风力发电机组的输出功率异常诊断的方法及其装置与流程

本发明涉及风力发电
技术领域：
，更具体地讲，涉及一种用于诊断风力发电机组的输出功率是否异常并确定输出功率异常的根因的方法及其装置。
背景技术：
：输出功率是评价风力发电机组发电性能的主要指标。现有的输出功率评估的技术难度相对较小，因为涉及需要分析的变量较少、统计方法也相对简单。然而，实际输出功率评估问题的难点在于当输出功率出现异常时可能是由较多根因导致，此时需有经验的工程师花费较长时间做数据分析来锁定输出功率异常的根因，然后根据锁定的根因具有针对性地解决问题。但是，目前技术都仅涉及功率曲线的生成、性状分析等输出功率评估方面。现有的输出功率评估技术不能用于锁定输出功率异常的根因。技术实现要素：本发明的示例性实施例提供了一种风力发电机组的输出功率异常诊断的方法及其装置，至少解决上述技术问题和上文未提及的其它技术问题，并且提供下述的有益效果。本发明的一方面在于提供一种风力发电机组的输出功率异常诊断的方法，所述方法可以包括：获取多台风力发电机组的输出功率；基于所述输出功率按照不同风速区间构成多个风速仓，每个风速仓包括相应风速区间的多个功率特征向量；针对每个风速仓，基于所述多台风力发电机组的功率特征向量构成相应风速仓的功率总特征向量；基于特定风力发电机组在特定时间段内的不同风速仓的功率特征向量以及相应风速仓的功率总特征向量进行分析，以确定特定风力发电机组的特定时间段内的输出功率是否异常，其中，所述多台风力发电机组包括特定风力发电机组，或者所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同。所述方法还可以包括：获取所述多台风力发电机组的与输出功率相关的多个类别的特征量数据；基于所述多个类别的特征量数据按照所述不同风速区间分别构成所述多个风速仓，每个风速仓包括相应风速区间的多个类别的特征向量；针对每个风速仓基于所述多台风力发电机组的多个类别的特征向量分别构成相应风速仓的多个根因总特征向量；并且基于所述多个根因总特征向量确定导致输出功率异常的显著根因。当所述多台风力发电机组包括特定风力发电机组时，基于所述多个根因总特征向量确定导致输出功率异常的显著根因的步骤可以包括：在确定特定风力发电机组在特定时间段内的输出功率异常后，对所述多个根因总特征向量进行显著性分析来确定导致输出功率异常的显著根因。对所述多个根因总特征向量进行显著性分析来确定导致输出功率异常的显著根因的步骤可以包括：确定与该输出功率异常相应的功率特征向量在相应风速仓的功率总特征向量的位置范围；建立与所述功率总特征向量长度相同的标志向量，将所述标志向量中的在所述位置范围内的标志值设置为1，所述标志向量中的其余标志值设置为0；并且根据针对与该功率特征向量相应的风速仓的功率总特征向量、多个根因总特征向量和所述标志向量，使用方差分析函数来确定该输出功率异常的根因。使用方差分析函数来确定输出功率异常的根因的步骤可以包括：使用方差分析函数来确定所述多个根因总特征向量中的每一个的显著性指标值；将每一个根因总特征向量的显著性指标值与预定阈值进行比较；并且将与显著性指标值小于预定阈值的根因总特征向量相应的特征确定为输出功率异常的根因。当所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同时，所述方法还可以包括：实时获取特定风力发电机组在特定时间段内的第一输出功率和与输出功率相关的多个类别的第一特征量数据；并且基于第一输出功率和第一特征量数据按照所述不同风速区间分别构成多个第一风速仓，每个第一风速仓包括相应风速区间的第一功率特征向量和所述多个类别的第一特征向量。当所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同时，当确定特定风力发电机组在特定时间段内的输出功率异常时，基于所述多个根因总特征向量确定导致输出功率异常的显著根因的步骤可以包括：当确定特定风力发电机组在特定时间段内的输出功率异常时，将特定风力发电机组在特定时间段内的不同风速仓的第一功率特征向量和多个类别的第一特征向量分别与相应风速仓的功率总特征向量和多个根因总特征向量纵向拼接以形成功率综合特征向量和多个根因综合特征向量；对所述多个根因综合特征向量进行显著性分析来确定导致输出功率异常的显著根因。对所述多个根因综合特征向量进行显著性分析来确定导致输出功率异常的显著根因的步骤可以包括确定与该输出功率异常相应的第一功率特征向量在相应风速仓的功率综合特征向量的位置范围；建立与所述功率综合特征向量长度相同的标志向量，将所述标志向量中的在所述位置范围内的标志值设置为1，所述标志向量中的其余标志值设置为0；并且根据针对该第一功率特征向量相应的风速仓的功率综合特征向量、多个根因综合特征向量和所述标志向量，使用方差分析函数来确定输出功率异常的根因。分别构成所述多个风速仓的步骤可以包括：基于所述输出功率和所述多个类别的特征量数据以预定时间间隔来分别计算所述多台风力发电机组的在预定时间间隔内的输出功率值和所述多个类别的特征值；计算所述预定时间间隔内的风速；基于所述风速，根据所述多台风力发电机组的多个类别的特征值和输出功率值来分别构成包括功率特征向量和所述多个类别的特征向量的多个风速仓。计算所述多个类别的特征值的步骤可以包括：计算所述预定时间间隔内的风速平均值；以及分别计算所述预定时间间隔内的多个类别的特征量数据的平均值作为相应类别的特征值。分别构成相应风速仓的多个根因总特征向量的步骤可以包括针对每个风速仓，将所述多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。基于特定风力发电机组在特定时间段内的不同风速仓的功率特征向量以及相应风速仓的功率总特征向量进行分析的步骤可以包括：计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值；计算不同风速仓的功率总特征向量的多个第二平均值；将不同风速仓的第一平均值分别与相应风速仓的第二平均值进行比较；当第一平均值小于第二平均值的预设百分比时，确定特定风力发电机组在特定时间段内的输出功率异常。本发明的另一方面在于提供一种风力发电机组的输出功率异常诊断的装置，所述装置可以包括数据获取模块和数据处理模块。其中，数据获取模块用于获取多台风力发电机组的输出功率；数据处理模块用于：基于所述输出功率按照不同风速区间构成多个风速仓，每个风速仓包括相应风速区间的多个功率特征向量；针对每个风速仓，基于所述多台风力发电机组的功率特征向量构成相应风速仓的功率总特征向量；基于特定风力发电机组在特定时间段内的不同风速仓的功率特征向量以及相应风速仓的功率总特征向量进行分析，以确定特定风力发电机组的特定时间段内的输出功率是否异常，其中，所述多台风力发电机组包括特定风力发电机组，或者所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同。数据获取模块还可以用于获取所述多台风力发电机组的与输出功率相关的多个类别的特征量数据，数据处理模块基于所述多个类别的特征量数据按照所述不同风速区间分别构成所述多个风速仓，每个风速仓包括相应风速区间的多个类别的特征向量，针对每个风速仓基于所述多台风力发电机组的多个类别的特征向量分别构成相应风速仓的多个根因总特征向量，并且基于所述多个根因总特征向量确定导致输出功率异常的显著根因。当所述多台风力发电机组包括特定风力发电机组时，数据处理模块可以在确定特定风力发电机组在特定时间段内的输出功率异常后对所述多个根因总特征向量进行显著性分析来确定导致输出功率异常的显著根因。在对所述多个根因总特征向量进行显著性分析时，数据处理模块确定与该输出功率异常相应的功率特征向量在相应风速仓的功率总特征向量的位置范围，建立与所述功率总特征向量长度相同的标志向量，将所述标志向量中的在所述位置范围内的标志值设置为1，所述标志向量中的其余标志值设置为0，并且根据针对与该功率特征向量相应的风速仓的功率总特征向量、多个根因总特征向量和所述标志向量使用方差分析函数来确定该输出功率异常的根因。当所述多台风力发电机组包括特定风力发电机组时，数据处理模块还可以用于使用方差分析函数来确定所述多个根因总特征向量中的每一个的显著性指标值，将每一个根因总特征向量的显著性指标值与预定阈值进行比较，并且将与显著性指标值小于预定阈值的根因总特征向量相应的特征确定为输出功率异常的根因。当所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同时，数据获取模块可以实时获取特定风力发电机组在特定时间段内的第一输出功率和与输出功率相关的多个类别的第一特征量数据，并且数据处理模块基于第一输出功率和第一特征量数据按照所述不同风速区间分别构成多个第一风速仓，每个第一风速仓包括相应风速区间的第一功率特征向量和所述多个类别的第一特征向量。当所述多台风力发电机组不包括特定风力发电机组并且与特定风力发电机组的类型相同时，在确定特定风力发电机组在特定时间段内的输出功率异常后，数据处理模块可以将特定风力发电机组在特定时间段内的不同风速仓的第一功率特征向量和多个类别的第一特征向量分别与相应风速仓的功率总特征向量和多个根因总特征向量纵向拼接以形成功率综合特征向量和多个根因综合特征向量，对所述多个根因综合特征向量进行显著性分析来确定导致输出功率异常的显著根因。对所述多个根因综合特征向量进行显著性分析时，数据处理模块确定与该输出功率异常相应的第一功率特征向量在相应风速仓的功率综合特征向量的位置范围，建立与所述功率综合特征向量长度相同的标志向量，将所述标志向量中的在所述位置范围内的标志值设置为1，所述标志向量中的其余标志值设置为0，并且根据针对该第一功率特征向量相应的风速仓的功率综合特征向量、多个根因综合特征向量和所述标志向量使用方差分析函数来确定输出功率异常的根因。数据处理模块还可以基于所述输出功率和所述多个类别的特征量数据以预定时间间隔来分别计算所述多台风力发电机组的在预定时间间隔内的输出功率值和所述多个类别的特征值；计算所述预定时间间隔内的风速；基于所述风速，根据所述多台风力发电机组的多个类别的特征值和输出功率值来分别构成包括功率特征向量和所述多个类别的特征向量的多个风速仓。数据处理模块还可以计算所述预定时间间隔内的风速平均值；并且分别计算所述预定时间间隔内的多个类别的特征量数据的平均值作为相应类别的特征值。数据处理模块还可以针对每个风速仓将所述多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。数据处理模块还可以计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值；计算不同风速仓的功率总特征向量的多个第二平均值；将不同风速仓的第一平均值分别与相应风速仓的第二平均值进行比较；当第一平均值小于第二平均值的预设百分比时，确定特定风力发电机组在特定时间段内的输出功率异常。本发明的一方面在于提供一种计算机可读存储介质，存储有程序，其特征在于，所述程序可包括用于执行以上所述的风力发电机组的输出功率异常诊断的方法的指令。本发明的一方面在于提供一种计算机，包括存储有计算机程序的可读介质和处理器，其特征在于，当所述处理器运行所述计算机程序时执行以上所述的风力发电机组的输出功率异常诊断的方法的指令。基于以上描述的风力发电机组的输出功率异常诊断的方法及其装置，将输出功率及其异常相关的根因数据进行特征向量化，进而通过特征计算与分析实现输出功率异常与否的准确判定以及输出功率异常根因的精准定位，提高了输出功率异常判定以及锁定输出功率异常根因的效率以及准确度。通过向量化的方式还可以实现根因特征的自由添加，为输出功率异常的根因分析进一步提供更全面的数据支持。附图说明下面，将结合附图进行本发明的详细描述，本发明的上述特征和其他目的、特点和优点将会变得更加清楚，其中：图1是根据本公开的第一示例性实施例的风力发电机组的输出功率异常诊断方法的流程图；图2是根据本公开的第二示例性实施例的风力发电机组的输出功率异常诊断方法的流程图；图3是根据本公开的第三示例性实施例的风力发电机组的输出功率异常诊断方法的流程图；图4是根据本公开的示例性实施例的风力发电机组的输出功率异常诊断装置的框图。具体实施方式现将详细参照本公开的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指示相同的部件。以下将通过参照附图来说明所述实施例，以便于解释本发明。显然，所描述的实施例仅是本公开一部分实施例，而不是全部的实施例。基于本公开的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在本公开中，包括诸如“第一”、“第二”等序数的术语可以被用于描述各种元素，但是这些元素不应被理解为仅限于这些术语。这些术语仅被用于将一个元素与其他元素区分开来。例如，在不脱离本公开的范围的情况下，第一元素可以被称为第二元素，反之亦然。在阐述本发明的发明构思之前，对本申请中采用的术语进行相关说明。偏航对风偏差是指基于对风角度与功率的散点图统计分析得到的风力发电机组偏航对风误差水平，格式为不同风速仓下标准误差水平的角度。方差分析(anova)又称“变异数分析”或“f检验”，是由r.a.fister发明的，用于两个及两个以上样本均数差别的显著性指标的检验。图1是根据本公开的第一示例性实施例的风力发电机组的输出功率异常诊断方法的流程图。参照图1，在步骤s101，获取多台风力发电机组的输出功率。在步骤s102，基于输出功率按照不同风速区间构成多个风速仓，每个风速仓包括相应风速区间的多个功率特征向量。具体地，基于输出功率以预定时间间隔来分别计算多台风力发电机组的在预定时间间隔内的输出功率值以及预定时间间隔内的风速，基于计算出的风速，根据多台风力发电机组的输出功率值来分别构成包括功率特征向量多个风速仓。每一个风速仓可以多台风力发电机组在不同时间段内的功率特征值。在步骤s103，针对每个风速仓，基于多台风力发电机组的功率特征向量构成相应风速仓的功率总特征向量。具体地，针对每个风速仓，将多台风力发电机组的全部功率特征向量进行纵向拼接来构成功率总特征向量。在步骤s104，基于特定风力发电机组在特定时间段内的不同风速仓的功率特征向量以及相应风速仓的功率总特征向量进行分析，以确定特定风力发电机组的特定时间段内的输出功率是否异常。在对特定风力发电机组的功率特征向量与功率总特征向量进行分析时，可以使用概率密度分析方法或者结合风频分布计算各个风速仓的发电量并利用发电量做出判定等方法来确定输出功率是否异常。作为示例，可以采用如下方式进行功率特征向量与功率总特征向量之间的比较。首先计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值，计算不同风速仓的功率总特征向量的多个第二平均值，将不同风速仓的第一平均值分别与相应风速仓的第二平均值进行比较，当第一平均值小于第二平均值的预设百分比时，确定特定风力发电机组在特定时间段内的输出功率异常。也就是说，可以使用每个功率特征向量中的元素的平均值进行比较来确定输出功率是否异常。然而，本公开不限于此。下面将参照图2和图3来详细阐述本公开的输出功率诊断方法。图2是根据本公开的第二示例性实施例的风力发电机组的输出功率异常诊断方法的流程图。参照图2，在步骤s201，获取多台风力发电机组的输出功率和与输出功率相关的多个类别的特征量数据。在该实施例中的多台风力发电机组包括所要考察的特定风力发电机组。多个类别的特征可以例如包括湍流、环境温度和偏航对风偏差特征、控制性能、测量方法、风剪切等。可以根据数据条件、风力发电机组实际情况选择不同的特征来进行后续的根因锁定。在步骤s202，基于输出功率和多个类别的特征量数据以预定时间间隔来分别计算多台风力发电机组的在预定时间间隔内的输出功率值和多个类别的特征值并且计算预定时间间隔内的风速。根据本公开的实施例，可以将多个类别的特征可以按照时长分为短时特征和长时特征。例如，短时特征是指可以使用诸如10分钟数据(或者是20分钟、60分钟等数据)的短时数据来计算相应特征在该10分钟内的特征值的特征，短时特征可以包括湍流、环境温度等，长时特征可以使用诸如一个月数据(或者是一个季度、半年、一年等数据)的长时数据来计算相应特征在该月的特征值的特征，长时特征可以包括偏航对风偏差等。有些特征(例如，湍流)与风速有关，有些特征(例如，环境温度)与风速无明显相关性。此外，在计算输出功率值时，可以使用10分钟数据来计算该10分钟内的输出功率的平均功率值。在计算预定时间间隔内的特征值时，可以通过计算预定时间间隔内的多个类别的特征量数据的平均值作为相应类别的特征值。此外，在计算特征值的同时，还需要计算预定时间间隔内的风速平均值。以单台风力发电机组的当前月为例，可以按照当前月的每连续10分钟的发电状态数据来计算该10分钟内的平均风速以及平均湍流、平均环境温度和平均输出功率特征值，按照当前月的发电状态数据来计算整月的偏航对风偏差特征值。在步骤s203，根据预定时间间隔内的风速，将在该预定时间间隔内的输出功率值和多个特征值输入到与该风速相应的风速仓中，以形成不同风速区间的包括功率特征向量和多个类别的特征向量的多个风速仓。由于长时特征与短时特征采用的预定时间间隔不相同，例如，诸如偏航对风偏差特征的长时特征需要长时(例如，一个月)数据进行统计分析，而诸如湍流等的短时特征仅需要诸如10分钟的短时数据就可以进行统计，因此，可以将一个月的偏航对风偏差值由该月的每10分钟数据片段继承，即该月的每个风速仓内的偏航对风偏差值均为该月的平均偏航对风偏差值。根据计算出的平均风速值，将平均湍流、平均环境温度和平均输出功率特征值输入到与该风速值相应的风速仓内，并且将计算出的偏航对风偏差特征值统一作为当前月的每个风速仓内的偏航对风偏差特征值。假设将风速仓的标号记录为i，将湍流特征记录为x1i，即表示在第i风速仓内的湍流特征值，将环境温度特征记录为x2i，即表示在第i风速仓内的环境温度特征值，将偏航对风偏差特征记录为x3i，即表示在第i风速仓内的偏航对风偏差特征值，当加入新的根因相关特征时，可以将新的根因相关特征记为xki，即表示在第i风速仓内的新根因相关特征值，其中，1、2、3、k表示特征的排列序号，用于区分不同的特征。将输出功率特征记录为yi，即表示在第i风速仓内的输出功率特征值。例如，下面的表1示出了单台风力发电机组的单月的7m/s风速仓的一个数据片段。其中，表1中的每一行均属于该月的7m/s风速仓(即此时i值为7)的数据，第二列为偏航对风偏差值，可以记录为x17，由于继承自本月所有数据计算的偏航对风偏差结果，因此第二列中的偏航对风偏差特征值相同。第三列为每10分钟的平均湍流值，可以记录为x27。第四列为每10分钟的平均环境温度值，可以记录为x37。第五列为每10分钟的平均输出功率值，可以记录为y7。表1每个风速仓可以包括多台风力发电机组中的每一台风力发电机组的功率特征向量和多个类别的特征向量(例如，湍流特征向量等)。例如，以单台风力发电机组的单月统计结果为例，一个月中的每个风速仓可以包括偏航对风偏差特征向量、湍流特征向量、环境温度特征向量以及功率特征向量。从表1可以看出，每一个特征向量均为列向量。在步骤s204，针对每个风速仓，构成相应风速仓的功率总特征向量和多个根因总特征向量。针对每个风速仓，将多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。例如，可以按照计算单台风力发电机组单月的多个特征值的方法来计算风电场中的每一台风力发电机组的一年的多个特征值，针对每一个风速仓，将每个月的特征向量x1i、x2i、x3i、yi分别纵向拼接形成总特征向量x1i、x2i、x3i、yi，即x1i包括一年中每个月的x1i，x2i包括一年中每个月的x2i，x3i包括一年中的每个月的x3i，yi包括一年中的每个月的yi。下面的表2示出了风电场中全部风力发电机组一年中的7m/s风速仓的一个数据片段。其中，表2中的每一行均属于该年的7m/s风速仓(即此时i值为7)的数据，第二列为偏航对风偏差值，可以记录为x17，由于表2是一年的7m/s风速仓的数据片段，因此，每个月的偏航对风偏差值有所不同，例如，第一月的平均偏航对风偏差值为-2.4，第五月的平均偏航对风偏差值为-2.7，第八月的平均偏航对风偏差值为3.2。第三列为每10分钟的平均湍流值，可以记录为x27。第四列为每10分钟的平均环境温度值，可以记录为x37。第五列为每10分钟的平均输出功率值，可以记录为y7。表2在步骤s205，计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值，并且计算相应风速仓的功率总特征向量的多个第二平均值。例如，针对特定时间段内的每一个风速仓，计算每个风速仓的功率特征向量中的元素的平均值，然后再计算相应风速仓的功率总特征向量中的元素的平均值。在步骤s206，将不同风速仓的第一平均值分别与相应风速仓的第二平均值的预设百分比进行比较，确定不同风速仓的第一平均值是否小于第二平均值的预设百分比。例如，比较功率特征向量yi中所有元素平均值是否低于功率总特征向量yi所有元素平均值的95％。当第一平均值小于第二平均值的预设百分比时，确定特定风力发电机组在特定时间段内的输出功率异常，此时进入到步骤s207，否则结束该流程。作为示例，当考察某一台风力发电机组的某一月的数据时，将该月的每一个风速仓的功率特征向量yi与相应风速仓的功率总特征向量yi进行比较。例如，分析功率特征向量yi中的全部特征值的平均值是否低于功率总特征向量yi中全部特征值的平均值的95％。然而，本公开的预设百分比不限于此，可以根据设计需求改变预设百分比。当需要考察某一风力发电机组在某一时间段内的输出功率时，可以将该风力发电机组的特定时间段内的不同风速仓中的功率特征向量与相应风速仓的功率总特征向量进行比较。然而，步骤s205和s206中的方法仅是示例性的，本公开不限于此，还可以采用概率密度分析方法，或者结合风频分布计算各风速仓的发电量并利用发电量来进行分析。在确定特定风力发电机组在特定时间段内的输出功率异常后，在步骤s207，确定与该输出功率异常相应的功率特征向量在相应风速仓的功率总特征向量的位置范围。根据本公开的实施例，功率特征向量和功率总特征向量均是列向量，并且功率总特征向量包括每台风力发电机组的不同时间段的功率特征向量。可以将与该输出功率异常相应的功率特征向量的位置范围记为[m，n]，即表示该功率特征向量在功率总特征向量中的第m行至第n行。在步骤s208，建立与功率总特征向量长度相同的标志向量，并且将标志向量中的位于确定的位置范围内的标志值设置为1，将标志向量中的其余标志值设置为0。例如，如下面的表3所示，新建与yi长度相同的标志向量yflag，并且在位置范围[m，n]之间的元素赋值为1，其他元素赋值为0。表3的最后一列为标志向量yflag。表3偏航对风偏差湍流环境温度输出功率标志值-2.40.12519.212080-2.40.11219.212300…………-2.70.11921.312200-2.70.11921.412200…………3.20.10919.3119003.20.1022011910…………9.60.10919.2110919.60.1119.510881在步骤s209，根据针对与对应于输出功率异常的功率特征向量相应的风速仓的功率总特征向量、多个根因总特征向量和标志向量，使用方差分析函数来确定该输出功率异常的根因。具体地，使用方差分析函数来确定多个根因总特征向量中的每一个的显著性指标值，将每一个根因总特征向量的显著性指标值与预定阈值进行比较，将与显著性指标值小于预定阈值的根因总特征向量相应的特征确定为输出功率异常的根因。例如，考察标志向量yflag中标志值不同时根因总特征向量x1i、x2i、x3i中存在显著变化的向量，由此锁定输出功率异常时的根因。作为示例，可以使用python语言中的方差分析函数来计算每一个根因总特征向量的显著性指标值。例如，可以使用如下所示的程序来确定每个根因总特征向量的显著性指标值，其中anova_lm为python语言中方差分析的函数，ci为x1i、x2i、x3i与yflag合并得到的矩阵。fromstatsmodels.stats.anovaimportanova_lmformula＝'yflag～x1i+x2i+x3i'anova_results＝anova_lm(ols(formula,ci).fit())在方差分析结果中，将与显著性指标值小于预定阈值的根因总特征向量相应的特征确定为输出功率异常的根因，例如，可以将预定阈值设置为0.05，然而本公开不限于此。应注意的是，步骤s207至s209使用的方差分析方法仅是示例性的，还可以使用其他显著性分析方法或者统计方法来确定显著根因，找出导致输出功率异常的根因特征。图3是根据本公开的第三示例性实施例的风力发电机组的输出功率异常诊断方法的流程图。在步骤s301，实时获取特定风力发电机组在特定时间段内的第一输出功率和与输出功率相关的多个类别的第一特征量数据。第一特征量数据可以包括特定风力发电机组在特定时间段内的环境温度数据、湍流数据、风剪切数据等。在步骤s302，基于第一输出功率和多个类别的第一特征量数据以预定时间间隔来分别计算特定风力发电机组的在预定时间间隔内的输出功率值和多个类别的特征值并且计算预定时间间隔内的风速。例如，基于第一输出功率和第一特征量数据以预定时间间隔来分别计算特定风力发电机组的在预定时间间隔内的输出功率值、多个类别的特征值以及预定时间间隔内的风速。在计算风速或特征值时，可以计算预定时间间隔内的风速平均值。可以计算预定时间间隔内的多个类别的特征量数据的平均值作为相应类别的特征值。在步骤s303，根据预定时间间隔内的风速，将在该预定时间间隔内的输出功率值和多个特征值输入到与该风速相应的风速仓中，以形成不同风速区间的包括第一功率特征向量和多个类别的第一特征向量的多个第一风速仓。以该特定风力发电机组的当前月为例，可以按照当前月的每连续10分钟的发电状态数据来计算该10分钟内的平均风速以及平均湍流、平均环境温度和平均输出功率特征值，按照当前月的发电状态数据来计算整月的偏航对风偏差特征值，根据计算出的平均风速值，将特定风力发电机组的平均湍流、平均环境温度和平均输出功率特征值等特征值输入到与该风速值相应的风速仓内，并且将计算出的偏航对风偏差特征值统一作为当前月的每个风速仓内的偏航对风偏差特征值。每个第一风速仓包括功率特征向量以及由不同特征值构成的多个特征向量，例如，湍流特征向量、环境温度特征向量等。例如，当计算短时特征的湍流特征值时，可以选取每连续10分钟的发电状态数据，计算该10分钟内的平均风速以及平均湍流值，根据计算出的风速，将平均湍流值输入到与该平均风速相应的风速仓。当计算长时特征的偏航对风偏差特征值时，可以选取一个月的发电状态数据，计算该月内的平均偏航对风偏差值，由于长时特征的偏航对风偏差特征值表征一个月的偏航对风偏差的总体表现并且短时(例如，10分钟)数据无法统计分析出偏航对风偏差，因此，可以将该月的偏航对风偏差值由该月的每10分钟数据片段继承，即一个月内的每个风速仓内的偏航对风偏差值均为该月的平均偏航对风偏差值。当计算输出功率特征值时，可以选取每连续10分钟的发电状态数据，计算该10分钟内的平均风速以及平均输出功率值，根据计算出的风速，将平均输出功率值输入到与该平均风速相应的风速仓。在步骤s304，获取与特定风力发电机组类型相同的多台风力发电机组的第二输出功率和与输出功率相关的多个类别的第二特征量数据。第二特征量数据可以包括特定风力发电机组在特定时间段内的环境温度数据、湍流数据、风剪切数据等。第二特征量数据的种类与第一特征量数据的种类一致，但是种类不限于此。可以根据数据条件、风力发电机组实际情况选择不同的特征数据，上述仅是示例性的。在步骤s305，基于第二输出功率和多个类别的第二特征量数据以预定时间间隔来分别计算多台风力发电机组的在预定时间间隔内的输出功率值和多个类别的特征值并且计算预定时间间隔内的风速。步骤s305的计算过程与步骤s202的计算过程相同，这里不再赘述。在步骤s306，根据预定时间间隔内的风速，将在该预定时间间隔内的输出功率值和多个特征值输入到与该风速相应的风速仓中，以形成不同风速区间的包括第二功率特征向量和多个类别的第二特征向量的多个第二风速仓。形成第二风速仓的过程与步骤s203的过程相同，这里不再赘述。在步骤s307，针对每个第二风速仓，构成相应风速仓的功率总特征向量和多个根因总特征向量。针对每个第二风速仓，将多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。这里，步骤s307的计算过程与步骤s204的过程相同，不再进行赘述。在步骤s308，计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值，并且计算相应风速仓的功率总特征向量的多个第二平均值。在步骤s309，将不同风速仓的第一平均值分别与相应风速仓的第二平均值的预设百分比进行比较，确定不同风速仓的第一平均值是否小于第二平均值的预设百分比。步骤s308与步骤s309的计算过程与步骤s205和s206中的计算过程相同，这里不再赘述。步骤s308与步骤s309仅是示例性的，本公开不限于此，还可以采用概率密度分析方法，或者结合风频分布计算各风速仓的发电量并利用发电量来进行分析，来确定特定风力发电机组的特定时间段内的功率特征向量与功率总特征向量之间的差异，以确定特定时间段内的输出功率是否异常。当确定特定风力发电机组在特定时间段内的输出功率异常时，在步骤s310，将特定风力发电机组在特定时间段内的不同风速仓的第一功率特征向量和多个类别的第一特征向量分别与相应风速仓的功率总特征向量和多个根因总特征向量纵向拼接以形成功率综合特征向量和多个根因综合特征向量。可以参照步骤s204的拼接方法来实现特征向量的拼接。然后，对多个根因综合特征向量进行显著性分析来确定导致输出功率异常的显著根因。在步骤s311，确定与该输出功率异常相应的第一功率特征向量在相应风速仓的功率综合特征向量的位置范围。在步骤s312，建立与功率综合特征向量长度相同的标志向量，将标志向量中的在确定的位置范围内的标志值设置为1，将标志向量中的其余标志值设置为0。在步骤s313，根据针对该第一功率特征向量相应的风速仓的功率综合特征向量、多个根因综合特征向量和标志向量，使用方差分析函数来确定输出功率异常的根因。例如，方差分析函数可以使用python语言中的anova_lm来实现。步骤s311至步骤s313的显著性分析方法仅是示例性的，还可以使用其他的显著性分析方法来锁定显著根因，或者使用其他的统计方法(诸如计算距离等)来实现显著性分析。图4是根据本公开的示例性实施例的风力发电机组的输出功率异常诊断装置的框图。参照图4，根据本公开的实施例的输出功率异常诊断装置400可以包括数据获取模块401和数据处理模块402。根据本公开的装置400中的每个模块可以由一个或多个模块来实现，并且对应模块的名称可根据装置的类型而变化。在各种实施例中，可以省略装置400中的一些模块，或者还可包括另外的模块。此外，根据本公开的各种实施例的模块可以被组合以形成单个实体，并且因此可等效地执行相应模块在组合之前的功能。根据本公开的输出功率异常诊断装置400可以具有两种诊断输出功率的模式。例如，当工作人员期望考察某台风力发电机组的某个时间段内的输出功率时，可以获取包括该风力发电机组的全部风力发电机组的输出功率以及与输出功率相关的特征量数据，或者可以实时地获取该风力发电机组的该时间段内的输出功率以及与输出功率相关的特征量数据并且获取与该风力发电机组类型相同的风力发电机组的历史输出功率以及与输出功率相关的历史特征量数据。可以使用数据获取模块401来获取风力发电机组的输出功率以及与输出功率相关的多个类别的特征量数据。当获取的数据包括特定风力发电机组的数据时，数据处理模块402可以基于输出功率和多个类别的特征量数据按照不同风速区间构成多个风速仓，每个风速仓包括相应风速区间的多个功率特征向量和多个类别的特征向量。具体地，然后数据处理模块402基于输出功率和多个类别的特征量数据以预定时间间隔来分别计算多台风力发电机组的在预定时间间隔内的平均输出功率值和多个类别的特征值，并且计算预定时间间隔内的风速。数据处理模块402计算特征值以及风速的过程与步骤s203相同，这里不再赘述。数据处理模块402基于风速根据多台风力发电机组的多个类别的特征值和输出功率值来分别构成包括功率特征向量和多个类别的特征向量的多个风速仓。针对每个风速仓，数据处理模块402基于多台风力发电机组的功率特征向量构成相应风速仓的功率总特征向量，并且基于多台风力发电机组的多个类别的特征向量分别构成相应风速仓的多个根因总特征向量。例如，数据处理模块402针对每个风速仓将多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。这里，与步骤s204的过程相同，不再进行赘述。数据处理模块402基于特定风力发电机组在特定时间段内的不同风速仓的功率特征向量以及相应风速仓的功率总特征向量进行分析，以确定特定风力发电机组的特定时间段内的输出功率是否异常。例如，数据处理模块402计算特定风力发电机组在特定时间段内的不同风速仓的功率特征向量的多个第一平均值，计算不同风速仓的功率总特征向量的多个第二平均值，将不同风速仓的第一平均值分别与相应风速仓的第二平均值进行比较。当第一平均值小于第二平均值的预设百分比时，确定特定风力发电机组在特定时间段内的输出功率异常。数据处理模块402计算第一和第二平均值以及两者比较的的过程与步骤s205和s206相同，这里不再赘述。此外，数据处理模块402还可以采用概率密度分析方法对功率特征向量和功率总特征向量之间进行比较，或者结合风频分布计算各风速仓的发电量并利用发电量来进行分析。在确定特定风力发电机组在特定时间段内的输出功率异常后，数据处理模块402对多个根因总特征向量进行显著性分析来确定导致输出功率异常的显著根因。在对多个根因总特征向量进行显著性分析时，数据处理模块402确定与该输出功率异常相应的功率特征向量在相应风速仓的功率总特征向量的位置范围，建立与功率总特征向量长度相同的标志向量，将标志向量中的在位置范围内的标志值设置为1，标志向量中的其余标志值设置为0，并且根据针对与该功率特征向量相应的风速仓的功率总特征向量、多个根因总特征向量和标志向量使用方差分析函数来确定该输出功率异常的根因。例如，当多台风力发电机组包括特定风力发电机组时，数据处理模块402使用方差分析函数来确定多个根因总特征向量中的每一个的显著性指标值，将每一个根因总特征向量的显著性指标值与预定阈值进行比较，并且将与显著性指标值小于预定阈值的根因总特征向量相应的特征确定为输出功率异常的根因。这里，与步骤s208和s209的过程相同，不再进行赘述。上面主要针对在获取的数据包括特定风力发电机组的数据的情况下进行输出功率异常诊断的描述，下面针对另一种情况进行简单描述。当获取的数据不包括特定风力发电机组的数据并且获取的是与特定风力发电机组的类型相同的多台风力发电机组的数据时，数据获取模块401可以实时获取特定风力发电机组在特定时间段内的第一输出功率和与输出功率相关的多个类别的第一特征量数据，并且数据处理模块402基于第一输出功率和第一特征量数据按照不同风速区间分别构成多个第一风速仓，每个第一风速仓包括相应风速区间的第一功率特征向量和多个类别的第一特征向量。数据获取模块401获取与特定风力发电机组类型相同的多台风力发电机组的历史输出功率和与输出功率相关的多个类别的历史特征量数据。历史特征量数据的种类与第一特征量数据的种类一致，但是种类不限于此。可以根据数据条件、风力发电机组实际情况选择不同的特征数据，上述仅是示例性的。数据处理模块402基于历史输出功率和多个类别的历史特征量数据以预定时间间隔来分别计算多台风力发电机组的在预定时间间隔内的输出功率值和多个类别的特征值并且计算预定时间间隔内的风速。然后，数据处理模块402根据预定时间间隔内的风速，将在该预定时间间隔内的输出功率值和多个特征值输入到与该风速相应的风速仓中，以形成不同风速区间的包括功率特征向量和多个类别的特征向量的多个第二风速仓。第二风速仓的风速区间与第一风速仓的风速区间保持一致。数据处理模块402针对每个第二风速仓构成相应风速仓的功率总特征向量和多个根因总特征向量。针对每个第二风速仓，数据处理模块402将多台风力发电机组的属于同一类别的全部特征向量进行纵向拼接来构成与该类别相应的根因总特征向量。在确定特定风力发电机组在特定时间段内的输出功率异常(可以使用步骤s308和s309进行确定)后，数据处理模块402将特定风力发电机组在特定时间段内的不同风速仓的第一功率特征向量和多个类别的第一特征向量分别与相应风速仓的功率总特征向量和多个根因总特征向量纵向拼接以形成功率综合特征向量和多个根因综合特征向量，对多个根因综合特征向量进行显著性分析来确定导致输出功率异常的显著根因。对多个根因综合特征向量进行显著性分析时，数据处理模块402确定与该输出功率异常相应的第一功率特征向量在相应风速仓的功率综合特征向量的位置范围，建立与功率综合特征向量长度相同的标志向量，将标志向量中的在位置范围内的标志值设置为1，标志向量中的其余标志值设置为0，并且根据针对该第一功率特征向量相应的风速仓的功率综合特征向量、多个根因综合特征向量和标志向量使用方差分析函数来确定输出功率异常的根因。此外，数据处理装置402还可以采用其他显著性分析方法或者统计方法来确定显著根因，找出导致输出功率异常的根因特征，而不限于上述方法。根据本发明公开的示例实施例的风力发电机组的输出功率异常诊断的方法可被实现为计算机可读记录介质上的计算机可读指令，或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取的数据的任意数据存储装置。计算机可读记录介质的示例包括只读存储器(rom)、随机存取存储器(ram)、光盘(cd-rom)、数字多功能盘(dvd)、磁带、软盘、光学数据存储装置，但不限于此。传输介质可包括通过网络或各种类型的通信信道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读指令以分布方式被存储和执行。本公开的风力发电机组的输出功率异常诊断的方法及其装置，能够自动计算特征值，使用功率特征向量进行输出功率异常判定，利用显著性分析锁定输出功率异常的根因，不仅节约了大量人工数据分析时间，而且消除了不同工程师业务水平差异、主观因素等原因引起的输出功率异常根因分析的不确定性。此外，可以通过模块化建模实现来实现本公开的方法及装置，可应用于不同机型，具有通用性。此外，本公开的方法和装置可以结合数据条件或探索需求灵活添加特征，实现不同维度的根因特征分析，具有灵活性。尽管已经参照其示例性实施例，具体示出和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。当前第1页12