大数据探析技术在风电设备异常预测中应用.doc

大数据探析技术在风电设备异常预测中应用 　　摘要：针对风电机组运行工况复杂多变，机组状态监测数据量大、多源、复杂、增长迅速等特点，现有的异常预测方法在面对大数据时难以既保证预测精度又进行快速处理，故提出了结合Hadoop批处理技术和BP神经网络的风电机组在线异常预测模型，对设备状态信息进行异常预测。实验结果显示，该异常预测方法在保证精度的前提下具有较好的加速效果，可以为风电场维护人员提供重要的参考信息 关键词：风电机组；异常预测；Hadoop批处理；BP神经网络 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）03-0245-03 Application of Big Data Analysis Technology in Wind Power Equipment Anomaly Prediction ZHANG Hui-ting， WANG Jian， LING Wei-qing （CIMS Research Center，Tongji University， Shanghai 201804， China） Abstract： According to the working conditions of wind turbine generator monitoring complex， large amount of data， multi-source， complex， the characteristics of rapid growth， the abnormal current prediction methods in the face of big data to ensure accuracy and rapid processing， the proposed combination of Hadoop batch processing technology and BP neural network of wind turbine online anomaly prediction model， abnormal prediction of equipment state information. The experimental results show that the method has good acceleration effect under the premise of ensuring the accuracy， which can provide important reference information for the wind farm maintenance staff. Key words： wind turbine； anomaly prediction； Hadoop batch processing；BP neural network 风能作为一种蕴藏量巨大且无污染的可再生能源，受到世界各国的关注与日俱增。但是，风电机组的故障率会随着运行时间的加长而不断升高，这就需要对机组主要部件的故障做好预防工作。目前，风 电 业 主 广 泛 采 用 数 据 采 集 与 监 控（supervisory control and data acquisition，SCADA）系统监测风电机组及其部件的运行状态，然而，SCADA 系统的监测项目针对各自监控的对象，仅仅依靠对监测数据设置阀值来进行越限报警，而且在线监测信息量大、采集数据点密，传统的监控系统难以满足海量监测?稻莸脑谙叽?理需求[1]。因此，如何通过风电机组状态监测大数据进行快速有效的机组设备异常预测成为了新的课题 较多研究者通过建立状态参数预测模型，分析风电机组运行状态的真实变化情况。文献[2]通过对齿轮箱温度趋势的分析建立了预测模型，该模型是基于单一运行参数针对某个子系统构建的，预测精度有待提高。文献[3]首先建立了主轴轴承、齿轮箱的多元线性回归温度预测模型来对部件温度进行一步超前预测。文献[4]提出了一种基于最小二乘支持向量机的风电机组故障预警方法，利用实际风场机组运行监控数据验证了此方法的可行性，但是，对于结构复杂的海量监测数据，该方法在保证精度的情况下难以满足我们对于处理速度的要求 针对如上问题，本文提出了结合Hadoop批处理技术和BP神经网络状态参数模型的风电机组异常预测方法。首先，使用Hadoop平台存储海量历史状态监测数据，依据选取的状态参数，实现基于BP神经网络的异常预测算法，然后使用MapReduce框架并行的对预测模型进行训练，以获得较好的加速效果，最后，通过实验验证该异常预测模型的有效性和精确性 1 风电设备异常