CN115712735A - 一种基于大数据的风电机组故障监测预警方法及*** - Google Patents

Abstract

本发明提供了一种基于大数据的风电机组故障监测预警方法及***，涉及数据智能处理技术领域，基于故障记录信息构建故障知识图谱，进行各故障的关联影响数据分析确定故障影响因子，进而对大数据平台进行数据类型标识，构建多个故障预警模型，生成故障预警树，对故障影响因子标识数据进行各故障分析预警，输出故障预警信息，解决了现有技术中进行风电机组的故障检测预警时，对于故障数据的处理方式不够智能化，使得故障预警结果完备性不足，无法基于机组运行时各构件的关联影响进行全面预警的技术问题，通过构建故障知识谱图与故障预警树，对输入的故障数据基于关联关系进行整体评估，确定故障事故与影响事故，实现风电机组的智能化运行管理。

Description

一种基于大数据的风电机组故障监测预警方法及***

技术领域

本发明涉及数据智能处理技术领域，具体涉及一种基于大数据的风电机组故障监测预警方法及***。

背景技术

风力发电作为新能源领域的主要供能方式，应用越来越广泛，由于风力发电的运行环境较为恶劣，且风电发电工况较为复杂多变，随着风电机组的运行不可避免的会存在机组故障，为保障风电机组的正常稳定运行，需对其进行故障监测，基于监测数据对机组进行运维管理，现如今，主要通过风电机组的运行状态进行传统运行参数确定，进行参数评估确定异常运行机组构建，对其进行维修以避免机组异常运行，造成运行效率低下且存在潜在性安全隐患。

现有技术中，进行风电机组的故障检测预警时，对于故障数据的处理方式不够智能化，使得故障预警结果完备性不足，无法基于机组运行时各构件的关联影响进行全面预警。

发明内容

本申请提供了一种基于大数据的风电机组故障监测预警方法及***，用于针对解决现有技术中存在的进行风电机组的故障检测预警时，对于故障数据的处理方式不够智能化，使得故障预警结果完备性不足，无法基于机组运行时各构件的关联影响进行全面预警的技术问题。

鉴于上述问题，本申请提供了一种基于大数据的风电机组故障监测预警方法及***。

第一方面，本申请提供了一种基于大数据的风电机组故障监测预警方法，所述方法包括：

从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

基于所述故障记录信息，构建故障知识图谱；

根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

第二方面，本申请提供了一种基于大数据的风电机组故障监测预警***，所述***包括：

信息获取模块，所述信息获取模块用于从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

图谱构建模块，所述图谱构建模块用于基于所述故障记录信息，构建故障知识图谱；

影响因子确定模块，所述影响因子确定模块用于根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

数据标识模块，所述数据标识模块用于根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

预警树构建模块，所述预警树构建模块用于根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

故障预警模块，所述故障预警模块用于将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种基于大数据的风电机组故障监测预警方法，从大数据平台获取风电机组数据库，包括机组监测数据、故障记录信息，基于所述故障记录信息构建故障知识图谱，进行各故障的关联影响数据分析确定故障影响因子，进而对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取，根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树，将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息，解决了现有技术中存在的进行风电机组的故障检测预警时，对于故障数据的处理方式不够智能化，使得故障预警结果完备性不足，无法基于机组运行时各构件的关联影响进行全面预警的技术问题，通过构建故障知识谱图与故障预警树，对输入的故障数据基于关联关系进行整体评估，确定故障事故与影响事故，实现风电机组的智能化运行管理。

附图说明

图1为本申请提供了一种基于大数据的风电机组故障监测预警方法流程示意图；

图2为本申请提供了一种基于大数据的风电机组故障监测预警方法中故障知识图谱构建流程示意图；

图3为本申请提供了一种基于大数据的风电机组故障监测预警方法中故障预警信息获取流程示意图；

图4为本申请提供了一种基于大数据的风电机组故障监测预警***结构示意图。

附图标记说明：信息获取模块11，图谱构建模块12，影响因子确定模块13，数据标识模块14，预警树构建模块15，故障预警模块16。

具体实施方式

本申请通过提供一种基于大数据的风电机组故障监测预警方法及***，基于故障记录信息构建故障知识图谱，进行各故障的关联影响数据分析确定故障影响因子，进而对大数据平台进行数据类型标识，构建多个故障预警模型，生成故障预警树，对故障影响因子标识数据进行各故障分析预警，输出故障预警信息，用于解决现有技术中存在的进行风电机组的故障检测预警时，对于故障数据的处理方式不够智能化，使得故障预警结果完备性不足，无法基于机组运行时各构件的关联影响进行全面预警的技术问题。

实施例一

如图1所示，本申请提供了一种基于大数据的风电机组故障监测预警方法，所述方法包括：

步骤S100：从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

具体而言，风力发电作为新能源领域的主要供能方式，应用越来越广泛，由于风力发电的运行环境较为恶劣，且风电发电工况较为复杂多变，随着风电机组的运行不可避免的会存在机组故障，为保障风电机组的正常稳定运行，本申请提供了一种基于大数据的风电机组故障监测预警方法，通过构建故障知识图谱，分别对各个节点匹配故障预警模型，进行多层级故障监测预警，首先，设定预定时间区间，即进行数据采集的时间段，基于所述预定时间区间，根据所述大数据平台进行风电机组运行数据调取，确定所述机组监测数据与所述故障记录数据，其中，所述机组监测数据与所述故障记录数据一一对应，基于时间序列对所述机组监测数据与所述故障记录数据进行对应标识，生成所述风电机组数据库，所述风电机组数据库涵盖了可能存在的多种故障数据，所述风电机组数据库的获取为进行运行故障分析提供了基本依据。

步骤S200：基于所述故障记录信息，构建故障知识图谱；

步骤S300：根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

步骤S400：根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

具体而言，基于所述故障记录信息包含的多个故障记录确定对应的故障事件，对故障事件进行基于故障元件进行划分，确定多组故障事件，进一步对所述多组故障事件进行故障风险度确定，设定故障风险度等级，分别对应不同的风险度区间，基于所述故障风险度对所述多组故障时间进行分层，确定多层级节点作为图谱主架构，其中故障风险度越高，对应的图谱层级越高，对所述多层级节点对应的故障事件分别进行故障影响分析，确定节点对应的子节点之间的故障影响关系、与其余节点之间的关联关系，对其进行连接，生成故障事件关联网络，作为所述故障知识图谱，可通过进行逻辑推理于所述故障知识图谱中进行故障分析。

进一步的，对所述故障知识图谱中各故障进行关联影响数据分析，例如功率可能影响电机转速、传动结构运行、控制柜温度等，将功率作为上述故障事件的故障影响因子，其中，同一故障影响因子可能造成多部分故障，同一故障可能对应多个故障影响因子，将所述故障影响因子作为标识数据，对大数据平台进行数据类型标识，基于所述大数据平台进行数据调取时，可通过标识数据直接进行数据识别提取，确定可能存在故障的多组关联数据，同时可避免造成数据遗漏。

进一步而言，如图2所示，基于所述故障记录信息，构建故障知识图谱，本申请步骤S200还包括：

步骤S210：根据所述故障记录信息，进行故障元件分析，确定故障元件类型信息；

步骤S220：基于所述故障元件类型信息，根据所述故障记录信息，进行故障风险程度分析，确定故障风险度；

步骤S230：根据所述故障风险度，对所述故障元件类型信息进行分类，确定故障风险度分类信息；

步骤S240：根据所述故障风险度分类信息，获得各故障的图谱位置等级；

步骤S250：基于各故障的图谱位置等级，对各故障的影响数据进行分析提取，确定各故障影响信息；

步骤S260：基于所述各故障影响信息将各故障的图谱位置等级中的关联故障进行连接，构建所述故障知识图谱。

具体而言，基于所述故障数据库提取所述故障记录信息，对所述故障记录信息故障元件识别，确定所述故障记录信息中多条故障信息对应的故障元件类型，对其进行关联对应，确定所述故障元件类型信息，基于所述故障元件类型信息，依据各故障元件类型对应的所述故障记录信息进行故障风险程度分析，例如，可设定风电机组运行故障风险等级，基于所述故障记录信息进行故障元件风险等级匹配，基于匹配结果确定所述故障风险度。

将所述故障风险度作为划分标准，对所述故障元件类型信息进行划分，确定多层级故障元件类型信息，作为所述故障风险度分类信息，即不同故障元件类型对应的多层级故障事件，进一步基于所述故障风险度分类信息，进行故障图谱位置确定，故障风险度等级越高，对应的图谱层级越高，对应的检修优先级越高。

进一步依据所述各故障的图谱位置等级进行故障影响数据分析，例如发电机故障可能影响到传动装置，造成齿形带涨紧度不足等，存在多层级关联关系，确定所述各故障影响信息，对所述图谱位置等级中的故障事件基于关联影响关系进行连接，构建所述故障知识谱图，其中所述故障知识谱图包含多层级，对应不同的故障等级，同等级可能存在多个故障类型事件，任一故障类型事件对应多个分支，即故障影响信息，例如发电机故障可能对应发电机轴承损伤、绕组散热异常、转速异常等，其中可能存在影响关系，例如轴承损伤可能影响绕组散热，同时可能进一步影响传动装置，基于可能存在的关联影响关系对其进行连接，生成故障网络作为所述故障知识图谱，以保障所述故障知识图谱的构建准确度，当存在风电机组运行故障时，于所述故障知识图谱中基于关联连接关系进行预测分析。

进一步而言，本申请步骤S260还包括：

步骤S261：根据所述故障记录信息，对各故障进行趋势周期分析，确定各故障类型趋势周期信息；

步骤S262：根据所述各故障类型趋势周期信息，确定各周期风险度；

步骤S263：基于所述各周期风险度，建立周期风险图谱位置；

步骤S264：将所述周期风险图谱位置嵌入至所述各故障的图谱位置等级中。

具体而言，基于所述故障记录数据提取任一故障记录，确定故障的完整衍生周期，例如，将其划分为故障初期、故障中期与故障后期多个周期节点，不同故障周期对应的故障程度不同，同时对于风电机组的其他元件影响程度不同，基于多条故障记录信息确定所述各故障类型趋势周期信息，进一步基于所述各故障类型趋势周期信息进行风险度评估，其中，不同周期节点对应不同的风险度，包含故障元件风险度与故障关联影响风险度，基于所述周期风险度建立所述周期风险图谱位置，不同周期节点下，对应的故障关联影响元件，可视作故障事件不同，便于基于故障的周期节点进行针对性分析，提高故障预测准确度，将所述周期风险图谱位置嵌入所述各故障的图谱位置等级中，对所述各故障的图谱位置等级进行关联故障连接，基于不同周期节点对应的关联故障分别进行连接，可设定不同的连接方式进行区分，以针对不同的故障周期节点匹配对应的关联网络，完成故障关联识别，保障故障识别的针对性与准确度。

步骤S500：根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

步骤S600：将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

具体而言，基于所述故障知识图谱确定多个预警节点，基于图谱节点之间的关联关系与所述机组监测数据构建所述故障预警模型，所述多个预警节点分别对应一故障预警模型，基于节点之间的连接关系对多个故障预警模型进行连接，构成所述故障预警树，所述故障预警树与所述故障知识图谱相对应，用于进行所述故障知识图谱中各节点的故障事故预警警示，进一步的，基于所述大数据平台提取所述故障影响因子标识数据，将其输入所述故障预警树中，基于故障因子与顶上事件的关联关系对所述故障影响因子标识数据进行影响节点识别，基于识别结果启用对应的故障预警模型，通过进行节点单项故障分析与多关联节点综合分析，生成所述故障预警信息进行模型输出，基于所述故障与机构信息进行所述风电机组的运维管理。

进一步而言，根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，本申请步骤S500还包括：

步骤S510：根据所述故障知识图谱，提取预设风险度的故障信息，所述预设风险度的故障信息包括多个风电机组故障；

步骤S520：依次将多个风电机组故障作为顶上事件，分析故障因子；

步骤S530：基于故障因子、所述机组监测数据，对故障对应类型进行事故最小分割，确定最小分割集；

步骤S540：根据所述最小分割集与风电机组故障的关联关系，确定故障预警结果。

具体而言，获取所述预设风险度，即进行风险事故提取的风险度临界值，所述故障知识图谱包含了风电机组运行的多种可能性故障事件，基于所述故障知识图谱，根据所述预设风险度进行故障信息提取，获取多个故障事件，包括多个风电机组故障，依次将所述多个风电机组故障作为所述顶上事件，可将其划分为严重故障事故、较大故障事故与一般故障事故三类顶上事件，分析与风电机组故障相关的所有原因事件于各种因素，例如发电机出现故障、变桨***出现故障，其中变桨***出现故障可能是变桨电机、控制柜、齿形带等出现问题，将其作为所述顶上事件的事故因子。

进一步基于所述故障因子与所述机组监测数据对所述故障对应类型进行事故最小分割。可通过进行多层级分割直至确定最小故障事故，将其作为所述最凶啊分割集，对所述最小分割集与所述风电机组故障进行关联分析，确定最小分割事故可能造成的风电机组故障，包括随着所述最小分割事故发酵产生的影响故障，作为所述故障预警结果，通过进行事故最小分割，可基于最小分割事故，依据所述故障知识图谱逐层进行反向故障关联分析，将存在关联关系的可能性故障作为分析结果进行预警，保障故障查询的完备性。

进一步而言，所述构建故障预警树，本申请步骤S540还包括：

步骤S541：根据所述故障知识图谱，确定多个风电机组故障的图谱位置；

步骤S542：基于图谱位置，将各风电机组故障的故障预警模型进行关系连接，构建所述故障预警树。

具体而言，所述故障知识图谱存在多层级节点，分别对应风电机组故障，确定所述多个风电机组故障对应的图谱位置，基于机器学习算法构建故障预警模型，所述故障预警模型为多层级网络层，包括关联识别层、等级分析层与预警输出层，所述故障预警模型可进行多级别预警，对所述图谱位置对应的各风电机组故障分别链接一故障预警模型，为同类型故障预警模型，基于所述故障知识图谱的连接关系对所述多个故障预警模型进行连接，生成所述故障预警树，当存在故障节点时，对应的模型进行故障分析预警，同时基于所述关联识别层进行连接分析，当存在连接关系时，进行预警模型启用，基于故障周期与关联度进行故障分析，当存在故障影响时确定对应的故障等级，进而基于所述预警输出层生成预警信息进行预警警示，实现故障事故的自动化分析预警。

进一步而言，如图3所示，将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息，本申请步骤S600还包括：

步骤S610：将故障影响因子标识数据输入所述故障预警树中，对各故障进行预警，获得各图谱节点预警信息；

步骤S620：判断所述各图谱节点预警信息是否满足预设要求；

步骤S630：当满足时，发送故障预警信息；

步骤S640：当不满足时，根据故障知识图谱中各节点故障的风险度，确定故障风险权重；

步骤S650：基于所述故障知识图谱中故障关联关系、故障风险权重进行计算，获得综合预警信息，根据所述综合预警信息确定所述故障预警信息。

具体而言，基于所述大数据平台调取所述故障影响因子标识数据，将其输入所述故障预警树中，确定与所述故障影响因子存在关联关系的位置，进行对应的故障预警模型启用，通过进行模型分析获取各图谱节点预警信息，以进行预警警示，进一步判断所述各图谱节点预警信息是否满足所述预设要求，所述预设要求为节点故障发生的临界值，当满足时，表明所述故障影响因子已造成故障发生，发送所述故障预警信息进行预警警示，以便及时进行故障修正，当不满足时，表明当前节对应的故障事故未发生，但存在一定的故障隐患，基于所述故障知识图谱中各节点故障的风险度确定各节点的风险权重，其中，所述故障风险权重与故障风险度成正比，基于所述故障知识图谱中故障关联关系，确定待分析预警节点对应的关联节点，通过进行关联节点的风险加权计算，作为该节点的风险等级，基于此生成所述综合预警信息，作为所述故障预警信息进行输出，基于所述故障预警信息进行运维管理。

进一步而言，本申请还包括步骤S700，包括：

步骤S710：获得最小分割故障信息、故障区域定位信息；

步骤S720：基于所述最小分割故障信息、故障区域定位信息进行区域范围工单匹配，确定匹配工单信息；

步骤S730：根据所述匹配工单信息，获得工单处理计划信息；

步骤S740：判断所述工单处理计划信息是否满足处理要求，所述处理要求包括影响度信息、时效信息；

步骤S750：当影响度信息、时效信息均满足时，生成处理工单信息。

具体而言，确定最小分割事故的故障信息，进而进行故障定位，对风电机组进行位置定位，获取所述故障区域定位信息，将机组运维管理区域作为所述区域范围，基于所述最小分割故障信息与所述故障区域定位信息进行工单匹配，确定最佳运维组，生成所述匹配工单信息，进而基于所述匹配工单信息进行故障修正信息提取，生成所述工单处理计划信息，设定所述影响度信息与所述时效信息，所述时效信息为故障处理事件区间，超出所述时效信息可能导致故障等级提升，所述影响度信息为当前故障的关联影响范围，是否对造成连带故障，将其作为所述处理要求，判断所述工单处理计划信息是否满足所述处理要求，当所述影响度信息与所述时效信息皆满足时，表明所述工单处理计划信息可完成故障修正，生成所述处理工单信息并下放至对应的运维组，及时进行故障维修保障机组的正常运行。

实施例二

基于与前述实施例中一种基于大数据的风电机组故障监测预警方法相同的发明构思，如图4所示，本申请提供了一种基于大数据的风电机组故障监测预警***，所述***包括：

信息获取模块11，所述信息获取模块11用于从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

图谱构建模块12，所述图谱构建模块12用于基于所述故障记录信息，构建故障知识图谱；

影响因子确定模块13，所述影响因子确定模块13用于根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

数据标识模块14，所述数据标识模块14用于根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

预警树构建模块15，所述预警树构建模块15用于根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

故障预警模块16，所述故障预警模块16用于将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

进一步而言，所述***还包括：

信息确定模块，所述信息确定模块用于根据所述故障记录信息，进行故障元件分析，确定故障元件类型信息；

风险分析模块，所述风险分析模块用于基于所述故障元件类型信息，根据所述故障记录信息，进行故障风险程度分析，确定故障风险度；

信息分类模块，所述信息分类模块用于根据所述故障风险度，对所述故障元件类型信息进行分类，确定故障风险度分类信息；

等级获取模块，所述等级获取模块用于根据所述故障风险度分类信息，获得各故障的图谱位置等级；

影响信息确定模块，所述影响信息确定模块用于基于各故障的图谱位置等级，对各故障的影响数据进行分析提取，确定各故障影响信息；

知识图谱构建模块，所述知识图谱构建模块用于基于所述各故障影响信息将各故障的图谱位置等级中的关联故障进行连接，构建所述故障知识图谱。

进一步而言，所述***还包括：

周期分析模块，所述周期分析模块用于根据所述故障记录信息，对各故障进行趋势周期分析，确定各故障类型趋势周期信息；

风险度确定模块，所述风险度确定模块用于根据所述各故障类型趋势周期信息，确定各周期风险度；

图谱位置建立模块，所述图谱位置建立模块用于基于所述各周期风险度，建立周期风险图谱位置；

位置嵌入模块，所述位置嵌入模块用于将所述周期风险图谱位置嵌入至所述各故障的图谱位置等级中。

进一步而言，所述***还包括：

故障信息提取模块，所述故障信息提取模块用于根据所述故障知识图谱，提取预设风险度的故障信息，所述预设风险度的故障信息包括多个风电机组故障；

故障因子分析模块，所述故障因子分析模块用于依次将多个风电机组故障作为顶上事件，分析故障因子；

事故分割模块，所述事故分割模块用于基于故障因子、所述机组监测数据，对故障对应类型进行事故最小分割，确定最小分割集；

预警结果确定模块，所述预警结果确定模块用于根据所述最小分割集与风电机组故障的关联关系，确定故障预警结果。

进一步而言，所述***还包括：

位置确定模块，所述位置确定模块用于根据所述故障知识图谱，确定多个风电机组故障的图谱位置；

故障预警树构建模块，所述故障预警树构建模块用于基于图谱位置，将各风电机组故障的故障预警模型进行关系连接，构建所述故障预警树。

进一步而言，所述***还包括：

节点预警信息获取模块，所述节点预警信息获取模块用于将故障影响因子标识数据输入所述故障预警树中，对各故障进行预警，获得各图谱节点预警信息；

信息判断模块，所述信息判断模块用于判断所述各图谱节点预警信息是否满足预设要求；

预警信息发送模块，所述预警信息发送模块用于当满足时，发送故障预警信息；

权重确定模块，所述权重确定模块用于当不满足时，根据故障知识图谱中各节点故障的风险度，确定故障风险权重；

故障预警信息确定模块，所述故障预警信息确定模块用于基于所述故障知识图谱中故障关联关系、故障风险权重进行计算，获得综合预警信息，根据所述综合预警信息确定所述故障预警信息。

进一步而言，所述***还包括：

故障信息获取模块，所述故障信息获取模块用于获得最小分割故障信息、故障区域定位信息；

工单匹配模块，所述工单匹配模块用于基于所述最小分割故障信息、故障区域定位信息进行区域范围工单匹配，确定匹配工单信息；

计划获取模块，所述计划获取模块用于根据所述匹配工单信息，获得工单处理计划信息；

计划判断模块，所述计划判断模块用于判断所述工单处理计划信息是否满足处理要求，所述处理要求包括影响度信息、时效信息；

工单信息生成模块，所述工单信息生成模块用于当影响度信息、时效信息均满足时，生成处理工单信息。

本说明书通过前述对一种基于大数据的风电机组故障监测预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于大数据的风电机组故障监测预警方法及***，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于大数据的风电机组故障监测预警方法，其特征在于，所述方法包括：

从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

基于所述故障记录信息，构建故障知识图谱；

根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

2.如权利要求1所述的方法，其特征在于，基于所述故障记录信息，构建故障知识图谱，包括：

根据所述故障记录信息，进行故障元件分析，确定故障元件类型信息；

基于所述故障元件类型信息，根据所述故障记录信息，进行故障风险程度分析，确定故障风险度；

根据所述故障风险度，对所述故障元件类型信息进行分类，确定故障风险度分类信息；

根据所述故障风险度分类信息，获得各故障的图谱位置等级；

基于各故障的图谱位置等级，对各故障的影响数据进行分析提取，确定各故障影响信息；

基于所述各故障影响信息将各故障的图谱位置等级中的关联故障进行连接，构建所述故障知识图谱。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述故障记录信息，对各故障进行趋势周期分析，确定各故障类型趋势周期信息；

根据所述各故障类型趋势周期信息，确定各周期风险度；

基于所述各周期风险度，建立周期风险图谱位置；

将所述周期风险图谱位置嵌入至所述各故障的图谱位置等级中。

4.如权利要求1所述的方法，其特征在于，根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，包括：

根据所述故障知识图谱，提取预设风险度的故障信息，所述预设风险度的故障信息包括多个风电机组故障；

依次将多个风电机组故障作为顶上事件，分析故障因子；

基于故障因子、所述机组监测数据，对故障对应类型进行事故最小分割，确定最小分割集；

根据所述最小分割集与风电机组故障的关联关系，确定故障预警结果。

5.如权利要求4所述的方法，其特征在于，所述构建故障预警树，包括：

根据所述故障知识图谱，确定多个风电机组故障的图谱位置；

基于图谱位置，将各风电机组故障的故障预警模型进行关系连接，构建所述故障预警树。

6.如权利要求1所述的方法，其特征在于，将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息，包括：

将故障影响因子标识数据输入所述故障预警树中，对各故障进行预警，获得各图谱节点预警信息；

判断所述各图谱节点预警信息是否满足预设要求；

当满足时，发送故障预警信息；

当不满足时，根据故障知识图谱中各节点故障的风险度，确定故障风险权重；

基于所述故障知识图谱中故障关联关系、故障风险权重进行计算，获得综合预警信息，根据所述综合预警信息确定所述故障预警信息。

7.如权利要求4所述的方法，其特征在于，所述方法还包括：

获得最小分割故障信息、故障区域定位信息；

基于所述最小分割故障信息、故障区域定位信息进行区域范围工单匹配，确定匹配工单信息；

根据所述匹配工单信息，获得工单处理计划信息；

判断所述工单处理计划信息是否满足处理要求，所述处理要求包括影响度信息、时效信息；

当影响度信息、时效信息均满足时，生成处理工单信息。

8.一种基于大数据的风电机组故障监测预警***，其特征在于，所述***包括：

信息获取模块，所述信息获取模块用于从大数据平台获取风电机组数据库，其中所述风电机组数据库包括机组监测数据、故障记录信息；

图谱构建模块，所述图谱构建模块用于基于所述故障记录信息，构建故障知识图谱；

影响因子确定模块，所述影响因子确定模块用于根据所述故障知识图谱中各故障的关联影响数据进行分析，确定故障影响因子；

数据标识模块，所述数据标识模块用于根据所述故障影响因子，对大数据平台进行数据类型标识，基于数据类型标识进行数据自动获取；

预警树构建模块，所述预警树构建模块用于根据所述故障知识图谱、所述机组监测数据，进行各故障预警模型确定，构建故障预警树；

故障预警模块，所述故障预警模块用于将从所述大数据平台获取的故障影响因子标识数据输入故障预警树中，进行各故障分析预警，输出故障预警信息。

Images