CN107843745A - 风力发电机组的风速仪的故障诊断方法和装置、存储介质 - Google Patents

Abstract

本发明提供一种风力发电机组的风速仪的故障诊断方法和装置、存储介质。该故障诊断方法包括根据第一历史时间段内的风速数据对风速仪进行分组，将风速数据数值相近的风速仪分为一组，将一台风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据分别做差，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间，将该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据分别做差，得到多组第二差值数据组。将多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到该风速仪的故障诊断结果。采用本发明实施例中的故障诊断方法能够准确诊断出任意一台风速仪的故障信息。

Description

风力发电机组的风速仪的故障诊断方法和装置、存储介质

技术领域

本发明涉及风电技术领域，尤其涉及一种风力发电机组的风速仪的故障诊断方法和装置、计算机可读存储介质。

背景技术

风力发电机组上安装有风速仪，通过测量风力发电机组的环境风速，能够对风力发电机组的工作状态进行控制。比如，当环境风速大于风力发电机组的可运行的最低风速时，控制风力发电机组启动；当环境风速大于风力发电机组可承受的极限风速时，控制风力发电机组停机。为了有效控制风力发电机组的工作状态，风速仪需要一直处于工作状态，以对环境风速进行实时监测，因此风速仪出现故障的可能性较高。

现有技术中的风速仪的故障诊断方法为：获取至少两台风速仪在一定时间内的风速数据，然后分段提取每个风速仪在各个时间段的风速数据，将某个时间段内任意两台风速仪的风速数据的差值和门限阈值比较，得到任意两台风速仪的故障信息。

但是，本申请的发明人发现，采用现有技术中的故障诊断方法，仅能够得到任意两台风速仪一起的故障信息，如果任意两台风速仪中可能有一台发生故障时，无法准确诊断出是哪一台风速仪发生了故障。

发明内容

本发明实施例提供了一种风力发电机组的风速仪的故障诊断方法和装置、计算机可读存储介质，能够准确诊断出任意一台风速仪的故障信息。

一方面，本发明实施例提供了一种风力发电机组的风速仪的故障诊断方法，该故障诊断方法包括：

获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据；

根据第一历史时间段内的风速数据对风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台；

将一台风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据分别做差，得到多组第一差值数据组；

根据多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；

获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据；

将该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据分别做差，得到多组第二差值数据组；

将多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，第一比例值等于第二差值数据组中未落入对应第一阈值区间的差值数据的数量与第二差值数据组中差值数据的总数量的比值；

分别将该风速仪的多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

第二方面，本发明实施例提供了一种风力发电机组的风速仪的故障诊断装置，该故障诊断装置包括：

获取模块，用于获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据；

分组模块，用于根据第一历史时间段内的风速数据对风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台；

做差模块，用于将一台风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据分别做差，得到多组第一差值数据组；

阈值区间计算模块，用于根据多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；

获取模块，还用于获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据；

做差模块，还用于将该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据分别做差，得到多组第二差值数据组；

比较模块，用于将多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，第一比例值等于第二差值数据组中未落入对应第一阈值区间的差值数据的数量与第二差值数据组中差值数据的总数量的比值；

诊断模块，用于分别将该风速仪的多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

第三方面，本发明实施例提供了一种风力发电机组的风速仪的故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上文所述的风力发电机组的风速仪的故障诊断方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上文所述的风力发电机组的风速仪的故障诊断方法。

本发明实施例中的风速仪的故障诊断方法，对风速仪进行了分组，将风速数据数值相近的风速仪分为了一组。在对一台风速仪进行故障诊断时，首先对该风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据做差，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；然后对该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据做差，得到多组差值数据组，将每组差值数据组分别与各自对应的第一阈值区间进行比较，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个比例值；通过分别将该风速仪的所述多个第一比例值与第一预设比例阈值进行比较，就能够得到该风速仪的故障诊断结果。与现有技术中仅能够使一台风速仪与风电场中的任意一台风速仪进行比较，得到两台风速仪一起的故障信息相比，本发明实施例中的风速仪的故障诊断方法，能够将一台风速仪与其所在组内的其他风速仪进行同时比较，得到该风速仪与其所在组内的其他风速仪一一对应的多组比较结果，通过对该风速仪的多组比较结果进行综合诊断，就能够准确诊断出是哪一台风速仪发生了故障。

附图说明

从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中，相同或相似的附图标记表示相同或相似的特征。

图1为本发明实施例提供的风力发电机组的风速仪的故障诊断方法的流程示意图；

图2为本发明实施例一示例提供的同一组内的风力发电机组的结构示意图；

图3为本发明实施例一示例提供的阈值区间求解方法的流程示意图；

图4本发明实施例一示例提供的风速差值的概率密度曲线的示意图。

图5为本发明一实施例提供的风速仪的二次故障诊断方法的流程示意图；

图6为本发明另一实施例提供的风速仪的二次故障诊断方法的流程示意图；

图7为本发明实施例一示例提供的实际功率数据和理论功率数据的示意图；

图8为本发明一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图；

图9为本发明另一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图；

图10为本发明又一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图；

图11为本发明实施例提供的风力发电机组的风速仪的故障诊断装置的硬件结构示意图。

具体实施方式

下面将详细描述本发明实施例的各台方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明实施例的全面理解。但是，对于本领域技术人员来说很明显的是，本发明实施例可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明实施例的示例来提供对本发明实施例的更好的理解。本发明实施例决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明实施例的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。

本发明实施例提供了一种风力发电机组的风速仪的故障诊断方法和装置、计算机可读存储介质。采用本发明实施例中的风速仪的故障诊断方法，能够对风电场中的风力发电机组的风速仪进行实时的故障诊断，当故障发生时准确诊断出是哪一台风速仪发生了故障。

图1为本发明实施例提供的风力发电机组的风速仪的故障诊断方法的流程示意图。图1所示，该故障诊断方法包括步骤101至步骤108。

在步骤101中，获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据。

其中，第一历史时间段是相对于当前时间段而言的。第一风速数据实际上是一组数据，在一示例中，第一历史时间段的时长为10分钟，风速仪每隔10s采集一个风速数据，则10分钟能够采集到60个风速数据。

在步骤102中，根据第一历史时间段内的风速数据对风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台。

由于风电机场中的风速可能发生急剧变化，使得一台风速仪的风速数据变化无法反映风速仪是否出现故障。根据本发明的实施例，可以提取不同风速仪之间风速变化对风速仪进行故障诊断。但是，由于风电场中的风力发电机组的数量较多，且不同风力发电机组的风速仪所处的环境风速之间差异较大，若提取任意多台风速仪之间的风速变化作为诊断风速仪进行故障的参考因子，很容易使得故障诊断结果不够准确。因此，根据本发明的实施例，可以先对风电场中的风速仪进行分组，将风速数据相近的风速仪分为一组，然后再对风速仪进行故障诊断。

在一示例中，可以根据第一风速数据和机器学习聚类算法，对风速仪进行分组，即采用机器学习聚类算法对第一风速数据进行自动聚类，将风速数据相近的风速仪分为一组。机器学习聚类算法包括K-means算法和SOM(Self Organizing Maps，自组织映射神经网络)算法等，具有速度快和准确率高的优点。

以K-means算法为例，步骤102中的方法可以细化为：将初始值赋予K-means算法中的K值，并将各台风速仪的第一风速数据输入至K-means算法中，使风速数据相近的风速仪分为一组，得到预分组结果。若预分组结果为每组的风速仪的数量均不少于三台，则将预分组结果作为最终分组结果；若预分组结果为部分组中的风速仪的数量少于三台，则更新K值，重新进行分组，直至每组的风速仪的数量均不少于三台，得到风速仪的最终分组结果。

在步骤103中，将一台风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据分别做差，得到多组第一差值数据组。

请参阅图2，图2为本发明实施例一示例中的同组内的风力发电机组的结构示意图。图2示出的风力发电机组的数量为三台，编号分别为A、B和C，每台风力发电机组上安装有一台风速仪，即三台风速仪的编号分别为A、B和C。

在一示例中，可以对A风速仪和B风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组A11，对A风速仪和C风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组A1 2。

在另一示例中，可以对B风速仪和A风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组B11，对B风速仪和C风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组B12。

也就是说，若需要同时对三个风速仪进行故障诊断，则可以分别对A风速仪、B风速仪和C风速仪的俩俩风速仪之间的第一风速数据做差(如图2中的双箭头所示)。

在步骤104中，根据多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

请参阅图3，图3为本发明实施例一示例中的阈值区间求解方法的流程示意图。图3中的方法包括步骤1041至步骤1044，图3中的步骤1041至步骤1044是对步骤104的细化。

在步骤1041中，建立该风速仪的与多组第一差值数据组一一对应的多条第一概率密度曲线。

以A风速仪为例，则该风速仪的与多组第一差值数据组一一对应的多条第一概率密度曲线可以理解为A风速仪的与第一差值数据组A1和第一差值数据组A2对应的两条第一概率密度曲线。

请参阅图4，图4本发明实施例一示例中的风速差值的概率密度曲线的示意图。其中，横坐标表示风速差值数据，纵坐标表示每个风速差值出现的概率密度值，图4中示出的风速差值范围为[-8，10]，概率值范围为[0，0.18]。由于风速差值数据为离散值，因此，每个风速差值数据及其对应的概率值可以用矩形框(参阅图4，401)表示，对图中所有矩形框的高度和形状对应的概率密度值进行拟合处理，就可以得到差值数据对应的概率密度曲线(参阅图4，402)。

在步骤1042中，为每条第一概率密度曲线分别设置第一概率密度门限。

在步骤1043中，将每条第一概率密度曲线中概率密度值大于或等于第一概率密度门限的曲线部分对应的差值数据形成的区间作为与该第一概率密度曲线对应的第一阈值区间。

其中，第一概率密度门限指的是概率密度的阈值。在一示例中，若第一概率密度门限为0.05，参阅图4中虚线401和虚线403的交叉点对应的横坐标，可以得到率密度门限为0.05对应的风速差值数据分别为-2和6.4，根由于差值数据为离散数据，在一示例中，可以根据四舍五入的原则将6.4取值为6。

根据本发明的实施例，可以将第一概率密度曲线中概率密度值大于或等于概率密度门限0.05的曲线部分对应的差值数据形成的区间，即[-2，6]作为与该第一概率密度曲线对应的第一阈值区间(参阅图4，403)。

在步骤1044中，将与多条第一概率密度曲线一一对应的多个第一阈值区间，作为该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

需要说明的是，每台风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间的范围可以相等，也可以不相等。

在步骤105中，获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据。

在步骤106中，将该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据分别做差，得到多组第二差值数据组。

在一示例中，可以对A风速仪和B风速仪之间的第一历史时间段内的风速数据做差，得到第二差值数据组A21，对A风速仪和C风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组A 22。

在另一示例中，可以对B风速仪和A风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组B21，对B风速仪和C风速仪之间的第一历史时间段内的风速数据做差，得到第一差值数据组B22。

在步骤107中，将多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，第一比例值等于第二差值数据组中未落入对应第一阈值区间的差值数据的数量与第二差值数据组中差值数据的总数量的比值。

示例性地，若一组第二差值数据组A21对应的第一阈值区间为[-2，6]，第二差值数据组A21中的差值数据分别为(-1,-5,-2,-3,-4,-3,2,7,4,7)，则第二差值数据组A21中未落入对应第一阈值区间的差值数据的数量为6，与第二差值数据组中差值数据的总数量为10，两者的比值为60％。

在步骤108中，分别将该风速仪的多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

其中，第一预设比例阈可以根据实际情况进行设定。以A风速仪为例，A风速仪的第一比例值包括A风速仪与B风速仪之间的第一比例值R11、A风速仪与C风速仪之间的第一比例值R12。下面以第一预设比例阈值为50％为例，对A风速仪的故障诊断结果中可能出现的多种情况进行详细明。

在第一种情况中，若A风速仪的第一比例值R11和R12均大于第一预设比例阈值，则记录待测风速仪故障的信息。示例性地，若A风速仪的第一比例值R11为60％，大于第一预设比例阈值50％，则得出A风速仪与B风速仪关联的风速数据为异常；若A风速仪的第一比例值R12为70％，大于第一预设比例阈值50％，则得出A风速仪与C风速仪关联的风速数据为异常。由于异常数据的关联组合中均有A风速仪，则判断A风速仪发生故障。

在第二种情况中，若A风速仪的第一比例值R11和R12均小于或等于第一预设比例阈值，则记录待测风速仪正常的信息。示例性地，若A风速仪的第一比例值R11为40％，小于第一预设比例阈值50％，则得出A风速仪与B风速仪关联的风速数据为正常；若A风速仪的第一比例值R12为50％，等于预设比例阈值50％，则得出A风速仪与C风速仪关联的风速数据为正常。由于与A风速仪关联的风速仪组合中的风速数据均为正常，则判断A风速仪未发生故障。

在第三种情况中，若A风速仪的第一比例值未均大于且未均小于或等于第一预设比例阈值，比如，R11大于50％，而R12小于50％，则对待测风速仪进行二次故障诊断。

由上可知，本发明实施例中的风速仪的故障诊断方法，对风速仪进行了分组，将风速数据数值相近的风速仪分为了一组。在对一台风速仪进行故障诊断时，首先对该风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据做差，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；然后对该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据做差，得到多组差值数据组，将每组差值数据组分别与各自对应的第一阈值区间进行比较，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个比例值；通过分别将该风速仪的所述多个第一比例值与第一预设比例阈值进行比较，就能够得到该风速仪的故障诊断结果。与现有技术中仅能够使一台风速仪与风电场中的任意一台风速仪进行比较，得到两台风速仪一起的故障信息相比，本发明实施例中的风速仪的故障诊断方法，能够将一台风速仪与其所在组内的其他风速仪进行同时比较，得到该风速仪与其所在组内的其他风速仪一一对应的多组比较结果，通过对该风速仪的多组比较结果进行综合诊断，就能够准确诊断出是哪一台风速仪发生了故障。

为便于本领域技术人员理解，下面对风速仪的二次故障诊断的过程进行详细说明。根据本发明的实施例，风速仪的二次故障诊断方法至少包括两种方式。

图5为本发明一实施例提供的风速仪的二次故障诊断方法的流程示意图。图5中的二次故障诊断方法包括步骤501至步骤508。

在步骤501中，根据该风速仪的第一历史时间段内的风速数据，预测该风速仪在第二历史时间段内的风速数据，得到该风速仪的第一预测风速数据。示例性地，可以根据风电场中各机组真实的历史风速数据，利用预测算法对风电场未来一段时间的风速值进行预测。其中，预测算法可以采用神经网络或粒子群算法等。

在步骤502中，获取该风速仪在第二历史时间内的风速数据。

在一示例中，第二历史时间段可以是时序在第一历史时间段之后的时间段，也可以是时序在第一历史时间段之后的时间段，此处不进行限制。

在步骤503中，对该风速仪的第二历史时间段内的风速数据与第一预测风速数据做差，得到第三差值数据组。

在步骤504中，根据第三差值数据组，得到该风速仪的第二阈值区间。

具体地，可以参看步骤1043对本发明实施例中的待测风速仪的第二阈值区间进行求解。求解过程包括：

首先，建立第三差值数据组的第二概率密度曲线。其中，第二概率密度曲线与第一概率密度曲线的不同之处在于，第二概率密度曲线记录的是第三差值数据中的每个差值数据出现的概率。而第一概率密度曲线记录的是上文第一差值数据中的每个差值数据出现的概率。

然后，为第二概率密度曲线设置第二概率门限。其中，第二概率门限的取值可以根据第三差值数据组中的差值数据的概率分布情况确定，在一示例中，可以对第三差值数据组中所有差值数据的概率密度求平均值，将该平均值作为第二概率密度门限。在实际中，第二概率门限与第一概率门限可以相等，也可以不相等。

最后，将第二概率密度曲线中高于第二预设概率门限的曲线部分对应的差值数据形成的区间，作为该风速仪的第二阈值区间。

在一示例中，若第二概率密度门限也为0.05，参阅图4中虚线401和虚线403的交叉点对应的横坐标，可以得到率密度门限为0.05对应的风速差值数据分别为-2和6.4，根由于差值数据为离散数据，在一示例中，可以根据四舍五入的原则将6.4取值为6。

在步骤505中，根据该风速仪的第二历史时间段内的风速数据，预测该风速仪在当前时间段内的风速数据，得到该风速仪的第二预测风速数据。

在步骤506中，将该风速仪的当前时间段内的风速数据与第二预测风速数据做差，得到第四差值数据组。

在步骤507中，将第四差值数据组中的差值数据分别与第二阈值区间进行比较，得到第二比例值，第二比例值等于第四差值数据组中未落入第二阈值区间的差值数据的数量与第四差值数据组中差值数据的总数量之间的比值。

在步骤508中，将第二比例值与第二预设比例阈值进行比较，得到该风速仪的故障诊断结果。

接着上文中的例子，为了理解上述二次诊断过程，设第二比例阈值也为50％，若A风速仪的当前风速数据和其预测风速数据的风速差值数据中未落入其阈值区间的数据占70％，大于第二预设比例阈值50％，则记录A风速仪处于故障状态的信息。若A风速仪的当前风速数据和其预测风速数据的风速差值数据中未落入其阈值区间的数据占40％，小于第二预设比例阈值50％，则记录待测风速仪处于正常状态的信息。

在本发明实施例中，依据风速仪的多个不同时间段内的风速数据对风速仪进行二次故障诊断。比如，第一历史时间段、第二历史时间段和当前时间段，因此可以理解为基于不同时序的风速数据从纵向对比的角度对风速仪进行了二次故障诊断。上文所述的通过分组将一个风速仪与组内其他风速仪进行组内验证的方式，可以理解为基于不同风速仪的风速数据从横向比较角度的对风速仪进行一次故障诊断。因此，二次故障诊断能够与一次故障诊断形成互补关系，从而能够对一次诊断结果中无法确定的部分进行二次验证，进而能够提高对风速仪进行故障诊断的准确性。

图6为本发明另一实施例提供的风速仪的二次故障诊断方法的流程示意图。图6中的二次故障诊断方法包括步骤601至步骤604。

在步骤601中，获取该风速仪所在风力发电机组的与第一历史时间段内的风速数据对应的第一功率数据。其中，每个风速数据对应一个功率数据。

在步骤602中，根据第一功率数据和该风速仪的理论功率曲线，得到该风速仪的第三阈值区间。为对第三阈值区间的求解过程进行详细说明，请参阅图7，图7为本发明实施例一示例提供的实际功率数据和理论功率数据的示意图。其中，横坐标表示风速数据，纵坐标表示功率数据，灰色区域表示实际功率数据，理论功率数据可近似呈现为一条圆滑曲线(参阅图7，701)，从图中可以看出，实际功率数据呈现为基于理论功率曲线上下波动。

具体地，可以将第一功率数据中的每个功率数据分别与其对应的理论功率数据进行比较，得到第一功率数据中大于或等于其对应的理论功率数据对应的功率数据的数量与第一功率数据的总数量的比值λ，得到第一功率数据中小于其对应的理论功率数据对应的功率数据的数量与第一功率数据的总数量的比值1-λ。

在一示例中，若第一功率数据的总数量为100，若λ＝30％，则说明第一功率数据中有30个功率数据落入理论功率数据曲线的上方，有70个功率数据落入理论功率数据曲线的下方。若λ＝50％，则说明第一功率数据中有50个的功率数据落入理论功率数据曲线的上方，有50个功率数据落入理论功率数据曲线的下方。

接着，将理论功率数据中(参阅图7，701)的每个功率数据分别乘以(1+λ)×β，得到上限功率阈值数据(参阅图7，702)。将理论功率数据中的每个功率数据分别乘以(1-λ)×β，得到下限功率阈值数据(参阅图7，703)。其中，β的取值可以根据经验得到。在一示例中，若根据经验判断采集的功率数据中大于90％的功率数据是有效的，则可以将β设为0.9。若根据经验判断采集的功率数据中大于70％的功率数据是有效的，则可以将β设为0.7。

最后，将上限功率阈值数据和上限功率阈值数据形成的区间作为该风速仪的第三阈值区间。

在步骤603中，获取该风速仪所在风力发电机组的与当前时间段内的风速数据对应的第二功率数据。

在步骤604中，将第二功率数据中的每个功率数据分别与第三阈值区间进行比较，得到第三比例值，第三比例值等于第二功率数据中未落入第三阈值区间的功率数据的数量与第二功率数据中功率数据的总数量之间的比值。

在步骤605中，将第三比例值与第三预设比例阈值进行比较，得到该风速仪的故障诊断结果。

接着上文中的例子，为了理解上述二次诊断过程，设第三比例阈值也为50％，若A风速仪的第二功率数据中未落入第三阈值区间的功率数据的数量占70％，大于第三预设比例阈值50％，则记录A风速仪处于故障状态的信息。若A风速仪的第二功率数据中未落入第三阈值区间的功率数据的数量占40％，小于第二预设比例阈值50％，则记录A风速仪处于正常状态的信息。

在本发明实施例中，依据风速仪的不同时间段内的功率数据对风速仪进行二次故障诊断，可以理解基于功率数据从纵向对比的角度对风速仪进行二次故障诊断。上文所述的通过分组将一个风速仪与组内其他风速仪进行组内验证的方式，可以理解为基于不同风速仪的风速数据从横向比较角度的对风速仪进行一次故障诊断。因此，二次故障诊断能够与一次故障诊断形成互补关系，从而能够对一次诊断结果中无法确定的部分进行二次验证，进而能够提高对风速仪进行故障诊断的准确性。

需要说明的是，在实际应用过程中，可以根据实际情况设置合理的时间范围、百分比与故障判断依据。比如，可以根据连续10min内采集的数据对风速仪进行故障判定。

图8为本发明一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图。图8中的故障诊断装置包括：获取模块801、分组模块802、做差模块803、阈值区间计算模块804、比较模块805和诊断模块806。

其中，获取模块801用于获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据。

分组模块802用于根据第一历史时间段内的风速数据对风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台。

做差模块803用于将一台风速仪与其所在组内的其他各风速仪之间的第一历史时间段内的风速数据分别做差，得到多组第一差值数据组。

阈值区间计算模块804用于根据多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

获取模块801还用于获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据。

做差模块803还用于将该风速仪与其所在组内的其他各风速仪之间的当前时间段内的风速数据分别做差，得到多组第二差值数据组。

比较模块805用于将多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，第一比例值等于第二差值数据组中未落入对应第一阈值区间的差值数据的数量与第二差值数据组中差值数据的总数量的比值。

诊断模块806用于分别将该风速仪的多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

图9为本发明另一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图。图9和图8的不同之处在于，图8中的分组模块802可细化为图9中的分组单元8021和判断单元8022。

其中，分组单元8021用于将初始值赋予K-means算法中的K值，并将各台风速仪的第一风速数据输入至K-means算法中，使风速数据数值相近的风速仪分为一组，得到预分组结果。

判断单元8022用于若预分组结果为每组的风速仪的数量均不少于三台，将预分组结果作为最终分组结果，若预分组结果为部分组中的风速仪的数量少于三台，则更新K值，使分组单元8021重新进行分组，直至每组的风速仪的数量均不少于三台，得到风速仪的最终分组结果。

图10为本发明又一实施例提供的风力发电机组的风速仪的故障诊断装置的结构示意图。图10和图8的不同之处在于，图8中的阈值区间计算模块804可细化为图10中的建立单元8041、设置单元8042和计算单元8043。

其中，建立单元8041用于建立该风速仪的与多组第一差值数据组一一对应的多条第一概率密度曲线。

设置单元8042用于为每条第一概率密度曲线分别设置第一概率门限。

计算单元8043用于将每条第一概率密度曲线中概率密度值大于或等于第一概率门限的曲线部分对应的差值数据形成的区间作为与该第一概率密度曲线对应的第一阈值区间。

计算单元8043还用于将与多条第一概率密度曲线一一对应的多个第一阈值区间，作为该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

在一些实施例中，图8中的诊断模块806还用于若该风速仪的第一比例值均大于第一预设比例阈值，则记录该风速仪处于故障状态的信息，若该风速仪的第一比例值均小于或等于第一预设比例阈值，则记录该风速仪处于正常状态的信息，若该风速仪的第一比例值未均大于且未均小于或等于第一预设比例阈值，则对该风速仪进行二次故障诊断。

在一些实施例中，为对待测风速仪进行二次故障诊断，风速仪的故障诊断装置还包括预测模块。

其中，预测模块用于根据该风速仪的第一历史时间段内的风速数据，预测该风速仪在第二历史时间段内的风速数据，得到该风速仪的第一预测风速数据；

获取模块801还用于获取该风速仪在第二历史时间段内的风速数据。

做差模块803还用于对该风速仪的第二历史时间段内的风速数据与第一预测风速数据做差，得到第三差值数据组。

阈值区间计算模块804还用于根据第三差值数据组，得到该风速仪的第二阈值区间。

预测模块还用于根据该风速仪的第二历史时间段内的风速数据，预测该风速仪在当前时间段内的风速数据，得到该风速仪的第二预测风速数据。

做差模块803还用于将该风速仪的当前时间段内的风速数据与第二预测风速数据做差，得到第四差值数据组。

比较模块805还用于将第四差值数据组中的差值数据分别与第二阈值区间进行比较，得到第二比例值，第二比例值等于第四差值数据组中未落入第二阈值区间的差值数据的数量与第四差值数据组中差值数据的总数量之间的比值。

诊断模块806还用于将第二比例值与第二预设比例阈值进行比较，得到该风速仪的故障诊断结果。

具体地，诊断模块806还用于若所述第二比例值大于所述第二预设比例阈值，则记录该风速仪处于故障状态的信息；若所述第二比例值小于或等于所述第二预设比例阈值，则记录该风速仪处于正常状态的信息。

在一些实施例中，为对待测风速仪进行二次故障诊断，获取模块801还用于获取该风速仪所在风力发电机组的与第一历史时间段内的风速数据对应的第一功率数据。

阈值区间计算模块804还用于根据第一功率数据和该风速仪的理论功率曲线，得到该风速仪的第三阈值区间。

获取模块801还用于获取该风速仪所在风力发电机组的与当前时间段内的风速数据对应的第二功率数据。

比较模块805还用于将第二功率数据中的每个功率数据分别与第三阈值区间进行比较，得到第三比例值，第三比例值等于第二功率数据中未落入第三阈值区间的功率数据的数量与第二功率数据中功率数据的总数量之间的比值。

诊断模块806，还用于将第三比例值与第三预设比例阈值进行比较，得到该风速仪的故障诊断结果。

具体地，诊断模块806还用于若第三比例值大于第三预设比例阈值，则记录该风速仪处于故障状态的信息；若第三比例值小于或等于第三预设比例阈值，则记录该风速仪处于正常状态的信息。

图11为本发明实施例提供的风力发电机组的风速仪的故障诊断装置的硬件结构示意图。如图11所示，本发明实施例中的风力发电机组的风速仪的故障诊断装置包括：处理器1101、存储器1102、通信接口1103和总线1110。其中，处理器1101、存储器1102和通信接口1103通过总线1110连接并完成相互间的通信。

具体地，上述处理器1101可以包括中央处理器1101(CPU)，或者特定集成电路(ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器1102可以包括用于数据或指令的大容量存储器1102。举例来说而非限制，存储器1102可包括HDD、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线1110(USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1102可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1102可在资源接口设备的内部或外部。在特定实施例中，存储器1102是非易失性固态存储器1102。在特定实施例中，存储器1102包括只读存储器1102(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

通信接口1103，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

也就是说，风力发电机组的风速仪的故障诊断装置可以被实现为包括：处理器1101、存储器1102、通信接口1103和总线1110。处理器1101、存储器1102和通信接口1103通过总线1110连接并完成相互间的通信。存储器1102用于存储程序代码；处理器1101通过读取存储器1102中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行上文所述的风力发电机组的风速仪的故障诊断方法，从而实现结合图1至图10所述的风力发电机组的风速仪的故障诊断方法和装置。

需要明确的是，本说明书中的各台实施例均采用递进的方式描述，各台实施例之间相同或相似的部分互相参见即可，每台实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言，相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。

本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；不定冠词“一台”不排除多台；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多台部分的功能可以由一台单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。

Claims (21)

1.一种风力发电机组的风速仪的故障诊断方法，其特征在于，包括：

获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据；

根据所述第一历史时间段内的风速数据对所述风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台；

将一台风速仪与其所在组内的其他各风速仪之间的所述第一历史时间段内的风速数据分别做差，得到多组第一差值数据组；

根据所述多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；

获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据；

将该风速仪与其所在组内的其他各风速仪之间的所述当前时间段内的风速数据分别做差，得到多组第二差值数据组；

将所述多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，所述第一比例值等于所述第二差值数据组中未落入对应第一阈值区间的差值数据的数量与所述第二差值数据组中差值数据的总数量的比值；

分别将该风速仪的所述多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述第一历史时间段内的风速数据对所述风速仪进行分组，包括：

根据所述第一历史时间段内的风速数据和机器学习聚类算法，对所述风速仪进行分组。

3.根据权利要求2所述的故障诊断方法，其特征在于，所述机器学习聚类算法为K-means算法，根据所述第一历史时间段内的风速数据对所述风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台，包括：

将初始值赋予所述K-means算法中的K值，并将各风速仪的所述第一历史时间段内的风速数据输入至所述K-means算法中，使风速数据数值相近的风速仪分为一组，得到预分组结果；

若所述预分组结果为每组的风速仪的数量均不少于三台，将所述预分组结果作为最终分组结果；

若所述预分组结果为部分组中的风速仪的数量少于三台，则更新K值，重新进行分组，直至每组的风速仪的数量均不少于三台，得到所述风速仪的最终分组结果。

4.根据权利要求1所述的故障诊断方法，其特征在于，所述根据所述多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间，包括：

建立该风速仪的与所述多组第一差值数据组一一对应的多条第一概率密度曲线；

为每条所述第一概率密度曲线分别设置第一概率密度门限；

将每条所述第一概率密度曲线中概率密度值大于或等于所述第一概率密度门限的曲线部分对应的差值数据形成的区间作为与该第一概率密度曲线对应的第一阈值区间；

将与所述多条第一概率密度曲线一一对应的多个第一阈值区间，作为该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

5.根据权利要求1所述的故障诊断方法，其特征在于，所述分别将该风速仪的所述多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果，包括：

若该风速仪的所述第一比例值均大于所述第一预设比例阈值，则记录该风速仪处于故障状态的信息；

若该风速仪的所述第一比例值均小于或等于所述第一预设比例阈值，则记录该风速仪处于正常状态的信息；

若该风速仪的所述第一比例值未均大于且未均小于或等于所述第一预设比例阈值，则对该风速仪进行二次故障诊断。

6.根据权利要求5所述的故障诊断方法，其特征在于，所述对该风速仪进行二次故障诊断，包括：

根据该风速仪的所述第一历史时间段内的风速数据，预测该风速仪在第二历史时间段内的风速数据，得到该风速仪的第一预测风速数据；

获取该风速仪在第二历史时间内的风速数据；

对该风速仪的所述第二历史时间段内的风速数据与所述第一预测风速数据做差，得到第三差值数据组；

根据所述第三差值数据组，得到该风速仪的第二阈值区间；

根据该风速仪的所述第二历史时间段内的风速数据，预测该风速仪在所述当前时间段内的风速数据，得到该风速仪的第二预测风速数据；

将该风速仪的所述当前时间段内的风速数据与所述第二预测风速数据做差，得到第四差值数据组；

将所述第四差值数据组中的差值数据分别与所述第二阈值区间进行比较，得到第二比例值，所述第二比例值等于所述第四差值数据组中未落入所述第二阈值区间的差值数据的数量与所述第四差值数据组中差值数据的总数量之间的比值；

将所述第二比例值与第二预设比例阈值进行比较，得到该风速仪的故障诊断结果。

7.根据权利要求6所述的故障诊断方法，其特征在于，所述根据所述第三差值数据组，得到该风速仪的第二阈值区间，包括：

建立所述第三差值数据组的第二概率密度曲线；

为所述第二概率密度曲线设置第二概率密度门限；

将所述第二概率密度曲线中高于所述第二预设概率密度门限的曲线部分对应的差值数据形成的区间，作为该风速仪的第二阈值区间。

8.根据权利要求6所述的故障诊断方法，其特征在于，所述将所述第二比例值与第二预设比例阈值进行比较，得到该风速仪的故障诊断结果，包括：

若所述第二比例值大于所述第二预设比例阈值，则记录该风速仪处于故障状态的信息；

若所述第二比例值小于或等于所述第二预设比例阈值，则记录该风速仪处于正常状态的信息。

9.根据权利要求5所述的故障诊断方法，其特征在于，所述对该风速仪进行二次故障诊断，包括：

获取该风速仪所在风力发电机组的与所述第一历史时间段内的风速数据对应的第一功率数据；

根据所述第一功率数据和该风速仪的理论功率曲线，得到该风速仪的第三阈值区间；

获取该风速仪所在风力发电机组的与所述当前时间段内的风速数据对应的第二功率数据；

将所述第二功率数据中的每个功率数据分别与所述第三阈值区间进行比较，得到第三比例值，所述第三比例值等于所述第二功率数据中未落入所述第三阈值区间的功率数据的数量与所述第二功率数据中功率数据的总数量之间的比值；

将所述第三比例值与第三预设比例阈值进行比较，得到该风速仪的故障诊断结果。

10.根据权利要求9所述的故障诊断方法，其特征在于，所述根据所述第一功率数据和该风速仪所在风力发电机组的理论功率曲线，得到该风速仪的第三阈值区间，包括：

将所述第一功率数据中的每个功率数据分别与其对应的理论功率数据进行比较，得到所述第一功率数据中大于或等于其对应的理论功率数据对应的功率数据的数量与所述第一功率数据的总数量的比值λ，得到所述第一功率数据中小于其对应的理论功率数据对应的功率数据的数量与所述第一功率数据的总数量的比值1-λ；

将所述理论功率数据中的每个功率数据分别乘以(1+λ)×β，得到上限功率阈值数据，β为区间调节因子；

将所述理论功率数据中的每个功率数据分别乘以(1-λ)×β，得到下限功率阈值数据；

将所述上限功率阈值数据和所述下限功率阈值数据形成的区间作为该风速仪的第三阈值区间。

11.根据权利要求9所述的故障诊断方法，其特征在于，所述将所述第三比例值与第三预设比例阈值进行比较，得到该风速仪的故障诊断结果，包括：

若所述第三比例值大于所述第三预设比例阈值，则记录该风速仪处于故障状态的信息；

若所述第三比例值小于或等于所述第三预设比例阈值，则记录该风速仪处于正常状态的信息。

12.一种风力发电机组的风速仪的故障诊断装置，其特征在于，包括：

获取模块，用于获取至少三台风力发电机组的风速仪在第一历史时间段内的风速数据；

分组模块，用于根据所述第一历史时间段内的风速数据对所述风速仪进行分组，将风速数据数值相近的风速仪分为一组，每组中的风速仪的数量不少于三台；

做差模块，用于将一台风速仪与其所在组内的其他各风速仪之间的所述第一历史时间段内的风速数据分别做差，得到多组第一差值数据组；

阈值区间计算模块，用于根据所述多组第一差值数据组，得到该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间；

所述获取模块，还用于获取该风速仪所在组内的所有风速仪在当前时间段内的风速数据；

所述做差模块，还用于将该风速仪与其所在组内的其他各风速仪之间的所述当前时间段内的风速数据分别做差，得到多组第二差值数据组；

比较模块，用于将所述多组第二差值数据组中的每组差值数据组分别与各自对应的第一阈值区间进行比较，得到多个第一比例值，所述第一比例值等于所述第二差值数据组中未落入对应第一阈值区间的差值数据的数量与所述第二差值数据组中差值数据的总数量的比值；

诊断模块，用于分别将该风速仪的所述多个第一比例值与第一预设比例阈值进行比较，得到该风速仪的故障诊断结果。

13.根据权利要求12所述的故障诊断装置，其特征在于，所述分组模块包括：

分组单元，用于将初始值赋予所述K-means算法中的K值，并将各风速仪的所述第一历史时间段内的风速数据输入至所述K-means算法中，使风速数据数值相近的风速仪分为一组，得到预分组结果；

判断单元，用于若所述预分组结果为每组的风速仪的数量均不少于三台，将所述预分组结果作为最终分组结果；

所述判断单元，还用于若所述预分组结果为部分组中的风速仪的数量少于三台，则更新K值，重新进行分组，直至每组的风速仪的数量均不少于三台，得到所述风速仪的最终分组结果。

14.根据权利要求12所述的故障诊断装置，其特征在于，所述阈值区间计算模块包括：

建立单元，用于建立该风速仪的与所述多组第一差值数据组一一对应的多条第一概率密度曲线；

设置模块，用于为每条所述第一概率密度曲线分别设置第一概率密度门限；

计算单元，用于将每条所述第一概率密度曲线中概率密度值大于或等于所述第一概率密度门限的曲线部分对应的差值数据形成的区间作为与该第一概率密度曲线对应的第一阈值区间；

所述计算单元，还用于将与所述多条第一概率密度曲线一一对应的多个第一阈值区间，作为该风速仪的与其所在组内的其他各风速仪一一对应的多个第一阈值区间。

15.根据权利要求12所述的故障诊断装置，其特征在于，所述诊断模块，还用于若该风速仪的所述第一比例值均大于所述第一预设比例阈值，则记录该风速仪处于故障状态的信息，若该风速仪的所述第一比例值均小于或等于所述第一预设比例阈值，则记录该风速仪处于正常状态的信息，若该风速仪的所述第一比例值未均大于且未均小于或等于所述第一预设比例阈值，则对该风速仪进行二次故障诊断。

16.根据权利要求12所述的故障诊断装置，其特征在于，所述故障诊断装置还包括预测模块，其中，

所述预测模块，用于根据该风速仪的所述第一历史时间段内的风速数据，预测该风速仪在第二历史时间段内的风速数据，得到该风速仪的第一预测风速数据；

所述获取模块，还用于获取该风速仪在第二历史时间内的风速数据；

所述做差模块，还用于对该风速仪的所述第二历史时间段内的风速数据与所述第一预测风速数据做差，得到第三差值数据组；

所述阈值区间计算模块，还用于根据所述第三差值数据组，得到该风速仪的第二阈值区间；

所述预测模块，还用于根据该风速仪的所述第二历史时间段内的风速数据，预测该风速仪在所述当前时间段内的风速数据，得到该风速仪的第二预测风速数据；

所述做差模块，还用于将该风速仪的所述当前时间段内的风速数据与所述第二预测风速数据做差，得到第四差值数据组；

所述比较模块，还用于将所述第四差值数据组中的差值数据分别与所述第二阈值区间进行比较，得到第二比例值，所述第二比例值等于所述第四差值数据组中未落入所述第二阈值区间的差值数据的数量与所述第四差值数据组中差值数据的总数量之间的比值；

所述诊断模块，还用于将所述第二比例值与第二预设比例阈值进行比较，得到该风速仪的故障诊断结果。

17.根据权利要求16所述的故障诊断装置，其特征在于，所述诊断模块，还用于若所述第二比例值大于所述第二预设比例阈值，则记录该风速仪处于故障状态的信息；若所述第二比例值小于或等于所述第二预设比例阈值，则记录该风速仪处于正常状态的信息。

18.根据权利要求12所述的故障诊断装置，其特征在于，

所述获取模块，还用于获取该风速仪所在风力发电机组的与所述第一历史时间段内的风速数据对应的第一功率数据；

所述阈值区间计算模块，还用于根据所述第一功率数据和该风速仪的理论功率曲线，得到该风速仪的第三阈值区间；

所述获取模块，还用于获取该风速仪所在风力发电机组的与所述当前时间段内的风速数据对应的第二功率数据；

所述比较模块，还用于将所述第二功率数据中的每个功率数据分别与所述第三阈值区间进行比较，得到第三比例值，所述第三比例值等于所述第二功率数据中未落入所述第三阈值区间的功率数据的数量与所述第二功率数据中功率数据的总数量之间的比值；

所述诊断模块，还用于将所述第三比例值与第三预设比例阈值进行比较，得到该风速仪的故障诊断结果。

19.根据权利要求18所述的故障诊断装置，其特征在于，所述诊断模块，还用于若所述第三比例值大于所述第三预设比例阈值，则记录该风速仪处于故障状态的信息；若所述第三比例值小于或等于所述第三预设比例阈值，则记录该风速仪处于正常状态的信息。

20.一种风力发电机组的风速仪的故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-11任意一项所述的风力发电机组的风速仪的故障诊断方法。

21.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-11任意一项所述的风力发电机组的风速仪的故障诊断方法。