[发明专利]一种基于DA-RNN的风电机组关键组件故障预警方法

权利要求书

1.一种基于DA-RNN的风电机组关键组件故障预警方法，其特征在于，包括以下步骤：

1)选取待进行故障预警的风电机组，获取该风机SCADA系统中记录的正常运行状态下N条运行数据，选取SCADA系统中待预警组件温度测点所测温度变量作为目标变量y，与该组件温度相关的所有变量作为相关变量X，构造初始训练集

2)离线训练阶段，基于初始训练集设计数据预处理流程，预处理步骤包括孤立异常点的剔除与插补，基于运维记录进行风机停机维护期间数据的剔除与插补，以及缺失值插补，将预处理后的训练集[X_train,y_train]作为变量估计模型的输入进行模型训练；

3)选取基于双注意力机制的循环神经网络DA-RNN模型作为变量估计模型，选取滑窗长度W，滑窗内时刻表示为t_w,w＝T-W+1,T-W+2,...,T，其中T为当前时刻，通过设计输入注意力机制分配每时刻t_w相关变量对目标变量的影响权重重构相关变量作为编码器输入，编码器部分为多个LSTM单元，每个LSTM单元的输入为滑窗内一个时刻的重构相关变量，编码器部分输出为隐藏向量h；之后设计时间注意力机制分配滑窗内不同历史时刻的隐藏向量对当前时刻目标变量的影响权重得到语义向量c，使用线性回归模型整合语义向量与目标变量历史值作为解码器的输入，解码器部分为多个LSTM单元，输出为当前时刻上一时刻t_T-1的隐藏状态，再通过线性函数得到当前时刻目标变量的估计值

4)将训练集中的目标变量实际值减去对应时刻的模型输出，即目标变量估计值，得到训练集估计残差序列，求取残差序列均值μ_train及标准差σ_train；

5)基于训练集残差序列进行多阈值设置，多阈值设置为训练集估计残差序列的均值μ_train加减k倍标准差σ_train，分别作为残差序列阈值上下限，其中上限U_r(k)＝μ_train+kσ_train，下限L_r(k)＝μ_train-kσ_train；

6)在线应用阶段，基于实时运行数据点d，基于离线阶段训练完成的DA-RNN模型，得到数据点d的实际测量值减去模型估计值的估计残差值r_d；

7)选取k的一个取值，确定阈值上下限，如果r_d超过当前k值对应阈值，即大于阈值上限U_r(k)或小于阈值下限L_r(k)，计算该数据点d之前连续超过阈值的数据点个数count1(k)，以及该数据点d前一天时间范围内超过阈值的数据点个数占一天内总数据点个数的百分比数值count2(k)％，如果r_d处于阈值上限U_r(k)与阈值下限L_r(k)之间，输出两个判断结果0；

8)进行多判别准则设置，多判别准则为连续超限判别准则结合百分比超限判别准则，在当前k值下设置连续超限判别准则阈值参数S(k)以及百分比超限判别准则阈值参数P(k)％，当满足条件count1(k)≥S(k)时该k-S(k)预警策略组合的判断结果记为1，不满足条件时该判断结果记0，满足条件count2(k)≥P(k)时该k-P(k)预警策略组合的判断结果记1，不满足条件时该判断结果记0；

9)对k的所有其他取值，重复步骤7)与步骤8)，得到判别结果序列，基于判别结果序列判断对于实时数据点d是否给出最终报警。