The last decade has witnessed an increased interest in applying machine learning techniques to predict faults and anomalies in the operation of wind turbines. These efforts have lately been dominated by deep learning techniques which, as in other fields, tend to outperform traditional machine learning algorithms given sufficient amounts of training data. An important shortcoming of deep learning models is their lack of transparency—they operate as black boxes and typically do not provide rationales for their predictions, which can lead to a lack of trust in predicted outputs. In this article, a novel hybrid model for anomaly prediction in wind farms is proposed, which combines a recurrent neural network approach for accurate classification with an XGBoost decision tree classifier for transparent outputs. Experiments with an offshore wind turbine show that our model achieves a classification accuracy of up to 97%. The model is further able to generate detailed feature importance analyses for any detected anomalies, identifying exactly those components in a wind turbine that contribute to an anomaly. Finally, the feasibility of transfer learning is demonstrated for the wind domain by porting our “offshore” model to an unseen dataset from an onshore wind farm. The latter model achieves an accuracy of 65% and is able to detect 85% of anomalies in the unseen domain. These results are encouraging for application to wind farms for which no training data are available, for example, because they have not been in operation for long.

中文翻译：

---

具有知识转移的深度学习可用于风力涡轮机中可解释的异常预测

在过去的十年中，目睹了对将机器学习技术用于预测风力涡轮机运行中的故障和异常的兴趣日益浓厚。近来，这些努力一直被深度学习技术所主导，在其他领域，如果有足够的训练数据，它们往往会优于传统的机器学习算法。深度学习模型的一个重要缺点是缺乏透明度-它们充当黑匣子，通常无法为其预测提供依据，这可能导致对预测输出的信任不足。在本文中，提出了一种用于风电场异常预测的新型混合模型，该模型结合了用于精确分类的递归神经网络方法和用于透明输出的XGBoost决策树分类器。使用海上风力涡轮机进行的实验表明，我们的模型可实现高达97％的分类精度。该模型还能够针对任何检测到的异常生成详细的特征重要性分析，从而准确识别出风力涡轮机中导致异常的那些组件。最后，通过将我们的“离岸”模型移植到陆上风电场的一个看不见的数据集，证明了在风域进行转移学习的可行性。后一种模型的准确度达到65％，并且能够检测出看不见的区域中85％的异常。这些结果令人鼓舞，可以应用于没有培训数据的风电场，例如，因为它们没有运行很长时间。该模型还能够针对任何检测到的异常生成详细的特征重要性分析，从而准确识别出风力涡轮机中导致异常的那些组件。最后，通过将我们的“离岸”模型移植到陆上风电场的一个看不见的数据集，证明了在风域进行转移学习的可行性。后一种模型的准确度达到65％，并且能够检测出看不见的区域中85％的异常。这些结果令人鼓舞，可以应用于没有培训数据的风电场，例如，因为它们没有运行很长时间。该模型还能够针对任何检测到的异常生成详细的特征重要性分析，从而准确识别出风力涡轮机中导致异常的那些组件。最后，通过将我们的“离岸”模型移植到陆上风电场的一个看不见的数据集，证明了在风域进行转移学习的可行性。后一种模型的准确度达到65％，并且能够检测出看不见的区域中85％的异常。这些结果令人鼓舞，可以应用于没有培训数据的风电场，例如，因为它们没有运行很长时间。通过将我们的“离岸”模型移植到陆上风电场的一个看不见的数据集中，可以证明在风域进行转移学习的可行性。后一种模型的准确度达到65％，并且能够检测出看不见的区域中85％的异常。这些结果令人鼓舞，可以应用于没有培训数据的风电场，例如，因为它们没有运行很长时间。通过将我们的“离岸”模型移植到陆上风电场的一个看不见的数据集中，可以证明在风域进行转移学习的可行性。后一种模型的准确度达到65％，并且能够检测出看不见的区域中85％的异常。这些结果令人鼓舞，可以应用于没有培训数据的风电场，例如，因为它们没有运行很长时间。