传统的风机故障预警一般通过设定单一变量的恒定预警阈值来实现,但在实际复杂工况下,这种方法易导致故障误报、不报或预留排查时间不足。在不同的环境温度下,风机的运行状况不完全相同,并网发电量、并网功率、各部件温度也不尽相同,仅依靠恒定预警值无法满足复杂多变的工况下的预警要求。针对此问题,本文提出一种基于大数据分析的风机群落中异常风机的识别和故障预警方法。通过对河北赤沽地区某大型风电场中所有风机运行状况的研究,并结合现场SCADA系统中相关历史数据的整理分析,采用聚类分析的方法对风场中运行工况相似的风机进行群落划分。采用统计学原理,对每一个群落中风机温度类参数进行箱式分布,依据箱式图中离群点的分布特性识别出群落中表现为离群特性的风机。在此基础上采用显著性差异分析方法对离群风机进行异常显著性判断,识别出异常运行的离群风机。为排除偶然因素造成的干扰,采用滑动窗口异常率统计分析方法消除风电机组奇异点的干扰,实现了风机群落中异常风机的识别。在hadoop大数据分析平台中采用“分布式存储、并行式计算”的方法对整个风场进行分析,实现所有群落中异常风机地识别。为进一步预测异常风机的变化特性,采用线性回归分析方法对异常风机正常历史数据进行建模,采用实时数据对模型进行残差预测。结合现场经验设置合理的预测残差预警阈值,从而实现异常风机的故障预警。