在新能源发电领域，风力发电凭借其大规模开发与商业化应用的潜力，已成为推动能源转型的重要力量。风电机组作为发电系统的核心设备，其运行稳定性直接关系到风电场的整体效能。然而，当前主流电磁暂态仿真平台普遍缺乏内部故障模拟功能，而随着风电大规模并网，机组故障频发，其中电气故障占比最高。如何精准模拟内部故障并实现高效辨识，成为保障风电安全运行的关键课题。
研究团队指出，当前研究面临两大核心挑战。其一，发电机内部故障建模难度大。主流机型中，永磁同步发电机（PMSG）与双馈感应发电机（DFIG）结构差异显著，内部故障类型多样且机理复杂，需构建数十个不同模型。同时，发电机状态空间方程维数高，离散化过程复杂，进一步增加了建模难度。其二，电磁暂态仿真与人工智能的协同存在障碍。批量数据获取、特征选取、神经网络适配等问题亟待解决，而实际运行中故障数据稀缺、样本不平衡且获取成本高，更增加了研究难度。
针对上述难题，研究团队在内部故障一体化建模方面取得突破性进展。通过参数修正技术，实现了故障电磁模型的重构，能够等效反映实体结构与参数变化。不同故障类型通过方程结构及电阻矩阵、电感矩阵等参数变化体现，构建了统一数学模型以消除两类机型的方程差异。该模型通过故障类型标识符切换初始方程矩阵元素，形成统一建模框架，等效模型可直接与外部网络相连。测试结果显示，各类故障下最大相对误差控制在3%以内，且能通过故障参数叠加实现复合故障拓展。接入风电场测试系统后，故障特性可准确反映至并网点功率及电流波形，为故障辨识提供了可靠的外特性数据支撑。
在故障辨识领域，研究团队提出了新型多维度Transformer编码器架构。该架构将时序功率数据转化为双通道输入，通过编码器加权融合与门控单元拼接提取多维特征，建立了“故障态建模-多参数仿真-高精度辨识”的完整框架。经自动化批量仿真获取数据并处理后，模型训练测试结果显示，其准确率达97.51%，在精确率、召回率等指标上均优于LSTM、CNN及传统Transformer模型。该模型收敛速度更快、聚类效果更优，可有效辨识多种内部电气故障。
目前，研究团队已形成21页的详细报告，系统总结了风力发电机内部故障一体化电磁暂态建模及辨识方法的研究成果。下一步，研究将基于现有数据集，搭建风电场全拓扑精细化模型，完善暂态仿真数据集。同时，结合强化学习、图神经网络等人工智能方法，推动风电场智能化运行，为风力发电的安全、稳定、高效发展提供坚实的技术支撑。