风力发电机组温度集群管控方法、装置、设备及介质与流程

1.本发明属于风力发电技术领域，尤其涉及风力发电机组温度集群管控方法、装置、设备及介质。


背景技术：

2.现有大型风力发电机组对运行环境温度的监测十分必要，机组控制系统依据环境温度对机组进行温度维度的保护控制，确保机组处于安全的运行温度。且若想实时计算每台机组的外部空气密度，机组的外部环境温度为计算中的关键参数，同时，机组运维人员也希望掌握机组外部环境温度，便于根据现场温度进行运维决策。风力发电机组技术也日益成熟和丰富，研究方向已经向着部件提前预警和自适应容差控制发展。
3.在现有技术中，风力发电机组环境温度是通过配备的温度传感器测量机组机舱外的温度来获取，风电场内每台机组均具备独立的舱外温度传感器。实际运行时，若机组舱外温度传感器失效而导致测量偏差过大，将使风电机组无法准确执行温度超限的保护，进而影响机组安全及寿命；若机组控制系统检测到舱外温度传感器故障，将控制机组停机，直至人工维修故障后才可重新运行。停机将造成机组可利用率降低和发电量损失。
4.为了有效监控舱外温度传感器是否异常，建立相应温度推算模型是一种有效手段，传统方法建立相应温度推算模型是采用以地理位置信息作为关联机组筛选条件，该方法存在以下弊端：由于风场地理环境的特殊性，不同季节由于风向等变化风机之间的温度可能会具有不同的关联性。同时风机白天和夜晚由于光照因素的影响，风机温度关联性也会发生较大的变化。而地理位置是一个固定量，无法根据季节和白天夜晚进行关联性的调整。


技术实现要素：

5.本发明的目的在于，为克服现有技术缺陷，提供了风力发电机组温度集群管控方法、装置、设备及介质, 创新性提出以温度作为关联风机的唯一筛选条件，以达到能够准确识别机组舱外温度传感器异常状态实现预警，利于风电场计划性运维；并当机组舱外温传感器故障后在不增加额外硬件的条件下给机组控制系统提供可用的参考舱外温度，以实现容差运行，将机组故障维修等待时间转化为有效发电时间。
6.本发明目的通过下述技术方案来实现：一种风力发电机组温度集群管控方法，所述风力发电机组包括舱外温度监测设备，所述方法包括：获取风电场内机组历史舱外温度数据；根据所述历史舱外温度数据的相关性初步刷选每台风机关联机群；对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型；每间隔一段预设时间调取风场当前季节段最新记录的白天和晚上的实测舱外温
度数据各一组，输入所述温度集群推算模型，推算每台机组舱外温度；针对每一台风机，根据推算得到的每台风机舱外温度核对实测舱外温度，找出差异超过预设阈值的风机并对所述差异超过预设阈值的风机所在关联机组中全部风机进行核对，剔除实时温度与被拟合风机实际温度均值的差值超过预设阈值的关联风机，并寻找关联机组外与待拟合模型的风机相关性超过预设阈值的风机中相关性最高的一台进行替代，若不存在可替代风机，则直接删除所述实时温度与推算温度差值超过预设阈值的风机，直至全部待拟合风机的误差风机剔除完毕；重复执行温度集群推算模型构建以及误差风机剔除直至所有风机的拟合温度和风机的当前温度数据差值不超过预设阈值，根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常，并启用推算温度进行机组容差运行和保护控制。
7.进一步的，所述根据所述历史舱外温度数据的相关性初步刷选每台风机关联机群包括：根据所述历史舱外温度数据，依据线性相关性计算风机之间的关联程度，并按照关联程度的从高到低筛选若干台风机形成初步的参考风机。
8.进一步的，所述对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型包括：根据每台风机的历史舱外温度数据是否大于预设温度阈值分成高温和低温两个数据集群；利用每个历史数据记录时间段给予不同时间权重和不同月份权重；再对给予了不同月份和时间权重的每台机组的历史舱外温度数据以及对应的参考风机历史舱外温度数据进行拟合，得到温度集群推算模型。
9.进一步的，所述方法还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比，对每台机组最终关联机群定期刷新。
10.进一步的，所述方法还包括：若某台风机的关联风机无法达到预设数量，则剔除差异超过预设阈值的风机，减少关联风机数量并重新建立温度集群推算模型。
11.进一步的，所述调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组的方式包括实时采集推算或间歇采集推算。
12.进一步的，所述根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常具体包括当下时刻核对和预定时间段核对中的一种或多种；其中，当下时刻核对具体包括：计算当下时刻推算温度和实测舱外温度的偏差绝对值；若所述偏差绝对值超过预设阈值则判断为实测舱外温度异常；预定时间段核对具体包括：在预定时间段内计算推算温度和实测舱外温度的偏差绝对值；若全部所述偏差绝对值均超过预设阈值则判断为实测温度异常。
13.另一方面，本发明还提供了一种风力发电机组温度集群管控装置，所述装置包括：
数据获取模块，用于获取风电场内机组历史舱外温度数据；关联机群筛选模块，用于根据所述历史舱外温度数据的相关性初步刷选每台风机关联机群；温度集群推算模型构建模块，用于对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型；机组舱外温度推算模块，用于每间隔一段预设时间调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组，输入所述温度集群推算模型，推算每台机组舱外温度；误差风机筛选模块，用于针对每一台风机，根据推算得到的每台风机舱外温度核对实测舱外温度，找出差异超过预设阈值的风机并对所述差异超过预设阈值的风机所在关联机组中全部风机进行核对，剔除实时温度与被拟合风机实际温度均值的差值超过预设阈值的关联风机，并寻找关联机组外与待拟合模型的风机相关性超过预设阈值的风机中相关性最高的一台进行替代，若不存在可替代风机，则直接删除所述实时温度与推算温度差值超过预设阈值的风机，直至全部待拟合风机的误差风机剔除完毕；机组管控模块，用于重复执行温度集群推算模型构建以及误差风机剔除直至所有风机的拟合温度和风机的当前温度数据差值不超过预设阈值，根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常，并启用推算温度进行机组容差运行和保护控制。
14.可选地，所述关联机群筛选模块根据所述历史舱外温度数据的相关性初步刷选每台风机关联机群包括：根据所述历史舱外温度数据，依据线性相关性计算风机之间的关联程度，并按照关联程度的从高到低筛选若干台风机形成初步的参考风机。
15.可选地，所述温度集群推算模型构建模块对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型包括：根据每台风机的历史舱外温度数据是否大于预设温度阈值分成高温和低温两个数据集群；利用每个历史数据记录时间段给予不同时间权重和不同月份权重；再对给予了不同月份和时间权重的每台机组的历史舱外温度数据以及对应的参考风机历史舱外温度数据进行拟合，得到温度集群推算模型。
16.可选地，所述温度集群推算模型构建模块还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比，对每台机组最终关联机群定期刷新。
17.可选地，所述温度集群推算模型构建模块还包括：若某台风机的关联风机无法达到预设数量，则剔除差异超过预设阈值的风机，减少关联风机数量并重新建立温度集群推算模型。
18.可选地，所述数据获取模块调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组的方式包括实时采集推算或间歇采集推算。
19.可选地，所述误差风机筛选模块根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常具体包括当下时刻核对和预定时间段核对中的一种或多种；
其中，当下时刻核对具体包括：计算当下时刻推算温度和实测舱外温度的偏差绝对值；若所述偏差绝对值超过预设阈值则判断为实测舱外温度异常；预定时间段核对具体包括：在预定时间段内计算推算温度和实测舱外温度的偏差绝对值；若全部所述偏差绝对值均超过预设阈值则判断为实测温度异常。
20.另一方面，本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述的任意一种风力发电机组温度集群管控方法。
21.另一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述的任意一种风力发电机组温度集群管控方法。
22.本发明的有益效果在于：（1）本发明提供的风力发电机组温度集群管控方法、装置、设备及介质仅以历史舱外温度数据作为关联机群筛选条件建立温度集群推算模型，在训练时便已按照白天夜晚以及季度进行了分类，初步确保了风机不同季节和光照下关联的稳定性。接着利用当前风机温度数据进行再训练，保证在对应类别下风机关联及温度拟合的准确性。同时该算法为自学习自调整，当某月出现与历史温度不同的温度情况时，可以自动进行风机关联性的重新调整。相比于地理位置筛选而言，该算法解决了地理位置无法依据时间对风机关联性进行分类处理的问题，同时也解决了地理位置筛选过于依赖现场经验的问题以及地理位置无法持续自动自我优化的问题。
23.（2）本发明可以根据不同的季节及光照分布情况自动生成不同的关联风机组，同时利用自我筛选剔除、更换误差关联风机。相比于传统筛选关联风机的方式，本方法筛选风机组及生成温度推算模型更加精确化及智能化，能做到对于不同温度环境采用不同的关联风机组和推算模型。同时不再需要进行人工分类校正，极大节省人力。在实际上线后也能随着风场本地温度环境的后续变化进行持续的自修正，具有更好的适应性。
24.（3）本发明提供的风力发电机组温度集群管控方法、装置、设备及介质可实时或定期推算机组舱外温度值，在舱外温度传感器出现劣化而测量不准但并未导致故障停机前，提前识别舱外温度传感器的异常状态，启用推算温度进行保护，保障了风力发电机组安全运行的条件，减少了风力发电机组潜在风险。通过推算温度与实测温度的核对，可准确识别舱外温度传感器故障趋势，同步实现状态推送提前预警，利于风电场实现计划性运维。
25.（4）本发明提供的风力发电机组温度集群管控方法、装置、设备及介质通过将集群推算模型输出的推算舱外温度提供至机组控制系统，在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度，当舱外温度传感器故障时：
①
实现容差运行控制，
②
保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时，为维修人员预留足够准备时间，另一方面保障机组空气密度的准确统计，进而保障机组功率曲线的准确统计。
26.（5）本发明提供的风力发电机组温度集群管控方法、装置、设备及介质适用陆上任何地形和海上风电场的机群。
附图说明
27.图1是本发明实施例提供的风力发电机组温度集群管控方法流程示意图；图2是本发明实施例提供的风力发电机组温度集群管控方法逻辑框图；图3是本发明实施例推算温度和实测舱外温度的对比图；图4是本发明实施例提供的风力发电机组温度集群管控装置结构框图。
具体实施方式
28.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
29.基于本发明中的实施例，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，都属于本发明保护的范围。
30.为了有效监控舱外温度传感器是否异常，建立相应温度推算模型是一种有效手段，传统方法建立相应温度推算模型是采用以地理位置信息作为关联机组筛选条件，该方法存在以下弊端：由于风场地理环境的特殊性，不同季节由于风向等变化风机之间的温度可能会具有不同的关联性。同时风机白天和夜晚由于光照因素的影响，风机温度关联性也会发生较大的变化。而地理位置是一个固定量，无法根据季节和白天夜晚进行关联性的调整。
31.为了解决上述技术问题，提出了本发明风力发电机组温度集群管控方法、装置、设备及介质的下述各个实施例。
32.实施例1参照图1和图2，如图1所示是本实施例提供的风力发电机组温度集群管控方法流程示意图，如图2所示是本实施例提供的风力发电机组温度集群管控方法逻辑框图。该方法具体包括以下步骤：步骤s100：获取风电场内机组历史舱外温度数据。
33.步骤s200：根据历史舱外温度数据的相关性初步刷选每台风机关联机群。
34.具体地，根据历史舱外温度数据的相关性初步刷选每台风机关联机群包括：根据历史舱外温度数据，依据线性相关性计算风机之间的关联程度，并按照关联程度的从高到低筛选若干台风机形成初步的参考风机。
35.作为一种实施方式，本实施例中对初步关联机群的进一步关联性验证在初次完成后，可根据新累积的历史舱外温度数据定期执行进一步关联性验证，进行最终关联机群的定期刷新，以减小客观原因导致的机组间舱外温度关联性变化影响。
36.需要说明的是，最终关联机群内包含1台或多台机组，且每台机组的最终关联进群均为独立的，两台不同机组的关联机群可以包含同一机组。
37.步骤s300：对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型。
38.具体地，对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集
群推算模型训练，获得对应温度集群推算模型包括：根据每台风机的历史舱外温度数据是否大于预设温度阈值分成高温和低温两个数据集群；利用每个历史数据记录时间段给予不同时间权重和不同月份权重；再对给予了不同月份和时间权重的每台机组的历史舱外温度数据以及对应的参考风机历史舱外温度数据进行拟合，得到温度集群推算模型。
39.具体地，本实施例对各机组和其最终关联机群历史舱外温度数据通过机器学习方法进行分析，完成各机组温度集群推算模型训练，获得对应温度推算模型。
40.作为一种实施方式，本实施例还根据机组新累积温度数据和定期刷新的关联机群，对各机组的集群推算模型进行定期训练刷新，以保证模型的准确性。
41.作为一种实施方式，本实施例中若某台风机的关联风机无法达到预设数量，则剔除差异超过预设阈值的风机，减少关联风机数量并重新建立温度集群推算模型。
42.作为一种实施方式，本实施例还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比，对每台机组最终关联机群定期刷新。
43.需要说明的是，本实施例中的目标机组集群推算模型，输入至少包括目标机组关联机群的舱外温度数据，输出为目标机组舱外温度推算值。目标机组集群推算模型的数据输入，包括关联机群内全部或部分机组的舱外温度数据，且可根据各机组数据质量和数据可用性动态调整推算模型的数据输入。
44.步骤s400：每间隔一段预设时间调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组，输入所述温度集群推算模型，推算每台机组舱外温度。
45.作为一种实施方式，本实施例中各机组温度的采集和集群推算频率，根据需求可为实时采集推算或间歇采集推算。
46.步骤s500：针对每一台风机，根据推算得到的每台风机舱外温度核对实测舱外温度，找出差异超过预设阈值的风机并对差异超过预设阈值的风机所在关联机组中全部风机进行核对，剔除实时温度与被拟合风机实际温度均值的差值超过预设阈值的关联风机，并寻找关联机组外与待拟合模型的风机相关性超过预设阈值的风机中相关性最高的一台进行替代，若不存在可替代风机，则直接删除实时温度与推算温度差值超过预设阈值的风机，直至全部待拟合风机的误差风机剔除完毕。
47.该方法可以根据不同的季节及光照分布情况自动生成不同的关联风机组，同时利用自我筛选剔除、更换误差关联风机。相比于传统筛选关联风机的方式，本方法筛选风机组及生成温度推算模型更加精确化及智能化，能做到对于不同温度环境采用不同的关联风机组和推算模型。同时不再需要进行人工分类校正，极大节省人力。在实际上线后也能随着风场本地温度环境的后续变化进行持续的自修正，具有更好的适应性。
48.步骤s600：重复执行温度集群推算模型构建以及误差风机剔除直至所有风机的拟合温度和风机的当前温度数据差值不超过预设阈值，根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常，并启用推算温度进行机组容差运行和保护控制。
49.作为一种实施方式，本实施例中预警舱外温度监测设备可选用pt100温度传感器。风电机组的舱外温度测量一般采用pt100温度传感器，将pt100传感器探出风机机舱外，以
测量每台机组机舱外环境的真实温度，为风电机组必备环境状态监测点。pt100温度传感器是一种将温度变量转换为可传送的标准化输出信号的传感器。pt100是热电阻，在0℃的时候的阻值为100欧姆，它的阻值会随着温度上升而成近似匀速的增长，在100℃时它的阻值约为138.5欧姆。参照图3，如图3所示是本实施例推算温度和实测舱外温度的对比图。其中，纵坐标表示温度差值，单位为摄氏度，横坐标表示为时间间隔，单位为10min。
50.作为一种实施方式，本实施例中推算温度核对温度传感器实测温度的方法，包括计算当下时刻推算温度和实测温度的偏差绝对值，超过预设阈值即判断实测温度异常，或在预定时间段内计算推算温度和实测温度的偏差绝对值，全部超过预设阈值即判断实测温度异常。
51.以下为本实施例提供的风力发电机组温度集群管控方法的实施实例：1.获取风电场内机组历史舱外温度数据。
52.2.根据历史舱外温度数据依据线性相关性计算风机之间的关联程度，并按照关联程度的从高到低筛选5台风机形成初步的参考风机。
53.3.对于每台机组的历史舱外温度数据，根据温度是否大于8℃分成高温和低温两个数据集群。由于日照本身跟时间关系紧密，依据专家经验法，利用每个历史数据记录时间按照是否处于8-11点，11-18点，18-20点，20-8点给予4个不同的时间权重。由于温度本身跟月份关系紧密，利用每个历史数据记录时间按照不同的月份给予不同的月份权重。将给予了不同月份和时间权重的每台机组的历史舱外温度数据以及对应的参考风机历史舱外温度数据利用lightgbm算法、线性回归等算法进行拟合初步模型构建。
54.4.调取风场最近时间段的高温/低温数据集群各一组，根据每台风机的5台初步参考风机的温度和初步模型进行温度拟合并与该台风机的温度数据进行对比，若与该台风机的温度数据差距较大，则依据5台初步参考风机的温度剔除其中平均温度与该台风机温度数据相差较大的，同时按照2所求得的关联程度表向下选取（关联度大于一个给定阈值）替代风机进行加入，若没有关联度大于给定阈值的风机，则不加入新的替代风机仅删除原差异较大的风机。重复3和4 的过程，直到所有的拟合温度和风机的温度数据接近（即差值不超过预设阈值）。
55.5.若存在风机遍历符合要求的关联表的风机后仍然无法达到5台参考风机，则直接剔除差异较大的风机减少关联风机数量并重复步骤3重新构建模型。需要说明的是5台参考风机的限制仅为一种示例。
56.6. 根据最终得到的参考风机组以及拟合模型进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常，并启用推算温度进行机组容差运行和保护控制。
57.本实施例提供的风力发电机组温度集群管控方法仅以历史舱外温度数据作为关联机群筛选条件建立温度集群推算模型，在训练时便已按照白天夜晚以及季度进行了分类，初步确保了风机不同季节和光照下关联的稳定性。接着利用当前风机温度数据进行再训练，保证在对应类别下风机关联及温度拟合的准确性。同时该算法为自学习自调整，当某月出现与历史温度不同的温度情况时，可以自动进行风机关联性的重新调整。相比于地理位置筛选而言，该算法解决了地理位置无法依据时间对风机关联性进行分类处理的问题，同时也解决了地理位置筛选过于依赖现场经验的问题以及地理位置无法持续自动自我优
化的问题。本方法可实时或定期推算机组舱外温度值，在舱外温度传感器出现劣化而测量不准但并未导致故障停机前，提前识别舱外温度传感器的异常状态，启用推算温度进行保护，保障了风力发电机组安全运行的条件，减少了风力发电机组潜在风险。该方法通过推算温度与实测温度的核对，可准确识别舱外温度传感器故障趋势，同步实现状态推送提前预警，利于风电场实现计划性运维。该方法通过将集群推算模型输出的推算舱外温度提供至机组控制系统，在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度，当舱外温度传感器故障时：
①
实现容差运行控制，
②
保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时，为维修人员预留足够准备时间，另一方面保障机组空气密度的准确统计，进而保障机组功率曲线的准确统计。该方法适用陆上任何地形和海上风电场的机群。
58.实施例2参照图4，如图4所示是本实施例提供的风力发电机组温度集群管控装置结构框图。该装置具体包括：数据获取模块10，用于获取风电场内机组历史舱外温度数据；关联机群筛选模块20，用于根据历史舱外温度数据的相关性初步刷选每台风机关联机群；温度集群推算模型构建模块30，用于对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型；机组舱外温度推算模块40，用于每间隔一段预设时间调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组，输入所述温度集群推算模型，推算每台机组舱外温度；误差风机筛选模块50，用于针对每一台风机，根据推算得到的每台风机舱外温度核对实测舱外温度，找出差异超过预设阈值的风机并对差异超过预设阈值的风机所在关联机组中全部风机进行核对，剔除实时温度与被拟合风机实际温度均值的差值超过预设阈值的关联风机，并寻找关联机组外与待拟合模型的风机相关性超过预设阈值的风机中相关性最高的一台进行替代，若不存在可替代风机，则直接删除实时温度与推算温度差值超过预设阈值的风机，直至全部待拟合风机的误差风机剔除完毕；机组管控模块60，用于重复执行温度集群推算模型构建以及误差风机剔除直至所有风机的拟合温度和风机的当前温度数据差值不超过预设阈值，根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常，并启用推算温度进行机组容差运行和保护控制。
59.可选地，关联机群筛选模块20根据历史舱外温度数据的相关性初步刷选每台风机关联机群包括：根据历史舱外温度数据，依据线性相关性计算风机之间的关联程度，并按照关联程度的从高到低筛选若干台风机形成初步的参考风机。
60.可选地，温度集群推算模型构建模块30对每台机组和每台机组的初步关联机群的历史舱外温度数据进行温度集群推算模型训练，获得对应温度集群推算模型包括：根据每台风机的历史舱外温度数据是否大于预设温度阈值分成高温和低温两个数据集群；
利用每个历史数据记录时间段给予不同时间权重和不同月份权重；再对给予了不同月份和时间权重的每台机组的历史舱外温度数据以及对应的参考风机历史舱外温度数据进行拟合，得到温度集群推算模型。
61.可选地，温度集群推算模型构建模块30还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比，对每台机组最终关联机群定期刷新。
62.可选地，温度集群推算模型构建模块30还包括：若某台风机的关联风机无法达到预设数量，则剔除差异超过预设阈值的风机，减少关联风机数量并重新建立温度集群推算模型。
63.可选地，数据获取模块10调取风场当前季节段最新记录的白天和晚上的实测舱外温度数据各一组的方式包括实时采集推算或间歇采集推算。
64.可选地，误差风机筛选模块50根据最终得到的参考风机组进行对应风机温度的拟合，若拟合的温度结果与实测舱外温度差距较大，则预警舱外温度监测设备异常具体包括当下时刻核对和预定时间段核对中的一种或多种；其中，当下时刻核对具体包括：计算当下时刻推算温度和实测舱外温度的偏差绝对值；若偏差绝对值超过预设阈值则判断为实测舱外温度异常；预定时间段核对具体包括：在预定时间段内计算推算温度和实测舱外温度的偏差绝对值；若全部偏差绝对值均超过预设阈值则判断为实测温度异常。
65.本实施例提供的风力发电机组温度集群管控装置仅以历史舱外温度数据作为关联机群筛选条件建立温度集群推算模型，在训练时便已按照白天夜晚以及季度进行了分类，初步确保了风机不同季节和光照下关联的稳定性。接着利用当前风机温度数据进行再训练，保证在对应类别下风机关联及温度拟合的准确性。同时该算法为自学习自调整，当某月出现与历史温度不同的温度情况时，可以自动进行风机关联性的重新调整。相比于地理位置筛选而言，该算法解决了地理位置无法依据时间对风机关联性进行分类处理的问题，同时也解决了地理位置筛选过于依赖现场经验的问题以及地理位置无法持续自动自我优化的问题。本装置可以根据不同的季节及光照分布情况自动生成不同的关联风机组，同时利用自我筛选剔除、更换误差关联风机。相比于传统筛选关联风机的方式，本方法筛选风机组及生成温度推算模型更加精确化及智能化，能做到对于不同温度环境采用不同的关联风机组和推算模型。同时不再需要进行人工分类校正，极大节省人力。在实际上线后也能随着风场本地温度环境的后续变化进行持续的自修正，具有更好的适应性。本装置可实时或定期推算机组舱外温度值，在舱外温度传感器出现劣化而测量不准但并未导致故障停机前，提前识别舱外温度传感器的异常状态，启用推算温度进行保护，保障了风力发电机组安全运行的条件，减少了风力发电机组潜在风险。该装置通过推算温度与实测温度的核对，可准确识别舱外温度传感器故障趋势，同步实现状态推送提前预警，利于风电场实现计划性运维。该装置通过将集群推算模型输出的推算舱外温度提供至机组控制系统，在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度，当舱外温度传感器故障时：
①
实现容差运行控制，
②
保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时，为维修人员预留足够准备时间，另一方面保障机组空气密度的准确统计，进而保障机组
功率曲线的准确统计。该装置适用陆上任何地形和海上风电场的机群。
66.实施例3本优选实施例提供了一种计算机设备，该计算机设备可以实现本技术实施例所提供的风力发电机组温度集群管控方法任一实施例中的步骤，因此，可以实现本技术实施例所提供的风力发电机组温度集群管控方法的有益效果，详见前面的实施例，在此不再赘述。
67.实施例4本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的风力发电机组温度集群管控方法中任一实施例的步骤。
68.其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
69.由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一风力发电机组温度集群管控方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一风力发电机组温度集群管控方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
70.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。