1.一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：以下步骤：(1)按一定的周期性提取新能源远程测试设备数据，对数据进行标准化处理，形成设备特征信息参数；(2)根据特征信息参数并获取存储设备运行历史数据，为故障诊断分析和故障预警进行数据准备；从数据库中选择出正常状态数据，同时对剩余的数据的故障状态类型进行标注，针对各类运行状态的数据源进行模型的挖掘构建；(3)将设备实时监测数据与故障数据模型相匹配，若匹配不成功，且无实际故障发生则返回继续监测设备运行状况；若匹配不成功且有故障发生，则经过专家诊断后将新的故障模式加入故障模型库；若匹配成功，则确定故障类型并将故障定位至具体故障元件，计算由故障项目集引起的显性故障在整个故障库发生的概率；(4)通过历史故障数据和故障状态数据作为样本对神经网络进行训练，使其达到规定的误差范围，将故障状态的关键因素作为已训练好的神经网络模型的输入值，得到故障元件隐性故障影响值；(5)根据计算结果确定影响值所属的值域，判断隐性故障的发展程度，预测隐性故障的发展趋势，给出隐性故障预警检测结果，并及时发出警报；所述步骤(1)中，采用小波包分解将带有噪声的特征信息的一维时间序列分解到各相互正交的小波空间中，并得到相应的小波包分解系数；对小波包分解得到的第1个节点对应的小波包分解系数进行相空间重构，分别采用互信息方法和伪近邻法选取相空间重构时间延迟和最佳嵌入维数，对小波包分解系数进行相空间重构得到的相空间矩阵；所述步骤(2)中，模型构建过程中，选取Db10小波基对数据进行3级小波多分辨分析，获得低高频段的3层小波系数；每个故障数据集要计算一个3维的特征向量，应用混合高斯模型对多维特征数据的复杂分布进行描述，生成故障模式数学模型；所述步骤(4)中，通过历史故障数据和故障状态数据作为样本对神经网络进行训练，使其达到规定的误差范围，将故障状态下五个关键因素：显性故障概率、磨损系数、寿命系数、重要系数和故障综合风险值，作为已训练好的神经网络模型的输入值，得到故障元件隐性故障影响值。
2.如权利要求1所述的一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：所述步骤(1)中，用LTSA算法来实现相空间中高维数据的非线性维数约简，并采用自适应极大似然估计方法估计出维数约简的目标维数；对相空间重构的高维数据进行维数约简后，根据相空间重构方法反求降噪后的一维小波包分解系数。
3.如权利要求1所述的一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：所述步骤(2)中，采用Oracle数据库来存储设备运行历史数据，为故障诊断分析和故障预警模块做好数据准备；从数据库中选择出正常状态数据，同时对剩余的数据的故障状态类型进行标注，针对各类运行状态的数据源进行模型的挖掘构建。
4.如权利要求1所述的一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：所述步骤(2)中，构建设备运行历史数据库具体包括故障知识库、故障样本库和设备自身信息库，故障知识库用于存储故障特征、故障信息及处理办法，故障样本库用来存储设备发生故障时此设备的生产信息、实时状态和设备故障信息，设备的实时状态、生产数据库主要存储设备运行时的关键部位参数及设备生产数据，设备自身信息库记录设备名称、设备的型号、设备投入生产的时间、设备的自然年限和/或维修记录的设备自身基础信息。
5.如权利要求1所述的一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：所述步骤(3)中，采用下述实时数据判断分析方法：获取实时数据，此处的实时数据为与建模阶段测点相同的数据矩阵，数据量为时间窗长度；应用时域分析手段对实时数据进行时域特征计算，计算的时域特征有均方根值、峰峰值、峭度和方差4个关键指标得到特征向量，判断时域特征向量各个参数均是否在设定之内，若满足条件，则判定为正常运行状态数据，若不满足条件，则判定为故障运行数据。
6.如权利要求1所述的一种基于数据挖掘的新能源远程测试设备故障诊断方法，其特征是：所述步骤(4)中，构建BP神经网络，通过历史故障数据和故障状态数据，对神经网络进行学习训练，使其获得故障状态属性值各数据间的关系；当需要对新的样本模式进行隐性故障影响值预测时，通过将新的样本故障状态的关键因素作为输入值输入已训练好的神经网络，神经网络输出隐性故障影响值，从而实现对隐性故障状态的预测。
