风电机组运行状态监测方法及装置

技术领域：
：本发明属于新能源
技术领域：
，特别是涉及风电机组理论功率计算、风电机组功率预测及风电机组运行效能评估
技术领域：
，具体涉及一种风电机组运行状态监测方法及装置。
背景技术：
：：风力资源是取之不尽用之不绝的能源，利用风力发电可以减少环境污染，节省煤炭、石油等常规能源。风力发电技术成熟，在可再生能源中成本相对较低，有着广阔的发展前景。风力发电技术可以灵活应用，既可以并网运行，也可以离网独立运行，还可以与其它能源技术组成互补发电系统。但由于自然风具有很强的不确定性，风电机组在不同运行工况之间动态切换，风电机组各部件的动态性、相关性和随机性特征明显；且风电机组运行环境极其恶劣，各部件因载荷、疲劳和腐蚀等问题，不可避免地造成机械强度和运行性能随着运行环境和运行时间的变化而逐渐下降，从而导致风电机组故障频发、发电性能下降。从高维度、非线性和强耦合的风电机组历史运行数据中有效识别风电机组运行状态，对风电机组理论功率计算、风电机组功率预测及风电机组运行效能评估具有重要意义。现有技术中，风电机组运行状态辨识方法通常是基于数据的统计分布特征，能够有效识别明显的异常数据，但无法辨识数据统计分布特征不明显的性能下降状态，存在风电机组正常运行状态划分较为模糊、数据混杂而无法准确反映风电机组正常发电性能等问题。技术实现要素：：发明所提供的风电机组运行状态监测方法及装置，深度挖掘风电机组功率关键影响因子；构建的基于特征提取和机器学习的风电机组运行状态模型，能够准确反映不同运行控制阶段风电机组运行状况；并基于风电机组正常行为模型和预测功率残差评价指标，能够实现风电机组不同运行状态的有效辨识。为解决上述技术问题，本发明提供以下技术方案：第一方面，本发明提供一种风电机组运行状态监测方法，包括：获取待监测风电机组的当前运行数据以及历史运行数据；根据预先建立的运行状态影响因子确定模型从所述历史运行数据中确定所述待监测风电机组的运行状态影响参数；根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态。一实施例中，所述当前运行数据以及所述历史运行数据包括：风速、风向、功率、发电机转速、u1电压、u2电压、u3电压、功率因数、对风角度、叶片角度、环境温度、机舱温度、齿轮箱油温、液压油温、u1绕组温度、齿轮箱轴1温度、齿轮箱轴2温度、电机轴承a温度以及电机轴承b温度。一实施例中，建立所述运行状态影响因子确定模型包括以下步骤：利用相关性分析法，计算多个历史运行数据与功率的相关性系数，根据相关性系数以及预设阈值确定待监测风电机组运的初步运行状态影响参数；利用机器学习算法，根据所述初步运行状态影响参数以及其所对应的功率建立所述运行状态影响因子确定模型。一实施例中，所述建立所述运行状态影响因子确定模型还包括：利用相关性系数末位剔除法，组成不同阶的初步运行状态影响参数；利用数据降维方法，对不同阶的初步运行状态影响参数进行特征提取，以生成影响参数特征向量。一实施例中，所述利用机器学习算法，根据所述初步运行状态影响参数以及其所对应的功率建立所述运行状态影响因子确定模型，包括：根据所述机器学习算法，根据所述影响参数特征向量以及功率生成所述运行状态影响因子确定模型。一实施例中，建立所述工况监测模型包括以下步骤：利用机器学习算法，根据运行状态影响参数以及其所对应的功率建立所述工况监测模型。一实施例中，所述根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态，包括：将所述运行状态影响参数所对应的当前运行数据输入至所述工况监测模型中，以确定所述当前运行数据所对应的功率；根据预设的功率阈值范围以及所述当前运行数据所对应的功率确定所述待监测风电机组的运行状态。第二方面，本发明提供一种风电机组运行状态监测装置，包括：数据获取单元，用于获取待监测风电机组的当前运行数据以及历史运行数据；关键参数确定单元，用于根据预先建立的运行状态影响因子确定模型从所述历史运行数据中确定所述待监测风电机组的运行状态影响参数；运行状态确定单元，用于根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态。一实施例中，风电机组运行状态监测装置还包括：因子模型建立单元，用于建立所述运行状态影响因子确定模型，所述因子模型建立单元包括：相关性计算模块，用于利用相关性分析法，计算多个历史运行数据与功率的相关性系数，初步参数确定模块，用于根据相关性系数以及预设阈值确定待监测风电机组运的初步运行状态影响参数；因子模型建立模块，用于利用机器学习算法，根据所述初步运行状态影响参数以及其所对应的功率建立所述运行状态影响因子确定模型。一实施例中，所述因子模型建立单元还包括：多阶参数组成模块，用于利用相关性系数末位剔除法，组成不同阶的初步运行状态影响参数；特征提取模块，用于利用数据降维方法，对不同阶的初步运行状态影响参数进行特征提取，以生成影响参数特征向量。一实施例中，所述因子模型建立模块具体用于根据所述机器学习算法，根据所述影响参数特征向量以及功率生成所述运行状态影响因子确定模型。一实施例中，风电机组运行状态监测装置还包括：工况监测模型，用于建立所述工况监测模型，所述工况监测模型具体用于利用机器学习算法，根据运行状态影响参数以及其所对应的功率建立所述工况监测模型。一实施例中，所述运行状态确定单元包括：功率确定模块，用于将所述运行状态影响参数所对应的当前运行数据输入至所述工况监测模型中，以确定所述当前运行数据所对应的功率；运行状态确定模块，用于根据预设的功率阈值范围以及所述当前运行数据所对应的功率确定所述待监测风电机组的运行状态。第三方面，本发明提供一种电子设备，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计算机程序，处理器执行程序时实现风电机组运行状态监测方法的步骤。第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现风电机组运行状态监测方法的步骤。从上述描述可知，本发明实施例提供的风电机组运行状态监测方法及装置，首先获取待监测风电机组的当前运行数据以及历史运行数据；接着，根据预先建立的运行状态影响因子确定模型从历史运行数据中确定待监测风电机组的运行状态影响参数；最后根据运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定待监测风电机组的运行状态。本发明基于数据驱动和回归误差驱动耦合的方法，能够深度挖掘风电机组功率关键影响因子；构建的基于特征提取和机器学习的风电机组正常行为模型，能够准确反映不同运行控制阶段风电机组正常运行状况；基于风电机组正常行为模型和预测功率残差评价指标，能够实现风电机组不同运行状态的有效辨识；将风电机组运行状态划分为正常停机状态、启动状态、非正常停机状态、健康状态、亚健康状态、并网加速和脱网运行状态、限功率运行状态，其他异常状态，符合风电机组实际运行状况。附图说明：为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。图1为本发明的实施例中风电机组运行状态监测方法流程示意图一；图2为本发明的实施例中风电机组运行状态监测方法流程示意图二；图3为本发明的实施例中风电机组运行状态监测方法中步骤400的流程示意图一；图4为本发明的实施例中风电机组运行状态监测方法中步骤400的流程示意图二；图5为本发明的实施例中风电机组运行状态监测方法中步骤200的流程示意图；图6为本发明的实施例中风电机组运行状态监测方法流程示意图三；图7为本发明的实施例中风电机组运行状态监测方法中步骤300的流程示意图；图8为本发明的具体应用实例中风电机组运行状态监测方法流程示意图；图9为本发明的具体应用实例中风电机组正常运行状态数据筛选示意图；图10为本发明的具体应用实例中风电机组运行状态划分结果示意图；图11为本发明的实施例中风电机组运行状态监测装置结构框图一；图12为本发明的实施例中风电机组运行状态监测装置结构框图二；图13为本发明的实施例中因子模型建立单元40的结构框图一；图14为本发明的实施例中因子模型建立单元40的结构框图二；图15为本发明的实施例中风电机组运行状态监测装置结构框图三；图16为本发明的实施例中运行状态确定单元30的结构框图；图17为本发明的实施例中的电子设备的结构示意图。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的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。本发明的实施例提供一种风电机组运行状态监测方法的具体实施方式，参见图1，该方法具体包括如下内容：步骤100：获取待监测风电机组的当前运行数据以及历史运行数据。具体地，采集指定区域风电机组采集与监视控制(scada)系统历史数据；主要包括：风速、风向、功率、发电机转速、u1电压、u2电压、u3电压、功率因数、对风角度、叶片角度、环境温度、机舱温度、齿轮箱油温、液压油温、u1绕组温度、齿轮箱轴1温度、齿轮箱轴2温度、电机轴承a温度、电机轴承b温度等19维数据。另外需要说明的是，当前运行数据以及历史运行数据都包括以上19维数据，只是数据产生的时间不同。步骤200：根据预先建立的运行状态影响因子确定模型从所述历史运行数据中确定所述待监测风电机组的运行状态影响参数。可以理解的是，步骤100中的19维运行数据与运行状态均有不同程度的关联性，步骤200就是在这19维数据中选取关联性较大的数据，以此来作为运行状态影响参数。步骤300：根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态。具体地，将由步骤200所确定的待检测风电机组状态的关键影响参数，即运行状态影响参数输入至工况监测模型中(该模型基于历史运行数据以及机器学习算法获得)，并结合事前标定的运行状态标定范围，便可确定待检测风电机组的运行状态。从上述描述可知，本发明实施例提供的风电机组运行状态监测方法，首先获取待监测风电机组的当前运行数据以及历史运行数据；接着，根据预先建立的运行状态影响因子确定模型从历史运行数据中确定待监测风电机组的运行状态影响参数；最后根据运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定待监测风电机组的运行状态。具体地，本发明基于数据驱动和拟合误差驱动耦合的方法，深度挖掘风电机组功率关键影响因子，并利用数据降维算法进行关键影响因子特征提取；然后，以正常状态下的关键影响因子特征向量为输入，风电机组功率为输出，构建基于机器学习的风电机组正常行为模型；最后，基于风电机组正常行为模型，以所有运行状态下的关键影响因子特征向量为输入，获取模型输出功率，并基于模型输出功率预测残差评估指标，实现风电机组不同运行状态辨识，能够为风电机组理论功率计算、风电机组功率预测及风电机组运行效能评估等领域提供可靠的理论和数据基础。一实施例中，所述当前运行数据以及所述历史运行数据包括：风速、风向、功率、发电机转速、u1电压、u2电压、u3电压、功率因数、对风角度、叶片角度、环境温度、机舱温度、齿轮箱油温、液压油温、u1绕组温度、齿轮箱轴1温度、齿轮箱轴2温度、电机轴承a温度以及电机轴承b温度。一实施例中，参见图2，风电机组运行状态监测方法还包括：步骤400：建立所述运行状态影响因子确定模型，参见图3，步骤400进一步包括：步骤401：利用相关性分析法，计算多个历史运行数据与功率的相关性系数，步骤402：根据相关性系数以及预设阈值确定待监测风电机组运的初步运行状态影响参数；步骤403：利用机器学习算法，根据所述初步运行状态影响参数以及其所对应的功率建立所述运行状态影响因子确定模型。在步骤401至步骤403中，首先采用相关性分析法，计算不同运行数据与功率的相关性系数，并将其分别与预设阈值(功率阈值)进行比较，提取风电机组功率初步运行状态影响参数，最后以正常运行状态下的初步运行状态影响参数为输入，风电机组功率为输出，分别构建基于机器学习的风电机组功率回归模型，并基于回归误差评估指标，确定风电机组运行状态关键影响因子，即运行状态影响参数。一实施例中，参见图4，步骤400还包括：步骤404：利用相关性系数末位剔除法，组成不同阶的初步运行状态影响参数；步骤405：利用数据降维方法，对不同阶的初步运行状态影响参数进行特征提取，以生成影响参数特征向量。在步骤402的基础上，由初步运行状态影响参数构成n阶潜在影响因子；接着，按照相关性系数末位剔除法，组成不同阶(n阶、n-1阶、n-2阶……3阶)潜在关键影响因子，并利用数据降维方法对不同阶潜在关键影响因子进行特征提取；最后以正常运行状态下的不同阶潜在关键影响因子特征向量为输入，风电机组功率为输出，分别构建基于机器学习的风电机组功率回归模型，并基于回归误差评估指标，确定风电机组运行状态关键影响因子，即运行状态影响参数。一实施例中，步骤400还包括：步骤406：剔除异常数据。基于风速和功率数据，剔除风电机组异常状态数据，并采用时间对标法剔除其它维数据，获取风电机组运行状态辨识所需数据集；主要分为4类：风速小于切入风速或大于切出风速，且功率小于等于零的正常停机状态数据、风速小于切入风速且功率输出大于零的启动状态数据、风速大于切入风速且功率小于等于零的非正常停机状态数据以及离散型异常状态数据。一实施例中，参见图5，步骤200包括：步骤201：根据所述机器学习算法，根据所述影响参数特征向量以及功率生成所述运行状态影响因子确定模型。具体地，以正常运行状态下的不同阶初步运行状态影响参数为输入，风电机组功率为输出，分别构建基于机器学习的运行状态影响因子确定模型。一实施例中，参见图6，风电机组运行状态监测方法还包括：步骤500：利用机器学习算法，根据运行状态影响参数以及其所对应的功率建立所述工况监测模型。步骤501在实施时，首先以正常状态下的运行状态影响参数为输入，风电机组功率为输出，构建基于机器学习的风电机组正常行为模型；基于风电机组正常行为模型，以所有运行状态下的运行状态影响参数为输入，获取模型输出功率，以此来生成运行状态影响因子确定模型。一实施例中，参见图7，步骤300进一步包括：步骤301：将所述运行状态影响参数所对应的当前运行数据输入至所述工况监测模型中，以确定所述当前运行数据所对应的功率；步骤302：根据预设的功率阈值范围以及所述当前运行数据所对应的功率确定所述待监测风电机组的运行状态。基于模型输出功率预测残差评估指标，划分风电机组不同运行状态；按照额定风速vrated为风电机组运行控制阶段划分依据，当v≤vrated时，采用功率残差率指标δp'进行风电机组运行状态划分，如公式(1)所示，当v>vrated时，采用功率残差指标δp进行风电机组运行状态划分，如公式(2)所示。δp＝pa-pf(2)式中，pa为风电机组实际功率；pf为风电机组正常行为模型输出功率。为进一步地说明本方案，本发明进一步提供风电机组运行状态监测方法的具体应用实例，参见图8，该方法具体包括以下步骤：s1：采集指定区域风电机组scada系统历史数据。在本具体应用实例中，本算例中风电机组额定功率为1.5mw，切入风速为3m/s、额定风速为10m/s、切出风速为25m/s、数据长度为1年、数据分辨率为15min；风电机组scada系统历史数据主要包括：风速、风向、功率、发电机转速、u1电压、u2电压、u3电压、功率因数、对风角度、叶片角度、环境温度、机舱温度、齿轮箱油温、液压油温、u1绕组温度、齿轮箱轴1温度、齿轮箱轴2温度、电机轴承a温度、电机轴承b温度等19维数据。s2：剔除异常数据。具体地，基于风速和功率数据，剔除明显的风电机组异常状态数据，并采用时间对标法剔除其它维数据，获取风电机组运行状态辨识所需数据集；主要分为4类：风速小于3m/s或大于25m/s，且功率小于等于0的正常停机状态数据、风速小于3m/s且功率输出大于0的启动状态数据、风速大于3m/s且功率小于等于0的非正常停机状态数据以及离散型异常状态数据。s3：提取风电机组功率潜在关键影响因子。采用相关性分析法，计算不同参数与功率的相关性系数，提取风电机组功率潜在关键影响因子；不同参数与功率的相关性系数如表1所示，选取相关性系数大于0.5的指标为风电机组功率潜在关键影响因子(风速、u1绕组温度、发电机转速、转子转速、齿轮箱轴1温度、电机轴承b温度、齿轮箱轴2温度)，构成7阶潜在影响因子。表1不同参数与风电机组功率的相关性系数s4：进行特征提取。按照相关性系数末位剔除法，组成不同阶(7阶、6阶、5阶、4阶、3阶)潜在关键影响因子，并利用t-sne数据降维方法对不同阶潜在关键影响因子进行特征提取。s5：确定风电机组运行状态关键影响因子。具体地，以正常运行状态下的不同阶潜在关键影响因子特征向量为输入，风电机组功率为输出，分别构建基于机器学习的风电机组功率回归模型，并基于回归误差评估指标，确定风电机组运行状态关键影响因子。根据《gbt19960.1-2005风力发电机组第1部分：通用技术条件》功率输出部分的描述，“在正常工作状态下，机组功率输出与理论值的偏差应不超过10％；当风速大于额定风速时，持续10min功率输出应不超过额定值的115％。瞬间功率输出应不超过额定值的135％”，选取功率曲线为理论值，筛选出偏差在10％范围内的运行数据为正常运行状态数据，如图9中灰色部分数据所示；并以正常运行状态下的不同阶潜在关键影响因子特征向量为输入，风电机组功率为输出，分别构建基于双隐层bp神经网络的风电机组功率回归模型，每个阶数的风电机组功率回归模型均训练10次，所得回归误差统计结果如表2所示。从表2中可以看出，当潜在影响因子的阶数为5时，风电机组功率回归模型具有最小的均方误差，故确定5阶潜在影响因子作为关键影响因子，关键影响因子包括风速、u1绕组温度、发电机转速、转子转速和齿箱轴1温度等5个指标。表2风电机组功率回归模型误差统计结果阶数7阶6阶5阶4阶3阶训练次数均方误差均方误差均方误差均方误差均方误差10.0129970.011130.00499260.00592040.01515820.0132660.00856820.00568510.0103550.01380430.0123410.00992490.00572260.00797840.01437940.0130170.0100170.00517120.00783210.01074650.0128680.0100220.00609210.00796270.0139160.0124860.00990930.00499880.00774340.01325370.011720.0101540.00523450.00923080.01144780.0126380.0096480.00528070.0083480.01684590.013720.0103150.0049160.00864180.021253100.012860.00970990.00575160.00882530.011873平均值0.01279130.009939830.005384520.008283790.0142668s6：获取模型输出功率。具体地，利用t-sne数据降维方法对上述确定的关键影响因子进行特征提取，并以正常状态下的关键影响因子特征向量为输入，风电机组功率为输出，构建基于基于双隐层bp神经网络的的风电机组正常行为模型。基于风电机组正常行为模型，以所有运行状态下的关键影响因子特征向量为输入，获取模型输出功率。s7：基于模型输出功率预测残差评估指标，划分风电机组不同运行状态。在本具体应用实例中，按照额定风速vrated＝10m/s为风电机组运行控制阶段划分依据，当v≤10m/s时，采用功率残差率指标δp'进行风电机组运行状态划分，如公式(1)所示，当v>10m/s时，采用功率残差指标δp进行风电机组运行状态划分，如公式(2)所示，风电机组运行状态划分依据如表3所示。表3风电机组运行状态划分依据基于不同运行控制阶段，风电机组运行状态划分结果，并结合步骤s2中剔除的风电机组异常状态数据，将风电机组运行状态划分为正常停机状态、启动状态、非正常停机状态、健康状态、亚健康状态、并网加速和脱网运行状态、限功率运行状态，其他异常状态，如图10风电机组运行状态划分结果图所示。综上所述，本发明具体应用实例提供了一种基于数据驱动和回归误差驱动耦合的风电机组功率关键影响因子提取及运行状态辨识方法，该方法基于数据驱动和回归误差驱动耦合的方法，能够深度挖掘风电机组功率关键影响因子；构建的基于特征提取和机器学习的风电机组正常行为模型，能够准确反映不同运行控制阶段风电机组正常运行状况；基于风电机组正常行为模型和预测功率残差评价指标，能够实现风电机组不同运行状态的有效辨识；将风电机组运行状态划分为正常停机状态、启动状态、非正常停机状态、健康状态、亚健康状态、并网加速和脱网运行状态、限功率运行状态，其他异常状态，符合风电机组实际运行状况。基于同一发明构思，本申请实施例还提供了一种风电机组运行状态监测装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于风电机组运行状态监测装置解决问题的原理与风电机组运行状态监测方法相似，因此风电机组运行状态监测装置的实施可以参见风电机组运行状态监测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。本发明的实施例提供一种能够实现风电机组运行状态监测方法的风电机组运行状态监测装置的具体实施方式，参见图11，风电机组运行状态监测装置具体包括如下内容：数据获取单元10，用于获取待监测风电机组的当前运行数据以及历史运行数据；关键参数确定单元20，用于根据预先建立的运行状态影响因子确定模型从所述历史运行数据中确定所述待监测风电机组的运行状态影响参数；运行状态确定单元30，用于根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态。一实施例中，参见图12，风电机组运行状态监测装置还包括：因子模型建立单元40，用于建立所述运行状态影响因子确定模型，参见图13，所述因子模型建立单元40包括：相关性计算模块401，用于利用相关性分析法，计算多个历史运行数据与功率的相关性系数，初步参数确定模块402，用于根据相关性系数以及预设阈值确定待监测风电机组运的初步运行状态影响参数；因子模型建立模块403，用于利用机器学习算法，根据所述初步运行状态影响参数以及其所对应的功率建立所述运行状态影响因子确定模型。一实施例中，参见图14，所述因子模型建立单元40还包括：多阶参数组成模块404，用于利用相关性系数末位剔除法，组成不同阶的初步运行状态影响参数；特征提取模块405，用于利用数据降维方法，对不同阶的初步运行状态影响参数进行特征提取，以生成影响参数特征向量。一实施例中，所述因子模型建立模块具体用于根据所述机器学习算法，根据所述影响参数特征向量以及功率生成所述运行状态影响因子确定模型。一实施例中，参见图15，风电机组运行状态监测装置还包括：工况监测模型50，用于建立所述工况监测模型，所述工况监测模型具体用于利用机器学习算法，根据运行状态影响参数以及其所对应的功率建立所述工况监测模型。一实施例中，参见图16，所述运行状态确定单元30包括：功率确定模块301，用于将所述运行状态影响参数所对应的当前运行数据输入至所述工况监测模型中，以确定所述当前运行数据所对应的功率；运行状态确定模块302，用于根据预设的功率阈值范围以及所述当前运行数据所对应的功率确定所述待监测风电机组的运行状态。从上述描述可知，本发明实施例提供的风电机组运行状态监测装置，首先获取待监测风电机组的当前运行数据以及历史运行数据；接着，根据预先建立的运行状态影响因子确定模型从历史运行数据中确定待监测风电机组的运行状态影响参数；最后根据运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定待监测风电机组的运行状态。本发明基于数据驱动和回归误差驱动耦合的方法，能够深度挖掘风电机组功率关键影响因子；构建的基于特征提取和机器学习的风电机组正常行为模型，能够准确反映不同运行控制阶段风电机组正常运行状况；基于风电机组正常行为模型和预测功率残差评价指标，能够实现风电机组不同运行状态的有效辨识；将风电机组运行状态划分为正常停机状态、启动状态、非正常停机状态、健康状态、亚健康状态、并网加速和脱网运行状态、限功率运行状态，其他异常状态，符合风电机组实际运行状况。下面参考图17，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。如图17所示，电子设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram))603中的程序而执行各种适当的工作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于数据机房场景下的人员距离确定方法的步骤，该步骤包括：步骤100：获取待监测风电机组的当前运行数据以及历史运行数据；步骤200：根据预先建立的运行状态影响因子确定模型从所述历史运行数据中确定所述待监测风电机组的运行状态影响参数；步骤300：根据所述运行状态影响参数所对应的当前运行数据以及预先建立的工况监测模型确定所述待监测风电机组的运行状态。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上该仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。当前第1页12