[发明专利]一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法

权利要求书

1.一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，该方法包括以下步骤：

步骤1：通过GRA对SCADA状态变量进行分析，筛选出与发电机温度相关的状态变量作为LSTM网络的输入；

步骤2：通过LSTM对正常状态下的发电机温度进行预测，得到预测值；

步骤3：计算实际值与预测值的残差绝对值，使用统计学方法设置告警阈值，据此对发电机早期故障进行辨识并提取出故障样本；

步骤4：通过stacking融合算法对提取的故障样本进行数据处理后输出最终的精确诊断结果；

所述的步骤4具体包括：对步骤3提取的故障样本进行数据集划分，采用K折交叉验证对stacking融合算法第一层基学习器进行训练，输出作为诊断结果的概率输出，组合第一层基学习器输出的概率作为新数据集，并作为第二层元学习器的输入进行训练，输出最终的精确诊断结果；

所述第一层基学习器中选择的相关算法模型包括：支持向量机、K最邻近分类算法、采用bagging方式集成的随机森林、梯度提升决策树以及采用boosting方式集成的极端梯度提升树，所述第一层基学习器中的各个基学习器经过单独诊断后，还对诊断结果进行spearman关联性分析，所述spearman关联性分析的计算公式为：

式中，ρ_xy为spearman关联性分析对应结果量，和分别为各向量元素的平均值，x_i和y_i分别为各向量元素的实际诊断值；

所述第二层元学习器中选择的相关算法模型包括GBDT。

2.根据权利要求1所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤1包括以下分步骤：

步骤11：提取SCADA系统采集的风机正常运行的状态数据，并对其进行归一化处理；

步骤12：计算发电机温度与各个状态变量的灰色关联系数；

步骤13：使用熵权理论优化权重大小，计算各个状态变量与发电机温度的灰色关联度；

步骤14：对灰色关联度进行排序，并选择相关的状态变量作为LSTM网络的输入。

3.根据权利要求2所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤12中的灰色关联系数，其计算公式为：

式中，ξ_ij为灰色关联系数，ρ为分辨率，Δx为作为参考序列的状态变量与作为比较序列的发电机温度的变化量，i＝1,2,…,m，j＝1,2,…,n，m为采样样本数目，n为状态变量数目。

4.根据权利要求2所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤13中的灰色关联度，其计算公式为：

式中，r_j为灰色关联度，由于使用熵权理论进行优化，即取值为1。

5.根据权利要求1所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤2具体包括：将GRA模型提取的状态变量作为输入，发电机温度作为输出，接着对LSTM网络进行训练，通过迭代更新权值和偏置使误差最小，获得发电机温度预测模型，输出发电机温度预测值。

6.根据权利要求1所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤3包括以下分步骤：

步骤31：获取发电机温度实际值与预测值的残差绝对值；

步骤32：采用统计学方法设置残差绝对值告警阈值；

步骤33：据此对发电机早期故障进行辨识，一旦发电机温度残差绝对值超过告警阈值提取出告警之后的状态数据作为下一步精确故障诊断的故障样本。

7.根据权利要求6所述的一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，其特征在于，所述的步骤32中的告警阈值，其计算公式为：

式中，f(Re)为概率密度函数，Re为残差绝对值，T为告警阈值，α为显著性水平。