner-Vill Distribution, EMDPWVD），将一维振动信号变为二维时频图像，借助堆叠Transformer编码器完成网络传输，进而实现故障诊断。文献[13]提出基于超图卷积神经网络和微调标准Transformer的二次设备故障诊断算法。结果表明，所提方法能够去除冗余信息干扰，准确定位故障元件和诊断故障类型。综上所述，Transformer模型在故障预警与诊断中预测准确度较高。但其对时间尺度不敏感，并且由于ViT模型涉及多维多尺度数据，计算复杂度较高，因此仍需改进以适应风电机组故障预警的需要。
除了通过改进模型来提高模型精度外，对数据进行重构或分解以此挖掘潜在特征和运行规律是风电机组故障预警研究的另一个关键方向。陈俊生等通过多元变量数据重构来充分挖掘SCADA数据的隐藏信息，减少了特征间的冗余性，提升了模型预测和预警的精度[14]。而通过数据分解以获得数据中不同时频尺度的特征则应用更多。常见的数据分解变换包括傅里叶分解（Fourier Transform, FT）及变 体[15]、小波分解及变体[16]、经验模态分解（Empirical Mode Decomposition, EMD）及变体[17]。齐萌等提出了一种基于短时傅里叶变换（Short-Term Fourier Transform, STFT）与ViT的轴承故障诊断方法[18]。通过短时傅里叶变换将振动信号转换为二维时频图像，将时频图作为特征图输入ViT网络，实现轴承故障诊断。经验证，该模型具有更高的诊断精度和更好的泛化性。该文献虽然在使用振动信号进行故障诊断上取得了成果，但STFT只适合分析平稳信号，并不适用于SCADA数据的非平稳数据，且对ViT模型也并未做出适合振动信号的调整。小波变换能够捕捉到信号的时变特性，但效果受到小波基选择的影响，且多层分解后，子信号的能量分布可能不够集中，导致难以准确地提取出信号的特征。EMD类算法则很好地避免了上述问题，因此在风电机组故障预警与诊断中颇受关注。文献[19]则提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）-LSTM的汽轮机转子碰磨故障诊断方法，利用EEMD分解出的本征模态分量（Intrinsic Mode Function, IMF）进行预测，可有效识别汽轮机不同转速时的早期碰磨故障。马永光等提出一种双重改进的完全噪声辅助聚合经验模态分解（Complete Ensemble Empirical Mode Decom- position with Adaptive Noise, CEEMDAN）、主成分分析（Principal Components Analysis, PCA）、门控循环网络（Gated Recurrent Unit, GRU）融合的风电机组齿轮箱故障预警方法[20]。林诗雨等结合逐次变分模态分解（Sequential Variational Mode Decom- position, SVMD）和Informer模型实现了风力发电机轴承故障的预警，取得了极高的准确度[21]。尽管EMD类算法已经有所应用，但传统的EMD类算法分解后的数据并不适用模型预测。若用于实时预测可能会出现信息泄露问题，即分解时会用到预测时间点之后的数据；若采用滑动窗口逐点分解时间序列或滚动分解时间序列，会无法同时兼顾模态混叠和计算复杂度[22]，并难以保证分解分量个数一致，实用性较低，需要进一步改进以适应模型预测的需要。
上述研究人员的预警方法大多只针对风电机组其中一个或几个部件和变量来实现预警，并不能全面反映风电机组状态。本文提出一种基于改进EEMD和强化ViT的风电机组故障预警方法，能够较为全面地反映风电机组的实时状态，并实现对风电机组的不同故障预警。首先，对EEMD进行改进，基于历史运行数据和短窗口实现动态分解，以此获得不同时间尺度特征分量，以便挖掘风电机组正常状态的运行规律；其次，将多维变量分解后的IMF分量进行重组，得到每一时刻不同变量的特征分量，构建表征风电机组实时状态的特征矩阵作为正常状态预测模型输入；然后，对ViT模型进行强化，加入非对称卷积模块捕捉风电机组的运行规律，将可变形注意力机制加入编码器层中，在有效挖掘数据特征的基础上，降低模型的计算复杂度和预测时间，将数据输入强化后的ViT模型，得到正常状态下风电机组的预测矩阵；最后，借助实际数据和预测矩阵得到残差矩阵，依据残差矩阵实现风电机组故障预警。
EMD算法的优势在于自适应性，无需选择基函数，在非线性非平稳信号分析中具有显著优势，由于风电机组SCADA数据中存在发电机驱动侧轴承温度、齿轮箱油温等大量非线性非平稳的数据或信号，因此EMD类算法适用于SCADA数据的处理。但EMD类算法用于正常状态预测时有三类问题：EMD本身存在的模态混叠、端点效应和在实时预测时存在的信息泄露问题。其中，模态混叠的问题主要与分解原理和序列长度有关，通过叠加不同幅值的高斯白噪声并最后取平均值可以降低模态混叠程度，EEMD分解方法正是借助该原理对EMD算法进行改进，减少了模态混叠；端点效应需通过合理的极值延拓方法解决；而信息泄露问题主要是由于进行信号分解时需获取局部极值，可能涉及预测时刻之后的极值，由于风电机组故障预警需满足实时性，无法对预警时刻之后的数据进行分解。因此，原有的EEMD分解方法需进一步改进已解决信息泄露的问题。
本文借助风电机组历史运行数据对EEMD算法进行改进，使得SCADA数据可以实现依靠短窗口和历史数据实现动态分解，从而尽可能多地获取不同时间尺度的特征信息、减少模态混叠、降低计算复杂度。对于EEMD改进具体如下：首先在改进EEMD算法时设置分解窗口，在窗口内进行EEMD分解，依据窗口内局部极值点情况的不同和历史分解数据，采用不同方法得到极值包络线，用于EEMD分解，通过标准差设置简化的IMF获取条件，最后通过IMF分量数量判断是否继续分解。改进EEMD分解流程如图1所示。
使用窗口进行逐点的EEMD分解有两个难点：一是在端点处极值的延拓，极值包络线的获取决定EEMD分解之后是否会存在明显端点效应；二是分解的终止条件决定了每段窗口内所得到的IMF分量与长时序分解的IMF分量是否一致。本文依据窗口内极值点的变化分为三种方法获取IMF分量。
图1 改进EEMD分解流程
Fig.1 Flowchart of improved EEMD decomposition
（1）当开始分解以及分解次数少时，若在窗口内存在两对及以上的极值点，在窗口内采用对称延拓法实现极值延拓。EEMD使用3次样条插值进行分解，存在过冲欠冲现象。因此，为了减少因过冲欠冲导致的端点极值与真实值的误差，并降低计算复杂度，在窗口内使用分段3次埃尔米特（Hermite）插值，通过在一定程度上牺牲分量的平滑性获得与3次样条插值方法效果相近的IMF分量。
（2）当信号经多次分解后，窗口内有一对以上两对以下的极值点时，需借助保留的IMF分量历史数据进行对称极值延拓，以减少端点效应；并利用分段3次Hermite插值[22]，得到极值包络线之后，进一步获得对应窗口内的IMF分量值。为防止多次减去极值包络线后，仍无法寻找到合适的IMF分量，需额外采用历史数据训练自回归模型（Autoregressive Model, AR），当减去m次极值包络线仍无法得到满足条件的IMF分量，则使用自回归模型预测该窗口内的IMF分量。
（3）当信号经过多次分解，窗口内仅有一个极值点或者不存在极值点时，由于此时在窗口内剩余信号的变化频率低，趋势性明显，且窗口没有极值点或极值点过少，不能再使用插值法获取IMF分量。因此，需借助历史数据中的IMF分量进行拟合以获取该窗口内的IMF分量，并对其进行希尔伯特变换以获取该分量瞬时频率及瞬时幅值。采用正弦拟合配合斜率拟合共同得到窗口内的IMF分量。
首先进行正弦拟合，选择之前一段时间内稳定的瞬时频率平均值作为正弦拟合曲线的初始频率，并使用历史数据对拟合计算式的频率与幅值进行约束，计算公式为
（1）
式中，a为正弦拟合曲线的幅值；w(t)为当前时刻相位，通过斜率相等确定；fh(ti)为ti时刻瞬时频率；fh(tend)为最近的极值点到当前时刻点瞬时频率的平均值；fmax(p)和fmin(p)分别为历史数据中最大频率和最小瞬时频率；amin为最小幅值；amax为最大幅值。
斜率拟合分量通过泰勒级数展开来获取，只保留二阶导数以下的展开部分。利用式（1）生成斜率拟合的拟合值，每次生成下一个时间点的IMF分量IMFk(t+1)，得到生成窗口内的IMF分量。由上述计算分别得到两种方法预测的IMF分量，最终将两者做加权平均得到最后的IMF分量，有
（2）
由此得到的IMF分量既与上一时刻状态相关，又保证其包含稳定的信息。该类IMF分量与窗口的选取有关，由于其在窗口内变化缓慢，变化幅度小，因此，为了更高的准确度，窗口不应过小。
EEMD分解过程中对分解所得IMF分量需进行判定，为便于获得IMF分量，本文对获取IMF分量的两个准则简化处理，采用标准偏差（Standard Deviation, SD）判断。但多次分解过程中，分量可能会表现出不同的收敛速度和稳定性。因此，为了使得窗口内的分量进行分解时的收敛速度尽可能与长时间分解时保持一致，需对收敛准则进行改进，将窗口与参考历史数据长度的比值加入，有
（3）
式中，lw为窗口长度；ls为一年时间内的历史数据长度；hi-1(t)为剩余信号减去i-1次极值包络线后得到的分量。
在改进的动态EEMD分解过程中，为了保证窗口分解后的IMF分量可以与长时序的分解序列保持相同的分量数量，需固定IMF分量，即分解终止条件并不通过极值点设置，而是由固定的IMF分量数量决定是否继续进行分解。除此之外，由于改进后的EEMD有部分量是由拟合预测得到，多次拟合预测后可能存在误差累积，每间隔n个时间点对信号进行一次长序列分解，以获得更准确的IMF分量。
风电机组在运行时受状态影响，即使是正常状态也存在不同风速、不同转速、不同环境温度等不同运行情况，风电机组SCADA数据有着不同的表征，因此，只依靠固定的正常状态矩阵无法反映风电机组不同运行状态，也无法体现风电机组实时状态的细微变化。因此，需要通过训练正常状态预测模型，以实时预测风电机组运行状态下的特征矩阵。
ViT是2020年Google团队提出的将Transformer应用在图像分类的模型[23]。ViT分类模型将输入图片分为多个小块区域（Patch），再将每个Patch投影为固定长度的向量，将其送入Transformer的编码器层。ViT模型在编码器层最后加入一个全连接神经网络层（Multilayer Perceptron, MLP）用于输出类别预测。ViT模型在模型中加入了卷积模块、注意力机制以及残差连接，使其在挖掘数据的潜在特征和规律时具有显著优势。风电机组正常状态预测需要充分挖掘正常运行时的特征和规律，因此，ViT模型较为适用于风电机组正常状态预测。本文将ViT模型应用在风电机组故障预警的正常预测模型构建之中，并对其进行了改进，加入了非对称卷积和可变形注意力[24]，非对称卷积可以深入挖掘不同尺度和维度的特征信息，而可变形注意力模块通过稀疏化注意力，降低了模型的计算复杂度，使得模型在保证多数据预测精度的同时，提高了预测效率。
强化ViT模型包含四层，分别为特征矩阵的拼接层、结合不对称卷积模块的卷积层、可变形注意力组成的Transformer编码器层、全连接网络构成的输出层。具体模型结构如图2所示。
（1）强化ViT模型的第一层为拼接矩阵的拼接层，用于构建拼接矩阵（Concatenated Patch）。首先，需采用改进EEMD方法将数据中筛选出的各维变量分解为14维的IMF分量，将多维变量的IMF分量拼接得到表征风电机组实时状态的特征矩阵，每个时刻特征矩阵为一个矩阵块（Patch）；之后，将每个时刻的Patch按照序拼接构成Concatenated Patch，Concatenated Patch既充分地包含了风电机组的整体特征，又增强了不同时间尺度的细节特征。本文中将128个时序列长度的Patch拼接得到Concatenated Patch，将其作为下一层的输入。
图2 强化ViT模型结构
Fig.2 Structure of the improved ViT model
（2）强化ViT模型的第二层为结合了非对称卷积的卷积层。该卷积层包括七种卷积核，四种方形卷积核的步长为1，在保证形状不变的前提下用于充分捕捉Concatenated Patch的细节和整体特征；三种非对称卷积核大小分别为（1, 14）、（36, 1）、（36, 14），通过三种与变量维数和IMF分量匹配的非对称卷积核可以充分捕捉SCADA数据的单个变量中风电机组不同分量的潜在特征和相同时间尺度下不同变量的特征，并保留了风电机组数据的时序特征。
（3）强化ViT模型的第三层为加入了可变形注意力的Transformer编码器层，其主要包含可变形注意力层和前馈神经网络，并使用残差和归一化在内部连接两个子层。传统的ViT模型中加入的注意力机制层为多头注意力层，其核心为自注意力机制，自注意力机制计算为
（4）
式中，Q为查询矩阵；K为键向量矩阵；V为值向量矩阵；dk为矩阵维度；Softmax为输出层的激活函数。
多头注意力在单一的自注意力基础上并行使用多个注意力头，避免了学习单一空间的特征表征难以表达复杂关系和模式的缺点，可以捕获输入数据的不同表征子空间，从而提高模型的表达能力，多头注意力机制计算为
（5）
式中，m为第m个注意力头；H、W和C分别为输入数据的长度，宽度和通道数；Amqk为第m头注意力中，Q矩阵位置q与K矩阵位置k之间的注意力权重，N为Q的个数，N=HW，
为单头注意力中Q的输入特征维度；
为该头多头注意力的K和V；
为输入层与位置编码层的加和；
为多头注意力机制中的Q，可以分解成
个zq，zq为嵌入层与位置编码和；
为输入特征到V的Transformer模型的转移矩阵，其中Cv=C/m，用于将
变换成V；
为V变换后所得不同头部的输出。
通过计算可得，多头注意力的计算复杂度会随着输入特征尺寸的增加而倍增。由于本文先进行非对称卷积后又加入注意力，可能导致数据输入编码器层时计算复杂度过高。因此，需在保证预测精度的基础上进行改进，从而降低计算复杂度，减少模型的预测时间。可变形注意力不需像多头注意力机制一样与所有输入数据进行运算，而是只关注参考时刻周围的关键采样时刻，因此可以用于降低计算复杂度[21]。可变形注意力具体计算为
（6）
式中，pq为参考时刻，pq代表zq的时间位置；K为采样的总数；Dpmqk为第m个注意力头中第k个采样点相对于参考时刻的时间偏移。
不同于多头注意力机制，Amqk由输入特征zq直接通过全连接层得到。可变形注意力中增加了pq和Dpmqk，每个Q在每个头部中采样L个时刻的特征，只使用采样时刻的Q和K去获得注意力结果，每个Q只采样L次，因此，q矩阵的计算复杂度降为O(NLC)，其收敛和预测时间会缩短。
（4）强化ViT模型的第四层为全连接网络构成的输出层。由加入可变形注意力的Transformer的编码器层得到输出后，经由全连接神经网络输出最终的预测结果，预测结果与风电机组实时的特征矩阵形状相同。之所以输出预测结果为特征矩阵形式而不是原网络中的分类结果主要原因是风电机组故障样本相对较少，没有足够的不同类型故障数据用以分类模型训练，难以通过神经网络训练得到最终分类结果。其次，是为了更直观地展现风电机组实时状态。
本文提出的故障预警方法流程如图3所示。方法分为三个部分，即数据处理、模型预测、故障预警，具体步骤为：
图3 风电机组故障预警流程
Fig.3 Flowchart of wind turbine failure warning
（1）数据处理。首先对风电机组的SCADA数据进行清洗和变量筛选。经过数据预处理后，得到用以表征风电机组状态的变量，之后采用改进的EEMD将每维变量分解为IMF分量，每个变量保留相同维数的IMF分量，由每个时间点所有变量的IMF分量得到表征风电机组状态的特征矩阵，该矩阵可以较为全面地表示该时间点风电机组的运行状态。
（2）模型预测。将正常状态的特征矩阵输入改进ViT模型，训练模型得到最优正常状态预测模型。改进ViT模型在图像分块和图像嵌入部分采用了更适用于SCADA分解数据特点的处理，将每个时间点的特征矩阵作为Patch按时间顺序拼接，得到Concatenated Patch，并再将每个Patch投影为固定长度的向量送入一个包含残差结构的卷积层，之后经过含可变形注意力的Transformer编码器层后传入全连接神经网络输出预测结果。
（3）故障预警。由预测得到的特征矩阵与改进EEMD分解结果作差得到残差矩阵，计算残差矩阵方均根误差（Root Mean Square Error, RMSE），计算得到该预警时的RMSE值后，设置告警阈值，告警阈值通过计算风电机组正常状态的特征矩阵的RMSE的平均值和方差，并依据
法则得到。判断该时刻风电机组是否处于异常状态，当超过10个时间样本点为异常状态，对风电机组发出故障预警信号，得到预警结果，并诊断出现异常的变量，进而实现风电机组故障预警。
本文使用了来自蒙西某风电场中多台风电机组的SCADA数据进行实验分析。风电场的可用数据集共707 896组。风电机组SCADA系统采样频率均为1次/10 min，蒙西电场的SCADA系统中监测变量共计80项，其中包含风机风速、发电机转速等表征风电机组不同部件状态的基本数据，本文实验环境见表1。
表1 实验环境
Tab.1 Experimental Environment
配置项版 本 实验环境Python3.9 深度学习环境Pytorch2.2.2 CPUi5-13500HX GPUNVIDIA GeForce RTX4060 内存16 GB
本文改进EEMD需设置滑动窗口，设置窗口长度为512，参考的普通EEMD分解历史时间序列的长度为50 000，固定的IMF分量个数为14，长时间序列普通EEMD分解时间间隔长度n=1 024。为了验证改进EEMD的分解结果是否能够反映时频特性，并检验两种方法分解结果的一致性，使用普通EEMD分解和改进EEMD分解对风电机组的发电机驱动侧轴承温度进行分解，选择其中三类IMF分量进行对比，如图4所示。
由图4可知，当对风电机组采用EEMD和改进EEMD分解后，两者所得到的分量数值接近，整体趋势一致。为了进一步验证两种方法所得到分量的一致性，采用值方差（Value Square Deviation, VSD）和点积比（Dot Product Ratio, DPR）衡量两种方法IMF分量的相似度，具体结果见表2。
图4 EEMD和改进EEMD典型分量
Fig.4 Typical EEMD component and improved EEMD component images
表2 EEMD和改进EEMD部分分量对比
Tab.2 Comparison of EEMD and improved dynamic EEMD partial components
评价指标IMF0IMF6IMF12 VSD0.000 7520.004 171.464 5 DPR0.999 80.989 40.978 1
由图4结合表2中的VSD和DPR可知，改进EEMD方法分解得到的三种不同的IMF分量与长时间的EEMD分解结果基本一致，两种方法分解结果VSD较小，在分解多次后VSD有所增加，但在允许范围内。两种方法的DPR较高，始终在0.97以上，即两种方法得到的分量相似度较高且误差较小。因此，本文方法分解结果相对较为准确。
理想情况下，经过EMD类方法分解后的各个分量，重新相加应等于原信号，但实际分解过程中会受到停止条件等因素影响，导致各分量重构后不能完全与原始信号相等，而具有一定误差，即重构误差。使用本文所提改进EEMD分解和普通EEMD分解方法对发电机驱动侧轴承温度分解后，再进行重构，所得重构数据和原始数据的对比以及重构误差的变化如图5所示。
图5 重构数据与重构误差
Fig.5 Reconstructed data and reconstruction error plot
由图5可知，经本文改进EEMD分解后分量进行重构后的信号基本与原信号一致。进一步地通过方均误差（Mean Square Error, MSE）来衡量两种方法重构能力的强弱，具体结果见表3。
表3 EEMD和改进EEMD重构误差对比
Tab.3 Comparison of EEMD and improved dynamic EEMD reconstruction error
分解方法MSE 普通EEMD0.120 2 改进EEMD0.103 5
由表3可知，本文改进EEMD重构误差的MSE值为0.103 5，误差较小且在允许范围内，整体误差小于传统EEMD分解方法，因此，本文的改进EEMD方法重构能力优于传统EEMD分解方法。
由上述可知，本文改进的分解方法可以在实现分解信号的同时，基本不丢失信号的原有信息。
4.3.1 风电机组正常状态
首先对风电机组SCADA数据进行数据清洗，在删除SCADA数据中的空缺值和异常值后，利用3s准则进行进一步清洗，得到清洗后的157 846组SCADA数据，对数据进行特征筛选，通过筛选去除SCADA数据中的离散变量，得到其中36维变量。之后将数据按照8
2划分训练集和测试集。为消除不同量纲的影响对数据进行标准化。其中筛选出的36维变量按顺序排列见表4。
表4 36维变量
Tab.4 36 dimensional variables
变量 (25～36)变量 (12～24)变量 (1～11) 鼻锥均温平均电流风速 桨距角平均电压风向 无功功率分裂环腔温度转子转速 母线温度环境温度发电机转速 频率隔离器温度高速轴轴承温度 相位差平均值轮毂温度齿轮箱油温 有功功率上舱控制器温度液压箱组油温 VCS冷却水平均温度IGBT逆变器温度定子绕组c相温度 IGBT逆变器c相温度变压器c相温度定子绕组b相温度 IGBT逆变器b相温度变压器b相温度定子绕组a相温度 IGBT逆变器a相温度变压器a相温度非驱动侧轴承温度 VCS截面扼流圈温度变压器油压发电机驱动侧轴承温度
为了获得改进EEMD所需历史数据，需先对其中一年的离线SCADA数据进行普通EEMD分解得到IMF分量值。由于各维变量分解维数不同，需对变量进行进一步筛选，使用XGBoost筛选36维变量中与各变量的相关性高的前14维IMF变量值构成表征风电机组实时状态的特征矩阵，得到所需历史数据用于改进EEMD分解。
4.3.2 风电机组特征矩阵构建及分析
构建特征矩阵首先需采用改进EEMD方法分解36维变量，每维变量再选择其中对应的14维IMF分量值，此时，每个时刻将得到一个（36, 14）维的特征矩阵，特征矩阵中一行代表一维变量的14个不同时间尺度IMF分量值，从左到右按照从高频到低频排列，由此构建出了表征风电机组实时状态的特征矩阵。对其中使用改进EEMD分解后构成的特征矩阵所呈现出的整体情况进行数据统计，得到特征矩阵中每行每列的平均值和方差，构建平均值和方差特征矩阵如图6所示。
图6a为均值矩阵，图6b为方差矩阵，均值矩阵中各维变量所对应的IMF分量的平均值在0附近，但整体又呈现出不同特点，由于风电机组EEMD分解次数较少时，IMF分量呈现出的是风电机组的实时状态即高频分量，其特点为变化幅值小、变化频率快，则均值矩阵和方差矩阵左侧IMF分量平均值更接近0，方差相对更小。EEMD进行多次分解后所得IMF分量为变量的长期趋势分量，即低频分量，部分IMF分量变化幅值较大，变化频率低，对应的均值和方差矩阵右侧IMF分量平均值呈现出与变量相关的特点，均值和方差相对较大。由此可知，风电机组的特征矩阵能够充分体现不同时间尺度下风电机组状态的特点。
图6 风电机组特征矩阵均值和方差
Fig.6 Mean and variance of the feature matrix of wind turbines
进一步观察采用改进EEMD方法分解36维变量后，由分解后的结果构建出的特征矩阵是否可以实时表征风电机组不同故障状态。通过该方法得到风电机组正常状态、变压器故障、定子绕组故障、发电机轴承故障四种不同的风电机组状态对应的特征矩阵如图7所示。
图7 风电机组不同状态特征矩阵
Fig.7 Feature matrix of different states of wind turbines
由图7可知，当风电机组处于正常状态时，风电机组的特征矩阵整体在-1～1之间，维持在正常范围内，其中左侧IMF高频分量的变化幅值小，更接近0；对应右侧IMF低频分量平均值呈现出幅值略大的特点，这与均值和方差所呈现出的趋势一致。当风电机组出现不同部件的风电机组故障时，所得改进EEMD所构成的特征矩阵有着不同的故障表现，当变压器故障时，风电机组中频变量异常较为明显，包括变压器三相温度等变量均出现明显异常；当发电机轴承故障时可以观察到发电机驱动侧和非驱动侧轴承温度出现严重异常，除此之外包括定子绕组温度在内的一些发电机内部温度及数据也出现变化；定子绕组故障时可以明显观察到定子绕组三相温度等5个变量的中间IMF分量出现异常。因此，当风电机组故障发生时，实际的改进EEMD分解结果将与预测出的正常状态特征矩阵出现明显的差异，即使用残差构建出的特征矩阵可以较为明显地反映出不同故障，为后续风电机组故障预警提供理论基础。
本文模型的相关参数如下：输入的特征矩阵维度为（36, 14），模型的拼接层输入128个时刻的特征矩阵按照时序排列，构成拼接矩阵；卷积层由多个非对称卷积模块和堆成卷积模块构成；编码器层设为2层，多头注意力头数设为4；全连接网络隐含层神经元个数为512。
模型训练时，使用自适应矩估计优化（Adam）算法进行优化，损失函数为方均误差损失函数，丢失率取0.15，初始学习率设为0.000 1，批次数量设为64，采用余弦退火算法调整学习率。使用数据处理后得到的风电机组正常状态数据，对本文模型进行训练，经过50轮训练得出最优预测模型。选取CNN与ViT模型作为对照组，得到模型前15轮训练中损失值随训练轮数的变化如图8所示。
从图8中模型的训练轮次随损失值变化可知，本文模型的损失值最小、训练精度较高，且在训练过程中，误差下降速度最快，在6轮训练后，损失已达到稳定值，所用训练轮次最少。为进一步检验本文中所提模型的预测性能，将其与CNN、LSTM、Transformer、ViT四种模型进行对比，选择可决系数（R-Squared, R2）、平均绝对误差（Mean Absolute Error, MAE）、方均根误差（RMSE）、MSE及预测耗时四种评价指标作为衡量模型预测性能的标准，具体结果见表5。
图8 15轮训练轮数下误差值变化曲线
Fig.8 Loss value variation curves across 15 training
表5 预测模型评价指标
Tab.5 Prediction model evaluation index diagram
预警模型评价指标 R2MAERMSEMSE耗时/s CNN0.771 20.118 50.214 90.047 6303.4 LSTM0.881 80.095 80.182 50.033 1353.2 ViT0.907 60.058 20.145 20.014 5320.8 Transformer0.931 40.049 60.112 10.010 5340.5 本文模型0.961 30.012 70.082 30.001 3298.2
由表5可知，相比于CNN、LSTM、Transformer、ViT模型，使用本文模型对风电机组特征矩阵进行预测时预测准确率最高，特征矩阵中的R2达到了0.961 3；预测误差最小，MAE=0.012 7，RMSE= 0.082 3，MSE=0.001 3，所有误差均为最小。本文模型耗时为298.2 s，低于未添加可变形注意力模块的ViT模型预测耗时，因此证明可变形注意力的加入降低了模型的计算复杂度。综上可知，相比其他模型，本文模型用于预测风电机组正常状态时误差更小、预测精度更高、预测耗时最少。
本文预警方法首先通过改进EEMD方法分解SCADA实时数据得到表征风电机组当前时刻状态的特征矩阵，之后借助强化ViT模型预测正常状态下当前时刻的特征矩阵，两者作差得到残差矩阵，借助残差矩阵和RMSE值实现风电机组的故障 预警。
5.1.1 风电机组正常状态
当风电机组处于正常运行状态时，二维残差矩阵对应每个时刻的RMSE变化如图9a所示，RMSE维持在0.04～0.1的范围内，随风电机组实时状态不断波动。具体某个时刻的二维残差矩阵如图9b所示，可以看出风电机组残差矩阵数值较小，符合平均值和方差变化规律，在左侧IMF分量时，各变量预测残差小，右侧IMF分量的残差则略大，整体来看，残差矩阵中的预测残差小且无明显突出或异常位置。以上均表明，风电机组处于正常运行状态。
图9 风电机组正常状态故障预警
Fig.9 Fault warning for wind turbines in normal state
5.1.2 故障一：风电机组风力发电机轴承故障
风力发电机轴承故障是风电机组故障中最多的类型，占比接近40%，使用本文预警方法对含有发电机轴承故障的测试数据进行预警，具体预警结果如图10所示。7号风电机组风力发电机轴承损坏故障，图10a为RMSE随时间变化的图像，RMSE于样本点2 470处超过RMSE告警阈值，在样本点2 480处持续稳定超过告警阈值10个样点即100 min后，判断此时风电机组发生故障，并在之后一段时间内反复大于告警阈值。对预测残差矩阵进行分析，如图10b所示，可以明显观察到，在风电机组发电机组驱动侧轴承、非驱动侧轴承温度对应的变量出现明显异常，且轴承温度变量所对应前7个IMF分量的残差值超过了3.5，除此之外，与轴承相关性较高的可变冷却系统（Variable Cooling System, VCS）扼流圈温度也出现明显异常，可以初步判断故障为发电机轴承故障，需对发电机轴承进行检修。查看风力发电机运行维修日志，风力发电机于样本点2 840处记录到发生发电机轴承故障。对比故障发生时间，本文预警模型比实际故障发生提前61.66 h发出预警。
图10 风电机组发电机轴承故障预警
Fig.10 Fault warning of wind turbine generator bearing
5.1.3 故障二：风电机组定子绕组故障
6号风电机组定子绕组损坏故障。图11a为RMSE随时间变化的折线图，RMSE于样本点2 023处超过RMSE告警阈值，在样本点2 033处持续稳定超过告警阈值10个样本点即100 min后，判断此时风电机组发生故障，选择2 033处对预测残差矩阵进行分析，如图11b所示，可以明显观察到，在风电机组发电机组驱动侧和非驱动侧轴承温度、定子绕组三相温度5个变量的IMF分量出现异常，可以基本判断故障为发电机轴承或定子绕组故障，进一步地查看风力发电机运行维修日志，风力发电机于样本点2 188处记录到发生发电机定子绕组故障。对比故障发生时间，本文预警模型比实际故障发生提前25.83 h发出预警。
图11 风电机组定子绕组故障预警
Fig.11 Fault warning of wind turbine stator
5.1.4 故障三：风电机组变压器故障
7号风电机组变压器故障。图12a为RMSE随时间变化的图像，RMSE于样本点2 986处开始超过RMSE告警阈值，在样本点3 006～3 016之间持续稳定超过告警阈值10个样本点即100 min后，判断此时风电机组发生故障，对预测残差矩阵进行分析，如图12b所示，可以明显观察到，在风电机组变压器温度变量包括高压变压器a相温度、高压变压器b相温度、高压变压器c相温度对应的左侧IMF0分量的位置存在明显的异常值，具体数值为3.103 46，1.661 15，1.526 14，可知其存在明显异常，基本判断故障为与变压器相关的故障。查看风力发电机运行维修日志，风力发电机于样本点3 300处记录到发生变压器高温故障，工作人员于样本点3 675处消除变压器故障。对比故障发生时间，本文预警模型比实际故障发生提前47.33 h发出预警。
图12 风电机组变压器故障预警
Fig.12 Fault warning of wind turbine transformer
5.1.5 故障四：风电机组齿轮箱故障
1号风电机组齿轮箱故障。图13a为RMSE随时间变化图像，RMSE于样本点1 740处超过RMSE告警阈值，在样本点1 750处持续稳定超过告警阈值10个样本点即100 min后，判断此时风电机组发生故障，对预测残差矩阵进行分析，如图13b所示，可以明显观察到，在齿轮箱油温分量IMF7位置存在明显的异常值，可以判断故障可能与齿轮箱有关。查看风电机组运行维修日志，风力发电机于样本点1 973处记录到发生齿轮箱故障，工作人员于样本点3 122处消除齿轮箱油温故障。对比故障发生时间，本文预警模型比实际故障发生提前37.16 h发出预警。
图13 风电机组齿轮箱故障预警
Fig.13 Fault warning of wind turbine refrigeration system
为了进一步检验本文预警方法的预警效果，选取发电机轴承故障、变压器故障、定子绕组故障等几类常见的风电机组故障数据进行预警，得到风电机组故障预警混淆矩阵如图14所示。
图14 风电机组故障预警混淆矩阵
Fig.14 Wind turbine fault warning confusion matrix
图14中，横轴纵轴分别代表预测状态和实际状态，本文模型在预警中正常状态的预警准确率为100%，所有故障的预警准确率均大于90%，仅在异常停机故障的准确率低于95%，可能由于异常停机故障中部分故障与控制系统有关，而在特征矩阵中对控制系统状态的表征量较少；其次可能与风速过大过小导致的风电机组正常停机状态较为接近导致难以判别有关。两种及以上故障均可以准确预警。总体来看，本文预警方法预警准确率较高，并可较为全面地实现对不同类型风电机组故障的预警。
由上述可知，本文提出的基于改进EEMD和强化ViT模型的预警方法可以实现风电机组不同类型的故障预警，并在此基础上判断风电机组可能发生故障的部位，具有较高的预警准确度和可靠性，对于风电机组故障预警与诊断有较高的应用价值。
本文提出了一种基于改进EEMD和强化ViT模型的风电机组故障预警方法，以实际的风电机组SCADA数据进行验证，提出方法可准确有效地对不同风电机组故障进行预警，并可为进一步的故障诊断提供依据。具体结论如下：
1）借助风电机组历史运行数据对EEMD算法进行改进，使得数据可以依靠窗口实现动态分解，使得其用于时间序列预测时不发生信息泄露，并减少了端点效应和模态混叠，为使用EEMD分解数据进行时间序列预测提供了思路。
2）使用改进EEMD分解多维SCADA数据，在每个时刻形成全面表征风电机组实时状态的特征矩阵，该特征矩阵可较为明显地体现风电机组不同状态时的数据特征。
3）基于强化ViT模型对风电机组进行正常状态建模，预测风电机组的正常状态矩阵，预测模型准确度较高、收敛速度较快。
4）计算风电机组实时特征矩阵与预测所得正常状态矩阵的差值得到残差矩阵，通过使用残差矩阵的RMSE实现故障预警，并根据异常时残差矩阵判断风电机组可能发生的故障类型。
参考文献
[1] Global Wind Energy Council. Global wind report 2023[R]. Brussels: GWEC-global wind energy council, 2024.
[2] Qiao Wei, Lu Dingguo. A survey on wind turbine condition monitoring and fault diagnosis: part II: signals and signal processing methods[J]. IEEE Transactions on Industrial Electronics, 2015, 62(10): 6546-6557.
[3] 章楷, 胡鹏, 冯江, 等. 基于数据驱动的风电机组故障预警研究[J]. 电工技术, 2024(12): 75-78.
Zhang Kai, Hu Peng, Feng Jiang, et al. A data-driven approach to fault prognosis for wind turbines[J]. Electric Engineering, 2024(12): 75-78.
[4] 魏乐, 胡晓东, 尹诗. 基于优化XGBoost的风电机组发电机前轴承故障预警[J]. 系统仿真学报, 2021, 33(10): 2335-2343.
Wei Le, Hu Xiaodong, Yin Shi. Optimized-XGBoost early warning of wind turbine generator front bearing fault[J]. Journal of System Simulation, 2021, 33(10): 2335-2343.
[5] 马良玉, 耿妍竹, 梁书源, 等. 基于Stacking多模型融合的风电机组齿轮箱油池温度异常预警[J]. 中国电机工程学报, 2023, 43(增刊1): 242-251.
Ma Liangyu, Geng Yanzhu, Liang Shuyuan, et al. Anomaly warning of wind turbine gearbox oil pool temperature based on Stacking fusion of multiple models[J]. Proceedings of the CSEE, 2023, 43(S1): 242-251.
[6] 向玲, 王朋鹤, 李京蓄. 基于CNN-LSTM的风电机组异常状态检测[J]. 振动与冲击, 2021, 40(22): 11-17.
Xiang Ling, Wang Penghe, Li Jingxu. Abnormal state detection of wind turbines based on CNN-LSTM[J]. Journal of Vibration and Shock, 2021, 40(22): 11-17.
[7] 王依宁, 解大, 王西田, 等. 基于PCA-LSTM模型的风电机网相互作用预测[J]. 中国电机工程学报, 2019, 39(14): 4070-4081.
Wang Yining, Xie Da, Wang Xitian, et al. Prediction of interaction between grid and wind farms based on PCA-LSTM model[J]. Proceedings of the CSEE, 2019, 39(14): 4070-4081.
[8] 邓飞跃, 郑守禧, 郝如江. 一种轻量化尺度感知调制Swin Transformer模型的轴箱轴承故障诊断方法[J]. 西安交通大学学报, 2024, 58(9): 83-93.
Deng Feiyue, Zheng Shouxi, Hao Rujiang. A lightweight scale-aware modulation Swin Transformernetwork for axlebox bearing fault diagnosis[J]. Journal of Xi’an Jiaotong University, 2024, 58(9): 83-93.
[9] 马良玉, 程善珍. 基于支持向量数据描述和XGBoost的风电机组异常工况预警研究[J]. 电工技术学报, 2022, 37(13): 3241-3249.
Ma Liangyu, Cheng Shanzhen. Abnormal state early warning of wind turbine generator based on support vector data description and XGBoost[J]. Transactions of China Electrotechnical Society, 2022, 37(13): 3241-3249.
[10] 魏书荣, 张鑫, 符杨, 等. 基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断[J]. 中国电机工程学报, 2021, 41(7): 2373-2383.
Wei Shurong, Zhang Xin, Fu Yang, et al. Early fault warning and diagnosis of offshore wind DFIG based on GRA-LSTM-Stacking model[J]. Proceedings of the CSEE, 2021, 41(7): 2373-2383.
[11] 胡爱军, 连俭, 向玲. 基于ACNN和Bi-LSTM的风电机组故障早期识别[J]. 太阳能学报, 2021, 42(12): 143-149.
Hu Aijun, Lian Jian, Xiang Ling. Early fault identification of wind turbine based on ACNN and Bi-LSTM[J]. Acta Energiae Solaris Sinica, 2021, 42(12): 143-149.
[12] 樊红卫, 马宁阁, 马嘉腾, 等. 基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断[J]. 振动与冲击, 2024, 43(11): 246-254.
Fan Hongwei, Ma Ningge, Ma Jiateng, et al. Intelligent fault diagnosis of rolling bearing based on EMDPWVD time-frequency images and improved ViT network[J]. Journal of Vibration and Shock, 2024, 43(11): 246-254.
[13] 周海成, 石恒初, 曾令森, 等. 基于关系超图增强Transformer的智能站二次设备故障诊断研究[J]. 电力系统保护与控制, 2024, 52(12): 123-132.
Zhou Haicheng, Shi Hengchu, Zeng Lingsen, et al. Fault diagnosis of an intelligent substation secondary device based on a relational hypergraph-enhanced Transformer[J]. Power System Protection and Control, 2024, 52(12): 123-132.
[14] 陈俊生, 李剑, 陈伟根, 等. 采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法[J]. 电工技术学报, 2020, 35(2): 346-358.
Chen Junsheng, Li Jian, Chen Weigen, et al. A method for detecting anomaly conditions of wind turbines using stacked denoising autoencoders with sliding window and multiple noise ratios[J]. Transa- ctions of China Electrotechnical Society, 2020, 35(2): 346-358.
[15] 刘蔚, 李万铨, 王明峤, 等. 复杂工况下的永磁同步电机典型绕组故障在线诊断[J]. 电工技术学报, 2024, 39(6): 1764-1776.
Liu Wei, Li Wanquan, Wang Mingqiao, et al. Online diagnosis of typical winding faults in permanent magnet synchronous motors under complex working conditions[J]. Transactions of China Electrotechnical Society, 2024, 39(6): 1764-1776.
[16] 张淼彬, 王丰华, 金玉琪, 等. 基于图像分割及小波脊线的变压器绕组状态检测[J]. 电工技术学报, 2025, 40(2): 640-652.
Zhang Miaobin, Wang Fenghua, Jin Yuqi, et al. Transformer winding condition detection based on image segmentation and wavelet ridges[J]. Transa- ctions of China Electrotechnical Society, 2025, 40(2): 640-652.
[17] 夏志凌, 胡凯波, 刘心悦, 等. 基于变模态分解的异步电机转子断条故障诊断[J]. 电工技术学报, 2023, 38(8): 2048-2059.
Xia Zhiling, Hu Kaibo, Liu Xinyue, et al. Fault diagnosis of rotor broken bar in induction motor based on variable mode decomposition[J]. Transa- ctions of China Electrotechnical Society, 2023, 38(8): 2048-2059.
[18] 齐萌, 王国强, 石念峰, 等. 基于时频图与视觉Transformer的滚动轴承智能故障诊断方法[J]. 轴承, 2024(10): 115-123.
Qi Meng, Wang Guoqiang, Shi Nianfeng, et al. Intelligent fault diagnosis method for rolling bearings based on time-frequency diagram and vision Trans- former[J]. Bearing, 2024(10): 115-123.
[19] 陈尚年, 李录平, 张世海, 等. 基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用[J]. 热能动力工程, 2023, 38(8): 159-168.
Chen Shangnian, Li Luping, Zhang Shihai, et al. EEMD-LSTM-based turbine rotor rub-impact fault diagnosis model and its engineering application[J]. Journal of Engineering for Thermal Energy and Power, 2023, 38(8): 159-168.
[20] 马永光, 冯勇升. 基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究[J]. 太阳能学报, 2023, 44(4): 67-73.
Ma Yongguang, Feng Yongsheng. Research on fault warning method of wind turbine gearbox based on IICEEMDAN-PCA-GRU[J]. Acta Energiae Solaris Sinica, 2023, 44(4): 67-73.
[21] 赵洪山, 林诗雨, 孙承妍, 等. 考虑多时间尺度信息的风力发电机滚动轴承故障预测[J]. 中国电机工程学报, 2024, 44(22): 8908-8920.
Zhao Hongshan, Lin Shiyu, Sun Chengyan, et al. Fault prediction of wind turbine rolling bearing considering multi-time scale information[J]. Pro- ceedings of the CSEE, 2024, 44(22): 8908-8920.
[22] 张君昌, 赵莉. 一种基于改进EMD的语音去噪方法[J]. 计算机仿真, 2011, 28(8): 397-400, 412.
Zhang Junchang, Zhao Li. Speech de-noising method based on improved EMD[J]. Computer Simulation, 2011, 28(8): 397-400, 412.
[23] Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words[J]. Transformers for Image Recognition at Scale, 2020, DOI: 10.48550/ arXiv.2010.11929.
[24] Xia Zhuofan, Pan Xuran, Song Shiji, et al. Vision transformer with deformable attention[C]//IEEE/CVF Conference on Computer Vision and Pattern Recog- nition, New Orleans, LA, USA, 2022: 1-12.
Abstract Most wind turbine fault early warning methods based on supervisory control and data acquisition (SCADA) data only focus on a specific fault. This paper proposes an early warning method based on improved ensemble empirical mode decomposition (EEMD) and an enhanced vision transformer (ViT) model.
The improvements for the EEMD algorithm include dynamic decomposition, component acquisition, and judgment conditions. In terms of dynamic decomposition, the EEMD algorithm is enhanced with the aid of historical operational data from wind turbines. The decomposition window is set up, and the extreme value envelope is calculated based on the local extreme points within the window and the historical decomposition data. Characteristic information can be obtained at different time scales. In terms of component acquisition, the symmetric extension method is employed, utilizing the number of extreme points within the window, combined with piecewise cubic Hermitian interpolation, AR model assistance, sinusoidal fitting, and slope fitting. The final components are obtained by weighted average. In terms of the judgment condition, the standard deviation determines the criterion for obtaining components. The ratio of the window to the length of the reference historical data is added to the convergence criterion, and the number of components is fixed as the decomposition termination condition. The signal is decomposed into a long sequence to obtain more accurate components.
The enhanced ViT model comprises a feature matrix splicing layer, a convolutional layer combined with an asymmetric convolution module, a transformer encoder layer with deformable attention, and an output layer consisting of a fully connected network. The model incorporates asymmetric convolution in the convolutional layer, utilizing seven types of convolution kernels. Three of these kernels can fully capture the latent features of different components and the variable characteristics within a single variable of SCADA data, while retaining the time series features. The deformable attention mechanism is added to the transformer encoder layer, which reduces the computational complexity and enhances prediction by focusing on key sampling moments around the reference time.
The specific fault warning process of this early warning method is as follows. Firstly, the SCADA data of the wind turbine is cleaned, and the variables are screened. The improved EEMD decomposes each dimensional variable into components, and the feature matrix representing the state of the wind turbine is constructed. Then, the feature matrix is input into the enhanced ViT model for training, and the optimal normal state prediction model is obtained. The model utilizes processing methods specifically designed for the characteristics of SCADA decomposition data in the image tiling and embedding stages. Finally, the residual matrix is obtained by subtracting the predicted feature matrix from the improved EEMD decomposition results. The RMSE is calculated, and an alarm threshold is set to determine whether the wind turbine is operating abnormally, thereby enabling fault warning. SCADA data in the actual operation of wind turbines verifies the proposed method.
Keywords：Wind turbine, supervisory control and data acquisition (SCADA) data, fault warning, improved ensemble empirical mode decomposition (EEMD), enhanced ViT
中图分类号：TM315
DOI: 10.19595/j.cnki.1000-6753.tces.241722
国家自然科学基金资助项目（51277077）。
收稿日期 2024-10-07
改稿日期 2024-11-04
许伯强 男，1972年生，博士，教授，博士生导师，研究方向为大型电机的状态监测与故障诊断。
E-mail: xbq_ncepu@126.com（通信作者）
王 彪 男，1998年生，硕士研究生，研究方向为风电机组状态监测与故障诊断。
E-mail: 2290405593@qq.com
（编辑 崔文静）