★ 廣東省能源集團西南（貴州）有限公司黔粵清潔能源分公司 周能能

★ 深圳華工能源技術有限公司 童劍文

關鍵詞：新能源場站；故障診斷；多尺度卷積；動態閾值

新能源場站多建設于山地、荒漠、沿海等復雜戶外環境，發電設備長期處于溫差波動大、風沙侵蝕、濕度偏高、電磁干擾強烈的運行工況中，設備零部件磨損、線路老化、組件失效等故障問題頻發，直接影響場站發電穩定性與電力電網的安全運行。常態化、精準化的故障診斷，是保障新能源場站持續高效發電、降低運維成本、減少電力停運損失的核心技術手段，對新能源產業規模化、高質量發展具有重要現實意義。

本文所提基于多尺度卷積與動態閾值學習的人工智能方法，通過時空耦合特征提取、自適應降噪及圖注意力拓撲關聯挖掘，實現了復雜工況下故障特征的高辨識度表征與鏈式傳播規律識別。

1   基于人工智能的多尺度時空耦合故障特征提取

新能源場站包含多臺發電機組、光伏組件、變流器、變壓器等多個子設備，各設備通過電氣線路、機械結構形成緊密的拓撲關聯關系，單臺設備故障極易引發鏈式連鎖故障[1]。為獲取穩定、可靠的多源故障監測數據，本研究搭建了適配新能源場站戶外復雜工況的數據采集裝置，如圖1所示。

圖1 現場數據采集裝置

圖1裝置由HG-800振動采集傳感器、DL-300電流采集終端等組成，可適配風沙、溫差波動、電磁干擾等復雜戶外場景，能持續穩定捕捉設備輕微故障、隱性故障的細微數據變化，解決了傳統采集模式下數據碎片化、有效性差、覆蓋不全的問題。

為精準拆解復雜實測數據的分層信息，本研究采用人工智能領域的多尺度卷積神經網絡，對新能源場站多源監測數據進行時空耦合故障特征提取，公式如式（1）所示：

式中， Y_k代表第k尺度下的基礎映射特征矩陣； W_k.i代表第k尺度對應的第i組卷積權重參數[2] ；X_i代表輸入的第i類原始監測數據，包含振動數據、電流數據、氣象環境數據； b_k代表第k尺度的卷積偏置系數；n代表輸入的多源數據類別總數量。為充分挖掘實測數據的時空關聯故障價值，本研究引入可自適應調整的時空權重修正系數，并構建了多源數據時空耦合故障特征融合模型，公式如式（2）所示：

式中，F_s代表多源數據的時空耦合融合故障特征； α代表空間特征權重修正系數， 用于表征設備不同監測點位的空間關聯強度； β代表時序特征權重修正系數，用于表征數據隨時間變化的演變規律；  ΔY_k代表第k尺度下基礎映射故障特征的時序差分變化量。

該公式計算結果，可完整覆蓋新能源場站設備運行的動態變化規律與空間關聯特性，為故障診斷提供了基礎故障特征支撐。

2   動態降噪與圖注意力拓撲關聯智能故障診斷

基于人工智能技術，本文所提方法通過動態閾值自適應學習與圖注意力網絡，完成了抗干擾故障特征優化與設備拓撲關聯挖掘，實現了新能源場站高效故障診斷。

2.1   動態閾值自適應抗干擾故障特征優化

新能源場站戶外運行環境復雜，風沙、電磁干擾、溫度驟變等因素會導致監測數據摻雜大量隨機噪聲。噪聲會掩蓋真實故障特征，并產生大量無效冗余特征，大幅降低了故障特征的有效性。為解決強噪聲環境下特征冗余、有效特征辨識度低的問題，本研究引入人工智能動態閾值學習機制，基于時空耦合融合特征自適應篩選有效特征并剔除噪聲冗余信息。計算公式如式（3）所示：

式中， T_h代表自適應動態閾值； μ代表均值修正系數；mean(F)代表時空耦合融合故障特征的全局均值；σ代表標準差修正系數； std(F_s)代表時空耦合融合故障特征的全局標準差。

基于求解的動態閾值， 通過軟閾值化操作可完成噪聲冗余特征剔除，優化后有效故障特征計算公式如式（4）所示：

式中，F_o代表降噪優化后的有效故障特征；max(.)代表最大值篩選函數；sign(.)代表符號函數，用于保留原始特征的正負屬性，保障特征完整性。

經動態閾值降噪與軟閾值化處理后，原始時空耦合故障特征中的干擾噪聲與冗余信息被有效剔除，得到高純度、高辨識度的有效故障特征，可精準表征單臺新能源設備的異常運行狀態與細微故障差異。

2.2   圖注意力拓撲關聯智能故障特征挖掘與診斷

為解決設備關聯關系挖掘不足的問題，本研究基于人工智能技術，通過動態閾值自適應學習與圖注意力網絡，實現了抗干擾故障特征優化與設備拓撲關聯挖掘。以各設備優化后的有效故障特征為基礎，構建設備節點關聯注意力權重計算模型，可實現不同設備間的故障關聯強度的精準量化。計算公式如式（5）所示：

式中，A_i,j代表設備i與設備j之間的注意力關聯權重；tanh(.)代表雙曲正切激活函數，用于歸一化權重數值；W_a代表注意力機制權重矩陣； F_o,i、F_o,j分別代表公式（4）中設備i、設備j的有效故障特征； b_a代表注意力偏置參數。

本文所提方法依托設備間注意力關聯權重， 聚合全網設備特征信息，構建了人工智能故障診斷特征模型，實現了故障傳播規律挖掘與故障分類識別。計算公式如式（6）所示：                  

式中， F_final代表用于最終故障診斷的聚合特征；m代表新能源場站參與拓撲關聯計算的設備總數量。

本研究通過多尺度卷積運算完成了多源異構監測數據的時空耦合故障特征提取，并依托人工智能動態閾值自適應學習與軟閾值化降噪算法，有效消除了戶外復雜工況下環境噪聲與數據冗余對故障特征的干擾，篩選出高純度、高辨識度的有效故障特征，實現了單設備故障異常信息的精準刻畫。

3   實驗

3.1   實驗案例

為驗證本文所提故障診斷方法的實際落地有效性，實驗基于某地區實測風電場真實故障工況開展案例分析，選取場內22號雙饋風機變流器電氣故障作為研究對象，如圖2所示。

圖2 22號雙饋風機變流器電氣故障檢測現場

該風機長期處于風沙頻發、晝夜溫差較大的野外復雜工況，設備電氣部件持續承受負荷波動與電磁干擾影響，極易出現器件老化、接觸不良、線路熔斷等隱性故障。場站日常人工巡檢工作中，運維人員發現22號風機變流器調節柜出現交流熔斷器熔斷異常現象。

3.2   實驗硬件裝置

本次實驗所用硬件設備均為適配新能源場站戶外復雜工況的工業級數據傳輸設備，如圖3所示。

圖3 工業級RS-485數據傳輸設備

圖3為RS-485數據傳輸設備。該設備與所有前端感知采集硬件組網對接，采用有線穩定傳輸方式，匯總各點位采集的振動、電流、氣象多源實測數據，規避了戶外電磁干擾、風沙環境帶來的數據丟包、信號不穩定問題，保障了故障數據傳輸的連續性與完整性。

3.3   對比方法與評價指標

為充分體現基于人工智能診斷方法的性能優勢，實驗選取基于權重修正的D-S判別方法、基于樣本自相關函數圖和ADF單位根檢驗的診斷方法作為對比算法。

將故障信號波動幅值作為特征精度類核心評價指標，可區分環境噪聲擾動波動與設備真實故障波動，該指標如圖4所示。

圖4 故障信號波動幅值評價指標

由圖4可知，正常設備信號的波動幅值范圍是0.1～0.2A，曲線有小幅度波動；故障設備信號的波動幅值范圍是0.4～1.0A，曲線大幅度波動。

故障診斷耗時是評判新能源場站故障診斷方法工程實時性與運維效率的關鍵指標，該指標如圖5所示。

圖5 故障診斷耗時評價指標

由圖5可知，當噪聲強度在0~7dB時，診斷耗時緩慢增長， 維持在7ms以內；在7~22dB階段， 耗時隨噪聲強度升高快速上升，至22dB時達到40ms。

3.4   實驗結果與分析

采用不同方法對比分析故障信號波動幅值，結果如圖6所示。

圖6 不同方法故障信號波動幅值對比結果

由圖6可知，基于權重修正的D-S判別方法提取的信號波動幅值范圍為0.1～0.3A，與正常設備信號幅值范圍高度重合；基于樣本自相關函數圖和ADF單位根檢驗的診斷方法提取的信號波動幅值范圍為0.1～0.4A，存在故障辨識度不足的問題；基于人工智能的診斷方法提取的信號波動幅值范圍為0.4～1.0A， 與圖4中故障設備的信號范圍一致，說明該方法能夠精準提取故障信號。

采用不同方法對比分析故障診斷耗時，結果如圖7所示。

圖7 不同方法故障診斷耗時對比結果

由圖7可知，在噪聲強度達到最大25dB時，基于權重修正的D-S判別方法， 與基于樣本自相關函數圖和ADF單位根檢驗的診斷方法，單次診斷耗時最大值分別為35ms和31ms；而本文提出的基于人工智能的診斷方法，在全噪聲強度范圍內，耗時始終小于5ms，受噪聲干擾影響極小，表明該方法在實時性與抗干擾能力上均顯著優于兩種傳統方法。

4   結束語

本文所提基于多尺度卷積與圖注意力網絡的人工智能故障診斷方法，通過時空耦合特征提取、動態閾值降噪及設備拓撲關聯建模，實現了對復雜工況下微弱故障特征的精準識別與傳播規律挖掘。實驗結果表明，該方法能夠精準診斷出故障信號波動幅值0.4～1.0A的微弱故障信號，在0～25dB噪聲強度下故障診斷耗時小于5ms，有效解決了戶外強噪聲環境下特征辨識度低、傳統方法抗干擾能力差的問題，能夠滿足新能源場站實時智能運維需求。

作者簡介：

周能能（1999-），男，貴州安順人，工程師，本科，現就職于廣東省能源集團西南（貴州）有限公司黔粵清潔能源分公司，主要從事新能源發電日常運維管理方面的工作。

參考文獻：

[1] 孫佳航, 王楷杰, 黃景光, 等. 基于權重修正D-S理論多判據融合的含新能源低壓配網中性線斷線判別方法[J]. 電力系統保護與控制, 2023, 51 (11) : 1 - 14.

[2] 王中, 李振華, 成俊杰, 等. Rogowski線圈電流互感器故障的早期診斷研究[J]. 高壓電器, 2023, 59 (2) : 162 - 168.

[3] 溫剛, 李楚, 程林, 等. 基于行波反射的干式空心電抗器匝間短路故障診斷方法研究[J]. 絕緣材料, 2023, 56 (4) : 77 - 84.

[4] 劉洪普, 楊銘, 董志永, 等. 基于切比雪夫圖卷積與門控循環單元的風電機組故障診斷方法[J]. 可再生能源, 2026, 44 (1) : 60 - 69.

[5] 許水清, 劉鋒, 何怡剛, 等. 基于自適應滑模觀測器的新能源汽車驅動系統電流傳感器微小故障診斷[J]. 中國電機工程學報, 2023, 43 (18) : 7277 - 7287.

摘自《自動化博覽》2026年7月刊