随着碳达峰、碳中和目标的提出,全球各国家对清洁能源的需求不断增加,可再生能源得到了广泛的关注。风能资源丰富,具有高可用性和高成本效益,是目前全球发展最快的可再生能源领域之一。然而,大多数风电厂通常位于低温、高湿度的海上或高原山区,导致风机常常面临叶片积冰的问题。叶片上积冰不仅会影响风力涡轮机的发电性能,还会对风机本身造成损害,甚至可能会给电厂附近带来安全问题。所以风机叶片积冰检测工作至关重要。传统风机叶片积冰检测通常是依靠人工观测或安装传感器等设备,然而这些技术都受限于额外的人工成本或安装维护成本。随着传感器的广泛安装和使用,大量的风机监测数据被收集。而大数据分析与挖掘技术的发展给工业数据分析和探索搭建了可用的平台。本文基于机器学习领域中的深度学习方法和联邦学习方法,对风机叶片积冰数据进行建模和分析,主要研究工作和成果如下:一、因传感器对风机的监测数据实质为多元时序序列,且风机内外部环境复杂多变导致数据特征复杂多变。所以从数据特点出发,利用离散小波变换对数据时频域特征提取能力,结合深度学习模型强大的时序和深度特征提取能力,自动地对风机叶片积冰数据进行分析。另外,从数据层面和算法层面,分别使用数据重采样和重新平衡的损失函数对传感器数据不均衡问题进行探讨。该模型还提出了一种多步积累策略来增强模型实时积冰检测时的鲁棒性。二、多个风机电厂数据的结合有利于丰富数据特征,进而提出了可以对数据隐私保护的异构联邦学习的模型。该模型可以分布式地学习不同电厂的数据,扩大数据特征的同时避免了原始数据的泄漏。该模型通过将服务器端模型与客户端模型异构设置,可避免客户端计算力局限问题,同时也可降低服务器端和客户端的计算资源浪费。不同客户端模型异构可更大程度上适应不同客户端中数据量和数据特征存在差异的情况。该模型还引入重新平衡的损失函数来缓解数据类别不均衡问题。