[发明专利]基于注意力机制的CNN-LSTM风机故障预测方法及系统

说明书

一种基于注意力机制的CNN‑LSTM风机故障预测方法，首先，利用SCADA系统采集风机的时序数据；其次，利用随机森林算法对风机时序数据进行特征关联度分析，提取与风机故障关联度高的特征，形成新的特征数据集，将新的特征数据集输入到CNN‑LSTM模型中进行训练，并在模型中引入Attention机制，使得模型更关注与风机故障相关的特征，降低非相关特征的干扰，以提高风机故障预测模型的准确率和泛化能力；最后，将待预测的风机数据集输入到训练好的模型中，获取故障预测结果。本发明的模型是一种适合处理时序数据、准确率高、泛化能力强等综合性能突出的风机故障预测模型。

技术领域

本发明涉及风电故障预测技术领域，具体涉及一种基于注意力机制的CNN-LSTM风机故障预测方法及系统。

背景技术

风能是一种无公害的可再生能源，能量近乎无尽，分布广泛。风电缓解了能源的供应，对环境的保护意义重大。风电设备一般安装在风力资源丰富但交通不便的地区，如山区、高原地区、草原牧场等，这些地区环境恶劣，雷电、暴雨或者台风等都可能使得风机发生故障，需要定期对风机进行巡检，以保证风电设备的正运行，但是风机地处偏远的地区，巡检工作量大，增加了维护人员的工作负担；对于风机的某些故障，如果等到故障发生后再进行检测，可能为时已晚，造成的经济损失也不可估量，因此需要对这些风机故障提前预测或预警。针对此问题，目前，主流的解决方案是基于风机状态数据的分析方法，它基于海量的运行数据，利用智能算法从多层面对风机的状态数据进行分析，挖掘数据中潜在的有价值的故障信息，实现对风机的故障预测。

风机产生的数据是以时间为轴不断增长的时序数据，因此对风机数据时序关系的学习对于风机故障预测至关重要；但是目前的风机故障预测模型对于处理时序问题性能较差，不能很好的挖掘数据间潜在的时序特征，导致泛化能力差，因此，需要一种模型能有效的处理时序数据且泛化能力强、准确率高。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于注意力机制的CNN-LSTM风机故障预测方法。

本发明采用如下的技术方案。一种基于注意力机制的CNN-LSTM风机故障预测方法，包括以下步骤：

步骤1，从SCADA系统采集原始风机时序数据，包括：性能数据和外界环境数据；

步骤2，利用随机森林算法对原始风机时序数据进行特征关联度分析，得到与风机故障关联度高的特征数据集；

步骤3，将随机森林算法筛选得到的特征数据集输入到CNN神经网络，利用两层CNN神经网络对特征数据集进行特征提取；

步骤4，根据步骤3的输出结果，利用两层LSTM神经网络进一步学习多个连续时刻风机特征的变化趋势，获得特征之间的时序关系；

步骤5，将步骤4的输出结果输入到注意力机制模块，用于获取更多与故障相关的目标信息，通过注意力机制模块的全连接层输出结果，

步骤6，将步骤5的输出结果通过输出模块得到预测结果，根据模型的输出结果与真实值的误差不断更新权重参数，判断当迭代次数达到上限，则输出模型；

步骤7，加载步骤6训练好的模型，接着将待预测的风机数据输入到模型中，得到风机故障的预测结果；

其中SCADA是指数据采集与监视控制系统。

优选地，步骤1中，采集的原始风机时序数据包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片1角速度、叶片2角速度、叶片3角速度、叶片1速度、叶片2速度、叶片3速度、变桨电机1温度、变桨电机2温度、变桨电机3温度、水平方向加速度、垂直方向加速度、环境温度、机舱温度、变桨柜电源1温度、变桨柜电源2温度、变桨柜电源3温度、变桨柜电源1直流电流、变桨柜电源2直流电流和变桨柜电源3直流电流。

优选地，步骤2包括：