RESEARCH ON DATA-DRIVEN ABNORMAL WARNING METHODS FOR WIND TURBINE YAW POSITIONS

SHEN Xu; WANG Haiyun; HUANG Xiaofang

doi:10.16579/j.issn.1001.9669.2025.10.008

您当前的位置：

首页 >

文章列表页 >

RESEARCH ON DATA-DRIVEN ABNORMAL WARNING METHODS FOR WIND TURBINE YAW POSITIONS

·Vibration·Noise·Monitoring·Diagnosis· | 更新时间：2025-10-31

- RESEARCH ON DATA-DRIVEN ABNORMAL WARNING METHODS FOR WIND TURBINE YAW POSITIONS
- Journal of Mechanical Strength Vol. 47, Issue 10, Pages: 71-79(2025)
- 作者机构：
  
  1.新疆大学可再生能源发电与并网技术教育部工程研究中心，乌鲁木齐 830047
  2.北京金风科创风电设备有限公司，北京 100176
- 作者简介：
  
  WANG Haiyun, E-mail: why@xju.edu.cn
- 基金信息：
  
  Tianshan Talent Program(2022TSYCJC0030);Key Research and Development Program of the Autonomous Region(2022B03031);Science and Technology Project of Hami High-tech Zone(HGX2023KJXM008)
- DOI：10.16579/j.issn.1001.9669.2025.10.008
  CLC： TK83
- Received：21 February 2024，
  
  Revised：2024-03-20，
  
  Published：15 October 2025
- 稿件说明：
移动端阅览
沈旭，王海云，黄晓芳. 基于数据驱动的风电机组偏航位置异常预警方法研究［J］. 机械强度，2025，47（10）：71-79.

SHEN Xu，WANG Haiyun，HUANG Xiaofang. Research on data-driven abnormal warning methods for wind turbine yaw positions［J］. Journal of Mechanical Strength，2025，47（10）：71-79.
沈旭，王海云，黄晓芳. 基于数据驱动的风电机组偏航位置异常预警方法研究［J］. 机械强度，2025，47（10）：71-79. DOI： 10.16579/j.issn.1001.9669.2025.10.008.

SHEN Xu，WANG Haiyun，HUANG Xiaofang. Research on data-driven abnormal warning methods for wind turbine yaw positions［J］. Journal of Mechanical Strength，2025，47（10）：71-79. DOI： 10.16579/j.issn.1001.9669.2025.10.008.

摘要

在偏航过程中偏航位置异常一方面会导致偏航位置误差积累，影响偏航对风精准度或导致电缆过度扭缆而影响安全，另一方面频繁位置跳变或频繁短时位置保持均会产生一定的偏航误差、影响偏航控制稳定性，从而导致偏航系统故障发生频率升高和运维成本增加等问题，因此提出了一种基于数据驱动的故障诊断方法，用于对风电机组偏航位置的异常情况进行预警。首先，针对数据采集与监视控制（Supervisory Control and Data Acquisition

SCADA）系统中的海量数据，采用基于标准化交互增益的Relief-F（Standardized Interaction Gain and Relief-F

SIG-Relief-F）特征算法筛选出用于识别与目标变量（在这种情况下可能是偏航系统故障）具有最强关联性的多个特征参数。这种方法的优势在于能够有效地考虑到特征之间的相关性，最大程度地保留偏航系统故障相关特征与交互特征。其次，建立反向传播神经网络（Back Propagation Neural Network

BPNN）偏航位置预测模型，通过滑动窗口法对残差的分布进行统计，从而确定故障阈值。最后，通过实例验证了所提方法的有效性与准确性，并通过对比多元状态估计技术（Multivariate State Estimation Technique

MSET）和支持向量机（Support Vector Machine

SVM）算法，验证了其具有更优的异常预警性能。研究结果可为实际偏航系统的故障诊断提供参考。

Abstract

Abnormal yaw positioning during yaw operations induces progressive deviation in yaw alignment accuracy

thereby compromising wind-tracking precision and risking excessive cable twisting that threatens operational safety. Concurrently

frequent position oscillations or repetitive short-duration position holding generate transient control errors

destabilizing the yaw control system. These coupled mechanisms collectively escalate yaw system failure frequency and operational maintenance costs. To proactively mitigate these risks

a data-driven fault diagnosis methodology is proposed for early detection of anomalous yaw positioning in wind turbines. Firstly

a large amount of data in a supervisory control and data acquisition (SCADA) system was processed using a standardized interaction gain and Relief-F (SIG-Relief-F) feature selection algorithm to identify multiple feature parameters with the strongest correlation with the target variable (which in this case may be yaw system failure). The advantage of this method lied in its ability to consider effectively the correlation between features

thus maximizing the retention of relevant features related to yaw system failures and interaction features. Secondly

a back propagation neural network (BPNN) yaw position prediction model was established

and the distribution of residuals was statistically analyzed using a sliding window method to determine the fault threshold. Finally

through empirical verification

the effectiveness and accuracy of the proposed method were demonstrated

and compared with multivariate state estimation technique (MSET) and support vector machine (SVM) algorithms

it was shown to have superior abnormal warning performance. The conclusions drawn can serve as a reference for the fault diagnosis of a practical yaw system.

关键词

Keywords

references

SANTOS A C ， SOUZA W A ， BARBARA G V ， et al . Diagnostics of early faults in wind generator bearings using Hjorth parameters ［J］. Sustainability ， 2023 ， 15 （ 20 ）： 14673 .

胡姚刚，刘怀盛，时萍萍，等 . 风电机组偏航系统故障诊断与寿命预测综述［J］. 中国电机工程学报， 2022 ， 42 （ 13 ）： 4871 - 4883 .

HU Yaogang ， LIU Huaisheng ， SHI Pingping ， et al . Overview of fault diagnosis and life prediction for wind turbine yaw system ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 13 ）： 4871 - 4883 . （In Chinese）

沈小军，杜万里 . 大型风力发电机偏航系统控制策略研究现状及展望［J］. 电工技术学报， 2015 ， 30 （ 10 ）： 196 - 203 .

SHEN Xiaojun ， DU Wanli ． Expectation and review of control strategy of large wind turbines yaw system ［J］. Transactions of China Electrotechnical Society ， 2015 ， 30 （ 10 ）： 196 - 203 . （In Chinese）

李辉，胡姚刚，李洋，等 . 大功率并网风电机组状态监测与故障诊断研究综述［J］. 电力自动化设备， 2016 ， 36 （ 1 ）： 6 - 16 .

LI Hui ， HU Yaogang ， LI Yang ， et al . Overview of condition monitoring and fault diagnosis for grid-connected high-power wind turbine unit ［J］. Electric Power Automation Equipment ， 2016 ， 36 （ 1 ）： 6 - 16 . （In Chinese）

杜浩飞，张超，李建军 . 基于SENet-ResNext-LSTM的风机轴承故障诊断［J］. 机械强度， 2023 ， 45 （ 6 ）： 1271 - 1279 .

DU Haofei ， ZHANG Chao ， LI Jianjun . Fault diagnosis of wind turbine bearing based on SENet-ResNext-LSTM ［J］. Journal of Mechanical Strength ， 2023 ， 45 （ 6 ）： 1271 - 1279 . （In Chinese）

BADIHI H ， ZHANG Y M ， JIANG B ， et al . A comprehensive review on signal-based and model-based condition monitoring of wind turbines：fault diagnosis and lifetime prognosis ［J］. Proceedings of the IEEE ， 2022 ， 110 （ 6 ）： 754 - 806 .

ATTALLAH O ， IBRAHIM R A ， ZAKZOUK N E . CAD system for inter-turn fault diagnosis of offshore wind turbines via multi-CNNs & feature selection ［J］. Renewable Energy：An International Journal ， 2023 ， 203 （ Suppl.C ）： 870 - 880 .

张海涛，高锦宏，吴国新，等 . 蚁群优化算法在风电偏航故障检测中的应用［J］. 可再生能源， 2013 ， 31 （ 11 ）： 48 - 50 .

ZHANG Haitao ， GAO Jinhong ， WU Guoxin ， et al . Ant colony optimization applied in the fault detection of wind yaw ［J］. Renewable Energy Resources ， 2013 ， 31 （ 11 ）： 48 - 50 . （In Chinese）

冯俊恒，刘晓辉，许波峰，等 . 偏航偏差角对风力机轮毂载荷的影响［J］. 可再生能源， 2023 ， 41 （ 2 ）： 221 - 226 .

FENG Junheng ， LIU Xiaohui ， XU Bofeng ， et al . The studies of the influence of yaw deviation angle on hub loads of wind turbine ［J］. Renewable Energy Resources ， 2023 ， 41 （ 2 ）： 221 - 226 . （In Chinese）

邓子豪，李录平，刘瑞，等 . 基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究［J］. 动力工程学报， 2021 ， 41 （ 1 ）： 43 - 50 .

DENG Zihao ， LI Luping ， LIU Rui ， 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 ， 2021 ， 41 （ 1 ）： 43 - 50 . （In Chinese）

ZHAO H ， ZHOU L W ， ZHANG S W ， et al . XE112-2000 wind turbine yaw strategy with adaptive yaw speed using DEL look-up table ［J］. IEEE Access ， 2021 ， 9 ： 125724 - 125738 .

ZHAO G L . Research on fault diagnosis and evaluation method of wind turbine gearbox ［C］// Proceedings of the IEEE 3rd International Conference on Electronic Technology ， 2023 ： 976 - 980 .

宁文钢，姜宏伟，王岳峰 . 风力发电机组偏航系统常见故障分析［J］. 机械管理开发， 2018 ， 33 （ 11 ）： 67 - 68 .

NING Wengang ， JIANG Hongwei ， WANG Yuefeng . Common faults analysis of wind turbine yaw system ［J］. Mechanical Management and Development ， 2018 ， 33 （ 11 ）： 67 - 68 . （In Chinese）

金晓航，孙毅，单继宏，等 . 风力发电机组故障诊断与预测技术研究综述［J］. 仪器仪表学报， 2017 ， 38 （ 5 ）： 1041 - 1053 .

JIN Xiaohang ， SUN Yi ， SHAN Jihong ， et al . Fault diagnosis and prognosis for wind turbines：an overview ［J］. Chinese Journal of Scientific Instrument ， 2017 ， 38 （ 5 ）： 1041 - 1053 . （In Chinese）

WU C C ， GUPTA J N D ， CHENG S R ， et al . Robust scheduling for a two-stage assembly shop with scenario-dependent processing times ［J］. International Journal of Production Research ， 2021 ， 59 （ 17 ）： 5372 - 5387 .

李雨沛，王新利 . 改进的ReliefF-BPNN分类模型［J］. 计算机时代， 2023 （ 6 ）： 20 - 24 .

LI Yupei ， WANG Xinli . Improved RelifF-BPNN classification model ［J］. Computer Era ， 2023 （ 6 ）： 20 - 24 . （In Chinese）

WANG L X ， JIANG S Y . A feature selection method via analysis of relevance，redundancy，and interaction ［J］. Expert Systems with Applications ， 2021 ， 183 （ Suppl. C ）： 115365 .

赵耀，虞莉娟，苏义鑫，等 . 基于聚类分析和Pearson相关系数法的电网负荷数据清洗与去重［J］. 船电技术， 2023 ， 43 （ 6 ）： 69 - 75 .

ZHAO Yao ， YU Lijuan ， SU Yixin ， et al . Grid load data cleaning and de-duplication based on cluster analysis and Pearson correlation coefficient method ［J］. Marine Electric & Electronic Engineering ， 2023 ， 43 （ 6 ）： 69 - 75 . （In Chinese）

朱翔，谢峰 . 基于核主成分分析BP-AdaBoost算法的数控铣床故障诊断［J］. 机械强度， 2019 ， 41 （ 6 ）： 1292 - 1297 .

ZHU Xiang ， XIE Feng . Tool wear state monitoring based on wavelet packet BP-AdaBoost algorithm ［J］. Journal of Mechanical Strength ， 2019 ， 41 （ 6 ）： 1292 - 1297 . （In Chinese）

李国庆，刘钊，金国彬，等 . 基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 437 - 445 .

LI Guoqing ， LIU Zhao ， JIN Guobin ， et al . Ultra short-term power load forecasting based on randomly distributive embedded framework and BP neural network ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 437 - 445 . （In Chinese）

刘昌杰，段斌，张潇丹 . 基于BPNN-NCT的风电机组主轴承异常辨识方法［J］. 电力系统保护与控制， 2022 ， 50 （ 14 ）： 114 - 122 .

LIU Changjie ， DUAN Bin ， ZHANG Xiaodan . An abnormal identification method for the main bearing of wind turbines based on BPNN-NCT ［J］. Power System Protection and Control ， 2022 ， 50 （ 14 ）： 114 - 122 . （In Chinese）

王伟，王海云，黄晓芳 . 基于Informer的风电机组叶根载荷预测［J］. 水力发电， 2023 ， 49 （ 9 ）： 85 - 89 .

WANG Wei ， WANG Haiyun ， HUANG Xiaofang . Blade root load prediction of wind turbine based on Informer ［J］. Water Power ， 2023 ， 49 （ 9 ）： 85 - 89 . （In Chinese）

徐硕，邓艾东，杨宏强，等 . 基于改进残差网络的旋转机械故障诊断［J］. 太阳能学报， 2023 ， 44 （ 7 ）： 409 - 418 .

XU Shuo ， DENG Aidong ， YANG Hongqiang ， et al . Rotating machinery fault diagnosis method based on improved residual neural network ［J］. Acta Energiae Solaris Sinica ， 2023 ， 44 （ 7 ）： 409 - 418 . （In Chinese）

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

⁰