[论文解读] WaveletAE: A Wavelet-enhanced Autoencoder for Wind Turbine Blade Icing Detection

Binhang Yuan, Chen Wang+5 more|arXiv (Cornell University)|Feb 14, 2019

Anomaly Detection Techniques and Applications参考文献 60被引用 12

一句话总结

WaveletAE 是一种基于小波的自编码器，利用离散小波变换捕捉多变量 SCADA 时间序列中多尺度的时间域与频域模式，用于风力涡轮机叶片结冰检测。通过将小波细节系数与 CNN-LSTM 编码器-解码器架构相结合，该方法在真实世界数据上优于当前最先进的异常检测方法，在半监督和监督设置下均实现了更高的检测精度。

ABSTRACT

Wind power, as an alternative to burning fossil fuels, is abundant and inexhaustible. To fully utilize wind power, wind farms are usually located in areas of high altitude and facing serious ice conditions, which can lead to serious consequences. Quick detection of blade ice accretion is crucial for the maintenance of wind farms. Unlike traditional methods of installing expensive physical detectors on wind blades, data-driven approaches are increasingly popular for inspecting the wind turbine failures. In this work, we propose a wavelet enhanced autoencoder model (WaveletAE) to identify wind turbine dysfunction by analyzing the multivariate time series monitored by the SCADA system. WaveletAE is enhanced with wavelet detail coefficients to enforce the autoencoder to capture information from multiple scales, and the CNN-LSTM architecture is applied to learn channel-wise and temporal-wise relations. The empirical study shows that the proposed model outperforms other state-of-the-art time series anomaly detection methods for real-world blade icing detection.

研究动机与目标

• 解决在高海拔结冰区域中风力涡轮机叶片结冰检测的挑战，因为结冰可导致高达 25% 的年发电量损失。
• 克服物理结冰探测器的局限性，后者成本高、能耗大，且易受机械和可靠性问题影响。
• 开发一种基于数据驱动、可部署的异常检测模型，仅使用标准 SCADA 传感器，无需安装物理传感器。
• 捕捉多变量时间序列信号中复杂的通道间相关性与多尺度时间动态，以实现精确的结冰检测。
• 设计一种稳健、具备实时处理能力的模型，适用于在实际风力发电场中部署。

提出的方法

• 对多变量 SCADA 信号应用离散小波变换（DWT），在多个尺度上分解为近似系数和细节系数，以增强多尺度表征能力。
• 使用卷积编码器，学习在每个小波尺度下多变量信号之间的全局通道间相关性。
• 采用 LSTM 编码器，建模时间依赖性并捕捉每个尺度内的复杂序列模式。
• 将所有尺度的最终隐藏状态拼接，形成输入信号的全局潜在表征。
• 通过对称架构进行解码：通过全连接层初始化各尺度的隐藏状态，然后应用 LSTM 和转置卷积层，以重建小波细节系数和原始信号。
• 端到端训练自编码器，使用重建损失来基于高重建误差检测异常。

实验结果

研究问题

• RQ1 深度自编码器架构是否能通过分析多变量 SCADA 信号，在无需物理结冰传感器的情况下有效检测叶片结冰？
• RQ2 小波分解在多大程度上增强了模型捕捉风力涡轮机信号中多尺度时间域与频域模式的能力？
• RQ3 CNN-LSTM 架构的融合在多大程度上提升了对多变量时间序列中通道间相关性与时间动态的建模能力？
• RQ4 WaveletAE 在真实世界中的叶片结冰检测场景下，与当前最先进的时间序列异常检测方法相比表现如何？
• RQ5 该模型在使用真实 SCADA 数据的半监督与监督异常检测设置下，是否具备良好的泛化能力？

主要发现

• WaveletAE 在真实世界 SCADA 数据上的叶片结冰检测中，优于多种当前最先进的时间序列异常检测方法。
• 小波细节系数的集成显著提升了模型检测与冰层累积相关的细微、多尺度模式的能力。
• CNN-LSTM 编码器-解码器架构有效捕捉了多变量信号中的通道间相关性与复杂时间动态。
• 该模型在真实世界数据集的半监督与监督异常检测设置下，均表现出强大的泛化性能。
• 模拟部署案例研究证实，WaveletAE 具备鲁棒性，适用于实际风力发电场中的实时监控。