大數(shù)據(jù)下風(fēng)電機(jī)組發(fā)電機(jī)故障預(yù)警方法的研究.pdf

1、近年來(lái)，風(fēng)能作為清潔能源為改善我國(guó)能源結(jié)構(gòu)發(fā)揮著越來(lái)越重要的作用，風(fēng)力發(fā)電得到了迅猛發(fā)展。隨著風(fēng)電機(jī)組大規(guī)模地投入運(yùn)行，以及風(fēng)電場(chǎng)特殊的選址和負(fù)荷的不穩(wěn)定，部分機(jī)組出現(xiàn)了運(yùn)行故障，影響了風(fēng)電場(chǎng)的安全穩(wěn)定運(yùn)行。風(fēng)力發(fā)電機(jī)作為風(fēng)電機(jī)組故障率較高的部件，對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷可以及時(shí)發(fā)現(xiàn)故障并安排檢修，降低發(fā)電成本，從而提高風(fēng)電廠(chǎng)的競(jìng)爭(zhēng)力。隨著信息采集系統(tǒng)應(yīng)用的擴(kuò)展，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)的廣度和深度不斷加強(qiáng)，生成的數(shù)據(jù)呈海量特征。如何存儲(chǔ)和處

2、理不斷增長(zhǎng)的海量狀態(tài)監(jiān)測(cè)數(shù)據(jù)，進(jìn)行快速有效地故障診斷與預(yù)警成為了重要的課題。在此背景下，本文對(duì)上述問(wèn)題展開(kāi)研究。
　?。?）針對(duì)海量狀態(tài)監(jiān)測(cè)數(shù)據(jù)，提出了結(jié)合Storm實(shí)時(shí)流數(shù)據(jù)處理和Spark內(nèi)存批處理技術(shù)的風(fēng)電機(jī)組在線(xiàn)故障診斷與預(yù)警模型，解決了在保證精度情況下進(jìn)行快速處理的問(wèn)題。（2）針對(duì)電力數(shù)據(jù)中大多屬性是連續(xù)型的，設(shè)計(jì)融合了模糊集和粗糙集理論的屬性約簡(jiǎn)算法RDD-AD，利用模糊C均值聚類(lèi)算法（FCM）對(duì)各個(gè)電力特征進(jìn)行模糊化

3、，通過(guò)分層計(jì)算屬性的依賴(lài)度實(shí)現(xiàn)冗余電力屬性的約簡(jiǎn)，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(yù)處理階段提供有效參考。（3）針對(duì)約簡(jiǎn)后的數(shù)據(jù)，設(shè)計(jì)了RDD-NB算法，利用樸素貝葉斯算法方法簡(jiǎn)單、準(zhǔn)確率高、速度快適合大量數(shù)據(jù)的分類(lèi)的優(yōu)勢(shì)，對(duì)故障進(jìn)行了有效的診斷。（4）針對(duì)風(fēng)力發(fā)電機(jī)組所處特殊的惡劣環(huán)境和復(fù)雜多變的運(yùn)行工況，設(shè)計(jì)融合了深度信念網(wǎng)絡(luò)（DBN）、BP算法以及分布式和multi-agent思想的風(fēng)電機(jī)組故障特征值預(yù)測(cè)方法RDD

4、-DBNS-MA。利用DBN中的受限波爾茲曼機(jī)（RBM）貪婪地逐層預(yù)訓(xùn)練，優(yōu)化了網(wǎng)絡(luò)的初始權(quán)值，加快了訓(xùn)練的收斂速度和預(yù)測(cè)精度，解決了傳統(tǒng)的振動(dòng)分析方法難以準(zhǔn)確及時(shí)提取故障特征和標(biāo)量化預(yù)警指標(biāo)的問(wèn)題。
　　最后，進(jìn)行實(shí)驗(yàn)測(cè)試與算例分析。選用某風(fēng)電場(chǎng)的真實(shí)運(yùn)行數(shù)據(jù)，在實(shí)驗(yàn)室搭建的云計(jì)算集群上對(duì)提出的算法進(jìn)行性能測(cè)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(duì)給出的算法進(jìn)行了并行化設(shè)計(jì)，提高了其處理海量高維數(shù)據(jù)的能力