CN117932358A - 一种智能远程电场故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种智能远程电场故障诊断方法及系统，涉及风电场领域。所述方法包括：建立风电场的设备数据集；以设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；以设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；将风电场设备数据作为故障数据，将其发送至云端，执行第一故障检测数据集和第二故障检测数据集的故障相似匹配；整合故障相似匹配结果，并以整合结果生成故障诊断结果。解决了现有技术中故障诊断可靠性和效率较差技术问题，达到了提高风电场设备故障诊断的准确性和效率的技术效果。

Description

一种智能远程电场故障诊断方法及系统

技术领域

本发明涉及风电场领域，具体涉及一种智能远程电场故障诊断方法及系统。

背景技术

随着能源需求的不断增长和环境保护意识的提高，风力发电作为一种清洁、可再生的能源形式得到了广泛应用。在风力发电场中，风力发电设备是关键的组成部分，其正常运行对于风电场的稳定性和可靠性至关重要。然而，风力发电设备在长期运行中难免会出现各种故障，这些故障可能会导致设备的停机或降低运行效率，严重影响发电量。传统的故障检测和诊断方法主要依靠人工经验和观察，存在着误判率高、效率低、可靠性差等问题，无法满足大规模风电场的需求。

发明内容

本申请实施例提供了一种智能远程电场故障诊断方法及系统，解决了现有技术中故障诊断可靠性和效率较差技术问题。

鉴于上述问题，本申请实施例提供了一种智能远程电场故障诊断方法及系统。

本申请实施例的第一个方面，提供了一种智能远程电场故障诊断方法，所述方法包括：

建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。

本申请实施例的第二个方面，提供了一种智能远程电场故障诊断系统，所述系统包括：

数据集建立模块，所述数据集建立模块用于建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

第一匹配模块，所述第一匹配模块用于以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

第二匹配模块，所述第二匹配模块用于以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

提取模块，所述提取模块用于在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

第三匹配模块，所述第三匹配模块用于将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

故障诊断模块，所述故障诊断模块用于整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

首先，建立了风电场的设备数据集，其中包括设备属性数据和设备工作数据。接下来，以设备属性数据作为匹配数据，利用大数据匹配技术构建了第一故障检测数据集。通过对设备属性数据进行分析和比对，找到与之相似的故障样本，从而实现对设备故障的初步检测。同时，以设备工作数据为基础，提取了设备工作特征，并利用大数据匹配技术构建了第二故障检测数据集。这样，可以将设备工作数据与已知的故障样本进行比对，进一步提高故障检测的准确性。当风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据。将这些数据作为故障数据，发送至云端进行处理。在云端，执行第一故障检测数据集和第二故障检测数据集的故障相似匹配。通过对故障数据与已知故障样本的匹配，找到与之相似的故障情况。最后，整合故障相似匹配的结果，并以整合结果生成故障诊断结果。解决了现有技术中故障诊断可靠性和效率较差技术问题，达到了提高风电场设备故障诊断的准确性和效率的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种智能远程电场故障诊断方法流程示意图；

图2为本申请实施例提供的一种智能远程电场故障诊断系统结构示意图。

附图标记说明：数据集建立模块11，第一匹配模块12，第二匹配模块13，提取模块14，第三匹配模块15，故障诊断模块16。

具体实施方式

本申请实施例通过提供一种智能远程电场故障诊断方法及系统，解决了现有技术中故障诊断可靠性和效率较差技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请实施例提供了一种智能远程电场故障诊断方法，其中，方法包括：

建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

设备属性数据描述了设备的特征和技术规格，而设备工作数据记录了设备在运行过程中的状态和性能。通过收集和存储设备属性数据和设备工作数据可以建立一个全面的风电场的设备数据集，用于后续的故障检测、预测和维护工作。

以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

对设备属性数据进行清洗和标准化，确保数据的一致性和可比性。接着，从处理过的设备属性数据中提取关键特征，例如设备型号、制造商信息、额定功率等。通过计算设备属性数据的特征向量之间的余弦相似度或欧氏距离，可以得到设备之间的相似度值。根据设备之间的相似度，选择与目标设备最相似的样本作为匹配样本。将匹配样本与其对应的故障情况进行关联，构建第一故障检测数据集。第一故障检测数据集由匹配样本和其对应的故障情况组成。

以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

从设备工作数据中提取出与故障相关的特征，包括传感器数据、操作日志、设备状态信息等。通过大数据进行匹配，找到与目标设备工作特征相似的样本，并构建第二故障检测数据集。第二故障检测数据集包含与目标设备工作特征相似的样本及其故障情况。

在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

当监测到风电场的设备发出预警信号后，可以根据预警信号的发出时间，确定预定时间窗口的开始时间和结束时间。从风电场的数据采集系统中提取与预警信号相关的设备数据，根据预警信号的类型和故障特征，选择相应的设备数据进行提取。

将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

将风电场设备数据上传到云端，使用第一故障检测数据集进行故障相似匹配，如果第一故障检测数据集未能找到与风电场设备数据相似的样本，可以使用第二故障检测数据集进行匹配。

进一步而言，所述将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配，还包括：

将所述第一故障检测数据集和所述第二故障检测数据集保存至云端；

分别对所述第一故障检测数据集和所述第二故障检测数据集执行数据预处理，所述数据预处理包括数据小波降噪、数据归一化处理；

对数据预处理后的第一故障检测数据集和第二故障检测数据集执行时序特征和频谱特征提取；

根据时序特征和频谱特征提取结果搭建故障检测模型，并将故障检测模型存储于云端；

通过所述故障检测模型完成相似匹配。

将第一故障检测数据集和第二故障检测数据集保存至云端，以方便后续处理和分析。对保存在云端的数据集进行小波降噪和归一化处理，以提高数据质量和可靠性。对经过预处理的数据集执行时序特征和频谱特征提取，以获取数据集中的关键信息和特征。结合时序特征和频谱特征，可采用深度学习神经网络搭建风电场设备故障检测模型，并将构建好的故障检测模型存储在云端，以方便后续使用和访问。使用保存在云端的故障检测模型进行相似匹配，将风电场设备数据与模型进行对比分析，判断设备是否存在异常或故障情况。

进一步而言，方法还包括：

对目标检测数据集执行数据集内的数据异常分析，建立数据点异常，其中，所述目标检测数据集为数据预处理后的第一故障检测数据集或第二故障检测数据集，且所述数据点异常带有异常值标识；

获取目标检测数据集的数据时间标识，以所述数据时间标识、所述数据点异常进行数据的异常聚类，生成异常聚类结果；

对所述异常聚类结果进行特征变化提取，以此完成时序特征提取。

对预处理后的第一故障检测数据集或第二故障检测数据集进行数据异常分析，建立数据点异常，并为异常值标识。从目标检测数据集提取数据时间标识，以便后续进行数据聚类和时序特征提取。利用数据时间标识和数据点异常值，对目标检测数据集进行异常聚类。使用聚类算法，将具有相似异常模式的数据点归为同一类别，生成异常聚类结果。对异常聚类结果进行特征变化提取。通过比较每个异常聚类的数据点在时间上的变化趋势，提取出时序特征，例如均值、方差、斜率等。

进一步而言，方法还包括：

以所述第一故障检测数据集提取的时序特征和频谱特征搭建第一异常子网络，其中，以所述第二故障检测数据集提取的时序特征和频谱特征搭建第二异常子网络；

以所述第一异常子网络和所述第二异常子网络搭建故障检测模型，当所述故障数据发送至云端后，将所述故障数据解析为时序数据集和标定故障特征；

以所述标定故障特征进行故障检测模型内两个子网络的网络灵敏度调整，并将时序数据集分别输入调整后的第一异常子网络和第二异常子网络；

分别获得所述第一异常子网络和第二异常子网络的输出结果，基于所述输出结果的匹配度完成相似匹配。

从第一故障检测数据集中提取时序特征和频谱特征，并使用这些特征构建第一异常子网络。同样地，从第二故障检测数据集中提取时序特征和频谱特征，并构建第二异常子网络。将第一异常子网络和第二异常子网络组合起来，搭建故障检测模型。当故障数据发送至云端后，将故障数据解析为时序数据集，并提取标定的故障特征。根据标定的故障特征，调整故障检测模型内两个子网络的网络灵敏度。将调整后的第一异常子网络和第二异常子网络分别输入时序数据集，分别获取第一异常子网络和第二异常子网络的输出结果。基于输出结果的匹配度，进行相似匹配，判断故障数据是否与已知异常模式相似。

整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。

将收集到的故障相似匹配结果进行整合，基于整合结果并结合当前故障的现象和信息，进行故障诊断，得到故障诊断结果。

进一步而言，方法还包括：

建立维护方案库，其中，所述维护方案库为根据历史故障和故障维护结果评价构建的维护方案库；

在所述故障诊断结果生成后，以所述故障诊断结果进行维护方案库的方案匹配，获得维护方案集；

获取用户的维护需求，并以此解析建立评价适应度函数；

通过所述评价适应度函数对所述维护方案集筛选，根据筛选结果建立故障诊断结果的维护方案标识。

收集历史故障和故障维护结果的信息，包括故障类型、解决方法、维护步骤、所需材料等，整理成维护方案库。将生成的故障诊断结果与维护方案库中的信息进行匹配，从而获得维护方案集。通过问卷调查等方式了解用户的维护需求，并以此建立一个评价适应度函数用于筛选维护方案集。使用评价适应度函数对维护方案集进行筛选，排除不符合用户需求的方案，保留符合要求的方案。根据筛选结果，为故障诊断结果建立维护方案标识，例如将符合要求的维护方案与故障诊断结果关联起来，以方便管理。

进一步而言，方法还包括：

获得维护需求的解析结果，其中，所述解析结果包括速度特征、稳态特征、负荷特征的归一化比例；

分别以速度特征、稳态特征和负荷特征建立对应特征的评价适应度函数，并通过所述归一化比例执行函数加权；

根据加权结果通过所述评价适应度函数对所述维护方案集筛选。

在获取用户维护需求后，对这些需求进行解析，获得维护需求的解析结果，包括速度特征、稳态特征、负荷特征的归一化比例。速度特征表示设备运行速度的要求，稳态特征表示设备在稳定状态下的性能要求，负荷特征表示设备在不同负荷条件下的工作要求等。针对速度特征、稳态特征和负荷特征，分别建立对应特征的评价适应度函数。根据归一化比例，对速度特征、稳态特征和负荷特征的评价适应度函数进行加权，具体来说，将每个特征的评价适应度函数乘以对应的归一化比例，得到加权后的适应度函数。使用加权后的适应度函数对维护方案集进行筛选。对于每个维护方案，计算其在加权适应度函数下的评价值。根据评价值的大小，选择合适的维护方案并将其保留下来。

进一步而言，方法还包括：

判断所述故障诊断结果是否满足预设异常阈值；

若不能满足所述预设异常阈值，则生成连续监督指令，且所述连续监督指令带有敏感标识；

通过所述连续监督指令进行风电场的设备持续监测。

将诊断结果与预设的异常阈值进行比较，判断是否满足预设异常阈值，如果故障诊断结果不满足预设异常阈值，即超过了允许的正常范围，那么系统可以生成带有敏感标识的连续监督指令，以确保指令的安全性和机密性。连续监督指令是一种针对设备的持续监测和指导方式，主要是为了持续监测设备的运行状态，并提供及时的指导和支持，以确保设备在正常工作范围内，并在需要时进行必要的修复和调整。风电场的设备接收到连续监督指令后，可以根据指令进行相应的操作和调整。同时，对设备进行持续监测，以确保故障得到及时修复或设备状态得到调整，并保持在正常工作范围内。

综上所述，本申请实施例至少具有如下技术效果：

首先，建立了风电场的设备数据集，其中包括设备属性数据和设备工作数据。接下来，以设备属性数据作为匹配数据，利用大数据匹配技术构建了第一故障检测数据集。通过对设备属性数据进行分析和比对，找到与之相似的故障样本，从而实现对设备故障的初步检测。同时，以设备工作数据为基础，提取了设备工作特征，并利用大数据匹配技术构建了第二故障检测数据集。这样，可以将设备工作数据与已知的故障样本进行比对，进一步提高故障检测的准确性。当风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据。将这些数据作为故障数据，发送至云端进行处理。在云端，执行第一故障检测数据集和第二故障检测数据集的故障相似匹配。通过对故障数据与已知故障样本的匹配，找到与之相似的故障情况。最后，整合故障相似匹配的结果，并以整合结果生成故障诊断结果。解决了现有技术中故障诊断可靠性和效率较差技术问题，达到了提高风电场设备故障诊断的准确性和效率的技术效果。

实施例二

基于与前述实施例中一种智能远程电场故障诊断方法相同的发明构思，如图2所示，本申请提供了一种智能远程电场故障诊断系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，系统包括：

数据集建立模块11，所述数据集建立模块11用于建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

第一匹配模块12，所述第一匹配模块12用于以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

第二匹配模块13，所述第二匹配模块13用于以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

提取模块14，所述提取模块14用于在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

第三匹配模块15，所述第三匹配模块15用于将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

故障诊断模块16，所述故障诊断模块16用于整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。

进一步的，所述第三匹配模块15用于执行如下方法：

将所述第一故障检测数据集和所述第二故障检测数据集保存至云端；

分别对所述第一故障检测数据集和所述第二故障检测数据集执行数据预处理，所述数据预处理包括数据小波降噪、数据归一化处理；

对数据预处理后的第一故障检测数据集和第二故障检测数据集执行时序特征和频谱特征提取；

根据时序特征和频谱特征提取结果搭建故障检测模型，并将故障检测模型存储于云端；

通过所述故障检测模型完成相似匹配。

进一步的，所述第三匹配模块15用于执行如下方法：

对目标检测数据集执行数据集内的数据异常分析，建立数据点异常，其中，所述目标检测数据集为数据预处理后的第一故障检测数据集或第二故障检测数据集，且所述数据点异常带有异常值标识；

获取目标检测数据集的数据时间标识，以所述数据时间标识、所述数据点异常进行数据的异常聚类，生成异常聚类结果；

对所述异常聚类结果进行特征变化提取，以此完成时序特征提取。

进一步的，所述第三匹配模块15用于执行如下方法：

以所述第一故障检测数据集提取的时序特征和频谱特征搭建第一异常子网络，其中，以所述第二故障检测数据集提取的时序特征和频谱特征搭建第二异常子网络；

以所述第一异常子网络和所述第二异常子网络搭建故障检测模型，当所述故障数据发送至云端后，将所述故障数据解析为时序数据集和标定故障特征；

以所述标定故障特征进行故障检测模型内两个子网络的网络灵敏度调整，并将时序数据集分别输入调整后的第一异常子网络和第二异常子网络；

分别获得所述第一异常子网络和第二异常子网络的输出结果，基于所述输出结果的匹配度完成相似匹配。

进一步的，所述故障诊断模块16用于执行如下方法：

建立维护方案库，其中，所述维护方案库为根据历史故障和故障维护结果评价构建的维护方案库；

在所述故障诊断结果生成后，以所述故障诊断结果进行维护方案库的方案匹配，获得维护方案集；

获取用户的维护需求，并以此解析建立评价适应度函数；

通过所述评价适应度函数对所述维护方案集筛选，根据筛选结果建立故障诊断结果的维护方案标识。

进一步的，所述故障诊断模块16用于执行如下方法：

获得维护需求的解析结果，其中，所述解析结果包括速度特征、稳态特征、负荷特征的归一化比例；

分别以速度特征、稳态特征和负荷特征建立对应特征的评价适应度函数，并通过所述归一化比例执行函数加权；

根据加权结果通过所述评价适应度函数对所述维护方案集筛选。

进一步的，所述故障诊断模块16用于执行如下方法：

判断所述故障诊断结果是否满足预设异常阈值；

若不能满足所述预设异常阈值，则生成连续监督指令，且所述连续监督指令带有敏感标识；

通过所述连续监督指令进行风电场的设备持续监测。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种智能远程电场故障诊断方法，其特征在于，所述方法包括：

建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。

2.如权利要求1所述的方法，其特征在于，所述将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配，还包括：

将所述第一故障检测数据集和所述第二故障检测数据集保存至云端；

分别对所述第一故障检测数据集和所述第二故障检测数据集执行数据预处理，所述数据预处理包括数据小波降噪、数据归一化处理；

对数据预处理后的第一故障检测数据集和第二故障检测数据集执行时序特征和频谱特征提取；

根据时序特征和频谱特征提取结果搭建故障检测模型，并将故障检测模型存储于云端；

通过所述故障检测模型完成相似匹配。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

对目标检测数据集执行数据集内的数据异常分析，建立数据点异常，其中，所述目标检测数据集为数据预处理后的第一故障检测数据集或第二故障检测数据集，且所述数据点异常带有异常值标识；

获取目标检测数据集的数据时间标识，以所述数据时间标识、所述数据点异常进行数据的异常聚类，生成异常聚类结果；

对所述异常聚类结果进行特征变化提取，以此完成时序特征提取。

4.如权利要求2所述的方法，其特征在于，所述方法还包括：

以所述第一故障检测数据集提取的时序特征和频谱特征搭建第一异常子网络，其中，以所述第二故障检测数据集提取的时序特征和频谱特征搭建第二异常子网络；

以所述第一异常子网络和所述第二异常子网络搭建故障检测模型，当所述故障数据发送至云端后，将所述故障数据解析为时序数据集和标定故障特征；

以所述标定故障特征进行故障检测模型内两个子网络的网络灵敏度调整，并将时序数据集分别输入调整后的第一异常子网络和第二异常子网络；

分别获得所述第一异常子网络和第二异常子网络的输出结果，基于所述输出结果的匹配度完成相似匹配。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

建立维护方案库，其中，所述维护方案库为根据历史故障和故障维护结果评价构建的维护方案库；

在所述故障诊断结果生成后，以所述故障诊断结果进行维护方案库的方案匹配，获得维护方案集；

获取用户的维护需求，并以此解析建立评价适应度函数；

通过所述评价适应度函数对所述维护方案集筛选，根据筛选结果建立故障诊断结果的维护方案标识。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

获得维护需求的解析结果，其中，所述解析结果包括速度特征、稳态特征、负荷特征的归一化比例；

分别以速度特征、稳态特征和负荷特征建立对应特征的评价适应度函数，并通过所述归一化比例执行函数加权；

根据加权结果通过所述评价适应度函数对所述维护方案集筛选。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

判断所述故障诊断结果是否满足预设异常阈值；

若不能满足所述预设异常阈值，则生成连续监督指令，且所述连续监督指令带有敏感标识；

通过所述连续监督指令进行风电场的设备持续监测。

8.一种智能远程电场故障诊断系统，其特征在于，所述系统包括：

数据集建立模块，所述数据集建立模块用于建立风电场的设备数据集，其中，所述设备数据集中存储有设备属性数据和设备工作数据；

第一匹配模块，所述第一匹配模块用于以所述设备数据集中的设备属性数据作为匹配数据，通过大数据匹配构建第一故障检测数据集；

第二匹配模块，所述第二匹配模块用于以所述设备数据集中的设备工作数据提取设备工作特征，通过大数据匹配构建第二故障检测数据集；

提取模块，所述提取模块用于在风电场的设备发出预警信号后，提取预警信号预定时间窗口内的风电场设备数据；

第三匹配模块，所述第三匹配模块用于将所述风电场设备数据作为故障数据，将其发送至云端，执行所述第一故障检测数据集和所述第二故障检测数据集的故障相似匹配；

故障诊断模块，所述故障诊断模块用于整合故障相似匹配结果，并以整合结果生成故障诊断结果，其中，所述故障诊断结果带有维护方案标识。