本发明涉及风电技术领域，具体地讲，涉及一种风力发电机组运行状态的评估方法及装置。
背景技术：
通常情况下，在风力发电机组正式进行推广前，会对该风力发电机组的样机进行调试和长期的观测，研发人员通过对样机运行数据进行采集、处理和分析，以了解该样机的运行能力，发现并解决样机异常问题。对风力发电机组的样机进行验证时，通常分析风力发电机组运行时的湍流强度和加速度的规律以及不同风速段下风机转速超过额定转速一定限值的次数，以此可以了解风力发电机组在什么样的湍流强度下机舱加速度值大，并适当的修改风力发电机组控制器的控制参数，达到风力发电机组的运行能力和发电量最优。其中，湍流强度是描述风速随时间和空间变化的程度，反映脉动风速的相对强度，是描述大气湍流运动特性的最重要的特征量，且湍流强度也可简称为湍流度或湍强。
由于分析湍流强度和加速度关系需要风力发电机组几个月甚至一年的运行数据，而这些运行数据的数据量又十分庞大，所以，对风力发电机组样机的运行数据进行采集和分析时不仅会占用大量的计算机资源，且数据处理过程耗费时间较长，还对计算机的配置要求比较高，另一方面，在样机的运行数据的数据量十分庞大且电脑配置较低时，还会出现电脑系统卡顿等现象。
技术实现要素：
本发明针对现有技术存在的弊端，提出了一种风力发电机组运行状态的评估方法及装置，通过结合大数据算法对数据进行分析和处理，减少数据分析运算时间，提高数据分析的效率，同时，可以帮助工作人员在短时间内了解风力发电机组的运行能力，并在风力发电机组正式运行之前发现并解决存在的问题，以优化风力发电机组性能。本发明的一方面提供了一种风力发电机组运行状态的评估方法，所述方法包括以下步骤：采集风力发电机组样机的运行数据；基于mapreduce算法对采集的运行数据进行并行数据处理，得到湍流强度和机舱加速度；通过分析不同风速段内的湍流强度与机舱加速度之间的关系，评估风力发电机组样机的运行状态。
优选地，所述运行数据包括风速、机舱x方向的加速度、机舱y方向的加速度和风机转速。
优选地，所述基于mapreduce算法对采集的运行数据进行并行数据处理，得到湍流强度和机舱加速度的步骤包括：将采集的运行数据分仓处理，并分别对分仓处理后的每个数据仓的数据进行滤波和筛选，得到符合预定标准的数据仓；根据符合预定标准的每个数据仓内的运行数据分别获取评估风力发电机组样机的运行状态的评估参数；建立评估参数的key-value映射关系，并将评估参数的key-value映射关系存储至临时数据空间；根据存储至临时数据空间的评估参数的key-value映射关系分别提取湍流强度和机舱加速度。
优选地，所述评估参数包括湍流强度、机舱加速度和风机转速超过限定转速的次数。
优选地，所述预定标准为筛选出不限功率且能正常发电的数据点的数量超过所述数据仓总数据点的数量的85％。
优选地，所述限定转速为风机额定转速的1.03倍。
优选地，所述根据存储至临时数据空间的评估参数的key-value映射关系分别提取湍流强度和机舱加速度的步骤还包括：根据存储至临时数据空间的评估参数的key-value映射关系分别提取数据仓内风机转速超过限定转速的次数。
优选地，所述通过分析不同风速段内的湍流强度与机舱加速度之间的关系，评估风力发电机组样机的运行状态的步骤包括：根据提取的湍流强度和机舱加速度对不同风速段内的湍流强度与机舱加速度之间的关系进行分析，并当机舱加速度超过对应的湍流强度下的限定加速度时，确定风力发电机组样机异常。
优选地，还包括：分析不同风速段内的湍流强度与风机转速超过限定转速的次数之间的关系，并在风机转速超过限定转速的次数大于预设次数时，确定风力发电机组样机异常。
优选地，所述机舱加速度包括机舱x方向加速度平均值、机舱x方向加速度最大值、机舱x方向加速度最小值、机舱y方向加速度平均值、机舱y方向加速度最大值和机舱y方向加速度最小值。
本发明的另一方面提供了一种风力发电机组运行状态的评估装置，所述装置包括：数据采集模块，被配置为采集风力发电机组样机的运行数据；数据处理模块，被配置为基于mapreduce算法对采集的运行数据进行并行数据处理，得到湍流强度和机舱加速度；评估模块，被配置为通过分析不同风速段内的湍流强度与机舱加速度之间的关系，评估风力发电机组样机的运行状态。
优选地，所述数据采集模块中的运行数据包括风速、机舱x方向的加速度、机舱y方向的加速度和风机转速。
优选地，所述数据处理模块被配置为：数据分仓处理单元，被配置为将采集的运行数据分仓处理，并分别对分仓处理后的每个数据仓的数据进行滤波和筛选，得到符合预定标准的数据仓；根据符合预定标准的每个数据仓内的运行数据分别获取评估风力发电机组样机的运行状态的评估参数；建立评估参数的key-value映射关系，并将评估参数的key-value映射关系存储至临时数据空间；根据存储至临时数据空间的评估参数的key-value映射关系提取湍流强度和机舱加速度。
优选地，所述key-value映射单元中的评估参数包括湍流强度、机舱加速度和风机转速超过限定转速的次数。
优选地，所述预定标准为筛选出不限功率且能正常发电的数据点的数量超过所述数据仓总数据点的数量的85％。
优选地，所述限定转速为风机额定转速的1.03倍。
优选地，所述数据提取单元还被配置为：根据存储至临时数据空间的评估参数的key-value映射关系分别提取数据仓内风机转速超过限定转速的次数。
优选地，所述评估模块被配置为：根据提取的湍流强度和机舱加速度对不同风速段内的湍流强度与机舱加速度之间的关系进行分析，并当机舱加速度超过对应的湍流强度下的限定加速度时，确定风力发电机组样机异常。
优选地，还被配置为：分析不同风速段内的湍流强度与风机转速超过限定转速的次数之间的关系，并在风机转速超过限定转速的次数大于预设次数时确定风力发电机组样机异常。
优选地，所述机舱加速度包括机舱x方向加速度平均值、机舱x方向加速度最大值、机舱x方向加速度最小值、机舱y方向加速度平均值、机舱y方向加速度最大值和机舱y方向加速度最小值。
本发明的另一方面提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，处理器执行如上所述的风力发电机组运行状态的评估方法。
本发明的另一方面提供了一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，处理器执行如上所述的风力发电机组运行状态的评估方法。
在本发明中，通过mapreduce大数据算法对风力发电机组样机的运行数据进行并行数据处理，并将风速变量进行运算变换为湍流强度变量，以湍流强度和加速度关系为主对风力发电机组样机的运行能力和发电量进行分析，不仅减少了对数据进行处理分析的运算时间，提高了分析效率，还避免了由于大容量数据占用大量的计算机资源而导致电脑系统出现卡顿的现象，同时，在短时间内了解风力发电机组的运行能力，并在风力发电机组正式运行之前发现并解决存在的问题，以优化风力发电机组性能。
附图说明
通过以下结合附图进行的描述，本发明的示例性实施例的以上和其他方面、特点和优点将会更加清楚，在附图中：
图1示出根据本发明的实施例的风力发电机组运行状态的评估方法的流程图；
图2示出根据本发明的实施例的基于mapreduce算法得到湍流强度和机舱加速度的流程图；
图3示出根据本发明的示例性的实施例的得到符合预定标准的数据仓的流程图；
图4示出根据本发明的示例性的实施例的在14.5m/s～15.5m/s风速段内对风力发电机组运行状态的分析结果图；
图5示出根据本发明的实施例的风力发电机组运行状态的评估装置的框图；
图6示出根据本发明的实施例的数据处理模块的框图；
在附图中，相同的标号将被理解为表示相同的元件、特征和结构。
具体实施方式
提供以下参照附图的描述以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。以下参照附图的描述包括各种特定细节以帮助理解，但是所述特定细节将仅被视为示例性的。因此，本领域普通技术人员将意识到，在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清晰和简要，可省略公知功能和结构的描述。
以下描述和权利要求中使用的术语和词语不限于字面含义，而是仅由发明者使用以使得能够清楚和一致地理解本发明。因此，本领域技术人员应该清楚的是，提供本发明的示例性实施例的以下描述仅是说明的目的，而不是限制由权利要求及其等同物限定的本发明的目的。
在下文中，描述相关技术术语定义：
1、mapreduce
一种编程模型，用于大规模数据集(大于1tb)的并行运算。概念"map(映射)"和"reduce(归约)"，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个map(映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。
2、iec61400
iec61400风力发电机组系列标准由iec(国际电工委员会)制定，内容涵盖风力发电机组的各个方面，如设计标准、安全要求、运行性能测试、载荷测试、噪声测量、电能质量、叶片测试、防雷击保护、机型认证以及远程监控系统等。其中，iec61400-1时关于风力发电机组的安全要求，由iec第88技术委员会-风力发电机组工作组制定，是风力发电机组最基本的标准之一，该标准具体规定了风力发电机组的设计、制造、安装、维护以及在特定环境条件下运行的安全要求，涉及到风力发电机组的各个子系统，如控制和保护机构、内部电气机构、机械系统、叶轮系统以及支撑机构等。
3、湍流强度
根据iec61400标准规定，湍流强度(turbulenceintensity，简写为ti)是指10min内风速随机变化的幅度大小，也就是10min平均风速的标准偏差与同期平均风速的比率是风电机组运行中承受的正常疲劳载荷。湍流强度反映脉动风速的相对强度，是描述大气湍流运动特性的最重要的特征量，湍流强度也可简称为湍流度或湍强。
图1是示出根据本发明的实施例的风力发电机组运行状态的评估方法的流程图。
如图1所示，首先，在步骤s100，采集风力发电机组样机的运行数据。具体地，假设采集风力发电机组样机在2017年下半年连续六个月的运行数据，且该运行数据为20ms数据，即每20ms采集一个数据点，其中，每个数据点例如至少包括风速、机舱x方向的加速度、机舱y方向的加速度和风机转速等数据。
接下来，在步骤s200，基于mapreduce算法对采集的运行数据进行并行数据处理，得到湍流强度和机舱加速度。根据本发明的实施例，具体地，将采集的运行数据进行分仓处理，并分别对分仓处理后的每个数据仓的数据进行数据滤波和数据筛选，以得到符合预定标准的数据仓。然后，根据符合预定标准的数据仓内的运行数据分别求取平均风速、湍流强度和机舱加速度，并统计数据仓内风机转速超过限定转速的次数。然后，再建立用于评估风力发电机组样机的运行状态的评估参数的key-value映射关系，并将评估参数的key-value映射关系存储至临时数据空间，其中，评估参数包括湍流强度、机舱加速度和风机转速超过限定转速的次数。最后，根据存储至临时数据空间的评估参数的key-value映射关系分别提取湍流强度和机舱加速度。下面将参照图2来详细说明基于mapreduce算法得到湍流强度和机舱加速度的具体过程。
图2是示出根据本发明的实施例的基于mapreduce算法得到湍流强度和机舱加速度的流程图。
如图2所示，在步骤s201，将采集的运行数据分仓处理，并分别对分仓处理后的每个数据仓的数据进行滤波和筛选，得到符合预定标准的数据仓。根据本发明的实施例，具体地，对采集的风力发电机组样机的运行数据进行数据分仓。然后，分别对数据分仓得到的每个数据仓的数据进行数据滤波和数据筛选，并判断筛选出来的数据点是否符合该数据仓内总数据点的预定标准。例如，预定标准为筛选出不限功率且能正常发电的数据点的数量超过该数据仓总数据点的数量的85％。通常在对数据仓进行筛选过程中，如果筛选出的数据仓内不限功率且能正常发电的数据点的数量较少，则该数据仓将会判定为无效数据仓，并丢弃不用，一般情况下，选取不限功率且能正常发电的(不包含风力发电机组故障时刻)数据点的数量超过数据仓总数据点的数量的85％的数据仓为有效数据仓并进行数据分析。数据滤波将采集的风力发电机组样机的运行数据中的毛刺去除，以保证分析结果的偏差不会过大，数据筛选将每个数据仓内不限功率且能正常发电的数据点筛选出来。应理解，上述对于预定标准的举例仅是示例性举例，本发明可采用的预定标准不限于此。
根据本发明的实施例，按照iec61400标准规定，湍流强度(turbulenceintensity，简写为ti)是指10min内风速随机变化的幅度大小，也就是10min平均风速的标准偏差与同期平均风速的比率。根据上述举例，由于采集风力发电机组样机的运行数据为20ms数据，且湍流强度是计算10min平均风速的标准偏差与同期平均风速的比率，则对采集的风力发电机组样机的运行数据进行数据分仓即是将采集的20ms运行数据分成若干个10min数据仓，则每个数据仓包括30000个20ms数据。假设有3000000个运行数据，则数据分仓结果为100个数据仓，分别为10min数据仓1、10min数据仓2、……、10min数据仓100。根据本发明的实施例，假设预定标准为筛选出的不限功率且能正常发电的数据点的数量超过该数据仓总数据点的数量的85％，则分别对分仓处理后的每个数据仓的数据进行滤波和筛选以得到符合预定标准的数据仓。下面将参照图3来详细说明得到符合预定标准的数据仓的具体过程。
图3是示出根据本发明的示例性的实施例的得到符合预定标准的数据仓的流程图。
如图3所示，在步骤s301，选择一个10min数据仓。根据上述举例，在数据分仓处理后得到的100个数据仓内任意选取的一个10min数据仓，例如选取10min数据仓3，然后，执行步骤s302和步骤s303分别对10min数据仓3内的数据进行数据处理。
在步骤s302，数据滤波。对10min数据仓3内的30000个20ms数据点进行滤波处理，以去除该数据仓内运行数据的毛刺数据，保证后续进行数据分析的精准性。
在步骤s303，数据筛选。对数据滤波处理后的10min数据仓3内的数据进行筛选，筛选出不限功率且没有发生故障正常发电的数据点。
接下来，在步骤s1，判断筛选出的数据点的数量是否超过总数据点的数量的85％。根据筛选出来的不限功率且没有发生故障正常发电的数据点的数量与10min数据仓3内的总数据点的数量进行判断，当数据筛选出的数据点的数量超过该数据仓内总数据点的数量的85％时，则执行步骤s305，否则，执行步骤s304。
在步骤s304，丢弃该数据仓。当筛选出的数据点不超过该数据仓内总数据点的85％时，判断该数据仓为无效数据仓，并丢弃该数据仓。
在步骤s305，选择该数据仓。
返回图2，在步骤s202，根据符合预定标准的每个数据仓内的运行数据获取评估风力发电机组样机的运行状态的评估参数。根据本发明的实施例，具体地，根据符合预定标准的每个数据仓内的风速分别求取平均风速和湍流强度，根据符合预定标准的每个数据仓内的机舱x方向的加速度和机舱y方向的加速度求取机舱加速度。其中，机舱加速度包括机舱x方向加速度平均值、机舱x方向加速度最大值、机舱x方向加速度最小值、机舱y方向加速度平均值、机舱y方向加速度最大值和机舱y方向加速度最小值。根据上述举例，假设10min数据仓3符合预定标准，即在10min数据仓3中数据筛选出的数据点的数量超过该数据仓内总数据点的数量的85％，则根据10min数据仓3内的风速计算平均风速和湍流强度，其中，湍流强度为10min平均风速的标准偏差与同期平均风速的比率，其计算公式如下所示：
其中，t为湍流强度，vi为风速，
根据本发明的实施例，还统计每个数据仓内风机转速超过限定转速的次数。一般情况下，风机正常运行时的风机转速在额定转速之内或者不超过额定转速的1％到3％，即风机正常运行的风机转速最大不超过额定转速的1.03倍，当风机转速超过额定转速的1.03倍时风机运行异常。具体地，统计每个数据仓内风机转速超过限定转速的次数，例如，统计每个数据仓内风机转速超过额定转速1.03倍的次数。应理解，上述对于限定转速的举例仅是示例性举例，本发明可采用的限定转速不限于此。
在步骤s203，建立评估参数的key-value映射关系，并将评估参数的key-value映射关系存储至临时数据空间。具体地，对符合预定标准的每个10min数据仓内的评估参数分别进行key-value映射关系的建立，每个符合预定标准的10min数据仓内的评估参数包括湍流强度、机舱x方向的加速度取绝对值后的平均值、机舱x方向的加速度取绝对值后的最大值、机舱x方向的加速度取绝对值后的最小值、机舱y方向的加速度取绝对值后的平均值、机舱y方向的加速度取绝对值后的最大值、机舱y方向的加速度取绝对值后的最小值和风机转速超过限定转速的次数，将评估参数的参数名称定义为键值key，将评估参数相对应的值定义为value，建立评估参数的key-value映射关系，并将评估参数的key-value映射关系数据存储至临时数据空间。根据本发明的实施例，例如，对符合预定标准的10min数据仓3内的评估参数进行key-value映射关系的建立时，将步骤s202中求取的10min数据仓3内的8个评估参数的参数名称定义为key，其中，8个评估参数的参数名称分别为湍流强度、机舱x方向的加速度取绝对值后的平均值、机舱x方向的加速度取绝对值后的最大值、机舱x方向的加速度取绝对值后的最小值、机舱y方向的加速度取绝对值后的平均值、机舱y方向的加速度取绝对值后的最大值、机舱y方向的加速度取绝对值后的最小值和统计的风机转速超过额定转速1.03倍的次数。然后，将分别与8个评估参数相对应的参数值定义为映射关系中的value值以建立起key-value映射关系，并将映射关系数据存储至临时数据空间。
在步骤s204，根据存储至临时数据空间的评估参数的key-value映射关系分别提取湍流强度和机舱加速度。具体地，根据评估参数的key-value映射关系，从临时数据空间对每个符合预定标准的数据仓内的湍流强度、机舱x方向的加速度取绝对值后的平均值、机舱x方向的加速度取绝对值后的最大值、机舱x方向的加速度取绝对值后的最小值、机舱y方向的加速度取绝对值后的平均值、机舱y方向的加速度取绝对值后的最大值和机舱y方向的加速度取绝对值后的最小值分别进行提取。
返回图1，在步骤s300，通过分析不同风速段内的湍流强度与机舱加速度之间的关系，评估风力发电机组样机的运行状态。根据本发明的实施例，具体地，根据提取的所有符合预定标准的数据仓内的湍流强度和机舱加速度，在不同风速段内对湍流强度与机舱加速度之间的关系进行分析，当机舱加速度在对应的湍流强度下超过限定加速度时，判断风力发电机组样机异常，其中，限定加速度是根据风力发电机组机型的不同来决定取值的大小。根据本发明的实施例，还包括分析不同风速段内的湍流强度与风机转速超过限定转速的次数之间的关系，并在风机转速超过限定转速的次数大于预设次数时，判断风力发电机组样机异常。
根据上述举例，假设将风速从2.5m/s～24.5m/s以1m/s为区间将风速进行分段，则可以分成2.5m/s～3.5m/s、3.5m/s～4.5m/s、……、22.5m/s～23.5m/s、23.5m/s～24.5m/s共计22个风速段，然后，分析不同风速段内的湍流强度与机舱加速度之间的关系，以及湍流强度和风机转速超过额定转速1.03倍的次数之间的关系。假设选择风力发电机组功率为2兆瓦、机舱加速度的限定加速度不超过0.2m/s2的风力发电机组在14.5m/s～15.5m/s风速段内进行数据分析，则湍流强度分别与机舱x方向的加速度取绝对值后的平均值、机舱x方向的加速度取绝对值后的最大值、机舱x方向的加速度取绝对值后的最小值、机舱y方向的加速度取绝对值后的平均值、机舱y方向的加速度取绝对值后的最大值、机舱y方向的加速度取绝对值后的最小值以及风机转速超过额定转速1.03倍的次数之间的关系如图4所示。
图4是示出根据本发明的示例性的实施例的在14.5m/s～15.5m/s风速段内对风力发电机组运行状态的分析结果图。
如图4所示，图4(a)表示湍流强度与风机转速超过额定转速1.03倍的次数之间的关系，其中，横坐标表示湍流强度，纵坐标表示风机转速超过额定转速1.03倍的次数。根据本发明的实施例，从图4(a)中可知，在14.5m/s～15.5m/s风速段内，随着湍流强度的增大，不同湍流强度所对应的风机转速超过额定转速1.03倍的次数都不超过1次，确定该风速段内风机运行正常。一般情况下，在风机转速超过额定转速1.03倍的次数较小时，例如1次、2次或者3次等，风力发电机组运行异常的因素多考虑为风力发电机组样机所处的地理环境等外界因素的影响。
根据本发明的实施例，图4(b)表示湍流强度分别与机舱x方向的加速度取绝对值后的平均值、机舱y方向的加速度取绝对值后的平均值之间的关系，其中，横坐标表示湍流强度，纵坐标表示机舱加速度取绝对值后的平均值，图中“accxavg”表示机舱x方向的加速度取绝对值后的平均值，“accyavg”表示机舱y方向的加速度取绝对值后的平均值。从图4(b)中可知，随着湍流强度的增大，机舱x方向的加速度取绝对值后的平均值也相应增大，机舱y方向的加速度取绝对值后的平均值增大幅度较小，且最大均不超过0.1m/s2，由此可知，机舱x方向的加速度取绝对值后的平均值受湍流强度的影响比机舱y方向的加速度取绝对值后的平均值受湍流强度的影响大，且该风速段内风力发电机组运行正常。
根据本发明的实施例，图4(c)表示湍流强度分别与机舱x方向的加速度取绝对值后的最大值、机舱y方向的加速度取绝对值后的最大值之间的关系，其中，横坐标表示湍流强度，纵坐标表示机舱加速度取绝对值后的最大值,图中“accxmax”表示机舱x方向的加速度取绝对值后的最大值，“accymax”表示机舱y方向的加速度取绝对值后的最大值。从图4(c)中可知，随着湍流强度的增大，机舱x方向的加速度取绝对值后的最大值和机舱y方向的加速度取绝对值后的最大值均相应增大，且最大均不超过0.1m/s2，因此，可判断该风速段内风力发电机组运行正常。
根据本发明的实施例，图4(d)表示湍流强度分别与机舱x方向的加速度取绝对值后的最小值、机舱y方向的加速度取绝对值后的最小值之间的关系，其中，横坐标表示湍流强度，纵坐标表示机舱加速度取绝对值后的最小值,图中“accxmin”表示机舱x方向的加速度取绝对值后的最小值，“accymin”表示机舱y方向的加速度取绝对值后的最小值。从图4(d)中可知，随着湍流强度的增大，机舱x方向的加速度取绝对值后的最小值和机舱y方向的加速度取绝对值后的最小值均不超过0.01m/s2，因此，判断该风速段内风力发电机组运行正常。
根据本发明的实施例，从图4中对湍流强度与机舱加速度之间的关系的分析以及对湍流强度与风机转速超过额定转速1.03倍的次数之间的关系的分析可知，在14.5m/s～15.5m/s风速段内该风力发电机组运行正常。假设在某一风速段内判断的风力发电机组运行异常，则可根据风力发电机组运行异常的表现采取相应的维护措施。例如当风机转速超过额定转速1.03倍的次数大于预设次数10次时，风力发电机组运行异常的因素考虑为风力发电机组样机本身存在的问题。又例如湍流强度和机舱加速度之间的关系出现明显异常时，比如随着湍流强度的增大而机舱加速度减小或者随着湍流强度的增大而某个湍流强度所对应的机舱加速度明显偏离，判断风力发电机组运行异常。在这些情况下，可通过维修人员对风力发电机组本身进行整体检修和维护。
图5是示出根据本发明的实施例的风力发电机组运行状态的评估装置的框图。
如图5所示，风力发电机组运行状态的评估装置500可包括数据采集模块501、数据处理模块502和评估模块503。根据本发明的实施例，风力发电机组运行状态的评估装置500可通过各种计算装置(例如，计算机、服务器、工作站等)来实现。具体地，数据采集模块501被配置为采集风力发电机组样机的运行数据。数据处理模块502被配置为基于mapreduce算法对采集的运行数据进行并行数据处理，得到湍流强度和机舱加速度。评估模块503被配置为通过分析不同风速段内的湍流强度与机舱加速度之间的关系，来评估风力发电机组样机的运行状态。根据本发明的实施例，数据采集模块501中的运行数据包括风速、机舱x方向的加速度、机舱y方向的加速度和风机转速，数据处理模块502基于mapreduce算法对数据采集模块501采集的运行数据进行并行数据处理。下面将参照图6来详细说明根据本发明实施例的数据处理模块502。
图6是示出根据本发明的实施例的数据处理模块的框图。
如图6所示，数据处理模块502包括数据分仓处理单元601、key-value映射单元602和数据提取单元603。根据本发明的实施例，具体地，数据分仓处理单元601将采集的运行数据分仓处理，并分别对分仓处理后的每个数据仓的数据进行数据滤波和数据筛选，得到符合预定标准的数据仓。其中，数据滤波将采集的风力发电机组样机的运行数据中的毛刺去除，以保证分析结果的偏差不会过大，数据筛选将每个数据仓内不限功率且能正常发电的数据点筛选出来，预定标准为筛选出的不限功率且能正常发电的数据点的数量超过该数据仓总数据点数量的85％。然后，数据分仓处理单元601根据符合预定标准的数据仓内的运行数据分别获取评估风力发电机组样机的运行状态的评估参数，其中，评估参数包括湍流强度、机舱加速度和风机转速超过限定转速的次数，其中，限定转速为风机额定转速的1.03倍。具体地，根据符合预定标准的数据仓内的风速分别求取平均风速和湍流强度，根据符合预定标准的数据仓内的机舱x方向的加速度和机舱y方向的加速度分别求取机舱x方向加速度平均值、机舱x方向加速度最大值、机舱x方向加速度最小值和机舱y方向加速度平均值、机舱y方向加速度最大值、机舱y方向加速度最小值。key-value映射单元602根据数据分仓处理单元601获取评估风力发电机组样机的运行状态的评估参数，建立评估参数的key-value映射关系，并将评估参数的key-value映射关系存储至临时数据空间。具体地，将数据分仓处理单元601中获取评估风力发电机组样机的运行状态的评估参数的参数名称包括湍流强度、机舱x方向加速度平均值、机舱x方向加速度最大值、机舱x方向加速度最小值、机舱y方向加速度平均值、机舱y方向加速度最大值、机舱y方向加速度最小值以及统计的风机转速超过限定转速的次数定义为映射关系中的key值，将评估参数对应的参数值定义为value值，建立起key-value映射关系并将key-value映射关系数据存储至临时数据空间。
数据提取单元603根据key-value映射单元602中存储至临时数据空间的评估参数的key-value映射关系提取湍流强度、机舱加速度和数据仓内风机转速超过限定转速的次数。
返回图5，评估模块503根据从数据处理模块502提取的湍流强度和机舱加速度对不同风速段内的湍流强度与机舱加速度进行分析，并当机舱加速度在对应的湍流强度下超过限定加速度时，确定风力发电机组样机运行异常。评估模块503还根据数据处理模块502中提取的风机转速超过限定转速的次数对不同风速段内的湍流强度与风机转速超过限定转速的次数之间的关系进行分析，并判断当风机转速超过限定转速的次数大于预设次数时确定风力发电机组样机运行异常。
根据本发明的实施例的风力发电机组运行状态的评估方法及装置，该方法通过mapreduce大数据算法对风力发电机组样机的运行数据进行并行数据处理，并将风速变量进行运算变换为湍流强度变量，以湍流强度和加速度关系为主对样机的运行能力和发电量进行分析，不仅减少了对大数据进行处理分析的运算时间，还提高了对风力发电机组样机的运行能力和发电量的分析效率。
根据本发明的实施例的风力发电机组运行状态的评估方法可实现为计算机可读记录介质上的计算机可读代码，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。计算机可读存储介质存储有计算机程序，该计算机程序被处理器运行时，处理器执行图1所示的风力发电机组运行状态的评估方法。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通道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读代码以分布方式被存储和执行。
本发明的另一实施例提供了一种计算机设备，包括处理器和存储计算机程序的存储器，该计算机程序被处理器运行时，处理器执行图1所示的风力发电机组运行状态的评估方法及装置。
尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。