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。

2.根据权利要求1所述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：S1中，包括如下步骤：S11、使用离群因子检测算法对原始SCADA数据进行离群点检测，去除不符合物理意义的数据；

S12、筛选与风电机组状态相关的温度状态变量以及影响温度的工况变量进行下一步的建模，其中工况变量包括环境温度、风速、功率和转子转速，温度状态变量包括主轴承温度、齿轮箱温度、发电机轴承温度等。

3.根据权利要求1所述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：S2中，包括如下步骤：S21、将工况参数作为自变量，所有温度状态变量作为因变量，利用全连接神经网络建立多输入‑多输出的回归解耦模型，计算得到回归模型残差作为解耦工况影响的温度状态变量；

S22、采用滑动窗口对解耦后的温度变量建立时间序列数据，按照月份将数据划分成训练集与验证集样本，其中前80％作为训练集，剩余的20％作为验证集。

4.根据权利要求1所述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：S3中，包括如下步骤：N×T

S31、将训练集数据X∈R 输入门控循环单元，其中N为变量数，T为时间步长，按顺序计算与每个时间戳t对应的隐藏状态；使用最后一个隐藏状态R作为整个时间序列的表示，并通过自注意机制计算权值矩阵W，根据权值矩阵W计算传感器空间耦合图的邻接矩阵A，其中TA＝0.5*W*W；

N×T

S32、将训练集数据X∈R 分别输入sigmoid作为激活函数的一维因果卷积与tanh作为激活函数的一维因果卷积，计算得到其时间维度上的特征ht(X)，其计算公式为：其中，U和V为卷积核参数，b和c为偏置参数， 表示对应元素相乘的运算；

S33、将S32中得到的ht(X)与S31中得到的邻接矩阵A输入切比雪夫图卷积层，计算得到输出为：X′∈Rm×n×k，

其中m为邻接矩阵个数，n为变量数，k为卷积核个数；

S34、将S33得到的X′输入到两个一维卷积层，将输入的通道维度转换为所需的输出维度，并设置平均绝对误差为损失函数，并完成模型训练。