1.一种海上风电场及机组故障诊断运维系统的诊断运维方法，系统包括故障诊断运维集控中心(1)、数据服务中心(2)、数据采集感知模块(3)，故障诊断运维集控中心(1)包括主控计算机(11)、以及安装于主控计算机(11)上的软件平台(12)、与主控计算机(11)交互的多个操作设备(13)、多个显示设备(14)；数据采集感知模块(3)包括SCADA数据源(31)、关键监测点采集数据源(32)，两者均通过数据接口(33)与数据服务中心(2)信号连接进行数据传输；数据服务中心(2)通过网络信号连接主控计算机(11)，其特征在于，所述诊断运维方法包括以下步骤：S1：启动系统，数据采集感知模块(3)自动定时执行非结构化数据处理，并存储入库；

S2：主控计算机(11)通过软件平台(12)自动定时采集数据服务中心(2)的数据，并分类处理、存储入库；

S3：在软件平台(12)上，分类选择数据源，执行数据收发与存储、数据处理与分析、数据挖掘与决策、故障诊断与警示、运维决策与管理维护功能；

S4：软件平台(12)根据数据挖掘结果，给出故障警示，推荐故障点和提供运维策略；

S5：根据需要，通过操作设备(13)、显示设备(14)显示、发送、打印软件平台(12)中的故障诊断报告、运维策略报告、运维备品备件清单、风场运行状态统计报表；

S6：风电场运维人员执行故障运维；

S7：定时执行步骤S3‑S5；

在S1中，数据采集感知模块(3)的工作方法包括以下步骤：

步骤1：关键监测点采集数据源(32)将现场采集的视频数据传输至数据服务中心(2)，数据服务中心(2)对数据进行边缘计算，包括非结构化数据处理，之后将转化后的结构化数据存储于数据服务中心(2)内作为备份；

步骤2：主控计算机(11)定时调用数据服务中心(2)内的来自SCADA数据源(31)的数据进行分类预处理，并对数据服务中心(2)中的相应数据库进行数据更新；

步骤3：主控计算机(11)定时将转化后的结构化数据在数据服务中心(2)中进行内部传输分类，并对数据服务中心(2)中的相应数据库进行数据更新存储；

在步骤1中，非结构化数据处理包括如下步骤：

步骤一：定义图像、视频和音频数据识别模板，包括数据信息来源、信息类型、监测对象、常见故障类型、故障发生原因和解决方案，每个数据字段分别定义若干位代码予以识别；

步骤二：定义结构化数据存储模板，至少包括一个索引单元和一个结构化数据的存储单元、数据特征单元、数据分类单元，存储单元用于存储识别的关键参数，数据特征单元用于表征故障特征，索引单元和数据分类单元分别用于系统数据扩展存储；

步骤三：识别来自关键监测点采集数据源(32)的非结构化数据，包括数据实体特征提取、语义分析，对分类非结构化数据进行序列化处理；

步骤四：对经过序列化处理的非结构化数据特征，与步骤一定义的数据识别模板进行匹配，筛选相应的结构化数据；

步骤五：对筛选后的结构化数据按照步骤二定义的存储模板进行分类存储，包括技术领域、监测对象，数据存储过程中，索引单元号由系统自动产生；

在S3中，故障诊断采用径向基神经网络法，包括以下步骤：

第一步：针对数据采集感知模块(3)中的分类数据，任意选取一类数据中的m组n维特征向量样本数据作为径向基神经网络的输入，第i组输入表示为：Xi＝[Xi1，Xi2，...，Xin]，i＝1，2，...，m；

第二步：对故障特征样本数据进行归一化处理；

第三步：确定径向基神经网络的基函数中心；

第四步：确定基函数宽度 其中，K为径向基函数中心点数，dj为基函数中心间的最大距离；

第五步：确定径向基神经网络的权值矩阵W；

第六步：用测试样本数据对模型进行测试。

2.根据权利要求1所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于：软件平台(12)包括集成一体的系统集成控制模块(121)、数据收发与存储模块(122)、数据处理与分析模块(123)、数据挖掘与决策模块(124)、故障诊断与警示模块(125)、运维决策与管理维护模块(126)；

数据服务中心(2)包括SCADA用户和OPC接口(201)、计算机系统(202)、以太网(203)、数据服务器(204)和分类数据传输通道接口(205)，SCADA用户和OPC接口(201)的SCADA用户通过OPC接口与计算机系统(202)连接，计算机系统(202)通过以太网(203)以及内部接口与数据服务器(204)信号连接，以太网(203)为4G或5G网络，分类数据传输通道接口(205)与数据服务器(204)信号连接。

3.根据权利要求2所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于：数据服务器(204)包括主服务器、边缘服务器，主服务器包括历史数据存储模块、故障数据存储模块和不包含非结构化数据的实时监测数据存储模块，边缘服务器包括各关键监测点现场视频数据接收处理模块以及对视频非结构化数据进行处理的结构化处理模块，结构化处理模块与实时监测数据存储模块信号连接，SCADA数据源(31)、关键监测点采集数据源(32)均储存有系统数据，SCADA数据源(31)通过分类数据传输通道接口(205)传输数据至主服务器，关键监测点采集数据源(32)通过分类数据传输通道接口(205)传输数据至边缘服务器。

4.根据权利要求3所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于：边缘服务器接收的关键监测点视频数据包括来自机舱设备监控、叶轮设备和塔筒组件外部视频监控、海缆综合监视、风场内外视频监控的视频数据，其中，风场内外视频监控反馈包括风场内外环境监测、海底电缆监测、通风空调监控和升压设备监控的视频数据。

5.根据权利要求1所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于，在第三步中，径向基神经网络的基函数中心确定方法包括如下步骤：

S31：选定基函数中心数K，确定一组初始中心向量；

对于给定的常数M，以所属数据集中样本对象Xi为中心的密度参数ε，定义为Xi与M个数据对象之间的最近距离；Xi的密度参数ε越大，数据对象分布的越稠密；计算每一个样本数据集X中数据对象的密度值，确定一个高密度数据集合D；在D中选择密度参数ε最小的数据对象作为约束，筛选出K个初始中心向量；

S32：计算每个输入到中心点的距离||Xi‑cj||；

S33：使用K均值聚类算法来确定训练样本的中心向量，计算输入样本数据X到所有聚类中心的距离，按照欧式距离最小的原则将所有样本数据划分到每个中心点所在的簇中，最小距离表示如下：d(Xi)＝argmin||Xi‑cj(n)||，j＝1，2，...，K；

式中，cj(n)是第n次迭代径向基函数的第，个中心；

重新计算样本中心，并用下式对基函数中心不断进行调整：

式中，η是学习步长，0＜η＜1，并判断所有的样本是不是都已经训练完毕，直至||cj(n+

1)‑cj(n)||＜ε，均方误差设置ε为0.0001；如果误差在允许范围内就结束训练，没有则n加

1，重复步骤b，直到最后ci(n)基本都确定为止；

由此，确定的径向基神经网络的基函数中心为：C＝C1，C2，...，CK；

在第五步中，确定径向基神经网络的权值矩阵W的方法包括如下步骤：S51：计算每个输入到确定的径向基函数中心点的距离||Xi‑cj||；

t

S52：计算出每个隐含层单元的输出Q，第，个隐含层单元的输出结果Qj可表示为：式中，1≤j≤K，K为径向基函数中心点数，即隐含层数；

S53：设置m组p维特征向量数据的测试集比例为k，则训练样本特征向量有(1‑k)×m组、测试样本k×m组；

S54：设置测试结果在0‑1范围内，用0表示无故障，用1表示有故障；

S55：计算出径向基神经网络的权值矩阵W，将训练样本结果表示为Y，第i个输出值Yi可表示为： 式中，Wij代表的是第i个输出单元和第，个隐含层单元之间的连接权，表示为 进而求得径向基神经网络的权值矩阵W；

在第六步中，使用测试样本对模型数据进行测试的方法包括如下步骤：S61：输出测试结果；

S62：采用迭代法，分别确定某一基函数中心Ci为阈值的“无故障”和“有故障”样本数据中的最大个数，并记为p和q，取max(p+q)作为最佳阈值；

S63：定义N为样本数据总数，其模型准确率为：

Ac＝max(p+q)/N；

S64：根据经验公式K＝2n+1，估算隐含层节点数K，并绘制准确率与隐含层数关系图，确定最佳隐含层节点数N；

S65：确定基函数宽度、最佳诊断准确率、最佳隐含层数、最佳分类阈值；

S66：给出诊断结果，即输出结果大于Cl认为是有故障，否则认为是无故障；

S67：根据验证结果，确认诊断结果，执行现场运维。

6.根据权利要求5所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于：在S31的初始中心向量确定时，在D中选择密度参数ε最小的数据对象作为第一个初始聚类中心c1；计算聚类中心c1和所有数据对象间的距离，排序之后选择与c1距离最远的数据对象，将其作为第2个聚类中心c2，第三个聚类中心c3的选择需要满足以下条件：max(min(d(Xi，c1)，d(Xi，c2)))，i＝1，2，...，m；

式中d(Xi，c1)和d(Xi，c2)是D内每一个数据对象Xi到聚类中心c1、c2的距离，以此类推，依次计算出满足以下条件的聚类中心点ci：max(min(d(Xi，c1)，d(Xi，c2)，...d(Xi，cK‑1)))，i＝1，2，...，m，最终得到K个中心cj，j＝1,2，...，K，作为初始聚类中心。