★ 广东省能源集团西南（贵州）有限公司黔粵清洁能源分公司 周能能

★ 深圳华工能源技术有限公司 童剑文

关键词：新能源场站；故障诊断；多尺度卷积；动态阈值

新能源场站多建设于山地、荒漠、沿海等复杂户外环境，发电设备长期处于温差波动大、风沙侵蚀、湿度偏高、电磁干扰强烈的运行工况中，设备零部件磨损、线路老化、组件失效等故障问题频发，直接影响场站发电稳定性与电力电网的安全运行。常态化、精准化的故障诊断，是保障新能源场站持续高效发电、降低运维成本、减少电力停运损失的核心技术手段，对新能源产业规模化、高质量发展具有重要现实意义。

本文所提基于多尺度卷积与动态阈值学习的人工智能方法，通过时空耦合特征提取、自适应降噪及图注意力拓扑关联挖掘，实现了复杂工况下故障特征的高辨识度表征与链式传播规律识别。

1   基于人工智能的多尺度时空耦合故障特征提取

新能源场站包含多台发电机组、光伏组件、变流器、变压器等多个子设备，各设备通过电气线路、机械结构形成紧密的拓扑关联关系，单台设备故障极易引发链式连锁故障[1]。为获取稳定、可靠的多源故障监测数据，本研究搭建了适配新能源场站户外复杂工况的数据采集装置，如图1所示。

图1 现场数据采集装置

图1装置由HG-800振动采集传感器、DL-300电流采集终端等组成，可适配风沙、温差波动、电磁干扰等复杂户外场景，能持续稳定捕捉设备轻微故障、隐性故障的细微数据变化，解决了传统采集模式下数据碎片化、有效性差、覆盖不全的问题。

为精准拆解复杂实测数据的分层信息，本研究采用人工智能领域的多尺度卷积神经网络，对新能源场站多源监测数据进行时空耦合故障特征提取，公式如式（1）所示：

式中， Y_k代表第k尺度下的基础映射特征矩阵； W_k.i代表第k尺度对应的第i组卷积权重参数[2] ；X_i代表输入的第i类原始监测数据，包含振动数据、电流数据、气象环境数据； b_k代表第k尺度的卷积偏置系数；n代表输入的多源数据类别总数量。为充分挖掘实测数据的时空关联故障价值，本研究引入可自适应调整的时空权重修正系数，并构建了多源数据时空耦合故障特征融合模型，公式如式（2）所示：

式中，F_s代表多源数据的时空耦合融合故障特征； α代表空间特征权重修正系数， 用于表征设备不同监测点位的空间关联强度； β代表时序特征权重修正系数，用于表征数据随时间变化的演变规律；  ΔY_k代表第k尺度下基础映射故障特征的时序差分变化量。

该公式计算结果，可完整覆盖新能源场站设备运行的动态变化规律与空间关联特性，为故障诊断提供了基础故障特征支撑。

2   动态降噪与图注意力拓扑关联智能故障诊断

基于人工智能技术，本文所提方法通过动态阈值自适应学习与图注意力网络，完成了抗干扰故障特征优化与设备拓扑关联挖掘，实现了新能源场站高效故障诊断。

2.1   动态阈值自适应抗干扰故障特征优化

新能源场站户外运行环境复杂，风沙、电磁干扰、温度骤变等因素会导致监测数据掺杂大量随机噪声。噪声会掩盖真实故障特征，并产生大量无效冗余特征，大幅降低了故障特征的有效性。为解决强噪声环境下特征冗余、有效特征辨识度低的问题，本研究引入人工智能动态阈值学习机制，基于时空耦合融合特征自适应筛选有效特征并剔除噪声冗余信息。计算公式如式（3）所示：

式中， T_h代表自适应动态阈值； μ代表均值修正系数；mean(F)代表时空耦合融合故障特征的全局均值；σ代表标准差修正系数； std(F_s)代表时空耦合融合故障特征的全局标准差。

基于求解的动态阈值， 通过软阈值化操作可完成噪声冗余特征剔除，优化后有效故障特征计算公式如式（4）所示：

式中，F_o代表降噪优化后的有效故障特征；max(.)代表最大值筛选函数；sign(.)代表符号函数，用于保留原始特征的正负属性，保障特征完整性。

经动态阈值降噪与软阈值化处理后，原始时空耦合故障特征中的干扰噪声与冗余信息被有效剔除，得到高纯度、高辨识度的有效故障特征，可精准表征单台新能源设备的异常运行状态与细微故障差异。

2.2   图注意力拓扑关联智能故障特征挖掘与诊断

为解决设备关联关系挖掘不足的问题，本研究基于人工智能技术，通过动态阈值自适应学习与图注意力网络，实现了抗干扰故障特征优化与设备拓扑关联挖掘。以各设备优化后的有效故障特征为基础，构建设备节点关联注意力权重计算模型，可实现不同设备间的故障关联强度的精准量化。计算公式如式（5）所示：

式中，A_i,j代表设备i与设备j之间的注意力关联权重；tanh(.)代表双曲正切激活函数，用于归一化权重数值；W_a代表注意力机制权重矩阵； F_o,i、F_o,j分别代表公式（4）中设备i、设备j的有效故障特征； b_a代表注意力偏置参数。

本文所提方法依托设备间注意力关联权重， 聚合全网设备特征信息，构建了人工智能故障诊断特征模型，实现了故障传播规律挖掘与故障分类识别。计算公式如式（6）所示：                  

式中， F_final代表用于最终故障诊断的聚合特征；m代表新能源场站参与拓扑关联计算的设备总数量。

本研究通过多尺度卷积运算完成了多源异构监测数据的时空耦合故障特征提取，并依托人工智能动态阈值自适应学习与软阈值化降噪算法，有效消除了户外复杂工况下环境噪声与数据冗余对故障特征的干扰，筛选出高纯度、高辨识度的有效故障特征，实现了单设备故障异常信息的精准刻画。

3   实验

3.1   实验案例

为验证本文所提故障诊断方法的实际落地有效性，实验基于某地区实测风电场真实故障工况开展案例分析，选取场内22号双馈风机变流器电气故障作为研究对象，如图2所示。

图2 22号双馈风机变流器电气故障检测现场

该风机长期处于风沙频发、昼夜温差较大的野外复杂工况，设备电气部件持续承受负荷波动与电磁干扰影响，极易出现器件老化、接触不良、线路熔断等隐性故障。场站日常人工巡检工作中，运维人员发现22号风机变流器调节柜出现交流熔断器熔断异常现象。

3.2   实验硬件装置

本次实验所用硬件设备均为适配新能源场站户外复杂工况的工业级数据传输设备，如图3所示。

图3 工业级RS-485数据传输设备

图3为RS-485数据传输设备。该设备与所有前端感知采集硬件组网对接，采用有线稳定传输方式，汇总各点位采集的振动、电流、气象多源实测数据，规避了户外电磁干扰、风沙环境带来的数据丢包、信号不稳定问题，保障了故障数据传输的连续性与完整性。

3.3   对比方法与评价指标

为充分体现基于人工智能诊断方法的性能优势，实验选取基于权重修正的D-S判别方法、基于样本自相关函数图和ADF单位根检验的诊断方法作为对比算法。

将故障信号波动幅值作为特征精度类核心评价指标，可区分环境噪声扰动波动与设备真实故障波动，该指标如图4所示。

图4 故障信号波动幅值评价指标

由图4可知，正常设备信号的波动幅值范围是0.1～0.2A，曲线有小幅度波动；故障设备信号的波动幅值范围是0.4～1.0A，曲线大幅度波动。

故障诊断耗时是评判新能源场站故障诊断方法工程实时性与运维效率的关键指标，该指标如图5所示。

图5 故障诊断耗时评价指标

由图5可知，当噪声强度在0~7dB时，诊断耗时缓慢增长， 维持在7ms以内；在7~22dB阶段， 耗时随噪声强度升高快速上升，至22dB时达到40ms。

3.4   实验结果与分析

采用不同方法对比分析故障信号波动幅值，结果如图6所示。

图6 不同方法故障信号波动幅值对比结果

由图6可知，基于权重修正的D-S判别方法提取的信号波动幅值范围为0.1～0.3A，与正常设备信号幅值范围高度重合；基于样本自相关函数图和ADF单位根检验的诊断方法提取的信号波动幅值范围为0.1～0.4A，存在故障辨识度不足的问题；基于人工智能的诊断方法提取的信号波动幅值范围为0.4～1.0A， 与图4中故障设备的信号范围一致，说明该方法能够精准提取故障信号。

采用不同方法对比分析故障诊断耗时，结果如图7所示。

图7 不同方法故障诊断耗时对比结果

由图7可知，在噪声强度达到最大25dB时，基于权重修正的D-S判别方法， 与基于样本自相关函数图和ADF单位根检验的诊断方法，单次诊断耗时最大值分别为35ms和31ms；而本文提出的基于人工智能的诊断方法，在全噪声强度范围内，耗时始终小于5ms，受噪声干扰影响极小，表明该方法在实时性与抗干扰能力上均显著优于两种传统方法。

4   结束语

本文所提基于多尺度卷积与图注意力网络的人工智能故障诊断方法，通过时空耦合特征提取、动态阈值降噪及设备拓扑关联建模，实现了对复杂工况下微弱故障特征的精准识别与传播规律挖掘。实验结果表明，该方法能够精准诊断出故障信号波动幅值0.4～1.0A的微弱故障信号，在0～25dB噪声强度下故障诊断耗时小于5ms，有效解决了户外强噪声环境下特征辨识度低、传统方法抗干扰能力差的问题，能够满足新能源场站实时智能运维需求。

作者简介：

周能能（1999-），男，贵州安顺人，工程师，本科，现就职于广东省能源集团西南（贵州）有限公司黔粵清洁能源分公司，主要从事新能源发电日常运维管理方面的工作。

参考文献：

[1] 孙佳航, 王楷杰, 黄景光, 等. 基于权重修正D-S理论多判据融合的含新能源低压配网中性线断线判别方法[J]. 电力系统保护与控制, 2023, 51 (11) : 1 - 14.

[2] 王中, 李振华, 成俊杰, 等. Rogowski线圈电流互感器故障的早期诊断研究[J]. 高压电器, 2023, 59 (2) : 162 - 168.

[3] 温刚, 李楚, 程林, 等. 基于行波反射的干式空心电抗器匝间短路故障诊断方法研究[J]. 绝缘材料, 2023, 56 (4) : 77 - 84.

[4] 刘洪普, 杨铭, 董志永, 等. 基于切比雪夫图卷积与门控循环单元的风电机组故障诊断方法[J]. 可再生能源, 2026, 44 (1) : 60 - 69.

[5] 许水清, 刘锋, 何怡刚, 等. 基于自适应滑模观测器的新能源汽车驱动系统电流传感器微小故障诊断[J]. 中国电机工程学报, 2023, 43 (18) : 7277 - 7287.

摘自《自动化博览》2026年7月刊