本技术涉及风电场管理相关，具体涉及基于风电场全景建模的故障态分析方法及系统。
背景技术：
1、随着全球能源需求的持续增长和环境保护意识的增强，风能作为一种清洁、可再生的能源，其开发与利用已成为全球能源结构转型的重要方向，风电场的规模日益扩大，其复杂性也随之增加，如何高效、准确地监测和分析风电场的运行状态，特别是故障状态下的快速响应，成为保障风电场安全稳定运行的关键问题，风电场运维管理中，传统的故障分析方法往往局限于单一设备或局部系统的监测，难以全面、系统地反映风电场的整体运行状态，并且风电场设备众多、关联复杂，故障传播路径多样，传统方法难以有效识别关键故障点及潜在故障集群，导致故障响应速度慢、影响范围难以准确评估。
2、因此，现阶段风电场故障态分析相关技术中，存在面对复杂风电场难以精准监测整体运行状态、缺乏故障状态下的全局分析，进而导致故障态信息的定位精度不足、故障响应速度慢、影响范围评估不准确的技术问题。
技术实现思路
1、本技术通过提供基于风电场全景建模的故障态分析方法及系统，采用构建图模型、动态数据拟合、社群搜索、关联分析等技术手段，解决了现有风电场故障态分析存在的面对复杂风电场难以精准监测整体运行状态、缺乏故障状态下的全局分析，进而导致故障态信息的定位精度不足、故障响应速度慢、影响范围评估不准确的技术问题，实现了风电场故障状态的精准分析和快速响应的技术效果。
2、本技术提供基于风电场全景建模的故障态分析方法，所述方法包括：基于风电场全景模型，提取风电场全局分布，识别风电场故障态的核心设备、关联设备；以核心设备、关联设备作为图节点、以所述核心设备、关联设备的物理连接关系及数据关系进行连接，建立图形节点边，并按照关联强度和故障传播概率进行边赋权，构建图模型；连接所述风电场全景模型提取动态更新风电场全景数据，将所述风电场全景数据拟合至所述图模型进行关键故障点识别并搜索社群结果，确定潜在故障集群；根据所述关键故障点、所述潜在故障集群，分析故障点之间的关联性，基于所述图模型确定传播路径和影响范围；根据所述传播路径和影响范围与所述关键故障点进行数据关联性识别，根据关联性识别结果定位风电场故障态信息。
3、在可能的实现方式中，所述提取风电场全局分布，识别风电场故障态的核心设备、关联设备，执行以下处理：获取风电场故障态日志，对所述风电场故障态日志进行设备故障状态解析，确定所述核心设备、关联设备，所述核心设备为在故障态影响性占比达到预设阈值的设备，包括风电机组、变电站、主控系数，所述关联设备为与核心设备在物理或逻辑上具有故障影响性的设备，包括叶片、轴承、连接器、辅助控制设备；基于所述核心设备、关联设备对所述风电场全局分布进行识别定位。
4、在可能的实现方式中，将所述风电场全景数据拟合至所述图模型进行关键故障点识别并搜索社群结果，确定潜在故障集群，执行以下处理：基于所述图模型，计算每个图节点的度中心性、接近中心性、中介中心性；根据所述度中心性、接近中心性、中介中心性，确定所述关键故障点，所述关键故障点为度中心性、接近中心性、中介中心性最高的图节点；根据所述图模型中图节点、图形节点边以及边权值进行社群搜索，识别设备社群结构；根据所述关键故障点对所述设备社群结构进行连接关系分析，筛选连接关系达到紧密阈值的所述设备社群结构作为所述潜在故障集群。
5、在可能的实现方式中，所述识别设备社群结构，还执行以下处理：计算所有图形节点边的总权重，每个图节点的度，所述度为图节点连接边的权重之和；根据所述总权重、每个图节点的度，计算期望边数量；根据所述总权重、每个图节点的度、期望边数量，并基于各图节点的社群关系，通过模块度公式进行社群结构紧密判断，识别所述设备社群结构，所述设备社群结构为满足模块度达到预设阈值的社群结构。
6、在可能的实现方式中，所述设备社群结构为满足模块度达到预设阈值的社群结构，还执行以下处理：所述模块度公式的表达式为：
7、总权重m，aij节点i和节点j之间实际边连接关系，有边连接aij＝1，无边连接aij＝0，ki、kj分别为节点i、节点j的度，δ(ci,cj)表征节点i和节点j是否属于同一个社群，若属于同一社群则δ(ci,cj)＝1，否则δ(ci,cj)＝0。
8、在可能的实现方式中，根据所述传播路径和影响范围与所述关键故障点进行数据关联性识别，根据关联性识别结果定位风电场故障态信息，还执行以下处理：根据所述传播路径和影响范围定位风险节点，获取风险节点的风电场数据；获取所述关键故障点的异常参数；基于所述异常参数，对所述风险节点的风电场数据与所述关键故障点的故障前后时序风电场数据进行差异化分析，确定故障前后的差异化信息；基于所述异常参数，利用所述风险节点的风电场数据与其他节点的时序风电场数据进行关联性分析，确定关联性节点及关联信息；基于所述差异化信息、关联信息进行故障点筛选，将符合关联要求的所述风险节点、所述关联性节点、所述关键故障点作为故障态目标，定位所述风电场故障态信息。
9、在可能的实现方式中，对所述风险节点的风电场数据与所述关键故障点的故障前后时序风电场数据进行差异化分析，还执行以下处理：根据所述关键故障点的故障发生时间对所述风险节点的风电场数据进行分割，得到故障前数据段、故障后数据段，并对应分割所述关键故障点的风电场数据；利用多尺度时间序列分解所述风险节点、关键故障点的故障前数据段、故障后数据段，获得不同尺度分量；分别计算不同尺度分量的一阶导数、二阶导数；按照所述风险节点、关键故障点的时间对齐关系，分别进行故障前后的所述一阶导数、第二导数进行变化比对，确定所述差异化信息。
10、本技术还提供了基于风电场全景建模的故障态分析系统，包括：
11、风电场全局分布提取模块，用于基于风电场全景模型，提取风电场全局分布，识别风电场故障态的核心设备、关联设备；图模型构建模块，用于以核心设备、关联设备作为图节点、以所述核心设备、关联设备的物理连接关系及数据关系进行连接，建立图形节点边，并按照关联强度和故障传播概率进行边赋权，构建图模型；潜在故障集群确定模块，用于连接所述风电场全景模型提取动态更新风电场全景数据，将所述风电场全景数据拟合至所述图模型进行关键故障点识别并搜索社群结果，确定潜在故障集群；故障点关联性分析模块，用于根据所述关键故障点、所述潜在故障集群，分析故障点之间的关联性，基于所述图模型确定传播路径和影响范围；风电场故障态信息定位模块，用于根据所述传播路径和影响范围与所述关键故障点进行数据关联性识别，根据关联性识别结果定位风电场故障态信息。
12、拟通过本技术提出的基于风电场全景建模的故障态分析方法及系统，提取风电场全局分布，识别风电场故障态的核心设备、关联设备；建立图形节点边，进行边赋权，构建图模型；将风电场全景数据拟合至图模型进行关键故障点识别并搜索社群结果，确定潜在故障集群；分析故障点之间的关联性；根据传播路径和影响范围与关键故障点进行数据关联性识别，定位风电场故障态信息。解决了现有风电场故障态分析存在的面对复杂风电场难以精准监测整体运行状态、缺乏故障状态下的全局分析，进而导致故障态信息的定位精度不足、故障响应速度慢、影响范围评估不准确的技术问题，实现了风电场故障状态的精准分析和快速响应的技术效果。
1.基于风电场全景建模的故障态分析方法，其特征在于，所述基于风电场全景建模的故障态分析方法包括：
2.如权利要求1所述的基于风电场全景建模的故障态分析方法，其特征在于，所述提取风电场全局分布，识别风电场故障态的核心设备、关联设备，包括：
3.如权利要求1所述的基于风电场全景建模的故障态分析方法，其特征在于，将所述风电场全景数据拟合至所述图模型进行关键故障点识别并搜索社群结果，确定潜在故障集群，包括：
4.如权利要求2所述的基于风电场全景建模的故障态分析方法，其特征在于，所述识别设备社群结构，包括：
5.如权利要求4所述的基于风电场全景建模的故障态分析方法，其特征在于，所述模块度公式的表达式为：
6.如权利要求1所述的基于风电场全景建模的故障态分析方法，其特征在于，根据所述传播路径和影响范围与所述关键故障点进行数据关联性识别，根据关联性识别结果定位风电场故障态信息，包括：
7.如权利要求6所述的基于风电场全景建模的故障态分析方法，其特征在于，对所述风险节点的风电场数据与所述关键故障点的故障前后时序风电场数据进行差异化分析，包括：
8.基于风电场全景建模的故障态分析系统，其特征在于，所述系统用于实施权利要求1-7任意一项所述的基于风电场全景建模的故障态分析方法，所述系统包括：
