基于大数据和机器学习的风电场运行认知和趋势预测

发布时间：2024-07-08 19:08

　　近年来,风电在电力系统中的渗透率不断提高,发挥着不可或缺的作用。风电机组运行过程中产生的海量数据记录着风电机组的实际运行状况,采用数据挖掘和机器学习的方法对这些数据进行数据挖掘很有意义。随着大数据和机器学习技术的迅猛发展,风电大数据研究具有更大的可能性和更广的应用前景。针对风电场运行过程中产生的海量数据的应用问题,本文沿着数据预处理,风电场运行状态可视化,风电场运行数据分析和趋势预测的顺序,对风电场大数据进行了展示、分析和预测。首先介绍了电力大数据的基本构成、发展现状和应用前景,并对风电大数据研究方法和机器学习在大数据分析中的应用进行了分析。其次,从大数据预处理方法出发,介绍了各预处理方法的原理并基于实测数据,采用主成分分析和t-分布邻域嵌入算法,对风电场运行过程中的高维数据进行了降维处理和结果分析。再次,设计和实现了对风电大数据进行统计分析和实时状态监控的可视化系统,通过结合时序数据库InfluxDB和可视化工具Grafana实现了风电场运行状态的认知。最后,搭建了基于长短期记忆网络的风电机运行状态模型,紧接着对风电机网相互作用关联因素进行预测研究,采用Prony算法对其预测结果进行...

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 大数据在现代风电系统中的应用发展
        1.1.1 大数据的概念
        1.1.2 风电大数据的基本构成
        1.1.3 风电大数据的发展现状
    1.2 风电大数据的研究方法
        1.2.1 数据采集
        1.2.2 数据存储
        1.2.3 数据预处理
        1.2.4 数据分析
        1.2.5 数据可视化
    1.3 机器学习在大数据分析的应用
        1.3.1 机器学习,数据挖掘和大数据的关系
        1.3.2 机器学习分析方法
    1.4 本文主要工作
第二章 风电场大数据的预处理方法分析
    2.1 数据预处理方法
        2.1.1 数据预处理方法分类
        2.1.2 数据预处理的常用方法
    2.2 数据预处理方法在风电大数据上的应用
    2.3 基于PCA和 T-SNE进行风电大数据处理
        2.3.1 主成分分析原理
        2.3.2 t-分布邻域嵌入原理
        2.3.3 算例分析
    2.4 本章小结
第三章 基于数据可视化的风电场运行状态认知
    3.1 风电场监测数据可视化平台
        3.1.1 系统整体架构
        3.1.2 工作流程
    3.2 数据可视化平台关键技术
        3.2.1 时间序列数据库
        3.2.2 可视化工具
    3.3 数据可视化平台的实现
        3.3.1 数据处理模块
        3.3.2 数据聚合模块
        3.3.3 数据可视化模块
        3.3.4 系统实现和展示
    3.4 本章小结
第四章 基于机器学习的风电场运行状态趋势预测
    4.1 风电机组运行状态预测模型
        4.1.1 风电功率关联因素
        4.1.2 长短期记忆网络模型设计
        4.1.3 TensorFlow框架下的模型实现
        4.1.4 算例分析
    4.2 并网风电与电网间的机网相互作用现象
        4.2.1 机网相互作用分类
        4.2.2 机网相互作用
    4.3 基于prony算法的机网相互作用的振荡模态预测
        4.3.1 prony算法
        4.3.2 算例分析
    4.4 本章小结
第五章 全文总结及展望
    5.1 主要工作与创新点
    5.2 后续研究工作
参考文献
致谢
攻读硕士学位期间已发表或录用的论文
攻读硕士学位期间参加的科研工作



本文编号：4003739