本发明涉及风电机组故障预警，具体涉及一种基于优化混合神经网络预测模型的风电机组故障预警方法。
背景技术：
1、随着全球对可再生能源需求的增长，风力发电因其清洁可再生特性得到广泛应用。但风电机组在恶劣环境中易受损并出现故障，影响发电效率和设备安全。因此，利用scada数据和ai算法研究风电机组故障预警技术，减少停机时间、降低运维成本，是当前风电研究的热点。
2、风机scada系统的原始数据常含异常和噪声，不能直接用于训练预测模型。因此，数据清洗至关重要。由于异常数据多样，单一算法效果有限，现有研究倾向于结合多种算法进行清洗，确保模型训练的数据质量。
3、literature提出一种基于bayesian change point-quartile组合算法的异常值删除方法。
4、在预测模型的建立方面，机器学习和神经网络算法凭借强大的数据处理能力、模型学习与适应性、鲁棒性与泛化能力以及特征提取与选择的智能机制，能够有效处理风电机组复杂的运行数据，学习并识别故障发生的潜在模式，实现对风机故障的准确预测和预警，从而支持风电场的安全稳定运行和降低运维成本。现有文献报道了利用长短期记忆网络(long short-term memory，lstm)结合最大信息系数、指数加权移动平均法和核密度估计法，建立风电场齿轮箱的预警模型；也有现有文献报道了通过双向循环神经网络建立风机预测模型，优化故障风险阈值并通过残差分析实现故障预警；另外还有文献提出一种基于nonlinear decreasing inertia weight和exponential change learningfactorparticle swarm optimization的风电机组故障预警方法；也有现有文献建立基于长短期记忆(lstm)和自动编码器(ae)神经网络的风电机组预测模型，结合支持向量回归模型的自适应阈值估计方法，实现故障预警。可见，为提高预警模型精度，采用多模型融合、发挥各自优势是目前的研究趋势。
技术实现思路
1、基于scada系统高维数据和多样异常问题，本发明提出一种基于贝叶斯优化的混合神经网络模型的风电机组故障预警方法。首先，通过optics和iforest算法组合清洗异常数据；然后，使用经贝叶斯优化的cnn-lstm-attention混合神经网络预测风机正常工况。最后，结合滑动窗口和核密度估计法设定预警阈值，实现精准故障预警，确保风机稳定运行。
2、本发明提供了一种基于优化混合神经网络预测模型的风电机组故障预警方法，该方法包括：
3、使用传感器实时采集风电机组的运行数据，包括风速、转速、温度、振动等参数，对数据进行清洗和预处理，确保数据质量和完整性；
4、设计并构建混合神经网络模型，结合遗传算法、粒子群优化或其他优化算法对模型进行训练和优化，提高预测精度和泛化能力；
5、在模型训练完成后，将其部署到实际风电机组的运行环境中，系统实时监测风电机组的运行状态，一旦检测到异常或故障风险，立即发出预警信号，并且为操作人员提供详细的故障诊断信息和建议的维护措施，支持及时决策和处理。
6、优选地，lstm是循环神经网络经优化后得到的网络结构，lstm采取三层门控设计，既避免网络模型对数据上的长期依赖，又克服梯度消失及梯度爆炸问题，体现了lstm优越的预测能力；
7、lstm传递数据的具体步骤如下：
8、(1)数据的遗忘与保存：输入及储存数据与其权重相乘，加偏置数值后经sigmiod函数作归一化处理；
9、(2)更新数据输入：输入数据经由权重矩阵处理后与激活矩阵做乘法，更新后输入到记忆单元；
10、(3)更新单元状态并输出数据：将上述两个步骤结果相加后得出当前的单元状态，并输出数据。
11、优选地，模拟人类在处理信息时的注意力分配过程，使模型能够专注于输入序列中的关键信息，具体包括以下步骤：
12、(1)输入编码：模型会对输入序列进行编码，将其转换为模型能够理解的内部表示形式；
13、(2)注意力权重计算：在解码或处理过程中，模型会根据当前的状态和上下文信息，对输入序列的不同部分分配不同的注意力权重，这些权重代表了模型对不同部分信息的关注程度；
14、(3)加权和计算：根据计算出的注意力权重，模型会对输入序列的编码表示进行加权求和，得到一个与当前状态相关的上下文向量，这个上下文向量包含了模型当前关注的重要信息；
15、(4)输出生成：基于得到的上下文向量和当前状态，模型会生成相应的输出。
16、优选地，在风电机组的运行状态监测过程中，利用bayesian-cnn-lstm-attention模型预测发电机转速和有功功率，并以预测值和实际值之间的绝对误差作为评价指标，考虑风速、风向等外部环境因素的随机性较大，单一时刻的评价指标可能会增加误报概率，引入时移滑动窗口模型，利用计算滑动窗口内绝对误差的平均值来降低模型误报率。
17、优选地，风机机组故障的发展过程中，评价指标会有显著的上升趋势，为判断机组是否处于异常工况，需设定警告阈值，该阈值的设置会直接影响预测模型的预警性能，设置过高可能导致漏报异常工况，若设置过低会增大误报的概率。
18、优选地，采用非参数核密度估计方法计算指标阈值，假设机组在运行正常情况下其评价指标的概率密度函数为hσ(α)，计算如下式所示，
19、
20、其中，n为时间序列σ的数据组数量，d为带宽，aj为j时刻的状态评价指标，k(·)为核函数。
21、优选地，根据实际需求设置适合当前时移滑动窗口的窗口增量和窗口大小，并依据下式得出正常工况下的评价指标，并采用kde法对指标进行分布分析，为降低预警误报概率，设置99.8％的累积概率作为阈值临界值，
22、
23、其中，wpn、wan为时间窗口在σ时刻第q组数据的预测值与实际值。
24、针对风电机组scada系统中原始高维数据存在的异常点和噪声点问题，同时考虑到故障预警对预测模型精度的严格要求，提出一种基于贝叶斯优化混合神经网络预测模型的风电机组故障预警方法。为确保建模数据的质量，采用ordering points to identifythe clustering structure(optics)和isolation forest(iforest)对预处理后的数据进行组合清洗。建立基于贝叶斯优化的cnn-lstm-attention混合模型，结合cnn的空间特征提取能力、lstm的时间序列处理能力以及注意力机制的权重分配策略，经贝叶斯算法优化实现了对风电机组正常工况下的精准预测。利用滑动窗口法构建预警指标，结合核密度估计法计算其阈值，实现故障的可靠预警并降低误报率。采用真实故障数据进行实验，结果表明该方法在提升预测精度、降低误报率方面表现优异。
1.一种基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，lstm是循环神经网络经优化后得到的网络结构，lstm采取三层门控设计，既避免网络模型对数据上的长期依赖，又克服梯度消失及梯度爆炸问题，体现了lstm优越的预测能力；
3.根据权利要求1或2所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，模拟人类在处理信息时的注意力分配过程，使模型能够专注于输入序列中的关键信息，具体包括以下步骤：
4.根据权利要求1-3中任意一项所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，在风电机组的运行状态监测过程中，利用bayesian-cnn-lstm-attention模型预测发电机转速和有功功率，并以预测值和实际值之间的绝对误差作为评价指标，考虑风速、风向等外部环境因素的随机性较大，单一时刻的评价指标可能会增加误报概率，引入时移滑动窗口模型，利用计算滑动窗口内绝对误差的平均值来降低模型误报率。
5.根据权利要求1-4中任意一项所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，风机机组故障的发展过程中，评价指标会有显著的上升趋势，为判断机组是否处于异常工况，需设定警告阈值，该阈值的设置会直接影响预测模型的预警性能，设置过高可能导致漏报异常工况，若设置过低会增大误报的概率。
6.根据权利要求1-5中任意一项所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，采用非参数核密度估计方法计算指标阈值，假设机组在运行正常情况下其评价指标的概率密度函数为hσ(α)，计算如下式所示，
7.根据权利要求1-6中任意一项所述的基于优化混合神经网络预测模型的风电机组故障预警方法，其特征在于，根据实际需求设置适合当前时移滑动窗口的窗口增量和窗口大小，并依据下式得出正常工况下的评价指标，并采用kde法对指标进行分布分析，为降低预警误报概率，设置99.8％的累积概率作为阈值临界值，
