基于Spark和神經(jīng)網(wǎng)絡(luò)的風電機組發(fā)電機狀態(tài)監(jiān)測.pdf

1、風能，作為可再生能源，無窮無盡，清潔環(huán)保，已成為許多國家可持續(xù)發(fā)展戰(zhàn)略的一個重要組成部分，因此，風力發(fā)電得到了迅速的發(fā)展。風電機組工作環(huán)境惡劣，長期受到正常和極端溫度、降雨、積雪、沙塵、太陽輻射等環(huán)境因素的影響，各部件也必將不可避免隨著運行時間的變化而老化，可靠性下降，導致故障發(fā)生，影響風電場的安全穩(wěn)定。風力發(fā)電機作為風電機組故障率較高的部件，對其進行實時狀態(tài)監(jiān)測，及時發(fā)現(xiàn)故障征兆，確定合理的維護方案，對降低維護成本和提高機組的可靠性具

2、有重大意義。目前，風電機組通過傳感器實時地采集其重要參數(shù)，這將使得存儲數(shù)據(jù)從GB級上升到TB級，甚至是PB級。在大數(shù)據(jù)背景下，如何能夠快速的處理日益增長的海量狀態(tài)監(jiān)測數(shù)據(jù)，并且能夠準確地分析當前情況下風力發(fā)電機的運行狀態(tài)成為了新的課題。在此背景下，本文采用溫度趨勢分析的方法對上述問題展開研究。
　?。?）在能夠獲取風力發(fā)電機實時監(jiān)測數(shù)據(jù)的基礎(chǔ)上，建立了用于風力發(fā)電機溫度預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型。通過相關(guān)系數(shù)法對風力發(fā)電機溫度的影響因

3、素進行分析，確定了網(wǎng)絡(luò)輸入，通過試湊法得到網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)，從而確定網(wǎng)絡(luò)結(jié)構(gòu)。
　?。?）針對在使用風機監(jiān)測數(shù)據(jù)對小波神經(jīng)網(wǎng)絡(luò)訓練時出現(xiàn)的收斂速度慢、易陷入局部最優(yōu)現(xiàn)象，本文采用改進的花朵授粉算法對小波神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括權(quán)值、伸縮因子和平移因子進行優(yōu)化。通過引入混沌序列和t分布變異，使花朵授粉算法具有更好的尋優(yōu)能力，加快了小波神經(jīng)網(wǎng)絡(luò)的訓練速度，提高了精度。
　?。?）針對海量風電機組狀態(tài)監(jiān)測數(shù)據(jù)，本文提出了改進的并行

4、化花朵授粉算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（CITDMFPA-WNN）模型，并將該模型部署在Spark平臺上，利用優(yōu)化后的參數(shù)進行溫度預(yù)測。通過引入并行化，提高計算速度，使算法具備處理海量數(shù)據(jù)的能力。
　?。?）采用上述模型利用風力發(fā)電機實時監(jiān)測數(shù)據(jù)進行風力發(fā)電機溫度預(yù)測，然后采用滑動窗口統(tǒng)計方法對溫度殘差，即預(yù)測溫度值與實際溫度值的差值，進行分析來確定對風力發(fā)電機工作異常監(jiān)測時所需的均值和標準差的閾值，從而確定風力發(fā)電機的實時運行狀態(tài)，達到