基于多源异构大数据的风电机组本征挖掘与状态异常辨识研究

Essential Feature Mining and Abnormal State Identification are critical parts of wind turbines state monitoring, which provide the primary basis of the fault-tolerant control and maintenance schedule optimization. In the context of multi-sourced and heterogeneous big data, the research on the rapid and accurate identification of wind turbines state has become an urgent issue. Operational mechanism of wind turbines is focused in this project to constract an efficient monitoring system of wind turbines based on the big data analysis method. Hence, the four-in-one analysis method of essential feature data describtion, multi-sourced data acquisition, heterogeneous data analysis and high dimensional data identification is developed in this project. The main research contents are as follows: (1) data association analysis method is proposed based on the fault evolution mechanism to solve the essential feature mining issue of wind turbines; (2) dynamic and rapid acquisition method of multi-sourced data is researched and four-tier structure of multi-sourced data is constracted to provide the technical support platform of data mining; (3) the noisy data cleaning, acquisition and attribute reduction preprocessing of the heterogeneous big data are researched to realize the state restoration of the essential data; (4) block structured nonlinear system identification theory is researched to solve the speed and accurancy issue depending on the digital filter technique and the multi-innovation identification theory. This projtct belongs to the applying basic research, and its research has extensive application prospect for improving the operational reliability of the wind turbines.

本征挖掘和状态异常辨识是风电机组状态监测的关键环节，是容错控制和检修计划优化的主要依据。在多源异构大数据背景下，研究计算速度快、精度高的风电机组状态辨识方法已成为一个亟待解决的课题。课题重点研究机组运行机理，借助大数据分析手段构建高效的机组监测体系，形成机组本征数据描述、多源数据采集、异构数据分析、高维数据辨识“四位一体”的分析思路。研究内容包括：(1)基于风电机组故障演化机理，提出关联数据分析方法，解决机组本征数据挖掘问题；(2)研究多源数据的动态快速采集方法，构建多源机组大数据的四层构架，为数据挖掘提供平台支撑；(3)研究异构风电大数据含噪数据清洗、集成、约简预处理方法，实现本征数据状态还原；(4)研究块结构非线性系统辨识理论，利用数字滤波技术，结合多新息辨识理论改进辨识精度，解决状态异常辨识速度和精度问题。本课题属于应用基础研究，研究成果对提高风电机组运行可靠性有很强的应用前景。

科学意义：在由物联网、物联网、云计算平台引发的新一轮信息革命浪潮中，大数据具有规模海量、多源异 构、高噪声、强时效、社会化和突发涌现等特点，给风电新产业革命也注入新的动力，推动传统风电系统预测向智能化，互联化方向发展，使得风电机组“预测性维修”的运维流程发生了根本性变化，可提升设备可靠性同时降低运营成本。基于大数据的风电高效预测预警服务平台必将成为风电运维服务商的核心竞争力.研究内容：本项目旨在研究大数据的风电机组本征挖掘和状态异常辨识问题，分析风电机组运行机理和本征数据描述，构建风电机组大数据感知体系，探讨数据去噪、集成和约简等数据处理方法；研究风电机组数据挖掘技术，预测风电机组状态运行趋势和异常状态。主要包括以下部分(1)基于风电机组故障演化机理，提出关联数据分析方法，解决机组本征数据挖掘问题；(2)研究多源数据的动态快速采集方法，构建多源机组大数据的四层构架，为数据挖掘提供平台支撑；(3)研究异构风电大数据含噪数据清洗、集成、约简预处理方法，实现本征数据状态还原；(4)研究块结构非线性系统辨识理论，利用数字滤波技术，结合多新息辨识理论改进辨识精度，解决状态异常辨识速度和精度问题。.重要结果：第一，通过分析风电系统的故障产生的机理，建立风电机组故障机理全息关联数据模式，研究其内在关系，促进了风电机组运维的网络化、智能化和平台化，从而对风电机组运行产生颠覆性的变革和冲击，以探索风电机组高效运维效率的新模式。 第二，基于大数据设计多源异构大数据信息采集方式和动态监测网络，建立数据采集平台共享机制，并提出大数据的去噪、清洗、集成和约简等处理技术，从而将大数据技术融入到风电机组的运维管理中。 第三，基于多源异构的高维大数据和非线性系统，建立高精度多信号源的风电机组 非线性模型，结合滤波技术、深度学习和状态数据研究风电机组状态辨识方法，提出风电机组故障实时多故障诊断技术。