CN105863970B - 一种风机故障识别方法及装置 - Google Patents

Abstract

本发明提供了一种风机故障识别方法及装置，其中，该方法包括：获取预设时间段内风机组中每个风机的测量参数，每个风机为同一风电场中型号相同的风机；根据每个风机的测量参数，从风机组中确定预设时刻对应的离群风机；根据每个风机在预设时刻的测量参数，判断离群风机是否为异常风机；当确定离群风机为异常风机时，获取异常风机在预设时间段内的异常率；根据预设时间段内的异常率，识别异常风机是否发生故障。本发明，提高了风电场中风机故障识别的准确率，避免了风机故障误报和晚报的情况的发生。

Description

一种风机故障识别方法及装置

技术领域

本发明涉及风电场及统计技术领域，具体而言，涉及一种风机故障识别方法及装置。

背景技术

目前，风电场包括多个风机，但是，由于风机会经常发生故障，维修成本较高，因此，对风机进行故障识别，提前检修就显得尤为重要。

现有技术中，大都是对单个风机的运行状况进行监测，通过将单个风机的某一系统部件中的某个测量参数设置一个恒定的预设阈值，将该测量参数的预设阈值作为判断风机是否发生故障的条件，当监测到的风机的测量参数值超过该预设阈值时，判断为风机出现故障，发出警报，通知工作人员进行检修。

但是，由于风机的工作环境十分恶劣，在不同的时间监测到的风机的测量参数会发生较大的变化，因此，仅仅通过上述一个预设阈值识别风机是否发生故障，很容易产生故障误报，并且，风机在发生故障时测量参数是逐渐恶化的，因此，当监测到的测量参数超过上述预设阈值时，风机很可能已经错过了最佳维修时间，导致故障的晚报。

发明内容

有鉴于此，本发明实施例的目的在于提供一种风机故障识别方法及装置，以解决现有识别风机故障的方法容易导致故障误报和晚报的问题。

第一方面，本发明实施例提供了一种风机故障识别方法，其中，所述方法包括：

获取预设时间段内风机组中每个风机的测量参数，所述每个风机为同一风电场中型号相同的风机；

根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机；

根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机；

当确定所述离群风机为异常风机时，获取所述异常风机在所述预设时间段内的异常率；

根据所述预设时间段内的异常率，识别所述异常风机是否发生故障。

结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，所述获取所述异常风机在所述预设时间段内的异常率，包括：

根据预设时间长度将所述预设时间段划分为多个时间窗口；

确定第一时间窗口中包含的每个观测时刻，所述第一时间窗口为所述多个时间窗口中任一时间窗口；

根据所述每个风机在所述每个观测时刻的测量参数，确定所述异常风机在所述第一时间窗口内出现异常的异常次数；

根据所述异常次数及所述观测时刻的数目，计算所述异常风机在所述第一时间窗口内的异常率。

结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据所述预设时间段内的异常率，识别所述异常风机是否发生故障，包括：

获取所述异常风机在预设时间段内的多个时间窗口内的异常率；

判断所述预设时间段内的多个时间窗口内的异常率的变化趋势；

当确定所述预设时间段内的多个时间窗口内的异常率的变化呈增长趋式时，识别所述异常风机发生故障。

结合第一方面，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，所述根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机，包括：

根据在所述预设时刻时所述每个风机的测量参数，计算所述预设时刻对应的平均值和方差；

根据所述平均值和方差，通过公式(1)计算所述预设时刻对应的参数阈值；

根据所述离群风机的测量参数及所述参数阈值判断所述离群风机是否为异常风机；

X＝μ+k*δ (1)

其中公式(1)中，X为参数阈值，μ为所述预设时刻对应的平均值，δ为所述预设时刻对应的方差，k为所述预设时刻对应的测量参数的置信水平。

结合第一方面，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机，包括：

根据所述预设时刻时所述每个风机的测量参数，从每个测量参数中确定异常数据；

从所述预设时刻时所述每个风机的测量参数中，去除所述异常数据；

根据去除操作后所述预设时刻对应的剩余测量参数，计算所述剩余测量参数的上四分位数及下四分位数；

根据所述上四分位数及下四分位数，通过公式(2)，计算所述剩余测量参数的四分位数极差；

根据所述四分位数极差判断所述异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中公式(2)中，IQR为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。

第二方面，本发明实施例提供了一种风机故障识别装置，其中，所述装置包括：

第一获取模块，用于获取预设时间段内风机组中每个风机的测量参数，所述每个风机为同一风电场中型号相同的风机；

确定模块，用于根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机；

判断模块，用于根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机；

第二获取模块，用于当确定所述离群风机为异常风机时，获取所述异常风机在所述预设时间段内的异常率；

识别模块，用于根据所述预设时间段内的异常率，识别所述异常风机是否发生故障。

结合第二方面，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述第二获取模块包括：

划分单元，用于根据预设时间长度将所述预设时间段划分为多个时间窗口；

观测时刻确定单元，用于确定第一时间窗口中包含的每个观测时刻，所述第一时间窗口为所述多个时间窗口中任一时间窗口；

异常次数确定单元，用于根据所述每个风机在所述每个观测时刻的测量参数，确定所述异常风机在所述第一时间窗口内出现异常的异常次数；

异常率计算单元，用于根据所述异常次数及所述观测时刻的数目，计算所述异常风机在所述第一时间窗口内的异常率。

结合第二方面的第一种可能的实现方式，本发明实施例提供了上述第二方面的第二种可能的实现方式，其中，所述识别模块包括：

获取单元，用于获取所述异常风机在预设时间段内的多个时间窗口内的异常率；

异常率变化趋势判断单元，用于判断所述预设时间段内的多个时间窗口内的异常率的变化趋势；

识别单元，用于当确定所述预设时间段内的多个时间窗口内的异常率的变化呈增长趋势时，识别所述异常风机发生故障。

结合第二方面，本发明实施例提供了上述第二方面的第三种可能的实现方式，其中，所述判断模块包括：

平均值和方差计算单元，用于根据在所述预设时刻时所述每个风机的测量参数，计算所述预设时刻对应的平均值和方差；

阈值计算单元，用于根据所述平均值和方差，通过公式(1)计算所述预设时刻对应的参数阈值；

异常风机判断单元，用于根据所述离群风机的测量参数及所述参数阈值判断所述离群风机是否为异常风机；

X＝μ+k*δ (1)

其中公式(1)中，X为参数阈值，μ为所述预设时刻对应的平均值，δ为所述预设时刻对应的方差，k为所述预设时刻对应的测量参数的置信水平。

结合第二方面，本发明实施例提供了上述第二方面的第四种可能的实现方式，其中，所述确定模块包括：

异常数据确定单元，用于根据所述预设时刻时所述每个风机的测量参数，从每个测量参数中确定异常数据；

去除单元，用于从所述预设时刻时所述每个风机的测量参数中，去除所述异常数据；

上四分位数及下四分位数计算单元，用于根据去除操作后所述预设时刻对应的剩余测量参数，计算所述剩余测量参数的上四分位数及下四分位数；

四分位数极差计算单元，用于根据所述上四分位数及下四分位数，通过公式(2)，计算所述剩余测量参数的四分位数极差；

离群风机判断单元，用于根据所述四分位数极差判断所述异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中公式(2)中，IQR为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。

本发明实施例提供的风机故障识别方法及装置，提高了风电场中风机故障识别的准确率，避免了风机故障误报和晚报的情况的发生。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例1所提供的一种风机故障识别方法的流程图；

图2示出了本发明实施例2所提供的一种风机故障识别装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到现有技术中，风电场中大都是对单个风机的运行状况进行监测，通过将单个风机的某一系统部件中的某个测量参数设置一个恒定的预设阈值，将该测量参数的预设阈值作为判断风机是否发生故障的条件，但是，由于风机的工作环境十分恶劣，在不同的时间监测到的风机的测量参数会发生较大的变化，因此，仅仅通过一个恒定的预设阈值识别风机是否发生故障，很容易产生故障误报，并且，风机在发生故障时测量参数是逐渐恶化的，因此，当监测到的测量参数超过上述预设阈值时，风机很可能已经错过了最佳维修时间，导致故障的晚报。基于此，本发明实施例提供了一种风机故障识别方法及装置，下面通过实施例进行描述。

实施例1

本发明实施例提供了一种风机故障识别方法。该方法获取的是预设时间段内同一风电场中同一风机组中的同一型号的多个风机的测量参数，并且根据异常风机在预设时间段内的异常率，识别异常风机是否发生故障，避免了出现风机故障的误报与晚报。

如图1所示，本发明实施例提供的风机故障识别方法，包括步骤S110-S150,具体如下：

S110，获取预设时间段内风机组中每个风机的测量参数，每个风机为同一风电场中型号相同的风机。

上述每个风机的测量参数包括发电机轴承温度、发电机转速、发电机绕组温度、齿轮箱低速轴温度、齿轮箱高速轴温度、齿轮箱油温以及变桨电极绕组温度等。

风电场SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制系统)会实时采集风电场中的每个风机的上述多个测量参数，而本发明实施例提供的风机故障识别装置每间隔一定时间从SCADA中获取风电场中的风机的上述测量参数，且获取的是同一个风电场中同一风机组中的同一型号的风机的上述测量参数，获取上述测量参数的时间间隔可以是一分钟、两分钟或者三分钟等等，该时间间隔可以根据实际具体应用场景进行设置，本发明实施例并不限定上述时间间隔的具体数值。由于SCADA采集的都是某个时刻点的风机的测量参数，因此本发明实施例提供的风机故障识别装置从SCADA获取的预设时间段内的每个风机的测量参数，是由该预设时间段内每个风机在多个时刻点对应的测量参数组成的，该预设时间段可以是半小时、一小时等等，该预设时间段的具体数值可以根据实际应用场景进行设置，本发明实施例并不限定该预设时间段的具体数值。

由于每个风机的上述多个测量参数均是采用本发明实施例提供的风机故障识别方法进行故障识别，因此，下面将以其中一个测量参数为例，详细介绍本发明实施例提供的风机故障识别方法，在下文中出现的测量参数均是指同一测量参数，比如说，下文中出现的测量参数可以都是发电机轴承温度，也可以都是发电机转速等等。

S120，根据上述每个风机的测量参数，从风机组中确定预设时刻对应的离群风机。

上述预设时间段内每个风机的测量参数是由该预设时间段内每个风机在多个时刻点对应的测量参数组成的，其中，上述预设时刻可以是该多个时刻点中的任意一个时刻点，因此在预设时间段内需要确定出多个时刻点中的每个时刻点对应的离群风机，下面将以确定其中一个时刻点对应的离群风机，即确定预设时刻对应的离群风机为例，详细介绍确定预设时刻对应的离群风机的具体步骤，包括：

根据预设时刻时每个风机的测量参数，从每个测量参数中确定异常数据；

从预设时刻时每个风机的测量参数中，去除上述异常数据；

根据去除操作后预设时刻对应的剩余测量参数，计算剩余测量参数的上四分位数及下四分位数；

根据上四分位数及下四分位数，通过公式(2)，计算上述剩余测量参数的四分位数极差；

根据四分位数极差判断上述异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中，公式(2)中，IQR(interquartile range，四分位数的间距)为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。

在本发明实施例中，可以首先确定出预设时刻时每个风机的测量参数中的众数，从上述预设时刻时每个风机的测量参数中找到与该众数相差较大的测量参数，将与众数相差较大的测量参数确定为异常数据，该异常数据对应的风机可能为离群风机，接下来将通过箱式图的方式判断该异常数据对应的风机是否为离群风机。

当确定出预设时刻时每个风机的测量参数中的异常数据后，将该异常数据从上述预设时刻时每个风机的测量参数中去除，得到该预设时刻对应的剩余测量参数。

将上述预设时刻对应的剩余测量参数按照从小到大的顺序进行排序，得到排序后的剩余测量参数，将排序后的剩余测量参数中的第25％个测量参数确定为该剩余测量参数的上四分位数，将排序后的剩余测量参数中的第50％个测量参数确定为该剩余测量参数的中位数，将排序后的剩余测量参数中的第75％个测量参数确定为该剩余测量参数中的下四分位数。

如果上述第25％个测量参数刚好位于两个测量参数的中间，则将这两个测量参数的平均值作为上述上四分位数。比如说，上述剩余测量参数总共包括10个测量参数，则第25％个测量参数刚好是第2.5个测量参数，这时，计算第2个测量参数和第3个测量参数的平均值，将该平均值作为剩余测量参数的上四分位数，同理，如说上述第50％个测量参数、75％个测量参数也是刚好位于两个测量参数的中间，则计算前后两个测量参数的平均值。

根据上述公式(2)，计算上述剩余测量参数的四分位数极差IQR，如果上述异常数据大于下四分位数，则判断上述异常数据与下四分位数之间的距离，即上述异常数据与下四分位数之间的差值是否在1.5*IQR之内，如果上述异常数据与下四分位数之间的距离不在1.5*IQR之内，则将上述异常数据对应的风机确定为离群风机，如果上述异常数据与下四分位数之间的距离在1.5*IQR之内，则将该异常数据作为上述测量参数的最大值；如果上述异常数据小于上四分位数，则判断上述异常数据与上四分位数之间的距离，即上四分位数与上述异常数据之间的差值是否在1.5*IQR之内，如果上述异常与上四分位数之间的距离不在1.5*IQR之内，则将上述异常数据对应的风机确定为离群风机，如果上述异常数据与上四分位数之间的距离在1.5*IQR之内，则将上述异常数据作为上述测量参数的最小值。

最后，根据上述最大值、最小值、上四分位数、下四分位数及中位数画出上述预设时刻每个风机的测量参数对应的箱式图。

S130，根据每个风机在预设时刻的测量参数，判断离群风机是否为异常风机。

当确定上述异常数据对应的风机为离群风机之后，还需要进一步判断该离群风机是否为异常风机，这时，需要对上述每个风机在预设时刻的测量参数进行K-S(Kolmogorov-Smirnov)验证，即判断每个风机在预设时刻的测量参数对否符合正态分布规律，即计算每个风机在预设时刻的测量参数的概率密度函数是否满足正态分布函数，如果满足正态分布函数，说明上述每个风机在预设时刻的测量参数符合正态分布规律。当验证上述每个风机在预设时刻的测量参数符合正态分布时，则根据在预设时刻时每个风机的测量参数，计算预设时刻对应的平均值和方差；根据上述平均值和方差，通过公式(1)计算预设时刻对应的参数阈值；根据离群风机的测量参数及上述参数阈值判断离群风机是否为异常风机；

X＝μ+k*δ (1)

其中，公式(1)中，X为参数阈值，μ为预设时刻对应的平均值，δ为预设时刻对应的方差，k为预设时刻对应的测量参数的置信水平。

根据公式计算上述预设时刻时每个风机的测量参数对应的平均值，其中，n是该预设时刻对应的测量参数的总数，X_i是第i个测量参数，μ是预设时刻对应的平均值；通过公式计算上述预设时刻每个风机的测量参数对应的方差，其中，δ是预设时刻对应的方差。

当计算出上述预设时刻对应的平均值和方差后，根据公式X＝μ+k*δ计算该预设对应的参数阈值，其中，k为预设时刻对应的测量参数的置信水平，且K值的选取和选择观察的风机的数量有关。K值的大小和风机的数量的关系如表1所示。

表1

n	k
		5	2.57
6	2.45
		7	2.36
8	2.31
		9	2.26
10	2.23
		11	2.20
13	2.16
		15	2.13
20	2.09
		25	2.06
35	2.03
		≥45	2.01

当计算出上述预设时刻对应的参数阈值后，将该预设时刻每个风机的测量参数分别与上述参数阈值进行比较，有的测量参数可能是当风机的测量参数小于上述参数阈值时，判断为该测量参数对应的风机为异常风机；有的测量参数可能是当风机的测量参数大于上述参数阈值时，判断为该测量参数对应的风机为异常风机，比如说，当上述测量参数为发电机轴承温度，当发电机轴承温度过高时，则说明该风机异常，因此当发电机轴承温度值大于该阈值参数时，判断为该风机为异常风机，当上述测量参数为发电机转速，当发电机转速过低时，则说明该风机为异常风机，则当发电机转速小于上述阈值参数时，判断为该风机为异常风机。

S140，当确定上述离群风机为异常风机时，获取异常风机在预设时间段内的异常率。

获取异常风机在预设时间段内的异常率具体包括如下过程：

根据预设时间长度将预设时间段划分为多个时间窗口；

确定第一时间窗口中包含的每个观测时刻，第一时间窗口为多个时间窗口中任一时间窗口；

根据每个风机在每个观测时刻的测量参数，确定异常风机在第一时间窗口内出现异常的异常次数；

根据异常次数及观测时刻的数目，计算异常风机在第一时间窗口内的异常率。

上数预设时间段可以为半小时、一小时等时间，预设时间长度为小于预设时间段的时间，比如说，上述预设时间段为半小时，则预设时间长度可以为10分钟，这样，将半小时划分为3个时间窗口，每个时间窗口为10分钟，上述只是举例说明如何划分预设时间段，并没有限定预设时间段、预设时间长度的具体数值，下面将以预设时间段划分的多个时间窗口中的任意一个时间窗口，即第一时间窗口为例，详细介绍获取第一时间窗口内的异常率的过程。

上述第一时间窗口内的每个风机的测量参数是由每个风机在多个观测时刻点对应的测量参数组成的，判断上述离群风机在每个观测时刻是否为异常风机，如果是，则记录下来，统计上述离群风机在第一时间窗口内判断为异常风机的次数，即统计异常风机在多个观测时刻点出现异常的异常次数，将该异常次数除以上述多个观测时刻点的数目，得到异常风机在第一时间窗口内的异常率。

根据上述方式，分别计算出上述异常风机在预设时间段内的多个时间窗口中的每个时间窗口内的异常率，得到异常风机在预设时间段内的异常率。

S150，根据预设时间段内的异常率，识别异常风机是否发生故障。

根据预设时间段内的异常率，识别异常风机是否发生故障，具体包括如下过程：

获取上述异常风机在预设时间段内的多个时间窗口内的异常率；

判断预设时间段内的多个时间窗口内的异常率的变化趋势；

当确定预设时间段内的多个时间窗口内的异常率的变化呈增长趋势时，识别上述异常风机发生故障。

根据上述第一时间窗口内的异常率的计算方式，获取异常风机在预设时间段内的多个时间窗口内的异常率，并判断上述多个时间窗口对应的异常率的变化趋势，如果预设时间段内的多个时间窗口对应的异常率呈增长趋势，则识别出上述异常风机发生故障。

上述是以一个测量参数为例介绍风机故障识别方法，对于获取到的风机的其它测量参数，仍然通过上述方式进行故障识别，本发明实施例将不再一一赘述。

本发明实施例提供的风机故障识别方法，获取预设时间段内风机组中每个风机的测量参数，根据每个风机的测量参数，从风机组中确定预设时刻对应的离群风机，根据每个风机在预设时刻的测量参数，判断上述离群风机是否为异常风机，当确定上述离群风机为异常风机时，获取异常风机在预设时间段内的异常率，根据预设时间段内的异常率，识别异常风机是否发生故障，提高了风电场中风机故障识别的准确率，避免了风机故障误报和晚报的情况的发生。

实施例2

本发明实施例提供了一种风机故障识别装置。该装置获取的是预设时间段内同一风电场中同一风机组中的同一型号的多个风机的测量参数，并且根据异常风机在预设时间段内的异常率，识别异常风机是否发生故障，避免了出现风机故障的误报与晚报。

如图2所示，本发明实施例提供的风机故障识别装置，包括：

第一获取模块210，用于获取预设时间段内风机组中每个风机的测量参数，每个风机为同一风电场中型号相同的风机；

确定模块220，用于根据每个风机的测量参数，从上述风机组中确定预设时刻对应的离群风机；

判断模块230，用于根据上述每个风机在预设时刻的测量参数，判断离群风机是否为异常风机；

第二获取模块240，用于当确定离群风机为异常风机时，获取异常风机在预设时间段内的异常率；

识别模块250，用于根据预设时间段内的异常率，识别异常风机是否发生故障。

上述每个风机的测量参数包括发电机轴承温度、发电机转速、发电机绕组温度、齿轮箱低速轴温度、齿轮箱高速轴温度、齿轮箱油温以及变桨电极绕组温度等。

本发明实施中将以上述其中一个测量参数为例，介绍本发明实施例提供的风机故障识别装置进行风机故障识别的具体过程，因此，在下文中出现的测量参数均是指同一测量参数，比如说，下文中出现的测量参数可以都是发电机轴承温度，也可以都是发电机转速等等。

本发明实施例提供的风机故障识别装置中的第一获取模块210每间隔一定时间从风电场SCADA中获取预设时间段内风机组中每个风机的测量参数，其中，每个风机为同一风电场中型号相同的风机，并将获取的每个风机的测量参数发送给确定模块220，确定模块220根据接收到的每个风机的测量参数，从风机组中确定预设时刻对应的离群风机，当确定模块220确定出风机组中预设时刻对应的离群风机后，判断模块230根据每个风机在预设时刻的测量参数，判断离群风机是否为异常风机，当判断模块230确定上述离群风机为异常风机时，第二获取模块240获取异常风机在预设时间段内的异常率，并将异常风机在预设时间段内的异常率发送给识别模块250，识别模块250根据预设时间段内的异常率，识别异常风机是否发生故障。

其中，作为一个实施例，上述第二获取模块240包括：

划分单元，用于根据预设时间长度将预设时间段划分为多个时间窗口；

观测时刻确定单元，用于确定第一时间窗口中包含的每个观测时刻，第一时间窗口为多个时间窗口中任一时间窗口；

异常次数确定单元，用于根据每个风机在每个观测时刻的测量参数，确定异常风机在第一时间窗口内出现异常的异常次数；

异常率计算单元，用于根据异常次数及观测时刻的数目，计算异常风机在第一时间窗口内的异常率。

在本发明实施例中，以第一时间窗口为例介绍第二获取模块240获取第一时间窗口内的异常率的过程。

上述第一时间窗口内的每个风机的测量参数是由每个风机在多个观测时刻点对应的测量参数组成的，观测时刻确定出第一时间窗口中包含的每个观测时刻，并将确定出的第一时间窗口中包含的每个观测时刻发送给异常次数确定单元，异常次数确定单元根据每个风机在每个观测时刻的测量参数确定异常风机在第一时间窗口内出现异常的异常次数，并将该异常次数发送给异常率计算单元，异常率计算单元根据异常次数及观测时刻的数目，计算异常风机在第一时间窗口内的异常率。

其中，作为一个实施例，识别模块250包括：

获取单元，用于获取异常风机在预设时间段内的多个时间窗口内的异常率；

异常率变化趋势判断单元，用于判断预设时间段内的多个时间窗口内的异常率的变化趋势；

识别单元，用于当确定预设时间段内的多个时间窗口内的异常率的变化呈增长趋势时，识别异常风机发生故障。

其中，作为一个实施例，上述判断模块230包括：

平均值和方差计算单元，用于根据在预设时刻时每个风机的测量参数，计算预设时刻对应的平均值和方差；

阈值计算单元，用于根据上述平均值和方差，通过公式(1)计算预设时刻对应的参数阈值；

异常风机判断单元，用于根据离群风机的测量参数及参数阈值判断离群风机是否为异常风机；

X＝μ+k*δ (1)

其中，公式(1)中，X为参数阈值，μ为预设时刻对应的平均值，δ为预设时刻对应的方差，k为预设时刻对应的测量参数的置信水平。

其中，作为一个实施例，确定模块220包括：

异常数据确定单元，用于根据预设时刻时每个风机的测量参数，从每个测量参数中确定异常数据；

去除单元，用于从预设时刻时每个风机的测量参数中，去除上述异常数据；

上四分位数及下四分位数计算单元，用于根据去除操作后预设时刻对应的剩余测量参数，计算剩余测量参数的上四分位数及下四分位数；

四分位数极差计算单元，用于根据上四分位数及下四分位数，通过公式(2)，计算剩余测量参数的四分位数极差；

离群风机判断单元，用于根据四分位数极差判断异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中公式(2)中，IQR为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。

在本发明实施例中，异常数据确定单元会将预设时刻时每个风机的测量参数中与该测量参数的众数相差较大的测量参数确定为异常数据，并将该异常数据发送给去除单元，由去除单元从预设时刻时每个风机的测量参数中，去除该异常数据，得到该预设时刻对应的剩余测量参数，并将该剩余测量参数发送给上四分位数及下四分位数计算单元，上四分位数及下四分位数计算单元计算剩余测量参数的上四分位数及下四分位数，并将该剩余测量参数的上四分位数及下四分位数发送给四分位数极差计算单元，四分位数极差计算单元根据该剩余测量参数的上四分位数及下四分位数计算该剩余测量参数的四分位数极差，并将该四分位数极差传输给离群风机判断单元，由离群风机判断单元根据该四分位数极差判断异常风机对应的离群风机是否为异常风机。

本发明实施例提供的风机故障识别装置，提高了风电场中风机故障识别的准确率，避免了风机故障误报和晚报的情况的发生。

本发明实施例所提供的风机故障识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种风机故障识别方法，其特征在于，所述方法包括：

获取预设时间段内风机组中每个风机的测量参数，所述每个风机为同一风电场中型号相同的风机；

根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机；

根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机；

当确定所述离群风机为异常风机时，获取所述异常风机在所述预设时间段内的异常率；

根据所述预设时间段内的异常率，识别所述异常风机是否发生故障。

2.根据权利要求1所述的方法，其特征在于，所述获取所述异常风机在所述预设时间段内的异常率，包括：

根据预设时间长度将所述预设时间段划分为多个时间窗口；

确定第一时间窗口中包含的每个观测时刻，所述第一时间窗口为所述多个时间窗口中任一时间窗口；

根据所述每个风机在所述每个观测时刻的测量参数，确定所述异常风机在所述第一时间窗口内出现异常的异常次数；

根据所述异常次数及所述观测时刻的数目，计算所述异常风机在所述第一时间窗口内的异常率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述预设时间段内的异常率，识别所述异常风机是否发生故障，包括：

获取所述异常风机在预设时间段内的多个时间窗口内的异常率；

判断所述预设时间段内的多个时间窗口内的异常率的变化趋势；

当确定所述预设时间段内的多个时间窗口内的异常率的变化呈增长趋势时，识别所述异常风机发生故障。

4.根据权利要求1所述的方法，其特征在于，所述根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机，包括：

根据在所述预设时刻时所述每个风机的测量参数，计算所述预设时刻对应的平均值和方差；

根据所述平均值和方差，通过公式(1)计算所述预设时刻对应的参数阈值；

根据所述离群风机的测量参数及所述参数阈值判断所述离群风机是否为异常风机；

X＝μ+k*δ (1)

其中公式(1)中，X为参数阈值，μ为所述预设时刻对应的平均值，δ为所述预设时刻对应的方差，k为所述预设时刻对应的测量参数的置信水平。

5.根据权利要求1所述的方法，其特征在于，所述根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机，包括：

根据所述预设时刻时所述每个风机的测量参数，从每个测量参数中确定异常数据；

从所述预设时刻时所述每个风机的测量参数中，去除所述异常数据；

根据去除操作后所述预设时刻对应的剩余测量参数，计算所述剩余测量参数的上四分位数及下四分位数；

根据所述上四分位数及下四分位数，通过公式(2)，计算所述剩余测量参数的四分位数极差；

根据所述四分位数极差判断所述异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中公式(2)中，IQR为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。

6.一种风机故障识别装置，其特征在于，包括：

第一获取模块，用于获取预设时间段内风机组中每个风机的测量参数，所述每个风机为同一风电场中型号相同的风机；

确定模块，用于根据所述每个风机的测量参数，从所述风机组中确定预设时刻对应的离群风机；

判断模块，用于根据所述每个风机在所述预设时刻的测量参数，判断所述离群风机是否为异常风机；

第二获取模块，用于当确定所述离群风机为异常风机时，获取所述异常风机在所述预设时间段内的异常率；

识别模块，用于根据所述预设时间段内的异常率，识别所述异常风机是否发生故障。

7.根据权利要求6所述的装置，其特征在于，所述第二获取模块包括：

划分单元，用于根据预设时间长度将所述预设时间段划分为多个时间窗口；

观测时刻确定单元，用于确定第一时间窗口中包含的每个观测时刻，所述第一时间窗口为所述多个时间窗口中任一时间窗口；

异常次数确定单元，用于根据所述每个风机在所述每个观测时刻的测量参数，确定所述异常风机在所述第一时间窗口内出现异常的异常次数；

异常率计算单元，用于根据所述异常次数及所述观测时刻的数目，计算所述异常风机在所述第一时间窗口内的异常率。

8.根据权利要求7所述的装置，其特征在于，所述识别模块包括：

获取单元，用于获取所述异常风机在预设时间段内的多个时间窗口内的异常率；

异常率变化趋势判断单元，用于判断所述预设时间段内的多个时间窗口内的异常率的变化趋势；

识别单元，用于当确定所述预设时间段内的多个时间窗口内的异常率的变化呈增长趋势时，识别所述异常风机发生故障。

9.根据权利要求6所述的装置，其特征在于，所述判断模块包括：

平均值和方差计算单元，用于根据在所述预设时刻时所述每个风机的测量参数，计算所述预设时刻对应的平均值和方差；

阈值计算单元，用于根据所述平均值和方差，通过公式(1)计算所述预设时刻对应的参数阈值；

异常风机判断单元，用于根据所述离群风机的测量参数及所述参数阈值判断所述离群风机是否为异常风机；

X＝μ+k*δ (1)

其中公式(1)中，X为参数阈值，μ为所述预设时刻对应的平均值，δ为所述预设时刻对应的方差，k为所述预设时刻对应的测量参数的置信水平。

10.根据权利要求6所述的装置，其特征在于，所述确定模块包括：

异常数据确定单元，用于根据所述预设时刻时所述每个风机的测量参数，从每个测量参数中确定异常数据；

去除单元，用于从所述预设时刻时所述每个风机的测量参数中，去除所述异常数据；

上四分位数及下四分位数计算单元，用于根据去除操作后所述预设时刻对应的剩余测量参数，计算所述剩余测量参数的上四分位数及下四分位数；

四分位数极差计算单元，用于根据所述上四分位数及下四分位数，通过公式(2)，计算所述剩余测量参数的四分位数极差；

离群风机判断单元，用于根据所述四分位数极差判断所述异常数据对应的风机是否为离群风机；

IQR＝Q₃-Q₁ (2)

其中公式(2)中，IQR为四分位数极差，Q₃为下四分位数，Q₁为上四分位数。