买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：本发明属于风电机组状态监测与故障预警领域，涉及一种基于图神经网络的风电机组故障预警方法，S1、多变量时间序列获取及数据预处理；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征；S4、根据验证集设定阀值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警；本发明通过解耦工况变化对温度状态参数的影响，并利用图神经网络有效提取不同温度传感器参数之间的动态时空特征，提高了故障预警准确度和可靠性。

主权项：1.一种基于图神经网络的风电机组故障预警方法，其特征在于，包括如下步骤：S1、多变量时间序列获取及数据预处理：从风电场状态监视与数据采集SCADA系统获取风电机组健康状态下的多变量传感器时间序列历史数据，进行数据清洗去除异常数据，并筛选所需要的工况变量和温度状态变量；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据：将步骤S1筛选得到的工况变量作为输入，温度状态变量作为输出建立多输入多输出回归模型，进一步计算原温度状态变量与回归模型得到的温度状态变量预测值的差值作为对工况变化解耦后的状态变量时间序列数据，并将其划分为训练集和验证集；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征：构建基于时空图卷积网络的预测模型，首先利用自注意力机制提取解耦后的状态变量时间序列数据中不同传感器变量之间的空间相关特征，计算得到表示传感器空间相关性的邻接矩阵；同时，将解耦后的状态变量时间序列数据输入时间卷积模块，提取时间维度的特征，并将其与邻接矩阵一起输入图卷积模块，提取空间维度的特征；利用训练集对时空图卷积网络预测模型进行训练；S4、根据验证集设定阀值：将验证集输入到训练好的时空图卷积网络预测模型，计算验证集中所有变量的预测值和真实值的残差，选择最大残差作为异常分数，根据异常分数的统计分布设定故障预警的阈值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警：从风电机组获取在线实时监测多变量时间数据，将其先输入到多输入多输出的回归模型，计算得到解耦后的温度状态数据，然后再输入到训练好的时空图卷积预测模型，根据预测值与真实值之间的残差计算异常分数，将其与预先设定的阈值进行比较；当异常分数大于阈值时，则对风机部件发出故障预警。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于图神经网络的风电机组故障预警方法