大數(shù)據(jù)下風電機組發(fā)電機故障預警方法的研究.pdf

1、近年來，風能作為清潔能源為改善我國能源結(jié)構(gòu)發(fā)揮著越來越重要的作用，風力發(fā)電得到了迅猛發(fā)展。隨著風電機組大規(guī)模地投入運行，以及風電場特殊的選址和負荷的不穩(wěn)定，部分機組出現(xiàn)了運行故障，影響了風電場的安全穩(wěn)定運行。風力發(fā)電機作為風電機組故障率較高的部件，對其進行狀態(tài)監(jiān)測和故障診斷可以及時發(fā)現(xiàn)故障并安排檢修，降低發(fā)電成本，從而提高風電廠的競爭力。隨著信息采集系統(tǒng)應用的擴展，風電機組狀態(tài)監(jiān)測的廣度和深度不斷加強，生成的數(shù)據(jù)呈海量特征。如何存儲和處

2、理不斷增長的海量狀態(tài)監(jiān)測數(shù)據(jù)，進行快速有效地故障診斷與預警成為了重要的課題。在此背景下，本文對上述問題展開研究。
　　（1）針對海量狀態(tài)監(jiān)測數(shù)據(jù)，提出了結(jié)合Storm實時流數(shù)據(jù)處理和Spark內(nèi)存批處理技術(shù)的風電機組在線故障診斷與預警模型，解決了在保證精度情況下進行快速處理的問題。（2）針對電力數(shù)據(jù)中大多屬性是連續(xù)型的，設計融合了模糊集和粗糙集理論的屬性約簡算法RDD-AD，利用模糊C均值聚類算法（FCM）對各個電力特征進行模糊化

3、，通過分層計算屬性的依賴度實現(xiàn)冗余電力屬性的約簡，提高了故障診斷的精確性和有效性，為故障診斷的數(shù)據(jù)預處理階段提供有效參考。（3）針對約簡后的數(shù)據(jù)，設計了RDD-NB算法，利用樸素貝葉斯算法方法簡單、準確率高、速度快適合大量數(shù)據(jù)的分類的優(yōu)勢，對故障進行了有效的診斷。（4）針對風力發(fā)電機組所處特殊的惡劣環(huán)境和復雜多變的運行工況，設計融合了深度信念網(wǎng)絡（DBN）、BP算法以及分布式和multi-agent思想的風電機組故障特征值預測方法RDD

4、-DBNS-MA。利用DBN中的受限波爾茲曼機（RBM）貪婪地逐層預訓練，優(yōu)化了網(wǎng)絡的初始權(quán)值，加快了訓練的收斂速度和預測精度，解決了傳統(tǒng)的振動分析方法難以準確及時提取故障特征和標量化預警指標的問題。
　　最后，進行實驗測試與算例分析。選用某風電場的真實運行數(shù)據(jù)，在實驗室搭建的云計算集群上對提出的算法進行性能測試，采用Spark技術(shù)中的RDD（彈性分布式數(shù)據(jù)集）編程模型，對給出的算法進行了并行化設計，提高了其處理海量高維數(shù)據(jù)的能力