一、传统风场运维方式

耗时较长，效率较低。

二、远程运维

1、系统所需技术模块：

（1）故障数据获取模块

（2）故障数据判断模块

（3）运维方案获取模块

（4）故障数据推送模块

（5）运维方案推送模块

2、专家知识库的建立来源：

（1）自然语言

（2）基于人工智能算法获取的信息源和知识增益。

风场运维成本主要由 2 大部分构成：备件成本和运维工程师人力成本。一般情况下，每个风场需要3～4 名工程师，而运维工程师一般需要经过至少 3 年的风电专业学习才能胜任，导致人力成本较高。此外，在运维工程师无法及时确定运维方案时，还需要求助后台进行职责流转才能确定运维方案，耗时较长，效率较低。

因此，相关技术人员设计出一种基于大数据分析的风力发电机组远程运维云服务方法，通过大数据平台获取风力发电场中风力发电机组的故障数据，判断本地云服务器是否存在相似的历史故障检修方案。

若存在，就获取最优的运维方案；否则，将故障数据及相近的历史故障检修方案推送给运维专家团队，由运维专家团队给出运维方案，将运维方案推送给人工智能算法数据库，获取近似最优智能运维方案。

更高一级可以将运维建议结果在线输送给总部专家团队，由总部专家团队给出最终运维建议，最后将最终运维方案推送给远程风力发电场中的运维人员进行运维服务。

运用大数据云服务开展的远程故障诊断系统需如下技术模块：

1）故障数据获取模块：用于获取远程风力发电场中风力发电机组的故障数据。

2）故障数据判断模块：用于判断本地云服务器是否存在与所述故障数据相同的历史故障数据。

3）运维方案获取模块：用于在判断出本地云服务器存在与所述故障数据相同的历史故障数据时，获取所述 历史故障数据对应的运维方案。

4）故障数据推送模块：用于判断出本地云服务器不存在与所述故障数据相同的历史故障数据时，将所述故障数据推送给运维专家团队，以便于所述运维专家团队分析所述故障数据并给出运维方案。

5）运维方案推送模块：用于将所述运维方案推送给所述远程风力发电场的运维人员。

专家知识库的建立来源于2 个方面：

1）自然语言。包括风电行业所有运维档案，手册文件，维修记录统计，设备运行资料，领域专家经 验等，也包括领域专家的在线问题求解。

2）基于人工智能算法获取的信息源和知识增益。通过对领域专家及大数据平台采集积累的大量故障实例进行监督和无监督自适应式学习，自动从领域实例中提取 信息建立运维维修建议模型。

建立的专家知识系统是一种以运维专家级水平进行风电机组故障诊断的大数据分析云服务机制。

利用相关技术，逐步摆脱需要传统现场运维人员到运维现场诊断以及对运维人员要求精通各种运维故障诊断的强依赖性。

借助大数据平台将事先输入的专家经验知识规则以某种或某几种方法表示出来，再应用不同的推理技术及诊断策略，结合运维现场实时传到大数据平台上的数据及事实进行诊断。

这样，基于规则和人工智能机器学习算法相结合的专家知识库可以降低故障检测、 故障诊断的难度，提高风力发电机组的可利用率，降低运维成本。