“双碳”目标带动下，我国风电装机容量已连续十二年位居全球首位。但风电机组长期运行在复杂工况中，叶片、齿轮箱等关键部件故障较为常见。传统基于SCADA系统的监测方式局限明显：多只能对单一故障发出警报，难以满足对机组整体运行状态的综合评估。行业数据显示，因预警不及时引发的非计划停机，每年给风电行业带来超过20亿元的直接经济损失。研究团队负责人许伯强教授表示，现有技术主要卡在三点：传统经验模态分解存在信息泄露风险，视觉Transformer模型计算开销大，以及多维时序数据的特征提取不够充分。针对上述问题，团队将动态滑动窗口引入EEMD算法，通过历史数据进行实时校准，使模态混叠率降低63%；同时开发强化ViT模型，采用非对称卷积架构，将运算效率提升40%，对齿轮箱磨损、轴承过热等7类常见故障的识别准确率达到92.7%。 该技术的工程应用效果已在现场得到验证。在张家口风电基地实测中，系统提前48小时预警齿轮箱油温异常，避免了一起可能造成300万元损失的设备事故。国家能源局新能源司专家认为，这项研究显示我国在智能运维上取得了重要进展，其提出的“特征矩阵—动态分析—智能决策”技术路线，为下一代风电预警系统提供了可复用的框架。 展望未来，随着2025年风电装机容量预计突破5亿千瓦，智能化运维需求将明显增长。团队透露，正与金风科技、远景能源等企业合作推进技术转化，计划在三年内建设覆盖全国主要风电场的智能监测网络。中国科学院电工研究所评价称，该成果不仅可用于风电，其方法对轨道交通、航空航天等重大装备的健康管理也具有参考价值。
随着能源结构加快调整，风电等新能源装机规模持续扩大，如何保障风电机组安全、稳定、高效运行，成为行业必须面对的现实问题。许伯强团队的研究将信号处理与人工智能结合，为风电运维提供更智能、更具预见性的技术路径，也为电力系统安全运行增添了支撑。随着技术深入落地应用，有望在提升我国风电产业竞争力、推动能源转型中发挥更大作用。