风电场故障预警方法、装置、计算机设备及介质与流程

1.本技术涉及故障预警技术领域，特别是涉及一种风电场故障预警方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着传感器技术、无线通讯技术、信息压缩算法、大数据、机器学习算法、移动通讯设备等技术的发展，传统的风电scada(supervisory control and data acquisition，数据采集与监视控制系统)系统已不能满足电力生产的需要。
3.传统的风电scada监控系统虽然可以对风力发电机实时监控，但是，无法做到故障的预警，没有搭载故障预警及专家诊断系统。
4.当复杂故障发生后，维护人员往往要往返现场几次，并且携带优盘用于拷贝数据，还要拍摄照片，上交给专家组，专家组通过专业诊断软件和数据分析后给出修复方案，再由维护人员进行故障修复，此方法的预警准确度较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高预警准确度的风电场故障预警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种风电场故障预警方法。所述方法包括：
7.获取风电场的风机状态数据；
8.根据所述风机状态数据，通过机器学习方式获取状态偏差量；
9.若根据所述状态偏差量判定风机发生异常时，推送预警提示消息；
10.根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
11.推送所述风机故障维修建议数据。
12.在其中一个实施例中，所述根据所述风机状态数据，通过机器学习方式获取状态偏差量包括：
13.根据所述风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；
14.根据所述自身机组状态数据及所述相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
15.在其中一个实施例中，所述根据所述风机状态数据，通过机器学习方式获取状态偏差量包括：
16.根据所述风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；
17.根据所述相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
18.在其中一个实施例中，所述根据所述风机状态数据，通过机器学习方式获取状态偏差量包括：
19.根据所述风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据；
20.根据所述自身机组状态数据及所述相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据所述相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量；
21.归集所述基于相邻机组状态的偏差量及所述自身机组状态偏差量，获取风机的状态偏差量。
22.在其中一个实施例中，所述获取风电场的风机状态数据之前，还包括：
23.接收风电场scada系统发送的风机状态数据，所述风机状态数据由所述风电场scada系统采用预设毫秒级采样周期采集得到。
24.在其中一个实施例中，所述推送所述风机故障维修建议数据之后，还包括：
25.接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间；
26.将所述风机状态数据、所述状态偏差量、所述风机故障维修建议数据以及所述故障排除时间关联存储。
27.第二方面，本技术还提供了一种风电场故障预警装置。所述装置包括：
28.状态数据获取模块，用于获取风电场的风机状态数据；
29.状态偏差量获取模块，用于根据所述风机状态数据，通过机器学习方式获取状态偏差量；
30.预警提示消息推送模块，用于若根据所述状态偏差量判定风机发生异常时，推送预警提示消息；
31.维修建议数据生成模块，根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
32.维修建议数据推送模块，推送所述风机故障维修建议数据。
33.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
34.获取风电场的风机状态数据；
35.根据所述风机状态数据，通过机器学习方式获取状态偏差量；
36.若根据所述状态偏差量判定风机发生异常时，推送预警提示消息；
37.根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
38.推送所述风机故障维修建议数据。
39.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
40.获取风电场的风机状态数据；
41.根据所述风机状态数据，通过机器学习方式获取状态偏差量；
42.若根据所述状态偏差量判定风机发生异常时，推送预警提示消息；
43.根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
44.推送所述风机故障维修建议数据。
45.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
46.获取风电场的风机状态数据；
47.根据所述风机状态数据，通过机器学习方式获取状态偏差量；
48.若根据所述状态偏差量判定风机发生异常时，推送预警提示消息；
49.根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
50.推送所述风机故障维修建议数据。
51.上述风电场故障预警方法、装置、计算机设备、存储介质和计算机程序产品，通过获取风电场的风机状态数据，根据风机状态数据，通过机器学习方式获取状态偏差量，若根据状态偏差量判定风机发生异常时，推送预警提示消息，然后根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据，再推送风机故障维修建议数据。本方案中，将风机状态数据，通过机器学习方式获取状态偏差量，根据状态偏差量，生成风机故障维修建议数据，可以对不同故障预警类型的状态数据进行相应的机器学习，从而提高预警准确度。
附图说明
52.图1为一个实施例中风电场故障预警方法的应用环境图；
53.图2为一个实施例中风电场故障预警方法的流程示意图；
54.图3为另一个实施例中风电场故障预警方法的流程示意图；
55.图4为风电场故障预警的具体工作流程示意图；
56.图5为一个实施例中风电场故障预警装置的结构框图；
57.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
59.本技术实施例提供的风电场故障预警方法，可以应用于如图1所示的应用环境中。其中，故障预警系统104接收风电场scada系统106发送的风机状态数据，根据风机状态数据，通过机器学习方式获取状态偏差量，若根据状态偏差量判定风机发生异常时，推送预警提示消息，根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据，推送风机故障维修建议数据给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。
60.在一个实施例中，如图2所示，提供了一种风电场故障预警方法，以该方法应用于图1中的故障预警系统104为例进行说明，包括以下步骤：
61.s100，获取风电场的风机状态数据。
62.其中，风机状态数据是风电场风力发电机运行时的状态数据，例如，风机状态数据包括风力发电机运行时的功率、温度等。
63.具体地，风电场scada系统将风电场毫秒级风机状态数据传送给故障预警系统，故障预警系统获取风电场scada系统传送的风机状态数据。
64.s200，根据风机状态数据，通过机器学习方式获取状态偏差量。
65.其中，状态偏差量是与历史记录中相同工况下不同时间的自身机组状态数据相比，得到的数据偏差量，以及自身机组状态数据与相邻机组状态数据相比，得到的数据偏差量。
66.具体地，根据历史记录中相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量，根据相邻机组状态数据及自身机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
67.s300，若根据状态偏差量判定风机发生异常时，推送预警提示消息。
68.其中，预警提示消息是故障预警系统窗口弹出的故障提示消息，以提示进行故障检查。
69.具体地，若自身机组状态偏差量和基于相邻机组的状态偏差量较大或者状态偏差量的量值持续在增大，则判定风机发生异常，故障预警系统窗口弹出风机相应部位出现故障的提示消息。
70.s400，根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据。
71.其中，风机故障维修建议数据是根据自身机组状态偏差量和基于相邻机组的状态偏差量，得到的自身机组的维修建议数据。
72.具体地，根据判定风机发生异常时对应的自身机组状态偏差量和基于相邻机组的状态偏差量，故障预警系统生成风机故障维修建议数据。
73.s500，推送风机故障维修建议数据。
74.具体地，故障预警系统推送根据自身机组状态偏差量和基于相邻机组的状态偏差量，生成的风机故障维修建议数据给终端。
75.上述风电场故障预警方法中，通过获取风电场的风机状态数据，根据风机状态数据，通过机器学习方式获取状态偏差量，若根据状态偏差量判定风机发生异常时，推送预警提示消息，然后根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据，再推送风机故障维修建议数据，能对不同的故障预警进行相应的机器学习，提高故障诊断的准确度。
76.在一个实施例中，根据风机状态数据，通过机器学习方式获取状态偏差量包括：
77.根据风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
78.其中，基于相邻机组的状态偏差量是根据自身机组状态数据与相邻机组状态数据相比，得到的状态偏差量。
79.具体地，故障预警系统在异常检测过程中，针对不同预警描述，采用不同的预警模型。为实现对风机设备无间断监测和预警服务，故障预警系统每日收集机组运行数据，提取机组运行数据中的自身机组状态数据及相邻机组状态数据，根据对应的预警模型进行机器学习，获取基于相邻机组的状态偏差量。
80.本实施例中，通过风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据，根据自身机组状态数据及相邻机组状态数据，通过对应的预警模型进行机器学习，获取基于相邻机组的状态偏差量，能便于获取状态偏差量。
81.在一个实施例中，根据风机状态数据，通过机器学习方式获取状态偏差量包括：
82.根据风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
83.其中，自身机组状态偏差量是与历史记录中相同工况下不同时间的自身机组状态数据相比，得到的状态偏差量。
84.具体地，根据故障预警系统每日收集的机组运行数据，获取其中历史记录中相同工况下不同时间的自身机组状态数据，根据对应的预警模型进行机器学习，获取自身机组状态偏差量。
85.本实施例中，通过风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据，根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量，能便于获取状态偏差量。
86.在一个实施例中，如图3所示，s200包括：
87.s220，根据风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据。
88.s240，根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
89.s260，归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量。
90.示例性地，预警类型包括控制类预警、大部件预警、降容预警、传感器预警，其中，叶片声音传感器可以通过三支桨叶运行时声音频谱特征数据，探测其气动特性是否存在异常，利用传感器预警模型对三支桨叶运行时声音频谱特征数据进行机器学习，机器学习中对比历史记录中相同工况下不同时间的自身机组的三支桨叶运行时声音频谱特征数据、以及相邻机组的三支桨叶运行时声音频谱特征数据，得到基于相邻机组状态的偏差量及自身机组状态偏差量，归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取三支桨叶运行时声音频谱特征的状态偏差量。
91.本实施例中，先通过风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据，然后，根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量，最后，归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量，能通过机器自行学习后给出故障部位，发出预警。
92.在一个实施例中，获取风电场的风机状态数据之前，还包括：
93.接收风电场scada系统发送的风机状态数据，风机状态数据由风电场scada系统采用预设毫秒级采样周期采集得到。
94.具体地，故障预警系统每日接收风电场scada系统传输的风电场毫秒级运行数据，并使用zip(zone improvement plan，区改善计划)无损压缩方式对风电场毫秒级运行数据进行压缩传输。
95.本实施例中，通过故障预警系统每日接收风电场scada系统传输的风电场毫秒级
运行数据，并使用zip无损压缩方式对风电场毫秒级运行数据进行压缩传输，能克服风电场环境下传输数据慢的困难。
96.在一个实施例中，推送风机故障维修建议数据之后，还包括：
97.接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间；将风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储。
98.具体地，由现场人员头戴智能头盔，智能头盔提供作业视频记录功能及作业实时画面传输功能，故障预警系统接收智能头盔反馈的故障已排除确认消息，并记录故障排除时间，并将相应故障的风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储。其中，智能头盔配备1300万像素、137
°
超广角高清摄像头、麦克风、喇叭、照明灯及高容量电池。
99.本实施例中，通过接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间，将风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储，能实现实时信息共享，提高机组问题处理的效率。
100.为详细说明本技术风电场故障预警方法的技术方案及其效果，下面将采用具体应用实例展开描述。在实际应用中，图4为风电场故障预警的具体工作流程，整个风电场故障预警方法包括以下步骤：
101.1、风电场毫秒级运行数据实时上传。
102.2、故障预警系统对实时数据进行分析判断。
103.3、当故障发生或存在隐患时，发起预警，将故障数据和分析结果上传至专家系统。
104.4、专家系统分析故障并给出解决方案。
105.5、专家系统指导现场人员修复故障/排查隐患。
106.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
107.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的风电场故障预警方法的预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个预警装置实施例中的具体限定可以参见上文中对于风电场故障预警方法的限定，在此不再赘述。
108.在一个实施例中，如图5所示，提供了一种风电场故障预警装置，包括：状态数据获取模块100、状态偏差量获取模块200、预警提示消息推送模块300、维修建议数据生成模块400和维修建议数据推送模块500，其中：
109.状态数据获取模块100，用于获取风电场的风机状态数据；
110.状态偏差量获取模块200，用于根据风机状态数据，通过机器学习方式获取状态偏差量；
111.预警提示消息推送模块300，用于若根据状态偏差量判定风机发生异常时，推送预
警提示消息；
112.维修建议数据生成模块400，根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；
113.维修建议数据推送模块500，推送风机故障维修建议数据。
114.在一个实施例中，状态偏差量获取模块200还用于根据风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
115.在一个实施例中，状态偏差量获取模块200还用于根据风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
116.在一个实施例中，状态偏差量获取模块200还用于根据风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量；归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量。
117.上述风电场故障预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
118.在一个实施例中，提供了一种计算机设备，该计算机设备可以是故障预警系统，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风电场故障预警方法。
119.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
120.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
121.获取风电场的风机状态数据；根据风机状态数据，通过机器学习方式获取状态偏差量；若根据状态偏差量判定风机发生异常时，推送预警提示消息；根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；推送风机故障维修建议数据。
122.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
123.根据风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
124.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
125.根据风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
126.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
127.根据风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量；归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量。
128.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
129.接收风电场scada系统发送的风机状态数据，风机状态数据由风电场scada系统采用预设毫秒级采样周期采集得到。
130.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
131.接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间；将风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储。
132.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
133.获取风电场的风机状态数据；根据风机状态数据，通过机器学习方式获取状态偏差量；若根据状态偏差量判定风机发生异常时，推送预警提示消息；根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；推送风机故障维修建议数据。
134.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
135.根据风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
136.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
137.根据风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
138.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
139.根据风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量；归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量。
140.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
141.接收风电场scada系统发送的风机状态数据，风机状态数据由风电场scada系统采用预设毫秒级采样周期采集得到。
142.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
143.接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间；将风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储。
144.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
145.获取风电场的风机状态数据；根据风机状态数据，通过机器学习方式获取状态偏差量；若根据状态偏差量判定风机发生异常时，推送预警提示消息；根据判定风机发生异常时对应的状态偏差量，生成风机故障维修建议数据；推送风机故障维修建议数据。
146.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
147.根据风电场的风机状态数据，获取自身机组状态数据及相邻机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量。
148.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
149.根据风电场的风机状态数据，获取历史记录中相同工况下不同时间的自身机组状态数据；根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
151.根据风电场的风机状态数据，获取自身机组状态数据、相邻机组状态数据、以及历史记录中相同工况下不同时间的自身机组状态数据；根据自身机组状态数据及相邻机组状态数据，通过机器学习方式获取基于相邻机组的状态偏差量、并根据相同工况下不同时间的自身机组状态数据，通过机器学习方式获取自身机组状态偏差量；归集基于相邻机组状态的偏差量及自身机组状态偏差量，获取风机的状态偏差量。
152.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
153.接收风电场scada系统发送的风机状态数据，风机状态数据由风电场scada系统采用预设毫秒级采样周期采集得到。
154.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
155.接收现场故障处理终端反馈的故障已排除确认消息，并记录故障排除时间；将风机状态数据、状态偏差量、风机故障维修建议数据以及故障排除时间关联存储。
156.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
157.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
158.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
159.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。