CN115758290A - 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 - Google Patents

Abstract

本发明涉及一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法，包括：获取风力发电机齿轮箱高速轴温度同一时间序列的其他相关参数历史数据，对数据预处理；进行皮尔逊相关性分析筛选出与齿轮箱高速轴温度相关性强的参数作为样本数据集；提取训练数据集与测试数据集，搭建LSTM神经网络；配置LSTM神经网络训练参数，对网络进行训练，使用LSTM神经网络高速轴温度趋势预测模型进行预测，通过均方根误差衡量模型的预测误差；计算高速轴预测值与实际值的残差，求得残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。本发明能够解决现有齿轮箱高速轴温度监测手段无法实现高精度提前预测和温度趋势预警问题。

Description

一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法

技术领域

本发明属于风力发电技术领域，尤其涉及一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法。

背景技术

风能是一种清洁可再生能源，取之不尽用之不竭，风力发电将迎来高速发展，而对风力发电机组的运行可靠性提出了更高的要求。

目前在风力发电机各设备温度监测预警方式上最普遍的是设置定值阈值报警，触发报警条件单一，当设备温度超过设定温度阈值时触发报警，这样的方式只考虑了设备最极限的温度值，无法根据不同工况条件进行动态设置阈值，无法反映设备缓慢劣化趋势。国内外的研究中使用较多的是ARIMA差分整合滑动平均自回归模型，但该方法在变量输入上只考虑自身历史数据，无法感知在风速、发电机转速、机舱温度等变化情况，造成预测准确度较低。

随着人工神经网络的逐渐成熟，将其与各领域传统经验、方法相融合，实现模拟人类认知，在很多领域已经取得了成功应用，近几年也有研究人员使用 BP神经网络用于风力发电机设备温度预测，其做法主要是确定输入因子及其对应的输出，建立BP神经网络包括输入层、隐藏层、输出层，通过正向传播计算损失函数，再反向传播，利用梯度下降和链式求导法则最小化损失函数，完成 BP神经网络训练。该方法可以有效的提取各输入因子的特征，建立输入与输出的深层关系，实现温度预测。但其不足之处在于没有考虑到温度数据的时间序列特性，对历史温度数据不存在记忆性，无法有效感知风力发电机组运行时风资源不稳定引起发电机转速、有功功率突变，造成预测精度较低。

发明内容

本发明的目的是提供一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法，针对齿轮箱高速轴温度因风资源不可靠造成瞬变性、波动大和非线性的特点，设计基于LSTM神经网络的复合模型，解决现有齿轮箱高速轴温度监测手段无法实现高精度提前预测和温度趋势预警问题。

本发明提供了一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法，包括如下步骤：

步骤1，获取风力发电机齿轮箱高速轴温度同一时间序列的其他相关参数历史数据，对数据进行预处理，通过插值法填补缺失值，处理异常值，归一化处理；

步骤2，进行皮尔逊相关性分析筛选出与齿轮箱高速轴温度相关性强的参数作为样本数据集；

步骤3，提取训练数据集与测试数据集，搭建LSTM神经网络；

步骤4，配置LSTM神经网络训练参数，对网络进行训练，使用LSTM神经网络高速轴温度趋势预测模型进行预测，通过均方根误差衡量模型的预测误差；

步骤5，计算高速轴预测值与实际值的残差，求得残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

进一步地，所述步骤1包括：

从风力发电机组本身配备的SCADA系统获取风力发电机实际运行的同一时间序列的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力和齿轮箱高速轴温度7组历史数据；所采集的历史数据根据同一时间序列排序，时间间隔为60秒；

采用滑动窗口方法，设定窗口大小为n，对样本数据进行检验，判断连续n个时间步数据中出现缺失值的个数<m是否成立，若是，将使用拉格朗日插值法对缺失值进行插补，否则，直接删除缺失数据的时间步；

拉格朗日插值计算公式如下：

式中，坐标点(x,L(x))为窗口n内的缺失数据，x为缺失数据的时间坐标，L(x) 为经过拉格朗日插值法计算后的插入值，坐标点(x_i,y_i)为窗口n内的非缺失数据；

使用极差法对数据进行归一化处理，计算公式如下：

式中，x为数据归一化前的初始值，x_min为所述数据中的最小值，x_max为所述数据中的最大值。

进一步地，所述步骤2包括：

对步骤1中归一化处理后的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力分别与齿轮箱高速轴温度进行皮尔逊相关性分析；

皮尔逊相关性系数计算如下：

式中，

分别表示风速集F和齿轮箱高速轴温度集A的均值；Cov(F,A)表示风速集F与齿轮箱高速轴温度集A的协方差；S_F、S_A分别表示风速集F和齿轮箱高速轴温度集A的标准差；r_FA表示皮尔逊相关系数；使用相同的方法分别得到其余参数数据与齿轮箱高速轴温度的相关性系数值；

通过比较相关性系数绝对值的大小，筛选出风速、发电机有功功率、发电机转速和机舱温度和齿轮箱高速轴温度共5组历史数据作为样本数据，整合如下：

式中，IN为5组历史数据整合后的样本数据矩阵，F为风速集，P为发电机有功功率集，R为发电机转速集，E为机舱温度集，A为齿轮箱高速轴温度集，s 为数据集第s个时间步。

进一步地，所述步骤3包括：

将IN矩阵样本数据中前10％数据作为测试样本集O，后90％数据作为训练样本集k，在Q中从i＝1个时间步开始单时间步滑动，每滑动一步提取长度为k的连续数据作为输入训练集；在齿轮箱高速轴温度集A中，提取第k个值作为输出标签集得到：

Y_train＝(A_k+u,A_k+u+1,…,A_s+u)^T

式中，X_train作为LSTM神经网络的训练集输入；Y_train作为LSTM神经网络的训练集标签；u∈[1，2，…，10]表示预测时间步长，即使用前k个时间步的训练集输入，预测第k+u个时间步的齿轮箱高速轴温度；使用相同的方法从 O中提取LSTM神经网络测试集输入X_test其对应测试集标签Y_test；

搭建LSTM神经网络，包括输入层、LSTM层、Dropout层、全连接层和回归输出层；其中输入层特征维度为5；LSTM层设为单层，设置LSTM层输入维度为128，输入样本个数为s-k+1，沿时间步扩展神经元个数为k，输出模式为序列最后一个；Dropout层，设置随机丢弃概率为0.2；全连接层输出层神经元个数为1；输出层为线性回归层得到预测标签；

所述LSTM神经元内部包含输入门i_t、遗忘门f_t、输出门o_t和内部记忆单元 c_t，LSTM神经元输入含t时刻的序列输入x_t，t-1时刻的记忆细胞c_t-1、细胞状态h_t-1；输出包含t时刻记忆细胞c_t、细胞状态h_t，其中记忆细胞c_t代表长期记忆信息，细胞状态h_t代表短期记忆信息，得到c_t与h_t具体计算公式如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t⊙tanh(c_t)

式中，σ、tanh分别表示sigmoid和双曲正切激活函数；i_t、f_t、o_t、

c_t、 h_t分别表示输入门、遗忘门、输出门、记忆细胞输入状态的候选状态、记忆细胞和细胞状态；W_i、W_f、W_o、W_c分别表示对应的权重矩阵；b_i、b_f、b_o、b_c分别表示对应的偏置矩阵；⊙表示各元素按位相乘。

进一步地，所述步骤4包括：

配置LSTM神经网络训练参数；随初始化LSTM神经网络参数；选用adam 优化器，梯度阈值为1；选择CPU进行训练；设置最大训练轮数为100；设置最小批量为2000；设置最初学习率为0.005，学习率计划为分段学习，学习率下降周期为125，学习率下降系数为0.2；

将训练集输入X_train和训练集标签Y_train放入在网络进行训练，过程中采用时间反向传播算法，根据输入的时间序列不断计算每个时刻输出值与真实标签值的误差值，再逐级将误差项传向上一层，重新更新相关权重矩阵和偏置矩阵的值，训练完成后得到高速轴温度趋势预测模型，将测试集输入X_test输入到训练好的模型中，得到归一化的齿轮箱高速轴温度预测值Y_pre，再对其进行反归一化得到最终齿轮箱高速轴温度预测值；

选用RMSE均方根误差作为误差的衡量标准，公式如下：

式中，y_i为实际高速轴温度；

为预测的高速轴温度。

进一步地，所述步骤5包括：

利用步骤4得到的高速轴温度趋势预测模型进行预测，计算齿轮箱高速轴温度预测值与实际值之间的残差，求出残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

借由上述方案，通过基于LSTM的风机齿轮箱高速轴温度趋势预警方法，针对齿轮箱高速轴温度因风资源不可靠造成瞬变性、波动大和非线性的特点，通过基于LSTM神经网络的复合模型，解决了现有齿轮箱高速轴温度监测手段无法实现高精度提前预测和温度趋势预警问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明的实现流程图；

图2是本发明搭建的LSTM神经网络模型结构；

图3是本发明LSTM神经网络模型预测效果；

图4是本发明LSTM神经网络模型预测效果(局部)；

图5是本发明预测值与实际值的残差及残差阈值图；

图6是本发明设置的高速轴温度预警逻辑。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

术语解释：

LSTM(Long Short-Term Memory)长短期记忆神经网络是一种特殊RNN循环神经网络，LSTM的神经元通过增加输入门i_t、遗忘门f_t、输出门o_t和内部记忆单元c_t，具有选择性记忆功能，可以选择记忆重要信息，过滤掉噪声信息，有效解决了梯度消失和梯度爆炸问题。

参图1所示，本实施例提供了一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法，包括如下步骤：

S01、获取风力发电机齿轮箱高速轴温度同一时间序列的其他相关参数历史数据，对数据预处理，通过插值法填补缺失值，处理异常值，归一化处理；

S02、进行皮尔逊相关性分析筛选出与齿轮箱高速轴温度相关性强的参数作为样本数据集；

S03、提取训练数据集与测试数据集，搭建LSTM神经网络；

S04、配置LSTM神经网络训练参数，对网络进行训练，使用LSTM神经网络高速轴温度趋势预测模型进行预测，通过均方根误差衡量模型的预测误差；

S05、计算高速轴预测值与实际值的残差，求得残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

对于步骤S01：获取风力发电机齿轮箱高速轴温度同一时间序列的其他相关参数历史数据，对数据预处理，通过插值法填补缺失值，处理异常值，归一化处理。包括以下步骤：

具体的，从重庆市丰都县某风场11号风力发电机组本身配备的SCADA系统(数据采集与监视控制系统)获取2021年8月24日至2021年11月30日机组正常运行期间共129305条数据，采样间隔为60S。数据源包括同一时间序列的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力和齿轮箱高速轴温度7组参数。

具体的，采用滑动窗口方法，设定窗口大小为n，对样本数据进行检验，判断连续n个时间步数据中出现缺失值的个数<m是否成立，若是，将使用拉格朗日插值法对缺失值进行插补，否则，直接删除缺失数据的时间步。

拉格朗日插值计算公式如下：

式中，坐标点(x,L(x))为窗口n内的缺失数据，x为缺失数据的时间坐标，L(x) 为经过拉格朗日插值法计算后的插入值，坐标点(x_i,y_i)为窗口n内的非缺失数据。本实例中设置n＝10，m＝2。

具体的，使用极差法对数据进行归一化处理，计算公式如下：

式中，x为数据归一化前的初始值，x_min为所述数据中的最小值，x_max为所述数据中的最大值。

在本实施例中，步骤S02包括以下步骤：

对步骤01中归一化后的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力分别与齿轮箱高速轴温度进行皮尔逊相关性分析。

皮尔逊相关性系数计算如下：

式中，

分别表示风速集F和齿轮箱高速轴温度集A的均值；Cov(F,A)表示风速集F与齿轮箱高速轴温度集A的协方差；S_F、S_A分别表示风速集F和齿轮箱高速轴温度集A的标准差；r_FA表示皮尔逊相关系数。使用相同的方法可分别得到其余参数数据与齿轮箱高速轴温度的相关性系数值。

通过比较相关性系数绝对值的大小，筛选出风速、发电机有功功率、发电机转速和机舱温度和齿轮箱高速轴温度共5组历史数据作为样本数据，整合如下：

式中，IN为5组历史数据整合后的样本数据矩阵，F为风速集，P为发电机有功功率集，R为发电机转速集，E为机舱温度集，A为齿轮箱高速轴温度集，s 为数据集第s个时间步。

在本实施例中，步骤S03包括以下步骤：

提取训练数据集与测试数据集，搭建LSTM神经网络。

具体的，从预处理好的IN矩阵样本数据中将前10％共11520条序列数据作为测试样本集O，后90％共117682条序列数据作为训练样本集Q，在Q中从i＝1 个时间步开始单时间步滑动，每滑动一步提取长度为k的连续数据作为输入训练集。在齿轮箱高速轴温度集A中，提取第k个值作为输出标签集得到：

Y_train＝(A_k+u,A_k+u+1,…,A_s+u)^T

式中，X_train作为LSTM神经网络的训练集输入；Y_train作为LSTM神经网络的训练集标签；u∈[1，2，…，10]表示预测时间步长，即使用前k个时间步的输入，预测第k+u个时间步的齿轮箱高速轴温度。使用相同的方法从O中提取LSTM神经网络测试集输入X_test其对应测试集标签Y_test。本实例中令k＝30、 u＝1，即使用前30个时间步的输入，预测第31个时间步的齿轮箱高速轴温度。

具体的，如图2所示，搭建LSTM神经网络，包括输入层、LSTM层、Dropout 层、全连接层和回归输出层。其中输入层特征维度为5；LSTM层设为单层，设置LSTM层输入维度为128，输入样本个数为s-k+1，沿时间步扩展神经元个数为k，输出模式为序列最后一个；Dropout层，设置随机丢弃概率为0.2；全连接层输出层神经元个数为1；输出层为线性回归层得到预测标签。

所述LSTM神经元内部包含输入门i_t、遗忘门f_t、输出门o_t和内部记忆单元c_t，LSTM神经元输入含t时刻的序列输入x_i，t-1时刻的记忆细胞c_t-1、细胞状态h_t-1；输出包含t时刻记忆细胞c_t、细胞状态h_t，其中记忆细胞c_t代表长期记忆信息，细胞状态h_t代表短期记忆信息，得到c_t与h_t具体计算公式如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t⊙tanh(c_t)

式中，σ、tanh分别表示sigmoid和双曲正切激活函数；i_t、f_t、o_t、

c_t、 h_t分别表示输入门、遗忘门、输出门、记忆细胞输入状态的候选状态、记忆细胞和细胞状态；W_i、W_f、W_o、W_c分别表示对应的权重矩阵；b_i、b_f、b_o、b_c分别表示对应的偏置矩阵；⊙表示各元素按位相乘。

在本实施例中，步骤S04包括以下步骤：

配置LSTM神经网络训练参数，对网络进行训练，使用LSTM神经网络高速轴温度趋势预测模型进行预测，通过均方根衡量模型的预测误差。

具体的，随初始化LSTM神经网络参数；选用adam优化器，梯度阈值为1；选择CPU进行训练；设置最大训练轮数为100；设置最小批量为2000；设置最初学习率为0.005，学习率计划为分段学习，学习率下降周期为125，学习率下降系数为0.2。

具体的，对网络进行训练。将训练集输入X_train和训练集标签Y_train放入在网络进行训练，过程中采用时间反向传播算法，根据输入的时间序列不断计算每个时刻输出值与真实标签值的误差值，再逐级将误差项传向上一层，重新更新相关权重矩阵和偏置矩阵的值，训练完成后得到高速轴温度趋势预测模型。

具体的，如图3，图4，带入测试集数据，通过均方根衡量模型的预测误差。将测试集输入X_test输入到训练好的模型中，得到归一化的齿轮箱高速轴温度预测值Y_pre，再对其进行反归一化得到最终齿轮箱高速轴温度预测值。

选用RMSE均方根误差作为误差的衡量标准，公式如下：

式中，y_i为实际高速轴温度；

为预测的高速轴温度。本实例中RMSE＝ 0.541。

在本实施例中，步骤S05包括以下步骤：

计算高速轴预测值与实际值的残差，求得残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

具体的，如图5所示，利用步骤S04得到的高速轴温度趋势预测模型进行预测，计算齿轮箱高速轴温度预测值与实际值之间的残差，求出残差均值。设置预警逻辑，如图6，设置一个滑动窗口长度为g＝10，沿预测时间步逐步滑动，如果残差与残差均值相减绝对值大于4倍均方根误差时，滑动窗口内的当前时间步数值计“1”，为超过则计“0”。当窗口内出现计“1”的位数连续且大于等于3个或者大于4个时发出红色预警，否则判断窗口内出现计“1”的位数是否满足大于等于2个且小于等于4个，满足时发出黄色预警，否则不发出报警，得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。发出红色预警、发出黄色预警或不发出报警后重新开始，进入计算齿轮箱高速轴温度预测值与实际值之间的残差，求出残差均值步骤。

该基于LSTM的风机齿轮箱高速轴温度趋势预警方法，针对齿轮箱高速轴温度因风资源不可靠造成瞬变性、波动大和非线性的特点，通过基于LSTM神经网络的复合模型，解决了现有齿轮箱高速轴温度监测手段无法实现高精度提前预测和温度趋势预警问题。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，包括如下步骤：

步骤1，获取风力发电机齿轮箱高速轴温度同一时间序列的其他相关参数历史数据，对数据进行预处理，通过插值法填补缺失值，处理异常值，归一化处理；

步骤2，进行皮尔逊相关性分析筛选出与齿轮箱高速轴温度相关性强的参数作为样本数据集；

步骤3，提取训练数据集与测试数据集，搭建LSTM神经网络；

步骤4，配置LSTM神经网络训练参数，对网络进行训练，使用LSTM神经网络高速轴温度趋势预测模型进行预测，通过均方根误差衡量模型的预测误差；

步骤5，计算高速轴预测值与实际值的残差，求得残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

2.根据权利要求1所述的基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，所述步骤1包括：

从风力发电机组本身配备的SCADA系统获取风力发电机实际运行的同一时间序列的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力和齿轮箱高速轴温度7组历史数据；所采集的历史数据根据同一时间序列排序，时间间隔为60秒；

采用滑动窗口方法，设定窗口大小为n，对样本数据进行检验，判断连续n个时间步数据中出现缺失值的个数＜m是否成立，若是，将使用拉格朗日插值法对缺失值进行插补，否则，直接删除缺失数据的时间步；

拉格朗日插值计算公式如下：

式中，坐标点(x，L(x))为窗口n内的缺失数据，x为缺失数据的时间坐标，L(x)为经过拉格朗日插值法计算后的插入值，坐标点(x_i，y_i)为窗口n内的非缺失数据；

使用极差法对数据进行归一化处理，计算公式如下：

式中，x为数据归一化前的初始值，x_min为所述数据中的最小值，x_max为所述数据中的最大值。

3.根据权利要求2所述的基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，所述步骤2包括：

对步骤1中归一化处理后的风速、发电机有功功率、发电机转速、机舱温度、发电机绕组温度、偏航压力分别与齿轮箱高速轴温度进行皮尔逊相关性分析；

皮尔逊相关性系数计算如下：

式中，

分别表示风速集F和齿轮箱高速轴温度集A的均值；Cov(F，A)表示风速集F与齿轮箱高速轴温度集A的协方差；S_F、S_A分别表示风速集F和齿轮箱高速轴温度集A的标准差；r_FA表示皮尔逊相关系数；使用相同的方法分别得到其余参数数据与齿轮箱高速轴温度的相关性系数值；

通过比较相关性系数绝对值的大小，筛选出风速、发电机有功功率、发电机转速和机舱温度和齿轮箱高速轴温度共5组历史数据作为样本数据，整合如下：

式中，IN为5组历史数据整合后的样本数据矩阵，F为风速集，P为发电机有功功率集，R为发电机转速集，E为机舱温度集，A为齿轮箱高速轴温度集，s为数据集第s个时间步。

4.根据权利要求3所述的基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，所述步骤3包括：

将IN矩阵样本数据中前10％数据作为测试样本集O，后90％数据作为训练样本集Q，在Q中从i＝1个时间步开始单时间步滑动，每滑动一步提取长度为k的连续数据作为输入训练集；在齿轮箱高速轴温度集A中，提取第k个值作为输出标签集得到：

Y_train＝(A_k+u，A_k+u+1，…，A_s+u)^T

式中，X_train作为LSTM神经网络的训练集输入；Y_train作为LSTM神经网络的训练集标签；u∈[1，2，…，10]表示预测时间步长，即使用前k个时间步的训练集输入，预测第k+u个时间步的齿轮箱高速轴温度；使用相同的方法从O中提取LSTM神经网络测试集输入X_test其对应测试集标签Y_test；

搭建LSTM神经网络，包括输入层、LSTM层、Dropout层、全连接层和回归输出层；其中输入层特征维度为5；LSTM层设为单层，设置LSTM层输入维度为128，输入样本个数为s-k+1，沿时间步扩展神经元个数为k，输出模式为序列最后一个；Dropout层，设置随机丢弃概率为0.2；全连接层输出层神经元个数为1；输出层为线性回归层得到预测标签；

所述LSTM神经元内部包含输入门i_t、遗忘门f_t、输出门o_t和内部记忆单元c_t，LSTM神经元输入含t时刻的序列输入x_t，t-1时刻的记忆细胞c_t-1、细胞状态h_t-1；输出包含t时刻记忆细胞c_t、细胞状态h_t，其中记忆细胞c_t代表长期记忆信息，细胞状态h_t代表短期记忆信息，得到c_t与h_t具体计算公式如下：

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t⊙tanh(c_t)

式中，σ、tanh分别表示sigmoid和双曲正切激活函数；i_t、f_t、o_t、

c_t、h_t分别表示输入门、遗忘门、输出门、记忆细胞输入状态的候选状态、记忆细胞和细胞状态；W_i、W_f、W_o、W_c分别表示对应的权重矩阵；b_i、b_f、b_o、b_c分别表示对应的偏置矩阵；⊙表示各元素按位相乘。

5.根据权利要求4所述的基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，所述步骤4包括：

配置LSTM神经网络训练参数；随初始化LSTM神经网络参数；选用adam优化器，梯度阈值为1；选择CPU进行训练；设置最大训练轮数为100；设置最小批量为2000；设置最初学习率为0.005，学习率计划为分段学习，学习率下降周期为125，学习率下降系数为0.2；

将训练集输入X_train和训练集标签Y_train放入在网络进行训练，过程中采用时间反向传播算法，根据输入的时间序列不断计算每个时刻输出值与真实标签值的误差值，再逐级将误差项传向上一层，重新更新相关权重矩阵和偏置矩阵的值，训练完成后得到高速轴温度趋势预测模型，将测试集输入X_test输入到训练好的模型中，得到归一化的齿轮箱高速轴温度预测值Y_pre，再对其进行反归一化得到最终齿轮箱高速轴温度预测值；

选用RMSE均方根误差作为误差的衡量标准，公式如下：

式中，y_i为实际高速轴温度；

为预测的高速轴温度。

6.根据权利要求5所述的基于LSTM的风机齿轮箱高速轴温度趋势预警方法，其特征在于，所述步骤5包括：

利用步骤4得到的高速轴温度趋势预测模型进行预测，计算齿轮箱高速轴温度预测值与实际值之间的残差，求出残差均值，设置预警逻辑得到最终的风力发电机齿轮箱高速轴温度趋势预警复合模型。

Images