12月1日，顶级国际期刊《Renewable Energy》正式发表了我院风电技术与装备研究所科研人员在大型风电机组主传动链状态监测领域取得的最新研究进展。
风能作为一种全球范围内广泛应用的新能源技术，在全球能源结构中的地位正逐渐提升。但是，风电机组高昂的运维成本成为制约风电行业高速发展的一个重要因素。据统计，在大型风电场中运维成本占据总成本的30%。主传动链作为风电机组中的关键系统，其部件故障频率较高，且故障将导致长时间停机和巨大经济损失。因此，发展风电机组主传动链状态监测技术，实现早期故障预警，对于降低运维成本和提高风电机组的运行可靠性具有重要意义。
大型风电机组
我院风电技术与装备研究所科研人员在国家重点研发计划、湖南省重大标志性创新示范工程等课题的支持下，深入分析了风电机组主传动链的故障特征和运行原理，基于正常行为模型状态监测技术框架，提出了一种灵敏度高且易于部署的大型风电机组主传动链状态监测方法。
研究提出了一种结合了时间窗口、双变量残差融合以及历史记忆清除机制风电机组主传动链状态监测指标，解决了现场环境下灵敏性和抗干扰能力平衡的难题。
主传动链状态监测指标计算过程示意图
该方法的正常行为模型是基于Informer深度学习网络构建的，沿用了Transformer（即大语言模型基础架构）的编码器－解码器结构，通过ProbSparse self-attention和注意力蒸馏机制提升了运算效率；采用多层编码器堆栈的设计，实现了对不同尺度时间信息的有效捕捉；采用一步生成式解码器，克服了Transformer逐步输出的局限性。该模型具有较好的可迁移性，能够更好适应不同的风电机组和应用场景。这一特性极大地提升了模型的实用性。
正常行为模型编码器主堆栈结构
目前，新方法已完成了现场部署。下一步，研究人员准备依据现场应用反馈，进一步完善这一方法，实现大规模推广应用，为“双碳”目标的实现贡献机电力量。
风电机组健康管理与故障预警系统
（一审葛吉民 二审陈硕 三审王宪）
