1.一种风电机组主传动系统的运行工况划分方法，其特征在于，包括：采集风电机组主传动系统的运行数据；

利用相关性分析方法挑选与主传动系统运动状态相关的状态特征参数；

对风机运行数据进行预处理，剔除无效数据，并进行归一化处理；

根据风机运行特性及风速变化情况，初步将运行工况划分为停机阶段、启动阶段、最大风能追踪阶段和恒转速阶段四类；

采用K‑Means聚类算法对风能追踪阶段和恒转速阶段进行细分。

2.如权利要求1所述的运行工况划分方法，其特征在于，所述利用相关性分析方法挑选与主传动系统运动状态相关的状态特征参数，包括：去除主传动系统中恒定不变的状态参数；

以有功功率作为主传动系统性能指标，计算剩余状态参数与有功功率的皮尔森(Pearson)相关系数；

挑选相关系数大于0.5的状态参数作为主传动系统的状态特征参数。

3.如权利要求1所述的运行工况划分方法，其特征在于，所述对风机运行数据进行预处理，包括：

剔除原始风机运行数据中状态变量值缺失及所有状态变量值为“0”的记录；

参考风机维修记录，剔除因风机维修而导致风机停机时的数据；

根据桨距角变化，剔除功率离群异常点以及0功率堆积点；

采用最大‑最小值归一化方法进行数据归一化，消除量纲的影响。

4.如权利要求3所述的运行工况划分方法，其特征在于，归一化处理的公式为：式中：xij为变量j对应的第i个数据；max(xj)和min(xj)分别为变量j的最大值和最小值；

xij′为归一化的数值。

5.如权利要求1所述的运行工况划分方法，其特征在于，所述采用K‑Means聚类算法对风能追踪阶段和恒转速阶段进行细分，包括：确定最佳聚类数目：

计算不同K值下的Calinski‑Harabasz(CH)分数S值，选取CH分数S值最大的K值为最佳的聚类数目；

基于K‑Means聚类算法细分每阶段的工况：从输入样本集X中随机选择K个初始质心点{μ1,μ2，…，μK}；

计算每个样本点和类质心点的距离；

将样本点分配到距其最近的类；

利用刚分好组的样本点计算每个类的质心；

重复上述步骤，直至其质心不再变化或达到最大迭代步数；

输出簇划分C＝{C1,C2,…,CK}，得到每阶段的工况。

6.如权利要求5所述的运行工况划分方法，其特征在于，确定最佳聚类数目的计算公式为：

式中：m为训练集样本总数，K为聚类数目，BK为类别之间的协方差矩阵，WK为类别内部数据的协方差矩阵，tr为矩阵的迹。

7.如权利要求1所述的运行工况划分方法，其特征在于，还包括：设定各个工况报警阈值，并计算误报警率。

8.如权利要求7所述的运行工况划分方法，其特征在于，所述设定各个工况报警阈值，并计算误报警率；包括：

选取主传动系统振动加速度作为故障报警检测变量，根据3σ准则设定报警上限阈值C：C＝μ+3σ

若振动加速度值超过设定阈值C时，进行报警；

对于第i种正常运行工况中，样本总数目为Bi，而超过报警阈值的样本数目为Ai，则第i种运行工况的误报警率Ri为：Ri＝Ai/Bi。

9.一种实现如权利要求1～6中任一项所述的运行工况划分方法的系统，其特征在于，包括：

采集模块，用于采集风电机组主传动系统的运行数据；

选择模块，用于利用相关性分析方法挑选与主传动系统运行状态相关的状态特征参数；

预处理模块，用于对风机运行数据进行预处理，剔除无效数据，并进行归一化处理；

初步划分模块，用于根据风机运行特性及风速变化情况，初步将运行工况划分为停机阶段、启动阶段、最大风能追踪阶段和恒转速阶段四类；

细分模块，用于采用K‑Means聚类算法对风能追踪阶段和恒转速阶段进行细分。

10.如权利要求9所述的系统，其特征在于，还包括：验证模块，用于设定各个工况报警阈值，并计算误报警率；其中，选取主传动系统振动加速度作为故障报警检测变量，根据3σ准则设定报警上限阈值C：C＝μ+3σ

若振动加速度值超过设定阈值C时，进行报警；

对于第i种正常运行工况中，样本总数目为Bi，而超过报警阈值的样本数目为Ai，则第i种运行工况的误报警率Ri为：Ri＝Ai/Bi。