风电大数据分析方法与研究主题

针对风电领域不断增长的海量的数据，有必要选取适当的数学分析方法对其进行研究分析，并挖掘出数据中的意义和价值。常用的数据研究技术主要有概率与统计、机器学习和数据挖掘方法。其中，传统的概率与统计方法包括多重线性回归分析、蒙特卡罗方法等。而机器学习（machine learning）包括人类学习过程的理解与模拟、人机间自然语言接口、不完全信息的推理与新事物的构造，其技术包括无监督学习（聚类分析和关联分析等）、监督学习（回归分析、分类分析和预测分析等）、强化学习。数据挖掘（data mining）价值在于从大型数据库中挖掘有价值信息并进行预测，其方法包括数据库管理、机器学习、并行计算、降维、预测等。

风电场数据不断增长且实时更新，符合大数据3V3E特征：volume（体量大）、variety（类型多）、velocity（速度快）；energy（数据即能量）、exchange（数据即交互）、empathy（数据即共情）。在大数据背景下，需要分析的数据从低维数大体量变成了高维数大体量数据。因此，需要综合采用以往的数据分析方法，并采用一些适用于大数据的数学分析方法。传统的低维度数据的统计分析方法，可能不再适合大数据分析。因此，需要利用高维数据统计与概率分析的方法对海量的大数据进行处理，然后利用机器学习、数据挖掘等人工智能技术，进行数据的深度挖掘。

总的来说，完整的风电大数据的研究应包括高维数据统计、数据分析技术、数据管理技术、数据处理技术等。高维数据统计主要利用随机矩阵理论方法对数据进行统计处理。数据分析技术包括风电并网安全在线分析、风力发电预测、风机运行状态分析等技术。数据管理技术包括风电场电力数据提取、转换和装载ETL（extract，Transfer and Load，ETL）、风电场电力数据统一公共模型等技术。数据处理技术，包括电力云、电力数据中心软硬件资源虚拟化等技术。要完成风电大数据的分析与研究，必然对数学应用研究能力提出了较高的要求。除此之外，要完成风电大数据的分析与研究，深入探讨风电机组模型与风机/风电场并网特性也显得尤为重要。(www.xing528.com)

风电场海量数据构成复杂，动态变化并且相互耦合，针对风电场的海量数据，目前已有的研究主要集中在风电场功率预测、风电机组状态估计、风电场故障识别等方面。本章在上述研究的基础上，将从以下两个方面对风电海量数据进行挖掘分析。一方面，进行风电大数据的实时在线分析。选择合适的数学方法对采集到的海量风电大数据进行粗选，除去异常数据。对粗选后的数据进行的数据挖掘，提取出有意义和有价值的信息。从风电场并网接入点110/220 kV母线、风电场分区运行输出点10/35 kV母线和风机输出端690 V母线三个物理层面对风电场状态进行实时状态估计。另一方面，进行风电大数据的离线深度挖掘，以用于动态模型验证、设备诊断和预测维护、控制器的设计。此时将海量的风电大数据建立为完整的历史数据库，通过大数据分析，挖掘出风电场的状态信息，并对未来状态进行预测。进一步，还可根据实时状态估计和基于历史数据库的状态特征库，未来可用于调度风电场各层FACTS设备，保证风电机组及整个风电场运行在正常运行的状态。

当前主要的风力发电相关大数据研究主要集中于以下几个方面。①风电场功率预测方面，能够提供与风力预测相关联的不确定性的信息的概率预测逐渐获得越来越多的关注，总的来说，目前风电场功率预测方面限于基础研究数据不够完善，对各层数据的处理只能采用单一的处理方式，预测的时间尺度短且精度不高，导致预测效果与实际功率偏离较大。②风电机组状态估计及故障识别预警方面，当前的研究不多，但是目前是热点问题，因为大数据可以帮助开展风电机组健康状态监测和故障诊断，提前预警风电机组故障并锁定故障部件，使得风电机组运维检修变被动为主动，根据风况在风电机组定期维修和小修时提前处理潜在故障，将风电机组“大故障”化“小故障”，延长大部件的寿命周期，减少或避免突发事故，有利于排除风电机组运行过程中的安全隐患，缩短运维时间，提升发电量，保障风电平稳高效运行。③风电机组状态估计方面，目前这方面的研究还主要关注单一风电机组的状态估计，缺少不同机组之间和整个风电场的状态估计研究。④风电场故障识别预警方面，目前这方面的研究侧重于风电机组的单一故障识别，针对风电场的故障识别研究工作较少，对风电机组的部分故障类型识别较好，但还不能实现所有故障类型的识别。