1.一种风电机组少样本故障趋势预警方法，其特征在于，包括如下步骤：(1)使用传感器监测风电机组的振动情况、摆度、声纹、温度、电压、电流以及油温参数，形成参数样本；

(2)根据传感器感知到的参数情况，制定机械故障、液压系统故障、电气故障以及气象故障这四种故障，并进行故障模块识别；

(3)根据传感器感知到的少样参数样本，使用改进的GAN模型生成与原始数据相似的高质量新样本，从而增强训练集的数据；

(4)通过改进的GAN模型数据增强样本参数，使其成为多样参数样本，并送至改进的TEMPO模型进行4小时‑16步故障预测波形；

(5)IMTBO算法包括采用精英反向学习策略初始化登山队员个体，通过计算当前解的反向解来扩大搜索范围；采用集成正态云模型策略替换原始登山队算法的协助登山位置更新公式，进一步提高算法的局部开发能力；采用柯西变异策略替换原始登山队优化算法的随机替换成员阶段。

(6)通过原型聚类预处理的极限学习机算法对步骤(4)输出的多变量波形进行故障识别，并对应步骤(2)制定故障分类，最后将风电机组的故障异常及结果发送于云数据中心。

2.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(1)使用的传感器包括振动传感器、温度传感器、压力传感器、电流传感器、电压传感器以及转速传感器。

3.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(3)改进的GAN模型是结合变分自编码器VAE和深度融合注意力DFA；采用两阶段模型进行数据增强，分别为变分自编码器数据增强阶段和深度注意力机制优化样本生成阶段；两个阶段都以单级GAN为主干，对初始样本参数进行高质量再生成。

4.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(3)包括：(3.1)改进的GAN模型，即VDGAN模型，采用两阶段模型生成样本，分别为变分自编码器数据增强阶段和深度注意力机制优化样本生成阶段；2个阶段都以单级GAN为主干，将第一阶段生成的初始样本输入第二阶段，对初始样本进行高质量再生成；

(3.2)在训练过程中，生成器G的目标就是尽量生成真实的样本去欺骗判别器D，最终理想的状态即D(G(z))＝0.5，故GAN的损失函数公式为：其中，V(D，G)表示生成样本和真实样本的差异度，采用二分类的交叉熵损失函数包括和 两部分： 表示固定生成器G训练判别器D，通过最大化交叉熵损失V(D，G)来更新判别器D的参数； 表示固定判别器D训练生成器G；

(3.3)VAE中编码网络由三个全连接层构成，第一个全连接层对输入的高维数据进行采样操作，激活函数采用Relu；其余两个全连接层分别将下采样后的样本映射成两个低维的参数特征，即正态分布的均值和方差；编码网络的损失函数为KL散度，用来衡量隐式向量分布和标准正态分布之间的差异，KL损失函数为：2

其中，μ和σ 分别为编码网络输出的均值和方差；FKL表示计算两个近似分布的KL散度，这里用来表示本发明所求的数据分布与标准正态分布N(0，1)之间的KL散度；

(3.4)样本通过第一阶段的得到高质量新样本输入到第二阶段，得到最终优化后的生成图像；

第二阶段的输入为第一阶段生成的样本与特征向量 采用编码器去除原本网络模型中的多层感知器分类头，再将原本用于额外分类预测输出结果的向量去掉，作为该阶段生成器的编码器，得到图像特征Y，表达式为：yl′＝MSA(LN(yl‑1))+yl‑1；l＝1，2，...，L.

yl＝MLP(LN(yl′))+yl′；l＝1，2，...，L.

Y＝y1+y2+y3+...+yL

(N+1)×K

其中： 为可训练的线性投影参数，Epos∈R 为位置编码，LN(·)为层归一化函数；ViT编码器由L个Transformer编码器块组成，每个编码器块的输入yl‑1就是上一个编码器块的输出，通过多头自注意力和MLP计算得到当前编码器块的输出yl，得到样本特征Y后，将特征向量 拼接至图像特征中，得到新的特征向量Y′，表达式为：将特征向量Y′输入一系列卷积解码得到第二阶段生成样本，再经过判别器鉴别样本真实性，以监督图像生成质量；第二阶段的损失函数又由生成器损失函数和判别器损失函数构成为：其中： 为第二阶段生成器损失函数， 为第二阶段判别器损失函数， 为深度注意力多模态相似度模型(DAMSM)损失函数， 为特征匹配损失函数，λ1、λ2分别为DAMSM损失和特征匹配损失在第二阶段生成器的相应权重参数。

5.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(3.3)中解码网络由两层全连接网络构成，这两层网络的参数设置和编码网络的参数设置相反，将输入的低维隐藏变量进行特征放大，最终生成和输入数据相同尺寸的生成数据，其损失函数为：判别网络由2个卷积层和3个全连接层组成，每个网络层之间的激活函数采用Relu，输出层通过Sigmoid激活函数输出真伪标签，判别网络的损失函数为：其中，x～Pdata(x)表示真实样本服从Pdata(x)分布；z～Pz(z)表示期望服从Pz(z)分布。

6.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(4)改进的TEMPO模型是结合变分模态分解和改进的登山队优化算法；采用VMD替换TEMPO原有的信号分解模块，并使用IMTBO算法优化TEMPO的参数。

7.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(4)包括：(4.1)问题定义：给定前K个时间戳的观测值，多变量时间序列预测的任务为预测下个H时间戳的值，公式为：其中， 为第i个特征对应的通道i的时间戳t的第H步的估计向量；历史值i

可以通过模型F、参数φ和提示符V来推断；

(4.2)将趋势、季节性和残差三大参数放入改进的登山队优化算法中进行优化寻优，并进行后续步骤；

n×L

(4.3)时间序列输入：给定输入X∈R ，其中n为特征通道大小，L为时间序列的长度，则表示为：其中，i是多变量时间序列输入的通道索引，趋势 捕获数据中潜在n×L

的长期模式，其中m＝2k+1和k是平均步长；季节分量XS∈R 包括了重复的短期周期，在去n×L掉趋势分量后进行估算；残差分量XR∈R 表示提取趋势和季节性后数据地剩余部分；之后引入变分模态分解VMD代替原模型的数据分解模块；

(4.4)提示设计：首先将特定于趋势的提示转换到词嵌入空间中，然后进行线性变换，得出可学习的趋势提示向量Vt；该提示符与时间序列表示的组合嵌入封装为：xT＝[Vt；PT]

其中，xT表示沿时间轴的嵌入集合；这种连接过程反映了季节性和剩余成分，分别产生Xs和XR；

(4.5)GPT架构：使用基于解码器的GPT作为主干来构建时间序列表示的基础，将提示符和不同的组件连接在一起，并将它们放入GPT块中；具体来说，本架构中的时间序列嵌入的输入表述为：其中， 对应于连接操作，x*表示不同的参数。

8.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(5)包括：(5.1)设置MTBO算法的相关参数：种群大小、维度大小、路径搜索空间的上界与下界；

(5.2)采用精英反向学习策略替换MTBO算法中原始的随机初始化，通过计算当前解的反向解，以此来增加种群的多样性，并从当前解和反向解中选取最优解作为新一代个体；

精英反向解定义为：假设种群中个体对应的极值点为精英个体，即其反向解 表示

为：

其中，K为(0，1)上的动态系数； αj＝min(Xi，j)，βj＝max(Xi，j)，αj、βj为动态边界，若动态边界操作使 越过边界成为非可行解，可以利用随机生成的方法重置，重置方式如下：(5.3)云模型由期望Ex、熵En和超熵He三个参数进行描述，当En增大时，云滴分布范围随之变大，当He增大时，云滴的离散程度同步增大，侧面反映云滴分布的随机性和模糊性，正态云滴生成过程可定义为如下所示：X＝[x1，x2，...，xNd]＝Gnc(Ex，En，He，Nd)其中，Nd为期望云滴个数；通过En调控其余位置解，利用He调整位置离散程度，公式如下所示：Position＝Gnc(Positionbest，En，He，dim)‑ξ

He＝En×10

其中，Positionbest为当前种群最优位置：dim为算法设置维度；λ＝0.3，τ＝2，ξ＝2；t为当前迭代次数，T为最大迭代次数；

(5.4)在算法中，为了避免陷入局部最优，并朝着最佳解位置移动，该阶段解的位置更新公式为：其中， 为得到的新位置，XAvalanche为随机发生局部最优状态时其他解的位置；

(5.5)当发生局部最优时，整个算法都会尽力挽救避免每个解陷进去位置更新公式如下：其中，XTeam为所有解的平均位置；

(5.6)采用柯西变异算子的位置更新公式为：

其中，cauchy(0，1)为标准的柯西分布函数；以原点为中心的一维柯西变异函数如下：利用柯西变异对登山队员位置更新中的个体进行扰动，扩大登山队优化算法的搜索规模。

9.根据权利要求1所述的风电机组少样本故障趋势预警方法，其特征在于，所述步骤(6)包括：n m N T

(6.1)假设有数据集φ＝((x；ti)，xi∈R，ti∈R) ，其中xi＝[xi1，xi2，...，xin]为网络T输入，ti＝[ti1，ti2，...，tin]为网络输出；ELM的网络结构可以描述为：其中G(αi，bi，x)为第i个隐含层节点的输出；构造最小化误差为||H‑T||，通过求解H＝TT ‑1 T的最小二乘可以得β＝(H H) HT，其中：H为隐层节点输出；T为标签，基于原型聚类预处理的RKELM算法，网络隐层节点较多；

(6.2)设训练样本为X＝[x1，x2，...，xN1]，包含来自C类目标N1个样本，RKELM的隐层节点数为Nh，则首先将X进行原型聚类，划分为Nh个不相交的训练样本簇，得到的原型向量集为YP＝[y1，y2，...，yNh]，yj为第j个簇的原型向量，j＝1，2，...，Nh；样本的聚类结构可以用原型向量集YP刻画，且YP内的向量两两之间的距离较大，以YP作为RKELM的支持矢量，采用的原型聚类算法为K‑means++。

10.一种风电机组少样本故障趋势预警系统，其特征在于，包括数据采集模块、数据增强和样本生成模块、故障预测模块、数据可视化和故障诊断模块；

所述数据采集模块是利用多种传感器对风电机组的各个组成部分进行实时采集；并制定四种故障类别；

所述数据增强和样本生成模块是利用VAE‑DFA‑GAN模型对数据采集模块采集的少样本参数进行对原始数据高质量在生成；

所述故障预测模块，利用VMD‑TEMPO‑IMTBO模型对上述模块的数据进行故障的预测，并生成4小时，每15分钟1个点的16步预测波形；

所述数据可视化和故障诊断模块，对风电机组的故障情况并通过原型聚类预处理的极限学习机算法对4小时16步预测波形进行故障识别，最后通过云平台数据可视化实时显示。