Zakir Ahmed

指导老师：Vinay Vaishampayan

摘要：风能是一种快速增长的能源，但风力涡轮机容易受到运行异常和网络物理攻击的影响，从而影响其可靠性。 本文介绍了ZCAD (zone Condition Anamoly Detector)，这是一种风力涡轮机实时异常检测系统，它结合了基于Q-Blade的风力涡轮机仿真环境和先进的机器学习管道。 ZCAD不依赖物理传感器或硬件原型，而是使用Q-Blade模拟关键涡轮参数，如叶片俯仰角、偏航位置、风速、发电机电压、转子转速和功率输出。 正常行为是通过紊流风场和轮毂高度输入剖面来建模的，而偏航、俯仰、转子速度和扭矩参数的可控修改则用于注入故障场景，包括卡滞条件、不平衡和超速事件。 由此产生的标记时间序列数据集可以在实际操作和故障条件下严格测试异常检测方法。

ZCAD的核心是由多个监督和无监督模型组成的基于投票的混合机器学习集成。 使用Q-Blade数据训练监督模型（例如Random Forest， XGBoost， SVM, Logistic Regression）来识别已知的故障特征。 无监督模型（例如，隔离森林、LOF、DBSCAN、马氏距离、PCA）学习正常的操作概况并标记统计异常值。 这些模型并行运行，ZCAD应用多数投票机制来产生实时异常决策。 与集中式SCADA监控相比，该边缘优化系统模拟了本地涡轮机监控，具有即时检测能力和最小的带宽要求。 使用qblade生成的数据集进行的基于仿真的实验表明，ZCAD可以检测到范围广泛的异常，准确率超过94%，误报率低，优于传统的单一方法检测器。 结果支持ZCAD作为智能风能系统鲁棒异常检测层的可行性。