CN112211794B - 风电机组的机舱温度异常预警方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了风电机组的机舱温度异常预警方法、装置、设备及介质，属于风电机组领域。采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；根据所述异常温度数据，确定出所述同一组风电机组中的第一风电机组；对所述第一风电机组进行温度异常预警。可以快速检测出细微的温度异常，快速定位问题风电机组，从而保障了风电机组的正常运行。

Description

风电机组的机舱温度异常预警方法、装置、设备及介质

技术领域

本申请涉及风电机组领域，特别涉及一种风电机组的机舱温度异常预警方法、装置、设备及介质。

背景技术

风电机组(包括传动链部件、塔筒和散热系统等)在运行期间，机舱中的传动链部件会散发巨大的热量。如果不能及时地散热降温，让机组内部保持在一定的温度状态，将会严重影响风电机组的平稳运行，导致发电性能的巨大损失，造成机组内的零部件损坏。

机舱散热系统可以通过传感器监测温度变化，及时地将内部的热气流排出塔筒，达到控制温度的目的。相关技术是技术人员依据历史经验直接设置阈值区间，由传感器检测风电机组的机舱温度，当机舱温度不属于阈值区间时，相关设备发出预警。

但是在实践中，技术人员往往会设置较高的温度阈值，因而无法检测到微小的温度异常，导致风电机组在非安全且非平稳的状态下运行一段时间，影响发电效率。

发明内容

本申请实施例提供了一种风电机组的机舱温度异常预警方法、装置、设备及介质。

一方面，本申请实施例提供了一种风电机组的机舱温度异常预警方法，所述方法包括：

采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；

对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；

根据所述异常温度数据，确定出所述同一组风电机组中的第一风电机组；

对所述第一风电机组进行温度异常预警。

另一方面，本申请实施例提供了一种风电机组的机舱温度异常预警装置，所述装置包括：

采集模块，用于采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；

检测模块，用于对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；

定位模块，用于根据所述异常温度数据，确定出所述同一组风电机组中的第一风电机组；

预警模块，用于对所述第一风电机组进行温度异常预警。

在本申请实施例的一个可选装置中，所述装置还包括：

第一预处理模块，用于对所述机舱温度数据中的第一无效数据作失效处理；

其中所述第一无效数据包括：空值数据、温度超过合理温度区间的数据和插值数据中的至少一种。

在本申请实施例的一个可选装置中，所述装置还包括：

第二预处理模块，用于对所述特征数据中的第二无效数据作失效处理；

其中，所述第二无效数据包括：空值数据、发电功率小于额定功率的数据和插值数据中的至少一种。

又一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述一方面所述的风电机组的机舱温度异常预警方法。

又一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方法所述的风电机组的机舱温度异常预警方法。

本申请实施例提供的技术方案可以带来如下有益效果：

通过监测同一组风电机组的温度数据，对获得的温度数据进行异常点检测，可以快速定位存在温度异常的风电机组，并且还可以检测出轻微的温度异常，避免了风电机组在温度异常的情况下长时间运行，可以保证风电机组的正常运行。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。

图1是本申请一个示例性实施例提供的风电机组的结构图；

图2是本申请一个示例性实施例提供的一种风电机组的机舱温度异常预警方法的流程图；

图3是本申请一个示例性实施例提供的异常点检测的流程图；

图4是本申请一个示例性实施例提供的二叉树建造方法的流程图；

图5是本申请一个示例性实施例提供的一种机舱温度数据映射到一维直线上的示意图；

图6是本申请一个示例性实施例提供的一种二叉树的示意图；

图7是本申请一个示例性实施例提供的一种第一风电机组确定方法的流程图；

图8是本申请一个示例性实施例提供的同一组风电机组确定方法的流程图；

图9是本申请一个示例性实施例提供的一种聚类分析获得同一组风电机组的流程图；

图10是本申请一个示例性实施例提供的一种在二维平面上获得第一簇的示意图；

图11是本申请一个示例性实施例提供的一种风电机组的机舱温度异常预警装置的结构框图；

图12是本申请一个示例性实施例提供的一种计算机设备的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

首先，先对本申请涉及的相关名词进行介绍。

异常点检测：找出数据集中和大多数数据不同的数据。在一个具体的例子中，对集合{1,1.1,1.2,0.9,0.95,1.05,100}做异常点检测，在该集合之中，元素{1}，{1.1}，{1.2}，{0.9}，{0.95}，{1.05}数值均接近或等于1，元素{100}则远大于1，与大多数数据不同，故检测出元素{100}为异常点。

异常点，又可以被称为离群点。在一串序列数据中，异常点的表现和该序列数据中的大多数数据不同。找出异常点的过程又可以被称为异常点检测。

聚类分析：将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。具体的，依据样本或对象的特征，将具有相同或相近特征的样本或对象归入一个类别。在一个具体的例子中，对集合{10，5，9，78，a，k}做聚类分析，那么在该集合之中，元素{10}，{5}，{9}，{78}均属于数字，{a}，{k}均属于英文字母，故将元素{10}，{5}，{9}，{78}归入数字类别，将元素{a}，{k}归入英文字母类别。

风场：环境影响评价专业术语，用来评价在一定范围内的局地风速、风向等因子。

树：属于数据结构名词，是由n(n>＝1)个有限节点组成一个具有层次关系的集合。把它叫做“树”是因为它看起来像倒挂的树。二叉树是树的一种，二叉树的特点是每个节点上只有两棵子树，且这两棵子树有左右之分。

叶子节点：指在一棵树中没有子节点的节点。叶子节点又被称为终端节点。

欧氏距离：欧几里得度量，指在n维空间内两个点之间的真实距离，或者向量的自然长度。示例性的，在二维和三维空间中，欧氏距离就是两点之间的实际距离。

参考图1，示出了本申请一个示例性实施例提供的风电机组的结构图，该结构图包括机舱101、转子叶片102、塔103和转轴104。

机舱101被架于塔103上，转子叶片102和机舱101通过转轴104连接。机舱101包裹风电机组的关键设备，包括传动链部件105(如齿轮箱、发电机相关部件等)、散热系统106等。

终端107与至少两台风电机组连接(附图1中未示出)，连接方式可以是有线连接、WiFi连接(Wireless-Fidelity，无线保真)、2G(2-Generation，第二代移动通信技术)连接、3G(3rd-Generation，第三代移动通信技术)连接和4G(4th-Generation，第四代移动通信技术)连接中的至少一种。

终端107还包括电源模块，用于为终端107供电；终端107还包括处理模块，用于与终端107中的各个模块电性相连，并控制不同的模块执行对应的操作；终端107中还包括存储模块，存储模块是SD卡(Secure Digital Memory Card，安全数码卡)、Micro SD卡(MicroSecure Digital Memory Card)、SDHC卡(Secure Digital High Capacity，容量SD存储卡)和USB(Universal Serial Bus，通用串行总线)闪存驱动器中的至少一种，存储模块用于存储采集到的数据；图1中未示出终端107中的电源模块、处理模块、数据采集模块、存储模块及GPS模块，终端107中还可以包括其他模块，用于实现其他功能。

散热系统106中包括GPS(Global Positioning System，全球定位系统)模块，用于获取终端107的地理位置信息。散热系统106还包括数据采集模块，该数据采集模块可以包括温度传感器组件和/或时钟组件，用于采集温度、时间等数据；图1中未示出散热系统106中的数据采集模块和GPS模块，终端107中还可以包括其他模块，用于实现其他功能。

在风电机组工作时，转子叶片102受风力转动，从而带动转轴104转动，转轴104带动机舱101内部的传动链部件105实现风力发电，散热系统106实时监控风电机组的机舱温度，并将机舱温度数据传输至终端107，终端107对机舱温度数据进行相应的处理。在风电机组正常工作时，风电机组内部的传动链部件105会产生大量的热能。当热能过剩时，造成风电机组机舱101的温度异常，对风力机组的设备带来危害。示例性的，热能过剩的可能原因是传动链部件的老化、散热装置的损坏等。

风电机组发电机可以是笼型感应发电机恒速恒频风力发电机、电励磁同步发电机恒速恒频风力发电机、双馈异步风力发电机组、永磁直驱风力发电机组和电励磁同步半直驱风力发电机组中的任意一种。

图2示出了本申请一个示例性实施例提供的一种风电机组的机舱温度异常预警方法的流程图。该方法可以由图1所示的终端来执行。该方法包括：

步骤201，采集同一组风电机组的机舱温度数据，同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件。

终端采集同一组风电机组的机舱温度数据，同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件。

示例性的，终端可以使用SCADA系统(Supervisory Control And DataAcquisition，数据采集与监控系统)采集温度数据，也可以采用其他风电机组数据采集的常用方式。

同风场的风电机组指多组风电机组位于同一范围内，且所在范围内的局地风速、风向等因子相同。

同机型的风电机组指至少两组风电机组的工作方式、风力发电机产品型号、风力发电机额定功率和风机等级等主要技术参数相同。示例性的，一组风电机组的工作方式为“笼型感应”、风力发电机产品型号为“WT1500-D82”、风机等级为“IES S”；那么相对应的同机型风电机组的工作方式也为“笼型感应”、风力发电机产品型号为“WT1500-D82”、风机等级为“IES S”。

机舱温度数据包括历史机舱温度数据和实时机舱温度数据中的至少一种。

机组特征包括风电机组自身机组部件的特征。示例性的，机组特征包括风电机组的发电机转速、发电机功率、发电机型号和塔的高度中的至少一种。

运行环境特征包括风电机组所处的地理环境特征。示例性的，运行环境特征包括风电机组的经纬度信息、海拔信息、大气温度和大气湿度中的至少一种。

预设条件用于划分同一组风电机组。

终端可以采集风电机组机舱内部的温度数据，终端也可以采集风电机组机舱外表面的温度数据，终端也可以采集风电机组机舱内部温度数据和外表面温度数据的平均值。

终端可以每隔预设时间采集一次机舱温度数据。示例性的，终端每隔10秒采集一次机舱温度数据。终端也可以在预设的时间点上采集一次温度数据。示例性的，终端在10时00分采集一次机舱温度数据，终端在11时23分采集一次机舱温度数据。示例性的，终端还可以根据技术人员的需求，实时采集机舱温度数据。

终端采集到的机舱温度数据包括机舱温度和采集时间。机舱温度数据可以以“时间-温度”的形式存储，也可以以“温度-时间”的形式存储。示例性的，机舱温度数据以“56-10:00:00”的形式存储。

步骤202，对同一组风电机组的机舱温度数据进行异常点检测，获得机舱温度数据中的异常温度数据。

终端对同一组风电机组的机舱温度数据进行异常点检测，获得机舱温度数据中的异常温度数据。

异常点检测是检测出同一组风电机组的机舱温度数据中的异常点数据的过程，异常点数据是异常温度数据按照一定映射关系在一维直线上的投影。示例性的，该一维直线可以是横轴，也可以是纵轴，也可以是与横轴呈一定角度且不与纵轴平行的直线。

异常点检测包括基于统计模型的箱型图、基于集成学习的孤立森林等。示例性的，终端通过基于统计模型的箱型图找出异常点。

在一个具体的实施方式中，可以标记异常温度数据。示例性的，可以将异常温度数据标记为1，将其他温度数据标记为0；也可以将异常温度数据标记为0，将其他温度数据标记为1。

步骤203，根据异常温度数据，确定出同一组风电机组中的第一风电机组。

终端获取异常温度数据后，将异常温度数据对应的风电机组确定为第一风电机组，该第一风电机组属于同一组风电机组。

第一风电机组用于指示温度存在异常的风电机组。

步骤204，对第一风电机组进行温度异常预警。

终端可以向技术人员发出警铃以实现预警，终端可以向技术人员发送信息以实现预警，终端也可以向技术人员发送异常温度数据。

示例性的，技术人员可以从同一组风电机组中取出一组风电机组，将其作为待测风电机组，利用该待测风电机组所在的同一组风电机组的温度数据来进行异常点检测，并判断该待测风电机组是否存在温度异常。

综上所述，本实施例提供的方法，通过采集同一组风电机组的机舱温度数据，将采集到的机舱温度数据进行异常点检测以获得异常温度数据，给出了一种确定存在温度异常的风电机组的方法。该方法只需对采集到的同一组风电机组的机舱温度数据进行分析即可快速定位存在温度异常的风电机组，可以实现同时对多组风电机组的检测，并由于本申请无需设置温度阈值，故能判断出程度较轻的温度异常。

在上一个实施例中，说明了一种风电机组的机舱温度异常预警方法，下面结合图3对异常点检测过程进行说明。图3示出了本申请一个实施例示出的异常点检测的流程图。该方法应用于终端中，该方法包括如下几个步骤：

在本申请实施例中，终端所采集到的机舱温度数据可能会出现错误，该错误可以源于机舱温度数据采集时产生的偶然误差，也可以源于机舱温度数据传输时出现的错误。

步骤301，对机舱温度数据中的第一无效数据作失效处理；

其中所述第一无效数据包括：空值数据、温度超过合理温度区间的数据和插值数据中的至少一种。

终端对机舱温度数据中的第一无效数据作失效处理。

空值数据表示机舱温度数据未知。空值不同于空白或零值，空值数据存在，但无法得知空值的具体内容。示例性的，空值用NULL表示。

温度超过合理温度区间的数据，表示采集到的机舱温度数据的值超过风电机组正常工作时的温度区间。所述温度超过合理温度区间的数据是大于合理温度区间最大值的数据或小于合理温度区间最小值的数据。示例性的，合理温度区间为[-40，100]，采集到的温度数据的值为120，此时，所述采集到的温度数据120为温度超过合理温度区间的数据。示例性的，合理温度区间为[-40，100]，采集到的温度数据的值为-90，此时，该机舱温度数据-90是温度超过合理温度区间的数据。

插值数据是在采集到的机舱温度数据的基础上补插的数据。由于机舱温度数据在采集时，使得存在一条连续曲线可以通过全部的机舱温度数据，插补的数据即为插值数据。示例性的，第一无效数据还包括卡住值数据或特殊值数据。

卡住值数据指在预定时间内采集到风电机组的机舱温度数据未发生变化，则该预定时间内采集到的机舱温度数据均为卡住值数据。示例性的，在14:00至15:00这段时间内，采集到风电机组的机舱温度数据恒为60℃，则将该段时间内采集到的风电机组的机舱温度数据60℃认为是卡住值。

特殊值数据指采集到风电机组的机舱温度数据与预设数据形式不符，则该机舱温度数据为特殊值数据。示例性的，采集到机舱温度数据为a℃，则将风电机组的机舱温度数据a℃认为是特殊值数据。

需要说明的是，本步骤为可选步骤。本步骤也可置于步骤202之前。

步骤302，从同一组风电机组的机舱温度数据中，随机选取多组子样本，每组子样本包括多个机舱温度数据，多组子样本内的机舱温度数据的数量相同，每组所述子样本内的机舱温度数据为同一时刻的机舱温度数据。

终端从同一组风电机组的机舱温度数据中，随机选取多组子样本，每组子样本包括多个机舱温度数据，多组子样本内的机舱温度数据的数量相同，每组子样本内的机舱温度数据为同一时刻的机舱温度数据。

子样本随机取自同一组风电机组的机舱温度数据，子样本内的机舱温度数据应当是多个。示例性的，每组子样本内的机舱温度数据可以相同，也可以不同。比如，机舱温度数据为{20，11，6，15，17，54，68，45}，其中两组子样本可以是{20，15，17，45}和{6，54，68，11}，其中两组子样本还可以是{20，17，68，45}和{20，17，68，45}。

步骤303，根据每组子样本建造一棵二叉树，得到与多组子样本对应的多颗二叉树，二叉树中的每个叶子节点对应至少一个机舱温度数据。

终端根据每组子样本建造一棵二叉树，得到与多组子样本对应的多颗二叉树，二叉树中的每个叶子节点对应至少一个机舱温度数据。

示例性的，终端可以使用每组子样本建造多颗二叉树，得到与多组子样本对应的多颗二叉树，二叉树中的每个叶子节点对应至少一个机舱温度数据。

在上述的步骤303中，终端根据子样本建造一颗二叉树，下面说明本申请一个实施例，对建造二叉树进行说明，图4示出了本申请一个实施例示出的二叉树建造方法的流程图。该方法应用于终端中，该方法包括如下几个步骤：

步骤401，对于多组子样本中的任意一组子样本，将任意一子样本中的各个机舱温度数据放入二叉树的根节点中。

对于多组子样本中的任意一组子样本，终端将任意一组子样本中的各个机舱温度数据放入二叉树的根节点中。

步骤402，对于二叉树中的每个未生长节点，将未生长节点中的各个机舱温度数据按照第一映射关系投影到一维直线上，在一维直线上形成与未生长节点中的机舱温度数据对应的机舱温度数据点，未生长节点是二叉树中尚未生成子节点的节点。

对于二叉树中的每个未生长节点，终端将未生长节点中的各个机舱温度数据按照第一映射关系投影到一维直线上，在一维直线上形成与未生长节点中的机舱温度数据对应的机舱温度数据点，未生长节点是二叉树中尚未生成子节点的节点。

为便于该本申请实施例的理解，例如，图5是图4所示实施例提供的一种机舱温度数据映射到一维直线上的示意图。图6是图4所示实施例提供的一种二叉树的示意图。示例性的，在图5所示的一维直线51上示出了机舱温度数据点501、502、503、504、505。将机舱温度数据点501、502、503、504、505放入图6中二叉树的根节点61。

第一映射关系可以是以机舱温度数据为x轴，将机舱温度数据投影到一维直线上；也可以是以机舱温度数据为y轴，将机舱温度数据投影到一维直线上。

步骤403，在一维直线上随机生成一个分割点。

终端在一维直线上随机生成一个分割点。

示例性的，在图5中，在一维直线51上随机生成一个分割点52，将一维直线分为两部分。

步骤404，将位于分割点第一侧的机舱温度数据点放入二叉树的第一子节点上，将位于分割点第二侧的机舱温度数据点放入二叉树的第二子节点上。

终端将位于分割点第一侧的机舱温度数据点放入二叉树的第一子节点上，将位于分割点第二侧的机舱温度数据点放入二叉树的第二子节点上。

示例性的，在图5和图6中，将分割点52一侧的机舱温度数据点502、503、504和505放入节点62中，此时的节点62仍然可以生长，故此时的节点62为未生长节点，将另一侧的机舱温度数据点501放入节点63中，而此时节点63内只有一个机舱温度数据点，所以节点63已经无法生长。

步骤405，重复上述三个步骤，直至二叉树生长到指定高度或二叉树的叶子节点上只有一个机舱温度数据时，完成二叉树的建造。

终端重复上述三个步骤，直至二叉树生长到指定高度或二叉树的叶子节点上只有一个机舱温度数据时，完成二叉树的建造。

示例性的，在图5和图6中，重复上述步骤后，由于映射关系不发生变化，机舱温度数据点在一维直线上的相对位置不会发生变化。所以仍在图5的一维直线上，随机生成分割点53，将左侧的一维直线分为两个部分，将分割点53一侧的机舱温度数据点502和503放入节点64(未生长节点)中，将分割点53另一侧的机舱温度数据点504和505放入节点65(未生长节点)中。随后在机舱温度数据点502和503所在一维直线上随机生成分割点55，将机舱温度数据点502放入节点66，将机舱温度数据点503放入节点67。在机舱温度数据点504和505所在一维直线上随机生成分割点54，将机舱温度数据点504放入节点68，将机舱温度数据点505放入节点69。此时二叉树中的叶子节点均只有一个机舱温度数据，完成二叉树的建造。

指定高度与任意一组子样本内的机舱温度数据数量呈正相关。在这里对二叉树的高度做限制是因为在二叉树中路径长度较短的点更有可能是异常点，当子样本数目过大时，指定二叉树高度可以简化计算量。

当二叉树的所有叶子节点上只有一个机舱温度数据时，二叉树已经到达生长的极限，无法继续生长。

上述建造二叉树的过程是通过取用子样本，使用子样本建造二叉树，在这个过程中仅需采集大量机舱数据中的少数样本，即可实现二叉树的建造，提高了终端系统的实时性。

接下来，继续进行图3所示实施例的介绍。

步骤304，根据第一机舱温度数据对应的叶子节点在所属二叉树中的路径长度，计算第一机舱温度数据的异常得分；第一机舱温度数据是多个机舱温度数据中的任意一个。

终端根据第一机舱温度数据对应的叶子节点在所属二叉树中的路径长度，计算第一机舱温度数据的异常得分；第一机舱温度数据是多个机舱温度数据中的任意一个。

路径长度指第一机舱温度数据对应的叶子节点到二叉树的根节点所需要经过的边。路径长度应当为正整数，每个叶子节点对应的路径长度有且只有一个。

进一步地，当第一机舱温度数据所属二叉树存在至少两棵时，计算所述第一机舱温度数据对应的叶子节点，在所述至少两个二叉树中的路径长度的数学期望；根据所述数学期望和每组所述子样本内的机舱温度数据的数量，计算所述异常得分。

终端计算所述第一机舱温度数据对应的叶子节点，在所述至少两个二叉树中的路径长度的数学期望；终端根据所述数学期望和每组所述子样本内的机舱温度数据的数量，计算所述异常得分。

若将异常得分用s(x，m)表示，令h(x)为第一机舱温度数据在任一棵所属二叉树中的路径长度，x代表第一机舱温度数据的数值，m为子样本中机舱温度数据的数量，E(h(x))为h(x)的数学期望。则计算异常得分的公式为：

其中，c(m)代表在给定样本数量为m的情况下，标准化的路径长度h(x)。其中c(m)的表达式为：

在c(m)中，ξ为欧拉常数，ln(m-1)指以自然常数e为底数的(m-1)的对数。

步骤305，当异常得分达到异常阈值时，确定第一机舱温度数据为异常温度数据。

当异常得分达到异常阈值时，终端确定第一机舱温度数据为异常温度数据。

异常得分用于评价第一温度数据的异常状态。异常得分大于0且小于1。当异常得分接近异常阈值，第一温度数据出现异常的可能性增加。当异常得分远离异常阈值时，第一温度数据出现异常的可能性降低。当异常得分达到异常阈值时，第一温度数据出现温度异常。示例性的，异常阈值可以为0.95。

示例性的，当子样本内所有的机舱温度数据均达到临界阈值时，子样本内所有的机舱温度数据均不为异常温度数据。该临界阈值用于判断子样本内所有的机舱温度数据是否均为正常的机舱温度数据。示例性的，临界阈值为0.5。

示例性的，当所述异常得分达到安全阈值时，确定所述第一机舱温度数据为正常的机舱温度数据。示例性的，安全阈值可以为0.1。

在一种可选的实施方式中，当采集到的第一无效数据占全部采集的机舱温度数据的比例达到规定阈值时，可以重新采集温度数据，也可以向技术人员发送该机舱温度数据中的第一无效数据。规定阈值用于判断是否需要重新采集第一无效数据。

综上所述，本申请实施例提供的技术方案，通过建造二叉树，计算异常得分的方法，提高了异常温度数据检测的正确率，同时仅需采集大量机舱数据中的少数样本，即可实现异常温度数据判断，降低了计算量，提高了终端系统的实时性。

在本申请中，确定第一风电机组是其中一个步骤，图7示出了本申请一个实施例示出的一种第一风电机组确定方法的流程图。该方法应用于终端中，该方法包括如下几个步骤：

步骤701，获得异常温度数据对应的目标风电机组。

终端获得异常温度数据对应的目标风电机组。

在一种具体的实施方式中，可以标记目标风电机组。示例性的，可以将目标风电机组标记为1，将其他风电机组标记为0；也可以将目标风电机组标记为0，将其他风电机组标记为1。

步骤702，计算异常因子和总体异常因子，异常因子为第一预设时间内待测风电机组的异常温度数据总条数和待测风电机组的温度数据总条数的比值，总体异常因子为第二预设时间内待测风电机组的异常温度数据总条数和待测风电机组的第一温度数据总条数的比值，第一预设时间小于第二预设时间。

终端计算异常因子和总体异常因子，异常因子为第一预设时间内待测风电机组的异常温度数据总条数和待测风电机组的温度数据总条数的比值，总体异常因子为第二预设时间内待测风电机组的异常温度数据总条数和待测风电机组的第一温度数据总条数的比值，第一预设时间小于第二预设时间。

为降低机舱温度数据采集时出现数据错误的偶然性，需要同时计算异常因子和总体异常因子。

异常因子指在第一预设时间内，设第一有效温度数据的总条数为m，异常温度数据的总条数为n，则异常因子为n/m。示例性的，第一预设时间可以是一天，也可以是2天。示例性的，在一天时间内设第一有效温度数据的总条数为20000，异常温度数据的总条数为80，则异常因子为0.4％。

总体异常因子指在第二预设时间内，设第一有效温度数据的总条数为m，异常温度数据的总条数为n，则总体异常因子为n/m。示例性的，第二预设时间可以是5天，也可以是30天。示例性的，在五天时间内，第一有效温度数据的总条数为100000，异常温度数据的总条数为300，则总体异常因子为0.3％。

第一预设时间小于第二预设时间。

步骤71，判断异常因子是否大于第一安全阈值。

终端判断异常因子是否大于第一安全阈值。

步骤72，判断总体异常因子是否大于第二安全阈值。

终端判断总体异常因子是否大于第二安全阈值。

需要说明的是，上述步骤71和步骤72不分先后，可以先执行步骤71再执行步骤72，也可以先执行步骤72再执行步骤71。

步骤703，若异常因子大于第一安全阈值且总体异常因子大于第二安全阈值，则将目标风电机组设置为第一风电机组。

若异常因子大于第一安全阈值且总体异常因子大于第二安全阈值，则终端将目标风电机组设置为第一风电机组。

第一阈值用于判断目标风电机组是否在第一预设时间内存在温度异常。

第二阈值用于判断目标风电机组是否在第二预设时间内存在温度异常。

第一阈值和第二阈值可以相同，也可以不相同。示例性的第一阈值可以为0.8％，第二阈值可为0.95％，或者第一阈值可以为0.9％，第二阈值可以为0.9％。

步骤704，若异常因子小于第一安全阈值且总体异常因子小于第二安全阈值，则目标风电机组为正常风电机组。

若异常因子小于第一安全阈值且总体异常因子小于第二安全阈值，则终端将目标风电机组认定为正常风电机组。

综上所述，本申请实施例提供的技术方案，将异常因子和总体异常因子用于异常温度数据检测，可以减小误判率，使最终获得的结果更为准确。

在本申请中，同一组风电机组的要求是机组特征和运行环境特征的相似度高于预设条件，本申请文件提供了同一组风电机组的确定方法。

图8示出了本申请一个实施例示出的同一组风电机组确定方法的流程图。该方法应用于终端中，该方法包括如下几个步骤：

步骤801，采集同风场同机型的风电机组的特征数据。

终端采集同风场同机型的风电机组的特征数据。

特征数据包括风电机组的机组特征和运行环境特征，其中风电机组的机组特征包括风电机组的发电机转速、发电机功率、发电机型号和塔的高度中的至少一个，风电机组的运行环境特征包括风电机组的经纬度信息、海拔信息、大气温度和大气湿度中的至少一个。

步骤802，聚类分析特征数据，获得同一组风电机组。

终端聚类分析特征数据，获得同一组风电机组。

聚类分析包括凝聚层次聚类、自顶向下的DIANA(Divisive Analysis，分裂的层次聚类)算法、DBSCAN算法(Density-Based Spatial Clustering of Applications withNoise，具有噪声的基于密度的聚类方法)等。示例性的，终端可以利用凝聚层次聚类算法分析特征数据，获得同一组风电机组。

示意性的，终端可以聚类分析多组特征数据，获得多组不同的同一组风电机组，取多组不同的同一组风电机组的交集为最终的同一组风电机组。

综上所述，本申请实施例提供的技术方案，设置同一组风电机组，由于风电机组在正常工作时，机舱温度相差不大，故将同一组风电机组用于机舱异常温度预警，可以检测出程度较轻的温度异常，实现更为高效的预警。

接下来，对聚类分析算法进行说明，下面给本申请的一个聚类分析算法的示例性实施例。

图9示出了本申请一个实施例示出的一种聚类分析获得同一组风电机组的流程图。该方法应用于终端中，该方法包括如下几个步骤：

步骤901，采集同风场同机型的风电机组的特征数据。

终端采集同风场同机型的风电机组的特征数据。

步骤902，对特征数据中的第二无效数据作失效处理。

其中第二无效数据包括：空值数据、发电功率小于额定功率的数据和插值数据中的至少一种。

发电功率小于额定发电功率的数据，表示某采集到的发电功率数据的值小于风电机组的额定发电功率，所述额定功率为风电机组正常工作时，风电机组的发电功率。示例性的，发电机组的额定发电功率为300，采集到的发电功率数据的值为200，此时，所述采集到的发电功率数据为发电功率小于额定功率的数据。

需要说明的是，该步骤为可选步骤。该步骤也可置于步骤802之前。

步骤903，将所述特征数据按照第二映射关系投影到n维空间内，在所述n维空间内形成与所述特征数据对应的特征数据点，其中，n为大于1的正整数。

终端将所述特征数据按照第二映射关系投影到n维空间内，在所述n维空间内形成与所述特征数据对应的特征数据点，其中，n为大于1的正整数。

为了便于本申请实施例的理解，示例性的，图10是图9所示实施例提供的一种在二维平面上获得第一簇的示意图。示例性的，将特征数据1001、1002、1003、1004、1005和1006映射到二维平面上，在二维平面上获得特征数据点1001、1002、1003、1004、1005和1006。

第二映射关系是将风电机组经度、纬度、海拔、发电机转速和发电功率等特征中的任一特征作为坐标轴，将特征数据映射到n维空间上。示例性的，第二映射关系可以是将风电机组的经度作为x轴，将纬度作为y轴，将特征数据映射到二维平面上；也可以将风电机组的发电机功率作为x轴，发电机转速作为y轴，海拔作为z轴映射到三维空间上。

步骤904，将第一特征数据点归入第一簇中，第一特征数据点随机取自特征数据点。

终端将第一特征数据点归入第一簇中，第一特征数据点随机取自特征数据点。

示例性的，在图10中，将特征数据点1004作为第一特征数据点并归入第一簇中。

簇指计算机用语，簇相当于一群、一组。簇的大小可以变化。第一簇指存在第一数据特征点的簇。由于第一特征数据点可以是任意特征数据点，该第一簇可以是任意一簇。

步骤905，在第一簇内随机选取一个特征数据点作为待测点。

终端在第一簇内随机选取一个特征数据点作为待测点。

示例性的，在图10中，取特征数据点1004为待测点。

待测点用于和其他特征数据点作区分，表明终端后续会对该特征数据点进行操作。

步骤906，在所述n维空间内，当欧氏距离小于或等于预设欧氏距离时，将其它特征数据点标记为附近点，所述欧氏距离表示n维空间内两个特征数据点之间的真实距离。

在n维空间内，当其它特征数据点的欧氏距离小于或等于预设欧氏距离时，终端将其他特征数据点标记为附近点，欧氏距离表示n维空间内两个特征数据点之间的真实距离。

示例性的，取最小包含点为3，在二维平面上共有3个特征数据点1002、1003和1005与特征数据点1004的欧氏距离小于预设欧氏距离。

附近点用于标记预设欧氏距离内的特征数据点，便于将附近点归入第一簇中。

步骤907，当附近点的数量大于或等于最小包含点数时，将待测点和附近点归入所述第一簇中，并将待测点标记为已访问点。

当附近点的数量大于或等于最小包含点数时，终端将待测点和附近点归入所述第一簇中，并将待测点标记为已访问点。

示例性的，在图10中，在预设距离内有特征数据点1002、1003和1005共3个特征数据点，特征数据点1004、1002、1003和1005将归入第一簇中。标记特征数据点1004为已访问。

当所述附近点的数量小于最小包含点数时，将待测点做舍弃处理。

已访问点代表该特征数据点已经经过步骤905至步骤906的处理，用于将已访问点和其他特征数据点作区分。

步骤908，重复上述三个步骤，直至第一簇内的特征数据点均为已访问点时，将第一簇内的特征数据点对应的风电机组设置为同一组风电机组。

终端重复上述三个步骤，直至第一簇内的特征数据点均为已访问点时，将第一簇内的特征数据点对应的风电机组设置为同一组风电机组。

示例性的，在图10中，对特征数据点1002重复上述步骤后，在特征数据点1002对应的距欧氏离内有特征数据点1001、1003、1004，由于第一簇中已经有特征数据点1003和1004。故将特征数据点1001归入第一簇中。多次重复后，得到第一簇中有特征数据点1001、1002、1003、1004和1005。所以，特征数据点1001、1002、1003、1004和1005对应的风电机组为同一组风电机组。而对特征数据点1006作相同的操作，特征数据点1006对应的预设欧氏距离内没有其他特征数据点，故特征数据点1006未被归入第一簇中，故特征数据点1006对应的风电机组不属于任何同一组风电机组。

示例性的，还可以使用k均值聚类算法(k-means clustering algorithm)、均值偏移(Mean shift)聚类算法、使用高斯混合模型(GMM)的期望最大化(EM)聚类等聚类算法实现同一组风电机组的确定。

综上所述，本申请实施例提供的技术方案，提供了同一组风电机组的获得方法，该方法基于特征数据在n维空间内的映射而得到，可以形象直观地获得同一组风电机组，效果较好。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图11示出了本申请一个实施例提供的一种风电机组的机舱温度异常预警装置的结构方框图，该机舱温度异常预警装置可通过软件、硬件或者两者的结合实现。该机舱温度异常预警装置可以包括：

采集模块1101，用于采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；

检测模块1102，用于对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；

定位模块1103，用于根据所述异常温度数据，确定出所述同一组风电机组中的第一风电机组；

预警模块1104，用于对所述第一风电机组进行温度异常预警。

可选地，该装置还包括：

第一预处理模块1110，用于对所述机舱温度数据中的第一无效数据作失效处理；其中，所述第一无效数据包括：空值数据、温度超过合理温度区间的数据和插值数据中的至少一种。

可选地，该定位模块1103包括：

获取子模块1111，用于获得所述异常温度数据对应的目标风电机组；

第一计算子模块1112，用于计算异常因子和总体异常因子，所述异常因子为第一预设时间内所述待测风电机组的异常温度数据总条数和所述待测风电机组的温度数据总条数的比值，所述总体异常因子为第二预设时间内所述待测风电机组的异常温度数据总条数和所述待测风电机组的第一温度数据总条数的比值，所述第一预设时间小于所述第二预设时间；

第一比较子模块1113，用于若所述异常因子大于第一安全阈值且所述总体异常因子大于第二安全阈值，则将目标风电机组设置为所述第一风电机组。

可选地，该装置还包括：

采集模块1101，还用于采集同风场同机型的风电机组的特征数据；

聚类模块1105，用于聚类分析所述特征数据，获得所述同一组风电机组。

可选地，该检测模块1102包括：

选择子模块1106，用于从所述同一组风电机组的机舱温度数据中，随机选取多组子样本，每组子样本包括多个机舱温度数据，所述多组子样本内的机舱温度数据的数量相同，每组所述子样本内的机舱温度数据为同一时刻的机舱温度数据；

第二计算子模块1108，用于根据每组所述子样本建造一棵二叉树，得到与所述多组子样本对应的多颗二叉树，所述二叉树中的每个叶子节点对应至少一个机舱温度数据；根据第一机舱温度数据对应的叶子节点在所属二叉树中的路径长度，计算所述第一机舱温度数据的异常得分；所述第一机舱温度数据是所述多个机舱温度数据中的任意一个；

第二比较子模块1107，用于当所述异常得分达到异常阈值时，确定所述第一机舱温度数据为所述异常温度数据。

可选地，该第二计算子模块1108包括：

二叉树建立单元1116，用于对于多组所述子样本中的任意一组子样本，将所述任意一组子样本中的各个机舱温度数据放入所述二叉树的根节点中；对于所述二叉树中的每个未生长节点，将所述未生长节点中的各个机舱温度数据按照第一映射关系投影到一维直线上，在所述一维直线上形成与所述未生长节点中的机舱温度数据对应的机舱温度数据点，所述未生长节点是所述二叉树中尚未生成子节点的节点；在所述一维直线上随机生成一个分割点；将位于所述分割点第一侧的机舱温度数据点放入所述二叉树的第一子节点上，将所述位于分割点第二侧的机舱温度数据点放入所述二叉树的第二子节点上；重复上述三个步骤，直至所述二叉树生长到指定高度或所述二叉树的叶子节点上只有一个机舱温度数据时，完成所述二叉树的建造。

可选地，该第二计算子模块1108还包括：

得分计算单元1109，还用于计算所述第一机舱温度数据对应的叶子节点，在所述至少两个二叉树中的路径长度的数学期望；根据所述数学期望和每组所述子样本内的机舱温度数据的数量，计算所述异常得分。

可选地，该聚类模块1105包括：

映射子模块1114，用于将所述特征数据按照第二映射关系投影到n维空间内，在所述n维空间内形成与所述特征数据对应的特征数据点，其中，n为大于1的正整数；将第一特征数据点归入第一簇中，所述第一特征数据点随机取自所述特征数据点；在所述第一簇内随机选取一个特征数据点作为待测点；

欧氏距离计算模块1117，用于在所述n维空间内，当其它特征数据点的欧氏距离小于或等于预设欧氏距离时，将所述其他特征数据点标记为附近点，所述欧氏距离表示n维空间内两个特征数据点之间的真实距离；

簇计算子模块1118，用于当所述附近点的数量大于或等于最小包含点数时，将所述待测点和所述附近点归入所述第一簇中，并将所述待测点标记为已访问点；重复上述三个步骤，直至所述第一簇内的特征数据点均为已访问点时，将所述第一簇内的特征数据点对应的风电机组设置为同一组风电机组。

可选地，该装置包括：

第二预处理模块1115，用于对所述特征数据中的第二无效数据作失效处理；其中，所述第二无效数据包括：空值数据、发电功率小于额定功率的数据和插值数据中的至少一种。

本申请所示出的装置至少可带来以下有益效果：通过监测同一组风电机组的温度数据，对获得的温度数据进行异常点检测，可以快速定位存在温度异常的风电机组，并且还可以检测出轻微的温度异常，避免了风电机组在温度异常的情况下长时间运行，可以保证风电机组的正常运行。

图12示出了本申请实施例提供一种计算机设备的框图，计算机设备1203包括处理器1201和存储器1202，所述存储器1202中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、所述至少一段程序、所述代码集或指令集由处理器1201加载并执行以实现如图2或图3或图4或图7或图8或图9所示的方法实施例中的风电机组的机舱温度异常预警的方法。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如图2或图3或图4或图7或图8或图9所示的方法实施例中的风电机组的机舱温度异常预警的方法。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种风电机组的机舱温度异常预警方法，其特征在于，所述方法包括：

采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；

对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；

获得所述异常温度数据对应的目标风电机组；

计算异常因子和总体异常因子，所述异常因子为第一预设时间内待测风电机组的异常温度数据总条数和所述待测风电机组的有效温度数据总条数的比值，所述总体异常因子为第二预设时间内所述待测风电机组的异常温度数据总条数和所述待测风电机组的有效温度数据总条数的比值，所述第一预设时间小于所述第二预设时间；

若所述异常因子大于第一安全阈值且所述总体异常因子大于第二安全阈值，则将目标风电机组设置为第一风电机组；

对所述第一风电机组进行温度异常预警。

2.根据权利要求1所述的方法，其特征在于，所述方法对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据之前，还包括：

对所述机舱温度数据中的第一无效数据作失效处理；

其中所述第一无效数据包括：空值数据、温度超过合理温度区间的数据和插值数据中的至少一种。

3.根据权利要求1或2所述的方法，其特征在于，所述采集温度数据之前，还包括：

采集同风场同机型的风电机组的特征数据；

聚类分析所述特征数据，获得所述同一组风电机组。

4.根据权利要求3所述的方法，其特征在于，所述聚类分析所述特征数据，获得所述同一组风电机组之前，还包括：

对所述特征数据中的第二无效数据作失效处理；

其中，所述第二无效数据包括：空值数据、发电功率小于额定功率的数据和插值数据中的至少一种。

5.一种风电机组的机舱温度异常预警装置，其特征在于，应用于终端中，所述装置包括：

采集模块，用于采集同一组风电机组的机舱温度数据，所述同一组风电机组中的各个风电机组的机组特征和运行环境特征的相似度高于预设条件；

检测模块，用于对所述同一组风电机组的机舱温度数据进行异常点检测，获得所述机舱温度数据中的异常温度数据；

定位模块，用于根据所述异常温度数据，确定出所述同一组风电机组中的第一风电机组；

所述定位模块包括：

获取子模块，用于获得所述异常温度数据对应的目标风电机组；

第一计算子模块，用于计算异常因子和总体异常因子，所述异常因子为第一预设时间内待测风电机组的异常温度数据总条数和所述待测风电机组的有效温度数据总条数的比值，所述总体异常因子为第二预设时间内所述待测风电机组的异常温度数据总条数和所述待测风电机组的有效温度数据总条数的比值，所述第一预设时间小于所述第二预设时间；

第一比较子模块，用于若所述异常因子大于第一安全阈值且所述总体异常因子大于第二安全阈值，则将目标风电机组设置为所述第一风电机组；

预警模块，用于对所述第一风电机组进行温度异常预警。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

所述采集模块，还用于采集同风场同机型的风电机组的特征数据；

聚类模块，用于聚类分析所述特征数据，获得所述同一组风电机组。

7.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至4任一项所述的风电机组的机舱温度异常预警方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至4任一项所述的风电机组的机舱温度异常预警方法。

Images