CN115759521A - 一种基于大数据的海上风力发电机运行故障预测系统 - Google Patents

Abstract

本发明公开了一种基于大数据的海上风力发电机运行故障预测系统，涉及发电机运行故障预测技术领域，解决了现有技术中海上风力发电机在运行过程中，无法将实时设置区域与设置类型发电机进行匹配分析的技术问题；本发明是将海域内风力发电机设置的合理性进行分析，判断海域内风力发电机设置是否合理，防止风力发电机设置位置不合理造成风力发电机运行效率低，提高风力发电机的运行效率也能够降低风力发电机的故障风险，此外通过设置合理性分析能够加强故障预测的准确性；将设置子域内分析对象的运行进行分析，判断风力发电机的运行状态是否正常，保证风力发电机的运行效率。

Description

一种基于大数据的海上风力发电机运行故障预测系统

技术领域

本发明涉及发电机运行故障预测技术领域，具体为一种基于大数据的海上风力发电机运行故障预测系统。

背景技术

风力发电机是将风能转化为电能的装置，主要由叶片、发电机、机械部件和电气部件组成，根据旋转轴的不同，风力发电机主要分为水平轴风力发电机和垂直轴风力发电机两类，目前市场上水平轴风力发电机占主流位置，由于海上风资源丰富，不受土地使用的限制，且海上风电具有高风速、低风切边、低湍流、高产出等显著优点，已经逐渐成为风电发展的新领域；

但是在现有技术中，海上风力发电机在运行过程中无法将实时设置区域与设置类型发电机进行匹配分析，以至于通过匹配效果进行故障预测，使其海上风力发电机的预测效率降低，且无法将海上风力发电机容错性能进行分析，即无法通过容错性能浮动分析对其故障进行预测；

针对上述的技术缺陷，现提出一种解决方案。

发明内容

本发明的目的就在于为了解决上述提出的问题，而提出一种基于大数据的海上风力发电机运行故障预测系统，将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，从而通过容错性能监测能够判断分析对象是否存在故障风险，有利于提高分析对象的运行效率，减少分析对象的故障风险；将容错性能合格的分析对象进行运行检测，通过容错性能的浮动对分析对象进行故障预测，容错性能变化能够判断分析对象出现故障的风险，有利于控制分析对象的故障发生概率，提高分析对象的故障效率。

本发明的目的可以通过以下技术方案实现：

一种基于大数据的海上风力发电机运行故障预测系统，包括预测平台，预测平台通讯连接有：

设置合理性分析单元，用于将海域内风力发电机设置的合理性进行分析，将海域划分为i个子域，i为大于1的自然数，将设置有风力发电机的子域标记为设置子域，将风力发电机进行分析，通过分析获取到风力发电机的高影响因素和低影响因素，获取到设置子域的不利因素和非不利因素，并通过比对生成高故障风险预测信号和低故障风险预测信号，并将其发送至预测平台；

健康状态评估分析单元，用于将设置子域内分析对象的运行进行分析，判定分析对象的健康状态，并在健康状态下获取到分析对象的健康状态评估分析系数，根据健康状态评估分析系数比较生成预测非健康转变信号和评估分析合格信号，并将其发送至预测平台；

自身设备容错分析单元，用于将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，通过分析生成容错性能不合格信号和容错性能合格信号，并将其发送至预测平台；

容错运行分析检测单元，用于将容错性能合格的分析对象进行运行检测，通过分析检测生成故障预测发生信号和容错正常信号，并将其发送至预测平台。

作为本发明的一种优选实施方式，设置合理性分析单元的运行过程如下：

采集到海域内风力发电机设置的需求因素，需求因素包括子因素，且子因素对应表示为子域底部与水面的距离、子域底部水平度、子域底部水平度超过对应阈值的底部面积、子域底部的暗流流速；

采集到各个类型的风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率以及子因素未满足时刻与故障时刻的间隔时长，并将其分别与故障频率阈值和间隔时长阈值进行比较：

若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率超过故障频率阈值，或者子因素未满足时刻与故障时刻的间隔时长未超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的高影响因素；若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率未超过故障频率阈值，且子因素未满足时刻与故障时刻的间隔时长超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的低影响因素。

作为本发明的一种优选实施方式，采集到设置子域对应需求因素内子因素数值的浮动频率以及对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度，并将其分别与浮动频率阈值和差值缩短速度阈值进行比较：

若设置子域对应需求因素内子因素数值的浮动频率超过浮动频率阈值，或者对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度超过差值缩短速度阈值，则将对应子因素标记为设置子域的不利因素；若设置子域对应需求因素内子因素数值的浮动频率未超过浮动频率阈值，且对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度未超过差值缩短速度阈值，则将对应子因素标记为设置子域的非不利因素。

作为本发明的一种优选实施方式，将各个设置子域内设置对应类型的风力发电机标记为分析对象，同时将分析对象的高影响因素分别与设置子域的不利因素和非不利因素进行比对，若分析对象的高影响因素与设置子域的不利因素一致，且数量不唯一，则判定对应分析对象设置不合理，生成高故障风险预测信号并将高故障风险预测信号和对应设置子域发送至预测平台，预测平台接收到高故障风险预测信号后，将当前时间段内设置子域的不利因素监测，若不利因素数量未减少，则将对应分析对象的检修周期进行缩短，且在检修周期内故障出现时刻均为下一检修周期的起始时刻；若分析对象的高影响因素与设置子域的非不利因素一致，则判定对应分析对象设置合理，生成低故障风险预测信号并将低故障风险预测信号发送至预测平台。

作为本发明的一种优选实施方式，健康状态评估分析单元的运行过程如下：

将分析对象在发电过程中发电量的最大浮动跨度以及对应发电量浮动的频率，并将其分别与最大浮动跨度阈值和浮动频率阈值进行比较：

若分析对象在发电过程中发电量的最大浮动跨度超过最大浮动跨度阈值，或者对应发电量浮动的频率超过浮动频率阈值，则将分析对象的实时运行状态标记为非健康状态；若分析对象在发电过程中发电量的最大浮动跨度未超过最大浮动跨度阈值，且对应发电量浮动的频率未超过浮动频率阈值，则将分析对象的实时运行状态标记为健康状态。

作为本发明的一种优选实施方式，采集到分析对象健康状态下设备故障的发生频率以及对应设备故障检测需求时长；采集到分析对象健康状态下设备故障连续出现的频率；

通过分析获取到分析对象的健康状态评估分析系数；将分析对象的健康状态评估分析系数与评估分析系数阈值进行比较：

若分析对象的健康状态评估分析系数超过评估分析系数阈值，则生成预测非健康转变信号并将预测非健康转变信号发送至预测平台；若分析对象的健康状态评估分析系数未超过评估分析系数阈值，则生成评估分析合格信号并将评估分析合格信号发送至预测平台。

作为本发明的一种优选实施方式，自身设备容错分析单元的运行过程如下：

采集到分析对象运行过程中设备部件故障时发电量的浮动概率以及发电量出现浮动的缓冲时长，并将其分别与浮动概率阈值和缓冲时长阈值进行比较：

若分析对象运行过程中设备部件故障时发电量的浮动概率超过浮动概率阈值，或者发电量出现浮动的缓冲时长未超过缓冲时长阈值，则生成容错性能不合格信号并将容错性能不合格信号发送至预测平台；若分析对象运行过程中设备部件故障时发电量的浮动概率未超过浮动概率阈值，且发电量出现浮动的缓冲时长超过缓冲时长阈值，则生成容错性能合格信号并将容错性能合格信号发送至预测平台。

作为本发明的一种优选实施方式，容错运行分析检测单元的运行过程如下：

将容错性能合格的分析对象运行过程标记为高容错过程，采集到高容错过程中分析对象部件故障导致发电量浮动的概率增长速度以及发电量出现浮动的缓冲时长缩短速度，并将其分别与增长速度阈值和缩短速度阈值进行比较：

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度超过增长速度阈值，或者发电量出现浮动的缓冲时长缩短速度超过缩短速度阈值，则生成故障预测发生信号并将故障预测发生信号发送至预测平台；

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度未超过增长速度阈值，且发电量出现浮动的缓冲时长缩短速度未超过缩短速度阈值，则生成容错正常信号并将容错正常信号发送至预测平台。

与现有技术相比，本发明的有益效果是：

1、本发明中，将海域内风力发电机设置的合理性进行分析，判断海域内风力发电机设置是否合理，防止风力发电机设置位置不合理造成风力发电机运行效率低，从而提高风力发电机的运行效率也能够降低风力发电机的故障风险，此外通过设置合理性分析能够加强故障预测的准确性；将设置子域内分析对象的运行进行分析，判断风力发电机的运行状态是否正常，从而保证风力发电机的运行效率，同时对风力发电机的故障进行预测，便于将风力发电机的故障风险进行控制，有利于提高风力发电机的使用质量；

2、本发明中，将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，从而通过容错性能监测能够判断分析对象是否存在故障风险，有利于提高分析对象的运行效率，减少分析对象的故障风险；将容错性能合格的分析对象进行运行检测，通过容错性能的浮动对分析对象进行故障预测，容错性能变化能够判断分析对象出现故障的风险，有利于控制分析对象的故障发生概率，提高分析对象的故障效率。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明一种基于大数据的海上风力发电机运行故障预测系统的原理框图。

具体实施方式

下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，一种基于大数据的海上风力发电机运行故障预测系统，包括预测平台，预测平台通讯连接有设置合理性分析单元、健康状态评估分析单元、自身设备容错分析单元以及容错运行分析检测单元，其中，预测平台与合理性分析单元、健康状态评估分析单元、自身设备容错分析单元以及容错运行分析检测单元均为双向通讯连接；

在海上风力发电机投入使用后，预测平台生成设置合理性分析信号并将设置合理性分析信号发送至设置合理性分析单元，设置合理性分析单元接收到设置合理性分析信号后，将海域内风力发电机设置的合理性进行分析，判断海域内风力发电机设置是否合理，防止风力发电机设置位置不合理造成风力发电机运行效率低，从而提高风力发电机的运行效率也能够降低风力发电机的故障风险，此外通过设置合理性分析能够加强故障预测的准确性；

将海域划分为i个子域，i为大于1的自然数，将设置有风力发电机的子域标记为设置子域，采集到海域内风力发电机设置的需求因素，需求因素包括子因素，且子因素对应表示为子域底部与水面的距离、子域底部水平度、子域底部水平度超过对应阈值的底部面积、子域底部的暗流流速；本申请中以上述四个因素作为参考标准，其在实际设置过程中存在很多因素，且将对应因素代入本系统内均适宜；

将风力发电机进行分析，采集到各个类型的风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率以及子因素未满足时刻与故障时刻的间隔时长，并将各个类型的风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率以及子因素未满足时刻与故障时刻的间隔时长分别与故障频率阈值和间隔时长阈值进行比较：

若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率超过故障频率阈值，或者子因素未满足时刻与故障时刻的间隔时长未超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的高影响因素；若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率未超过故障频率阈值，且子因素未满足时刻与故障时刻的间隔时长超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的低影响因素；

采集到设置子域对应需求因素内子因素数值的浮动频率以及对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度，并将设置子域对应需求因素内子因素数值的浮动频率以及对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度分别与浮动频率阈值和差值缩短速度阈值进行比较：

若设置子域对应需求因素内子因素数值的浮动频率超过浮动频率阈值，或者对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度超过差值缩短速度阈值，则将对应子因素标记为设置子域的不利因素；若设置子域对应需求因素内子因素数值的浮动频率未超过浮动频率阈值，且对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度未超过差值缩短速度阈值，则将对应子因素标记为设置子域的非不利因素；

将各个设置子域内设置对应类型的风力发电机标记为分析对象，同时将分析对象的高影响因素分别与设置子域的不利因素和非不利因素进行比对，若分析对象的高影响因素与设置子域的不利因素一致，且数量不唯一，则判定对应分析对象设置不合理，生成高故障风险预测信号并将高故障风险预测信号和对应设置子域发送至预测平台，预测平台接收到高故障风险预测信号后，将当前时间段内设置子域的不利因素监测，若不利因素数量未减少，则将对应分析对象的检修周期进行缩短，且在检修周期内故障出现时刻均为下一检修周期的起始时刻；

若分析对象的高影响因素与设置子域的非不利因素一致，则判定对应分析对象设置合理，生成低故障风险预测信号并将低故障风险预测信号发送至预测平台；

预测平台生成健康状态评估分析信号并将健康状态评估分析信号发送至健康状态评估分析单元，健康状态评估分析单元接收到健康状态评估分析信号后，将设置子域内分析对象的运行进行分析，判断风力发电机的运行状态是否正常，从而保证风力发电机的运行效率，同时对风力发电机的故障进行预测，便于将风力发电机的故障风险进行控制，有利于提高风力发电机的使用质量；

将分析对象在发电过程中发电量的最大浮动跨度以及对应发电量浮动的频率，并将分析对象在发电过程中发电量的最大浮动跨度以及对应发电量浮动的频率分别与最大浮动跨度阈值和浮动频率阈值进行比较：

若分析对象在发电过程中发电量的最大浮动跨度超过最大浮动跨度阈值，或者对应发电量浮动的频率超过浮动频率阈值，则将分析对象的实时运行状态标记为非健康状态；若分析对象在发电过程中发电量的最大浮动跨度未超过最大浮动跨度阈值，且对应发电量浮动的频率未超过浮动频率阈值，则将分析对象的实时运行状态标记为健康状态；

采集到分析对象健康状态下设备故障的发生频率以及对应设备故障检测需求时长，并将分析对象健康状态下设备故障的发生频率以及对应设备故障检测需求时长分别标记为FPL和JSC；采集到分析对象健康状态下设备故障连续出现的频率，并将分析对象健康状态下设备故障连续出现的频率标记为LXP；

通过公式

获取到分析对象的健康状态评估分析系数X，其中，a1、a2以及a3均为预设比例系数，且a1＞a2＞a3＞0；

将分析对象的健康状态评估分析系数X与评估分析系数阈值进行比较：

若分析对象的健康状态评估分析系数X超过评估分析系数阈值，则生成预测非健康转变信号并将预测非健康转变信号发送至预测平台，预测平台接收到预测非健康转变信号后，将对应设置子域的分析对象进行故障管控，加强检修强度从而保证故障的出现频率；

若分析对象的健康状态评估分析系数X未超过评估分析系数阈值，则生成评估分析合格信号并将评估分析合格信号发送至预测平台，预测平台接收到评估分析合格信号后，生成自身设备容错分析信号并将自身设备容错分析信号发送至自身设备容错分析单元，自身设备容错分析单元接收到自身设备容错分析信号后，将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，从而通过容错性能监测能够判断分析对象是否存在故障风险，有利于提高分析对象的运行效率，减少分析对象的故障风险；

采集到分析对象运行过程中设备部件故障时发电量的浮动概率以及发电量出现浮动的缓冲时长，并将分析对象运行过程中设备部件故障时发电量的浮动概率以及发电量出现浮动的缓冲时长分别与浮动概率阈值和缓冲时长阈值进行比较：

若分析对象运行过程中设备部件故障时发电量的浮动概率超过浮动概率阈值，或者发电量出现浮动的缓冲时长未超过缓冲时长阈值，则判定分析对象的容错性能不合格，生成容错性能不合格信号并将容错性能不合格信号发送至预测平台，预测平台接收到容错性能不合格信号后，根据设置子域分析对象设置的任务量以及分析对象额定发电量对应匹配部件类型；

若分析对象运行过程中设备部件故障时发电量的浮动概率未超过浮动概率阈值，且发电量出现浮动的缓冲时长超过缓冲时长阈值，则判定分析对象的容错性能合格，生成容错性能合格信号并将容错性能合格信号发送至预测平台；

预测平台接收到容错性能合格信号后，生成容错运行分析检测信号并将容错运行分析检测信号发送至容错运行分析检测单元，容错运行分析检测单元接收到容错运行分析检测信号后，将容错性能合格的分析对象进行运行检测，通过容错性能的浮动对分析对象进行故障预测，容错性能变化能够判断分析对象出现故障的风险，有利于控制分析对象的故障发生概率，提高分析对象的故障效率；

将容错性能合格的分析对象运行过程标记为高容错过程，采集到高容错过程中分析对象部件故障导致发电量浮动的概率增长速度以及发电量出现浮动的缓冲时长缩短速度，并将高容错过程中分析对象部件故障导致发电量浮动的概率增长速度以及发电量出现浮动的缓冲时长缩短速度分别与增长速度阈值和缩短速度阈值进行比较：

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度超过增长速度阈值，或者发电量出现浮动的缓冲时长缩短速度超过缩短速度阈值，则判定分析对象的容错性能降低，生成故障预测发生信号并将故障预测发生信号发送至预测平台，预测平台接收到故障预测发生信号后，将对应分析对象进行部件维护；

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度未超过增长速度阈值，且发电量出现浮动的缓冲时长缩短速度未超过缩短速度阈值，则判定分析对象的容错性能正常，生成容错正常信号并将容错正常信号发送至预测平台。

上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；

本发明在使用时，通过设置合理性分析单元将海域内风力发电机设置的合理性进行分析，将海域划分为i个子域，i为大于1的自然数，将设置有风力发电机的子域标记为设置子域，将风力发电机进行分析，通过分析获取到风力发电机的高影响因素和低影响因素，获取到设置子域的不利因素和非不利因素，并通过比对生成高故障风险预测信号和低故障风险预测信号，并将其发送至预测平台；通过健康状态评估分析单元将设置子域内分析对象的运行进行分析，判定分析对象的健康状态，并在健康状态下获取到分析对象的健康状态评估分析系数，根据健康状态评估分析系数比较生成预测非健康转变信号和评估分析合格信号，并将其发送至预测平台；通过自身设备容错分析单元将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，通过分析生成容错性能不合格信号和容错性能合格信号，并将其发送至预测平台；通过容错运行分析检测单元将容错性能合格的分析对象进行运行检测，通过分析检测生成故障预测发生信号和容错正常信号，并将其发送至预测平台。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，包括预测平台，预测平台通讯连接有：

设置合理性分析单元，用于将海域内风力发电机设置的合理性进行分析，将海域划分为i个子域，i为大于1的自然数，将设置有风力发电机的子域标记为设置子域，将风力发电机进行分析，通过分析获取到风力发电机的高影响因素和低影响因素，获取到设置子域的不利因素和非不利因素，并通过比对生成高故障风险预测信号和低故障风险预测信号，并将其发送至预测平台；

健康状态评估分析单元，用于将设置子域内分析对象的运行进行分析，判定分析对象的健康状态，并在健康状态下获取到分析对象的健康状态评估分析系数，根据健康状态评估分析系数比较生成预测非健康转变信号和评估分析合格信号，并将其发送至预测平台；

自身设备容错分析单元，用于将分析对象的运行进行容错分析，判断分析对象的容错性能是否合格，通过分析生成容错性能不合格信号和容错性能合格信号，并将其发送至预测平台；

容错运行分析检测单元，用于将容错性能合格的分析对象进行运行检测，通过分析检测生成故障预测发生信号和容错正常信号，并将其发送至预测平台。

2.根据权利要求1所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，设置合理性分析单元的运行过程如下：

采集到海域内风力发电机设置的需求因素，需求因素包括子因素，且子因素对应表示为子域底部与水面的距离、子域底部水平度、子域底部水平度超过对应阈值的底部面积、子域底部的暗流流速；

采集到各个类型的风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率以及子因素未满足时刻与故障时刻的间隔时长，并将其分别与故障频率阈值和间隔时长阈值进行比较：

若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率超过故障频率阈值，或者子因素未满足时刻与故障时刻的间隔时长未超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的高影响因素；若风力发电机历史运行过程中需求因素内子因素未满足时出现故障的频率未超过故障频率阈值，且子因素未满足时刻与故障时刻的间隔时长超过间隔时长阈值，则将对应子因素标记为对应类型风力发电机的低影响因素。

3.根据权利要求2所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，采集到设置子域对应需求因素内子因素数值的浮动频率以及对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度，并将其分别与浮动频率阈值和差值缩短速度阈值进行比较：

若设置子域对应需求因素内子因素数值的浮动频率超过浮动频率阈值，或者对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度超过差值缩短速度阈值，则将对应子因素标记为设置子域的不利因素；若设置子域对应需求因素内子因素数值的浮动频率未超过浮动频率阈值，且对应子因素数值浮动过程中实时数值与对应数值阈值的差值缩短速度未超过差值缩短速度阈值，则将对应子因素标记为设置子域的非不利因素。

4.根据权利要求3所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，将各个设置子域内设置对应类型的风力发电机标记为分析对象，同时将分析对象的高影响因素分别与设置子域的不利因素和非不利因素进行比对，若分析对象的高影响因素与设置子域的不利因素一致，且数量不唯一，则判定对应分析对象设置不合理，生成高故障风险预测信号并将高故障风险预测信号和对应设置子域发送至预测平台，预测平台接收到高故障风险预测信号后，将当前时间段内设置子域的不利因素监测，若不利因素数量未减少，则将对应分析对象的检修周期进行缩短，且在检修周期内故障出现时刻均为下一检修周期的起始时刻；若分析对象的高影响因素与设置子域的非不利因素一致，则判定对应分析对象设置合理，生成低故障风险预测信号并将低故障风险预测信号发送至预测平台。

5.根据权利要求1所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，健康状态评估分析单元的运行过程如下：

将分析对象在发电过程中发电量的最大浮动跨度以及对应发电量浮动的频率，并将其分别与最大浮动跨度阈值和浮动频率阈值进行比较：

若分析对象在发电过程中发电量的最大浮动跨度超过最大浮动跨度阈值，或者对应发电量浮动的频率超过浮动频率阈值，则将分析对象的实时运行状态标记为非健康状态；若分析对象在发电过程中发电量的最大浮动跨度未超过最大浮动跨度阈值，且对应发电量浮动的频率未超过浮动频率阈值，则将分析对象的实时运行状态标记为健康状态。

6.根据权利要求5所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，采集到分析对象健康状态下设备故障的发生频率以及对应设备故障检测需求时长；采集到分析对象健康状态下设备故障连续出现的频率；

通过分析获取到分析对象的健康状态评估分析系数；将分析对象的健康状态评估分析系数与评估分析系数阈值进行比较：

若分析对象的健康状态评估分析系数超过评估分析系数阈值，则生成预测非健康转变信号并将预测非健康转变信号发送至预测平台；若分析对象的健康状态评估分析系数未超过评估分析系数阈值，则生成评估分析合格信号并将评估分析合格信号发送至预测平台。

7.根据权利要求1所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，自身设备容错分析单元的运行过程如下：

采集到分析对象运行过程中设备部件故障时发电量的浮动概率以及发电量出现浮动的缓冲时长，并将其分别与浮动概率阈值和缓冲时长阈值进行比较：

若分析对象运行过程中设备部件故障时发电量的浮动概率超过浮动概率阈值，或者发电量出现浮动的缓冲时长未超过缓冲时长阈值，则生成容错性能不合格信号并将容错性能不合格信号发送至预测平台；若分析对象运行过程中设备部件故障时发电量的浮动概率未超过浮动概率阈值，且发电量出现浮动的缓冲时长超过缓冲时长阈值，则生成容错性能合格信号并将容错性能合格信号发送至预测平台。

8.根据权利要求1所述的一种基于大数据的海上风力发电机运行故障预测系统，其特征在于，容错运行分析检测单元的运行过程如下：

将容错性能合格的分析对象运行过程标记为高容错过程，采集到高容错过程中分析对象部件故障导致发电量浮动的概率增长速度以及发电量出现浮动的缓冲时长缩短速度，并将其分别与增长速度阈值和缩短速度阈值进行比较：

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度超过增长速度阈值，或者发电量出现浮动的缓冲时长缩短速度超过缩短速度阈值，则生成故障预测发生信号并将故障预测发生信号发送至预测平台；

若高容错过程中分析对象部件故障导致发电量浮动的概率增长速度未超过增长速度阈值，且发电量出现浮动的缓冲时长缩短速度未超过缩短速度阈值，则生成容错正常信号并将容错正常信号发送至预测平台。

Images