摘 要：風(fēng)電機(jī)組變槳系統(tǒng)的少量不均衡故障樣本難以訓(xùn)練基于數(shù)據(jù)驅(qū)動的故障診斷模型，導(dǎo)致監(jiān)測系統(tǒng)常常漏報或誤報故障。針對上述問題，提出一種基于TimeGAN-Stacking的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷方法。在數(shù)據(jù)層面，由于原始樣本類別不平衡，基于時序生成對抗網(wǎng)絡(luò)（TimeGAN）跟蹤風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)逐步概率分布的動態(tài)變化特征，同時優(yōu)化生成樣本的全局分布與局部分布，有效平衡且擴(kuò)容風(fēng)電機(jī)組多種故障綜合樣本集；在模型層面，建立Stacking集成模型，融合多個故障診斷器的優(yōu)勢，進(jìn)一步提高故障診斷能力。最后，基于實際風(fēng)場數(shù)據(jù)對所提方法進(jìn)行測試，結(jié)果表明，所提出的TimeGAN-Stacking故障識別方法可有效診斷4種變槳故障。

關(guān)鍵詞：風(fēng)電機(jī)組；數(shù)據(jù)挖掘；故障分析；深度學(xué)習(xí)；時序生成對抗網(wǎng)絡(luò)；樣本增強(qiáng)

中圖分類號：TM614 """""""""""" """""""文獻(xiàn)標(biāo)志碼：A

0 引 言

在“雙碳”目標(biāo)的推動下，風(fēng)力發(fā)電不斷發(fā)展，風(fēng)電機(jī)組裝機(jī)容量已于2022年突破370 GW。風(fēng)電機(jī)組通常安裝在山丘、海邊、戈壁等自然條件相對惡劣的地區(qū)，這導(dǎo)致風(fēng)電機(jī)組易受損并發(fā)生故障，而且變槳系統(tǒng)故障需較長的維修時間和較高的維修成本［1］，甚至?xí)斐娠L(fēng)電機(jī)組倒塌事故等嚴(yán)重后果。因此基于監(jiān)測數(shù)據(jù)進(jìn)行故障診斷是目前風(fēng)電機(jī)組運(yùn)維的研究熱點［2］。

機(jī)器學(xué)習(xí)的發(fā)展為風(fēng)電機(jī)組變槳系統(tǒng)故障診斷提供了一種“端到端”的解決方案，無需人為設(shè)計故障特征，直接建立風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)與運(yùn)行狀態(tài)之間的隱式映射關(guān)系［3］。文獻(xiàn)［4］提出一種以風(fēng)速、有功功率為輸入，以風(fēng)輪轉(zhuǎn)速、槳距角、變槳驅(qū)動電流為輸出的回歸模型，并通過高斯混合模型對比模型預(yù)測值與系統(tǒng)真實值的偏離程度，判斷變槳系統(tǒng)劣化狀態(tài)；文獻(xiàn)［5］考慮不同工況下風(fēng)電機(jī)組運(yùn)行狀態(tài)的差異，設(shè)計了一種自適應(yīng)調(diào)整權(quán)重的特征選擇算法，實現(xiàn)在變工況條件下的風(fēng)電機(jī)組異常狀態(tài)識別；針對數(shù)據(jù)異常情況，文獻(xiàn)［6］提出使用孤立森林異常值檢測算法處理原始數(shù)據(jù)，再通過高斯回歸模型識別偏航角零點漂移，在不同型號的風(fēng)電機(jī)組數(shù)據(jù)上表現(xiàn)良好，具有較強(qiáng)的泛化性；文獻(xiàn)［7］基于ReliefF算法和核密度-均值法提取與偏航齒輪故障相關(guān)的7個特征變量，對正常、磨損、斷齒3種狀態(tài)實現(xiàn)識別；文獻(xiàn)［8-10］使用卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)風(fēng)電機(jī)組故障特征提取效果，并證明了方法的有效性。

然而，以上研究未充分考慮風(fēng)電機(jī)組故障識別所面臨的樣本不平衡問題。工程中有標(biāo)注的故障數(shù)據(jù)較少，可利用的故障狀態(tài)數(shù)據(jù)遠(yuǎn)遠(yuǎn)少于正常狀態(tài)數(shù)據(jù)，風(fēng)電機(jī)組變槳系統(tǒng)診斷面臨數(shù)據(jù)不平衡的問題。分布不平衡的數(shù)據(jù)限制了數(shù)據(jù)驅(qū)動模型的訓(xùn)練優(yōu)化，易使模型產(chǎn)生偏好，進(jìn)而導(dǎo)致漏報誤報故障。為此有研究通過隨機(jī)過采樣（random over-sampling， ROS）平衡數(shù)據(jù)集［11］，但簡單復(fù)制少數(shù)樣本易引發(fā)模型過擬合；在過采樣基礎(chǔ)上改進(jìn)的合成少數(shù)類過采樣技術(shù)（synthetic minority over-sampling technique， SMOTE）基于距離度量生成相似樣本，相比ROS減小了樣本的重復(fù)度，但易引入噪聲且無法兼顧故障樣本多樣性與數(shù)據(jù)分布特征［12］。另一種思路是通過生成對抗網(wǎng)絡(luò)（generative adversarial networks， GAN）［13］增強(qiáng)樣本庫，而GAN模型與GAN的衍生模型主要考慮時序序列整體概率分布，并未關(guān)注時間序列的動態(tài)時間相關(guān)性［14］。為克服這一缺陷，文獻(xiàn)［15］提出編碼-生成聯(lián)合訓(xùn)練的時間序列生成對抗網(wǎng)絡(luò)（timeseries generative adversarial networks， TimeGAN）模型，捕捉相鄰時間步長的動態(tài)分布特征，目前已在樓宇空調(diào)負(fù)荷場景生成［14］和風(fēng)電功率預(yù)測［16］等研究領(lǐng)域取得了良好效果。風(fēng)電機(jī)組變槳故障診斷還鮮有相關(guān)研究，因此有必要引入該技術(shù)以解決樣本不平衡問題。

基于以上研究背景，本文在考慮風(fēng)電機(jī)組監(jiān)測數(shù)據(jù)具有明顯時序性特征的基礎(chǔ)上，提出一種基于TimeGAN-Stacking的風(fēng)電機(jī)組變槳故障診斷方法，在GAN的基礎(chǔ)上引入真實樣本編碼值作為監(jiān)督項，同時進(jìn)行有監(jiān)督聯(lián)合訓(xùn)練和無監(jiān)督對抗訓(xùn)練，充分提取風(fēng)電機(jī)組故障樣本的動態(tài)時間相關(guān)性，并通過算例驗證所提方法的有效性和優(yōu)越性。

1 基于TimeGAN-Stacking的故障診斷方法

1.1 基于TimeGAN的數(shù)據(jù)增強(qiáng)方法

變槳系統(tǒng)作為風(fēng)電機(jī)組的重要組成部分，可改變其轉(zhuǎn)速和功率，直接影響工作效率［17］。變槳系統(tǒng)涉及部件較多，故障類型不一，根據(jù)某風(fēng)場2022年有標(biāo)簽的變槳系統(tǒng)歷史故障記錄，選取發(fā)生頻次較高的4類故障，分別為：變槳內(nèi)部安全鏈故障、變槳位置比較偏差大、變槳發(fā)電位置傳感器異常、變槳電機(jī)溫度高，本文將對以上4種故障進(jìn)行診斷。變槳系統(tǒng)包含電氣組件和機(jī)械組件，內(nèi)部耦合關(guān)系及硬件結(jié)構(gòu)復(fù)雜，從機(jī)理角度分析故障較為困難。數(shù)據(jù)采集與監(jiān)視控制（supervisory control and data acquisition，SCADA）系統(tǒng)秒級數(shù)據(jù)可反映風(fēng)電機(jī)組在不同變槳故障下系統(tǒng)狀態(tài)特性，因此本文基于風(fēng)速、變槳槳距角、變槳速度、變槳電機(jī)溫度等25個特征參量進(jìn)行故障診斷。這些特征參量都具有較強(qiáng)的動態(tài)時間相關(guān)性，傳統(tǒng)做法是將循環(huán)神經(jīng)網(wǎng)絡(luò) （recurrent neural network，RNN）作為GAN的基本網(wǎng)絡(luò)結(jié)構(gòu)，以提取風(fēng)電機(jī)組原始樣本的時間特性。

然而，GAN簡單地將生成損失和判別損失線性相加，使風(fēng)電機(jī)組生成數(shù)據(jù)不斷逼近風(fēng)電機(jī)組原始數(shù)據(jù)的整體分布[p（x1：T）]，卻未關(guān)注相鄰時間步[xt-1]與[xt]間的潛在關(guān)系，難以有效捕捉風(fēng)速等動態(tài)序列的內(nèi)部關(guān)聯(lián)性。自回歸模型（autoregression， AR）基于條件概率分布[p（xt|x1：t-1）]計算[xt]，可體現(xiàn)相鄰時間步間風(fēng)電機(jī)組狀態(tài)的動態(tài)變化特征，更適合表征局部分布。但自回歸模型利用風(fēng)電機(jī)組歷史狀態(tài)預(yù)測下一時刻狀態(tài)，本質(zhì)上不是生成模型，不能基于少量風(fēng)電機(jī)組故障數(shù)據(jù)生成大量相似數(shù)據(jù)。

為了彌補(bǔ)GAN不能捕捉風(fēng)電機(jī)組動態(tài)特性的缺陷，2019年Yoon等［15］綜合GAN和AR兩者優(yōu)點提出TimeGAN模型。TimeGAN模型的輸入被分為靜態(tài)和動態(tài)特征，靜態(tài)特征主要包括風(fēng)電機(jī)組型號、風(fēng)場位置等。由于本文所獲得的歷史數(shù)據(jù)來源相同，靜態(tài)特征并無差異，對生成數(shù)據(jù)質(zhì)量幾乎無影響，故忽略靜態(tài)特征。TimeGAN的基本結(jié)構(gòu)如圖１所示。

其中[Χ]是樣本空間，[Z]是噪聲空間，[Η]是潛在空間，[Y]是二元空間。[T]表示原始風(fēng)電機(jī)組樣本的序列長度。真實樣本[x1：T∈Χ]，且服從某種分布[p]；隨機(jī)噪聲[z1：T∈Ζ]，且服從已知分布[p]；[h1：T∈Η]是真實樣本編碼后的潛在向量，[h1：T∈Η]是基于隨機(jī)噪聲生成的潛在向量；[xr1：T∈Χ]是重構(gòu)后的樣本；[y1：T∈Y]是判別器基于[h1：T]做出的判斷，只有0或1兩種取值代表數(shù)據(jù)是真或假，[y1：T∈Y]是判別器基于[h1：T]做出的判斷。

1.1.1 編碼器與重構(gòu)器

編碼器是實現(xiàn)風(fēng)電機(jī)組數(shù)據(jù)從空間X到空間H的函數(shù)，其作用在于降低原始數(shù)據(jù)的維度，使對抗訓(xùn)練在更低維度的潛在空間中學(xué)習(xí)風(fēng)電機(jī)組數(shù)據(jù)的動態(tài)特征?；谧曰貧w思想，編碼器e認(rèn)為風(fēng)電機(jī)組動態(tài)特征在[t]時刻的狀態(tài)與[t-1]時刻有關(guān)，數(shù)學(xué)形式如式（1）所示。

[ht=e（ht-1，xt）] （1）

重構(gòu)器是實現(xiàn)風(fēng)電機(jī)組數(shù)據(jù)從空間H到空間X的函數(shù)，與編碼器將樣本空間中[x1：T]映射為潛在空間中[h1：T]的過程相反。重構(gòu)器的數(shù)學(xué)形式如式（2）所示。

[xrt=r（ht）] （2）

1.1.2 生成器與判別器

生成器是實現(xiàn)噪聲數(shù)據(jù)從空間Z到空間H的函數(shù)，其作用在于生成樣本。生成器的數(shù)學(xué)形式如式（3）所示。TimeGAN為提升生成數(shù)據(jù)的質(zhì)量，基于自回歸模型中通過歷史數(shù)據(jù)預(yù)測當(dāng)前數(shù)據(jù)的原理，將[ht-1]作為監(jiān)督條件輔助生成[ht]，對比式（1）和式（3）可發(fā)現(xiàn)兩者的相似性。不同于傳統(tǒng)GAN模型中生成器直接將生成的風(fēng)電機(jī)組樣本[x]送入判別器的做法，TimeGAN中生成器生成的[h1：T]屬于潛在向量。在潛在（低維）空間中學(xué)習(xí)風(fēng)電機(jī)組故障特征是可行且高效的［15］。

[ht=g（ht-1，zt）] （3）

判別器是實現(xiàn)數(shù)據(jù)從空間H到空間Y的函數(shù)，其輸入為數(shù)據(jù)[ht]：包含真實的[ht]及生成的[ht]；輸出為[yt∈0，1]：0代表數(shù)據(jù)為真，1代表數(shù)據(jù)為假。判別器的數(shù)學(xué)形式如式（4）所示。

[yt=d（ht）] （4）

1.1.3 對抗訓(xùn)練與聯(lián)合訓(xùn)練

TimeGAN的訓(xùn)練過程如圖2所示，其中[LS]、[LR]、[LU]分別是監(jiān)督學(xué)習(xí)損失、重構(gòu)損失、無監(jiān)督判別損失，[θe]、[θr]、[θg]、[θd]分別是編碼器、重構(gòu)器、生成器、判別器的參數(shù)。

TimeGAN延續(xù)了生成器與判別器間的對抗訓(xùn)練，通過生成器與判別器之間的博弈實現(xiàn)生成風(fēng)電機(jī)組數(shù)據(jù)不斷逼近真實風(fēng)電機(jī)組數(shù)據(jù)整體分布。對抗訓(xùn)練產(chǎn)生無監(jiān)督損失，如式（5）所示，無監(jiān)督損失向后傳播，基于梯度下降更新生成器和判別器參數(shù)。

[LU=Ex～pΧ（x）tlnyt+Ez～pZ（z）tln（1-yt）] （5）

除此之外，TimeGAN引入生成器與編碼器之間的聯(lián)合訓(xùn)練，利用編碼結(jié)果輔助生成器捕捉真實風(fēng)電機(jī)組數(shù)據(jù)局部分布。聯(lián)合訓(xùn)練產(chǎn)生有監(jiān)督損失，如式（6）所示，有監(jiān)督損失向后傳播，更新生成器和編碼器參數(shù)。

[LS=Ex～pX（x）tht-ht2] （6）

1.1.4 訓(xùn)練目標(biāo)

TimeGAN同時進(jìn)行自編碼、生成、判別、迭代優(yōu)化等多個任務(wù)，一方面需增強(qiáng)判別器分辨真假數(shù)據(jù)的能力，一方面又要增強(qiáng)生成器仿造風(fēng)電機(jī)組數(shù)據(jù)的能力，因此其目標(biāo)函數(shù)如式（7）所示。

[minθg（ηLS+maxθdLU）minθe，θr（λLS+LR）] （7）

式中：[LR]——重構(gòu)誤差，[LR=Εs，x1：T～ptxt-xt2]；[λ]和[η]——平衡損失的超參數(shù)，在實驗中證明TimeGAN對超參數(shù)的選擇不敏感［15］。

本文提出的TimeGAN-Stacking模型中TimeGAN網(wǎng)絡(luò)的重要參數(shù)設(shè)置如表1所示。

1.2 基于Stacking集成算法的診斷模型設(shè)計

Stacking模型是集成學(xué)習(xí)的典型代表，其特點是博采眾長，通過選取合適且富有差異的基學(xué)習(xí)器互補(bǔ)學(xué)習(xí)能力，進(jìn)而提升模型效果［18］。本文提出的Stacking故障診斷模型采用兩層串聯(lián)結(jié)構(gòu)，其框架為：第1層為初級診斷器，采用5折交叉驗證法進(jìn)行訓(xùn)練，并輸出診斷結(jié)果；第2層為元診斷器，元診斷器的特征和測試集分別是初級診斷器在訓(xùn)練集的診斷結(jié)果拼接值，和在測試集的診斷結(jié)果平均值。

本文提出的Stacking模型第1層使用5個并聯(lián)的基診斷器，分別是：決策樹（decision tree， DT）模型、多層感知機(jī)（multi-layer perceptron， MLP）模型、K最近鄰法（k-nearestneighbor， KNN）模型、支持向量機(jī)（support vector machines， SVM）模型、裝袋算法（bootstrap aggregating， Bagging）模型；第2層元診斷器采用邏輯回歸（logistic regression， LR）模型，這些診斷器的原理各不相同，如表2所示。

其中，DT基于樹結(jié)構(gòu)進(jìn)行分類［19］，適合處理強(qiáng)相關(guān)關(guān)系，例如變槳位置比較偏差大一般是由于變槳位置越限或3個變槳角度差值較大，因此該故障與變槳槳距角等特征參量具有較強(qiáng)關(guān)聯(lián)性；MLP基于神經(jīng)網(wǎng)絡(luò)擬合特征，可更好處理非線性關(guān)系，收斂速度較快［20］；KNN和SVM都是基于距離劃分類別，KNN適合風(fēng)電機(jī)組多種故障分類，但需考慮每對樣本的距離，尤其是面對具有高維特征的風(fēng)電機(jī)組樣本時計算開銷較大，SVM可更好處理高維特征，但多分類效果欠佳，將兩者作為基診斷器可實現(xiàn)優(yōu)劣互補(bǔ)；Bagging作為集成算法可增強(qiáng)診斷模型的泛化性［21］。最后將特征提取能力較差，但計算代價較低的LR設(shè)為元診斷器。

1.3 基于TimeGAN-Stacking的故障診斷流程

綜上，基于TimeGAN增強(qiáng)數(shù)據(jù)及Stacking集成模型的風(fēng)電機(jī)組故障識別流程如圖3所示，主要包括3個步驟。

1） 數(shù)據(jù)獲?。簭腟CADA系統(tǒng)獲取包含變槳內(nèi)部安全鏈故障、變槳位置比較偏差大、變槳發(fā)電位置傳感器異常、變槳電機(jī)溫度高這4種故障的風(fēng)電機(jī)組變槳系統(tǒng)歷史數(shù)據(jù)，按4∶1的比例劃分訓(xùn)練集與測試集。2） 模型訓(xùn)練：訓(xùn)練集中的故障樣本首先被送入TimeGAN網(wǎng)絡(luò)，擴(kuò)充故障樣本數(shù)量，平衡訓(xùn)練樣本類別，形成增強(qiáng)訓(xùn)練樣本集。然后將其輸入Stacking模型進(jìn)行訓(xùn)練。3） 將訓(xùn)練好的Stacking診斷模型應(yīng)用于不平衡的測試集，并可視化識別結(jié)果。

1.4 評價指標(biāo)

1.4.1 數(shù)據(jù)相似度定性評價

在風(fēng)電機(jī)組真實樣本和生成樣本的比較中，采用降維方法直觀對比相似度。主成分分析法（principal component analysis， PCA）在降維過程中保留風(fēng)電機(jī)組樣本集的固有屬性［23］，T分布隨機(jī)近鄰嵌入（t-distribution stochastic neighbour embedding， t-SNE）則采用條件概率衡量相似性，計算過程較為復(fù)雜［24］。兩者降維原理不同，可綜合評價風(fēng)電機(jī)組真實樣本集與生成樣本集分布的差異。

1.4.2 診斷效果定量評價

本文基于表3所示的風(fēng)電機(jī)組故障診斷混淆矩陣，定義[Acc、F1、Gmean]等指標(biāo)評價模型診斷效果。其中#0代表風(fēng)電機(jī)組狀態(tài)正常、#1、#2、#3、#4故障分別代表變槳內(nèi)部安全鏈故障、變槳位置比較偏差大、變槳發(fā)電位置傳感器異常、變槳電機(jī)溫度高。

1） [Acc]

[Acc]反映的是所有預(yù)測正確的樣本數(shù)量占總數(shù)量的比例，其定義如式（8）所示［17］。準(zhǔn)確度[Acc]越高說明模型的識別效果越好。

[Acc=i=04niii=0，j=04nij] （8）

2） [F1]

精確度[Pi]反映了預(yù)測正常樣本的準(zhǔn)確度，召回率[Ri]表示所有正常樣本被識別出來的比例，[F1]綜合了精確度與召回率的評價維度，其定義如式（11）所示［25］。[F1]越高說明模型的識別效果越好。

[Pi=niij=04nji] （9）

[Ri=niij=04nij] （10）

[F1=2×i=04Ri×i=04Pi5×i=04Ri+i=04Pi] （11）

3） [Gmean]

[Gmean]是召回率的幾何平均，其定義如式（12）所示。[Gmean]可更好地反映不平衡風(fēng)電機(jī)組樣本的識別情況，[Gmean]值越高說明模型對不平衡樣本的識別效果越好［26］。

[Gmean=i=04Ri15] （12）

2 實驗分析

本文實驗硬件為Intel? CoreTM i9-10900K CPU@3.70 GHz，運(yùn)行內(nèi)存為32 G，使用圖形處理單元（NVIDIA GeForce RTX 3060，顯存8 G）對訓(xùn)練過程進(jìn)行加速，深度學(xué)習(xí)框架選取TensorFlow。

2.1 數(shù)據(jù)獲取

風(fēng)電機(jī)組歷史數(shù)據(jù)從某地區(qū)風(fēng)光儲基地的數(shù)據(jù)庫中選取，時間顆粒度為秒級，具有風(fēng)速、變槳槳距角、變槳速度、變槳電機(jī)溫度等25個特征參量。風(fēng)電機(jī)組歷史樣本集中包含正常工作、變槳內(nèi)部安全鏈故障、變槳位置比較偏差大、變槳發(fā)電位置傳感器異常、變槳電機(jī)溫度高共5種狀態(tài)的樣本，原始樣本中各類別故障樣本數(shù)量如表4所示。其中變槳位置比較偏差大故障樣本數(shù)量僅有134個，與正常樣本比值為1∶957.6，原始樣本類別不平衡非常嚴(yán)重。

2.2 數(shù)據(jù)生成效果對比

為體現(xiàn)TimeGAN數(shù)據(jù)增強(qiáng)效果，本文另通過ROS、SMOTE兩種方法增強(qiáng)數(shù)據(jù)進(jìn)行對比，3種方法的增強(qiáng)效果如圖4所示。

從圖4a、圖4b可看出ROS增強(qiáng)樣本、SMOTE增強(qiáng)樣本幾乎和原始樣本完全重合，說明增強(qiáng)樣本分布與原始樣本高度相似；從圖4c可看出TimeGAN增強(qiáng)樣本與原始樣本分布基本一致，而且存在一定差異，具有波動性。

2.3 故障診斷效果對比

2.3.1 不同增強(qiáng)樣本的診斷效果對比

在不同增強(qiáng)樣本上訓(xùn)練的診斷模型在測試集的表現(xiàn)如表5所示。

由表5可知，與基于原始數(shù)據(jù)的訓(xùn)練集相比，經(jīng)由ROS、SMOTE和TimeGAN增強(qiáng)后的訓(xùn)練集使故障診斷器的診斷性能明顯提升，基于TimeGAN增強(qiáng)樣本訓(xùn)練的Stacking模型的診斷效果最好。

1） ROS增強(qiáng)方法：[Acc、F1、Gmean]指標(biāo)較原始數(shù)據(jù)分別提高6.29%、6.05%和25.21%。這是由于ROS通過復(fù)制少量樣本可使各類故障樣本與正常狀態(tài)樣本的樣本數(shù)量相同，基于平衡樣本集訓(xùn)練的診斷模型不再偏好多數(shù)類，診斷能力有所增強(qiáng)。

2） SMOTE增強(qiáng)方法：[Acc、F1、Gmean]指標(biāo)較ROS增強(qiáng)方法分別提高17.27%、10.34%和5.00%。在圖4中SMOTE和ROS增強(qiáng)樣本分布都與原始樣本分布基本重合，但診斷效果卻不同，這是由于SMOTE不再延續(xù)ROS簡單復(fù)制少量樣本的做法，而是采用[k]臨近算法合成部分新樣本，即通過原始樣本的線性組合獲得新樣本。為體現(xiàn)SMOTE的改進(jìn)之處，本文采用t-SNE降維對比兩者不同。如圖5a、圖5b所示，SMOTE增強(qiáng)樣本中包含更多的合成樣本，具有較好的多樣性和波動性，可防止Stacking模型過擬合，因此基于SMOTE增強(qiáng)樣本的診斷效果更好。

3） TimeGAN增強(qiáng)方法：[Acc、F1、Gmean]指標(biāo)較SMOTE增強(qiáng)數(shù)據(jù)分別提高25.21%、13.04%、1.02%。從ROS、SMOTE、TimeGAN這3組實驗結(jié)果可看出，[Acc]與[F1]指標(biāo)的提升幅度逐漸增大，而[Gmean]的提升幅度逐漸減小。[Gmean]主要反映了模型對不平衡數(shù)據(jù)的適應(yīng)能力，因此ROS增強(qiáng)方法對診斷效果提升的主要貢獻(xiàn)在于平衡樣本，解決診斷模型對多數(shù)類的偏好問題；而SMOTE、TimeGAN增強(qiáng)方法對診斷效果提升的主要貢獻(xiàn)在于提升樣本多樣性，增強(qiáng)診斷模型的泛化能力。TimeGAN基于聯(lián)合訓(xùn)練捕捉風(fēng)電機(jī)組數(shù)據(jù)的逐步分布特性，生成數(shù)據(jù)比SMOTE增強(qiáng)樣本集具有更豐富更全面的風(fēng)電機(jī)組狀態(tài)特征，由圖4c和圖5c可看出TimeGAN增強(qiáng)樣本集與原始樣本集保持相似分布且稍有波動，因此基于TimeGAN增強(qiáng)數(shù)據(jù)集訓(xùn)練的Stacking模型應(yīng)具有更好的泛化性，診斷效果更好。

2.3.2 不同診斷模型的診斷效果對比

為體現(xiàn)Stacking模型的優(yōu)越性，本文除利用TimeGAN-Stacking故障診斷模型之外，還設(shè)置了TimeGAN-DT、TimeGAN-MLP、TimeGAN-KNN、TimeGAN-SVC、TimeGAN-Bagging、TimeGAN-LR等作為對照模型。所有模型的輸入都是原始樣本，并按4∶1的比例劃分訓(xùn)練集與測試集，唯一不同在于分類模型。各種診斷模型的故障診斷效果如表6所示。

由表6可見，TimeGAN-Stacking的各項指標(biāo)都表現(xiàn)良好，其[Acc、F1、Gmean]指標(biāo)較TimeGAN-LR分別提高99.83%、97.84%、362.18%，TimeGAN-Stacking取得這樣的提升效果是因為基識別器為元識別器LR提供了更強(qiáng)大的特征提取能力。Stacking模型依靠個別表現(xiàn)優(yōu)秀的基診斷器提高診斷能力：KNN和SVC的[Acc]指標(biāo)表現(xiàn)較好，KNN和Bagging的[F1]指標(biāo)表現(xiàn)較好，KNN和Bagging的[Gmean]指標(biāo)表現(xiàn)較好；同時，Stacking模型又集眾家之長：在基診斷器中KNN和Bagging表現(xiàn)優(yōu)異，KNN的[Acc]指標(biāo)和Bagging的[Gmean]指標(biāo)甚至超過Stacking，但以3個指標(biāo)之和作為最終評判依據(jù)，Stacking模型表現(xiàn)最好，體現(xiàn)了融合模型的優(yōu)越性。

3 結(jié) 論

針對目前缺乏風(fēng)電機(jī)組變槳故障樣本且各故障樣本數(shù)量不均衡的現(xiàn)狀，本文提出基于TimeGAN-Stacking的風(fēng)電機(jī)組故障識別方法，并在某風(fēng)場數(shù)據(jù)集上進(jìn)行測試，得出以下結(jié)論：

1） TimeGAN通過有監(jiān)督聯(lián)合生成學(xué)習(xí)與無監(jiān)督對抗學(xué)習(xí)生成的故障樣本，可反映真實故障樣本的分布情況并具有多樣性，實現(xiàn)樣本數(shù)量擴(kuò)容和類別平衡，可有效解決風(fēng)電機(jī)組故障識別的不平衡樣本問題。

2） Stacking模型基于首層并聯(lián)、雙層串聯(lián)的結(jié)構(gòu)，集成各基故障識別器的優(yōu)點，可更有效提取故障樣本特征，增強(qiáng)模型診斷故障的能力，與單一故障診斷器相比，其診斷效果得到顯著提升。而且，TimeGAN-Stacking模型的診斷效果優(yōu)于ROS-Stacking、SMOTE-Stacking模型，說明TimeGAN增強(qiáng)數(shù)據(jù)集更能體現(xiàn)風(fēng)電機(jī)組數(shù)據(jù)的動態(tài)特征。

綜上，基于TimeGAN-Stacking的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷方法通過對多個物理參量進(jìn)行綜合分析，可在不平衡樣本集場景下實現(xiàn)較高精度的故障診斷，優(yōu)于目前工程中相關(guān)診斷方法（準(zhǔn)確率約80%）。但本文僅選取風(fēng)電機(jī)組數(shù)據(jù)的部分動態(tài)特征，未考慮風(fēng)電機(jī)組的地理位置、型號等靜態(tài)因素，這是本文的局限性，今后將針對該問題做相關(guān)研究，進(jìn)一步完善風(fēng)電機(jī)組變槳系統(tǒng)故障診斷方法。

［參考文獻(xiàn)］

［1］ 王思華， 王恬， 周麗君， 等. 基于批標(biāo)準(zhǔn)化的堆疊自編碼網(wǎng)絡(luò)風(fēng)電機(jī)組變槳系統(tǒng)故障診斷［J］. 太陽能學(xué)報， 202""43（2）： 394-401.

WANG S H， WANG T， ZHOU L J， et al. Fault diagnosis of pitch system of wind turbine based on standardized stacked ""autoencoder "network［J］. "Acta "energiae ""solaris sinica， 202""43（2）： 394-401.

［2］ 蘇向敬， 山衍浩， 周汶鑫， 等. 基于GRU和注意力機(jī)制的海上風(fēng)機(jī)齒輪箱狀態(tài)監(jiān)測［J］. 電力系統(tǒng)保護(hù)與控制， 202""49（24）： 141-149.

SU X J， SHAN Y H， ZHOU W X， et al. GRU and attention mechanism-based condition monitoring of an offshore wind turbine gearbox［J］. Power system protection and control， 202""49（24）： 141-149.

［3］ 宋威， 林建維， 周方澤， 等. 基于改進(jìn)降噪自編碼器的風(fēng)機(jī)軸承故障診斷方法［J］. 電力系統(tǒng)保護(hù)與控制， 202""50（10）： 61-68.

SONG W， LIN J W， ZHOU F Z， et al. Wind turbine bearing fault diagnosis method based on an improved denoising AutoEncoder［J］. Power system protection and control， 202""50（10）： 61-68.

［4］ 郭慧東， 王瑋， 夏明超. 基于數(shù)據(jù)挖掘的風(fēng)電機(jī)組變槳系統(tǒng)劣化狀態(tài)在線辨識方法［J］. 中國電機(jī)工程學(xué)報， 2016， 36（9）： 2389-2397.

GUO H D， WANG W， XIA M C. On-line identification for wind turbine pitch system degradation based on data mining technology［J］. Proceedings of the CSEE， 2016， 36（9）： 2389-2397.

［5］ 王爽心， 郭婷婷， 李蒙. 風(fēng)電機(jī)組變工況變槳系統(tǒng)異常狀態(tài)在線識別［J］. 中國電機(jī)工程學(xué)報， 2019， 39（17）： 5144-515""5295.

WANG S X， GUO T T， LI M. On-line abnormal state identification of pitch system based on transitional mode for wind turbine［J］. Proceedings of the CSEE， 2019， 39（17）： 5144-515""5295.

［6］ 楊建， 王力， 宋冬然， 等. 基于孤立森林與稀疏高斯過程回歸的風(fēng)電機(jī)組偏航角零點漂移診斷方法［J］. 中國電機(jī)工程學(xué)報， 202""41（18）： 6198-6212.

YANG J， WANG L， SONG D R， et al. Diagnostic method of zero-point shifting of wind turbine yaw angle based on isolated forest and sparse Gaussian process regression［J］. Proceedings of the CSEE， 202""41（18）： 6198-6212.

［7］ 鄧子豪， 李錄平， 劉瑞， 等. 基于SCADA數(shù)據(jù)特征提取的風(fēng)電機(jī)組偏航齒輪箱故障診斷方法研究［J］. 動力工程學(xué)報， 202""41（1）： 43-50.

DENG Z H， LI L P， LIU R， et al. Research on diagnosis method of wind turbine yaw gearbox based on SCADA data feature extraction［J］. Journal of Chinese Society of Power Engineering， 202""41（1）： 43-50.

［8］ 孟良， 蘇元浩， 許同樂， 等. 并行卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷方法［J］. 太陽能學(xué)報， 2023， 44（5）： 449-456.

MENG L， SU Y H， XU T L， et al. Wind turbine fault diagnosis method based on parallel convolutional neural network［J］. Acta energiae solaris sinica， 2023， 44（5）： 449-456.

［9］ 江國乾， 周俊超， 武鑫， 等. 基于空洞因果卷積網(wǎng)絡(luò)的風(fēng)電機(jī)組異常檢測［J］. 太陽能學(xué)報， 2023， 44（5）： 368-375.

JIANG G Q， ZHOU J C， WU X， et al. Wind turbine anomaly detection based on dilated causal convolution network［J］. Acta energiae solaris sinica， 2023， 44（5）： 368-375.

［10］ 劉家瑞， 楊國田， 楊錫運(yùn). 基于深度卷積自編碼器的風(fēng)電機(jī)組故障預(yù)警方法研究［J］. 太陽能學(xué)報， 202""43（11）： 215-223.

LIU J R， YANG G T， YANG X Y. Research on wind turbine fault warning method based on deep convolution auto-encoder［J］. Acta energiae solaris sinica， 202""43（11）： 215-223.

［11］ 李軒， 梅飛， 沙浩源， 等. 考慮樣本不平衡的特高壓換流閥狀態(tài)評估及其影響因素分析［J］. 中國電機(jī)工程學(xué)報， 202""42（4）： 1558-1569.

LI X， MEI F， SHA H Y， et al. State evaluation of UHVDC converter valve considering sample imbalance and its influencing factors analysis［J］. Proceedings of the CSEE， 202""42（4）： 1558-1569.

［12］ 葛磊蛟， 廖文龍， 王煜森， 等. 數(shù)據(jù)不足條件下基于改進(jìn)自動編碼器的變壓器故障數(shù)據(jù)增強(qiáng)方法［J］. 電工技術(shù)學(xué)報， 202""36（S1）： 84-94.

GE L J， LIAO W L， WANG Y S， et al. Data augmentation method for transformer fault based on improved Auto-Encoder ""under ""the ""condition "of ""insufficient ""data［J］. Transactions of China Electrotechnical Society， 202""36（S1）： 84-94.

［13］ GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］//Proceedings of the 27th International Conference on Neural Information Processing Systems. Montreal， Canada， 2014.

［14］ 曾爽， 丁屹峰， 李香龍， 等. 基于條件時序生成對抗網(wǎng)絡(luò)的樓宇空調(diào)負(fù)荷場景生成方法［J］. 電網(wǎng)技術(shù)， 202""46（7）： 2448-2456.

ZENG S， DING Y F， LI X L， et al. Scenario generation of air conditioning loads in buildings based on conditional TimeGAN［J］. Power system technology， 202""46（7）： 2448-2456.

［15］ YOON J， JARRETT D， VAN DER SCHAAR M. Time-series generative adversarial networks［C］// "Proceedings of the 33rd International Conference on Neural Information Processing Systems. Vancouver， Canada， 2019.

［16］ 劉雅婷， 楊明， 于一瀟， 等. 基于多場景敏感氣象因子優(yōu)選及小樣本學(xué)習(xí)與擴(kuò)充的轉(zhuǎn)折性天氣日前風(fēng)電功率預(yù)測［J］. 高電壓技術(shù)， 2023， 49（7）： 2972-2982.

LIU Y T， YANG M， YU Y X， et al. Transitional-weather-considered day-ahead wind power forecasting based on multi-scene sensitive meteorological factor optimization and few-shot learning［J］. High voltage engineering， 2023， 49（7）： 2972-2982.

［17］ 樊帥， 唐群先. 基于AdaBoost-SAMME的風(fēng)力發(fā)電機(jī)組變槳異常識別系統(tǒng)［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（21）： 31-40.

FAN S， TANG Q X. Wind turbine pitch anomaly recognition system based on AdaBoost-SAMME［J］. Power system protection and control， 2020， 48（21）： 31-40.

［18］ 游文霞， 李清清， 楊楠， 等. 基于多異學(xué)習(xí)器融合Stacking集成學(xué)習(xí)的竊電檢測［J］. 電力系統(tǒng)自動化， 202""46（24）： 178-186.

YOU W X， LI Q Q， YANG N， et al. Electricity theft detection based on multiple different learner fusion by stacking ""ensemble ""learning［J］. "Automation "of "electric power systems， 202""46（24）： 178-186.

［19］ 張國治， 陳康， 方榮行， 等. 基于DGA與鯨魚算法優(yōu)化Logit Boost-決策樹的變壓器故障診斷方法［J］. 電力系統(tǒng)保護(hù)與控制， 2023， 51（7）： 63-72.

ZHANG G Z， CHEN K， FANG R X， et al. Transformer fault diagnosis based on DGA and a whale algorithm optimizing "a "LogitBoost-decision ""tree［J］. "Power "system protection and control， 2023， 51（7）： 63-72.

［20］ 邢超， 高敬業(yè)， 畢貴紅， 等. 基于多層感知器的LCC-MMC并聯(lián)型特高壓三端混合直流輸電線路故障檢測方法探討［J］. 電力自動化設(shè)備， 2023， 43（3）： 138-145.

XING C， GAO J Y， BI G H， et al. Discussion on fault detection ""method "for "transmission "line ""of ""LCC-MMC parallel three-terminal hybrid UHVDC system based on multi-layer ""perception［J］. ""Electric ""power ""automation equipment， 2023， 43（3）： 138-145.

［21］ 趙冬梅， 謝家康， 王闖， 等. 基于Bagging集成學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定在線評估［J］. 電力系統(tǒng)保護(hù)與控制， 202""50（8）： 1-10.

ZHAO D M， XIE J K， WANG C， et al. On-line transient stability assessment of a power system based on Bagging ensemble learning［J］. Power system protection and control， 202""50（8）： 1-10.

［22］ 辛峰， 尤向陽， 葛笑寒， 等. 基于空間相量模型的三相電壓暫降擾動特征提取與分類［J］. 電力系統(tǒng)保護(hù)與控制， 202""50（8）： 58-65.

XIN F， YOU X Y， GE X H， et al. Feature extraction and classification of three-phase voltage dips based on a space phasor model［J］. Power system protection and control， 202""50（8）： 58-65.

［23］ 崔芮華， 李澤， 佟德栓. 基于相空間重構(gòu)和PCA的航空電弧故障檢測［J］. 中國電機(jī)工程學(xué)報， 202""41（14）： 5054-5065.

CUI R H， LI Z， TONG D S. Arc fault detection based on phase space reconstruction and principal component analysis in aviation power system［J］. Proceedings of the CSEE， 202""41（14）： 5054-5065.

［24］ 史強(qiáng)， 劉鹍， 李金嵩， 等. 基于t-SNE與CFSFDP算法的多源局部放電脈沖分類技術(shù)［J］. 中國電力， 202""55（5）： 102-110.

SHI Q， LIU K， LI J S， et al. Multi-source partial discharge pulse classification technology based on t-SNE and CFSFDP algorithms［J］. Electric power， 202""55（5）： 102-110.

［25］ 張玉彥， 張永奇， 孫春亞， 等. 不平衡樣本下基于生成式對抗網(wǎng)絡(luò)的風(fēng)機(jī)葉片開裂狀態(tài)識別［J］. 計算機(jī)集成制造系統(tǒng)， 2023， 29（2）： 532-543.

ZHANG Y Y， ZHANG Y Q， SUN C Y， et al. Identification method of cracking state of wind turbine blade ""based ""on ""GAN ""under ""imbalanced "samples［J］. Computer integrated manufacturing systems， 2023， 29（2）： 532-543.

［26］ 劉云鵬， 許自強(qiáng)， 和家慧， 等. 基于條件式Wasserstein生成對抗網(wǎng)絡(luò)的電力變壓器故障樣本增強(qiáng)技術(shù)［J］. 電網(wǎng)技術(shù)， 2020， 44（4）： 1505-1513.

LIU Y P， XU Z Q， HE J H， et al. Data augmentation method for power transformer fault diagnosis based on conditional Wasserstein generative adversarial network［J］. Power system technology， 2020， 44（4）： 1505-1513.

［27］ 張?zhí)煲恚?丁立新. 一種基于SMOTE的不平衡數(shù)據(jù)集重采樣方法［J］. 計算機(jī)應(yīng)用與軟件， 202""38（9）： 273-279.

ZHANG T Y， DING L X. A new resampling method based on ""SMOTE ""for """imbalanced """data """set［J］. ""Computer applications and software， 202""38（9）： 273-279

FAULT DIAGNOSIS METHOD FOR WIND TURBINE PITCH

SYSTEM BASED ON TimeGAN-Stacking

Pan Meiqi"He Xing2

（1. College of Smart Energy， Shanghai Jiao Tong University， Shanghai 200240， China；

2. Research Center for Big Data and Artificial Intelligence Engineering and Technologies， Shanghai Jiao Tong University， Shanghai 200240，China）

Abstract：The small number of unbalanced fault samples in the variable pitch system of wind turbines makes it difficult to train data-driven fault diagnosis models， leading to frequent missed or 1 alarms in monitoring systems.. In response to the above issues， this article proposes a fault diagnosis method for wind turbine pitch system based on TimeGAN-Stacking. At the data level， due to the imbalance of the original sample categories， the dynamic change characteristics of the gradual probability distribution of the fan operation data are tracked based on the time-series Generative adversarial network （TimeGAN）， and the global and local distribution of the generated samples are optimized to effectively balance and expand the comprehensive sample set of multiple faults of the fan； At the model level， establish a Stacking integrated model to integrate the advantages of multiple fault diagnosis devices and further improve fault diagnosis capabilities. Finally， the proposed method was tested based on actual wind field data， and the results showed that the proposed TimeGAN -Stacking fault identification method can effectively diagnose four types of pitch faults.

Keywords：wind turbines； data mining； fault analysis； deep learning； time-series generative adversarial network（TimeGAN）； sample enhancement