(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111477655.4 (22)申请日 2021.12.0 6 (71)申请人 石河子大 学 地址 832003 新疆维吾尔自治区石河子市 北五路石河子大学北苑新区机械电气 工程学院 (72)发明人 李春杨　夏博　王宇　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时空特征提取的风电机组故障预 警方法 (57)摘要 本发明公开了一种基于时空特征提取的风 电机组故障预警方法， 步骤如下： 先通过风电机 组监控和数据采集系统来获取风电机组数据集， 进行数据预处理， 检测 并剔除异常点； 再利用主 成分分析方法对风电机组运行数据进行 降维处 理； 然后将数据集分割为多变量的输入层和单变 量的输出层， 保留数据的时序相关性和空间相关 性， 进行风电机组监控和数据采集系统数据预测 神经网络模 型搭建与训练； 最后使用平均绝对百 分比误差指标衡量模型对数据的拟合程度， 保留 最优模型， 设定模型阈值， 得到故障预 警模型。 本 发明综合考虑了风电机组数据的时间特征和空 间特征， 更加全面、 准确的反映风电机组的潜在 状态， 提高了对风电机组故障预警能力。 权利要求书2页 说明书3页 附图3页 CN 114429238 A 2022.05.03 CN 114429238 A 1.一种基于时空特征提取的风电机组故障预警方法， 其特征在于， 包括以下步骤： 步骤 1： 风电机组监控和数据采集系统数据预处理,  在切入风速和切出风速之间划出若干个风 速区间， 将所有数据点按照其风速大小归入各个风速区间， 然后对各区间内的数据点进行 统计分析， 得到风速和功率的期望值， 对风电机组风速 ‑功率曲线进行拟合， 根据风机运行 数据统计差值分布的标准差 𝜎， 以3𝜎划分标准， 对异常点进行检测和剔除； 步骤2： 风电机 组监控和数据采集系统数据降维处理， 为提高模型 的计算效率， 需要对风电机组运行数据 进行降维处理， 采用主成分分析方法， 将风电机组数据参数通过正交变换为一组线性不相 关的变量， 保证降维后的信息 贡献率在95%以上； 步骤3： 风电机组监控和数据采集系统数据 预测神经网络模型搭建， 首先在数据 处理层面保留时序相关性， 然后将数据分割为多变量 的输入层和单变量的输出层， 根据输入层的大小确定滑 窗的宽度， 进而保留数据层的空间 相关性， 将2维数据转变为4维， 其中包含输入层， 输出层， 卷积核和步长， 模 型的卷积层为32 层， 选择ReLU为激活函数， 池化层为最大池化层， 然后展平为线性层， 线性层的随机丢弃率 为0.5， 最后的输出层为1； 步骤4： 训练风电机组监控和数据采集系统数据预测神经网络模 型， 将数据分为60%的训练集和40%的验证集， 用验证集判断模型的好坏， 确 定最优模型， 最 终确定为选用Xavier初始化方法初始 化模型的参数， 选用Adam优化器对模 型的参数进行更 新， 确定损失函数为平方损失函数， 采用小批量梯度下降法， 批量大小为64， 迭代50个周期， 学习率为0.001； 步骤5： 使用平均绝对 百分比误差指标衡量模型对 数据的拟合程度， 通过调 整模型结构和超参数使模型得到最佳的效果， 最后使用指数加权移动平均值方法对误差进 行平滑处理， 设定模型阈值， 得到故障预警模型。 2.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于： 步骤1中所述的 “3𝜎划分标准 ”是指以拟合的风电机组风速功率曲线为基准， 在3 𝜎的范围 内获取风电场数据， 并剔除不在该 范围内的数据。 3.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于： 步骤2中所述的 “主成分分析方法 ”是指首先对数据进行标准化处理， 计算样本指标的均值 和标准差， 然后计算每个样本指标的相关系 数矩阵， 然后根据相关系 数矩阵的特征值和特 征向量， 组成新的主成分， 最后计算主成分的信息 贡献率， 累计计算所有主成分的累计贡献 率， 选择相应的主成分作为输入变量。 4.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于： 步骤3中所述的 “多变量的输入层和单变量的输出层 ”是指对于同一台风电机组而言， 在数 据降维后， 具有一定数量的特征属 性， 其特征属 性中含有风电机组这段时间内的时间信息 和不同空间位置的特征信息， 它们作为模型多变量的输入层， 我们将风电机组温度信息作 为模型的输出值 （预测值） ， 这个输出值与前一段时间内的温度信息有关， 所以为单变量的 输出层。 5.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于： 步骤4中所述的 “训练风电机组监控和数据采集系统数据神经网络模型 ”具体分为五步， 分 别为随机初始化权重， 向前传播得到所有样本， 计算损失函数， 反向传播计算偏导， 更新权 重， 其使用的方法分别对应为Xavier初始化， 小批量梯度下降， 平方损失函数， Adam优化器， 覆盖更新。 6.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于：权　利　要　求　书 1/2 页 2 CN 114429238 A 2步骤5中所述的 “平均绝对百分比误差 ”是指用这组数据的实际值减去模型的预测值， 然后 除以实际值， 最后取这组比值的平均数来判断模型拟合的好坏。 7.如权利要求1所述的一种基于时空特征提取的风电机组故障预警方法， 其特征在于： 步骤5中所述的 “指数加权移动平均值 ”是指以指数式递减加权的移动平均， 温度预测值的 加权影响力随时间成指数式递减， 规定上一时刻的预测值的影响大小为0.95 。权　利　要　求　书 2/2 页 3 CN 114429238 A 3