原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
【摘要】提出一种基于非线性状态估计算法（NSET），结合现有大数据云平台系统的Spark内存批处理的大数据处理框架，建立风电机组故障预警算法。以大数据云平台系统中风电机组SCADA数据作为数据源，通过算法模型分析处理传动链大部件设备异常表征，形成故障预警记录。将目标设备监测参数的前一时刻也作为模型训练的特征参数之一，组成非线性状态估计算法的记忆矩阵，并应用归一化方法对算法模型进行处理。故障预警记录提交给风电场运维人员进行设备故障事前检修，通过实际应用验证所提算法能够提前预警潜在故障，可以有效地降低设备停机时长。
1.综述
近年来，风力发电发展迅猛，风机装机容量快速增长，风力发电在改善我国能源结构中发挥越来越重要的作用。随着风电机组大规模地投入运行，以及风电场特殊的选址和负荷的不稳定，机组某些部件例如齿轮箱、发电机、主轴等传动链设备容易发生故障，造成故障停机，严重影响发电量，造成不必要的经济损失。因此，有必要对风电机组提出有效的预防性检修策略，对关键故障部件进行状态监测和故障预警。如果在故障发生前做出预测，就能够提前制定检修计划，合理安排检修人员与物资，减少因风电机组突然停机造成的损失，降低发电成本，保证机组安全稳定运行，从而提高风电场的竞争力。
如今，风电场监控与采集系统（SCADA）在机组状态监测的广度和深度不断加强，现已积累了海量的运行数据，但未能充分利用，如何挖掘不断增长的海量状态监测数据，进行快速有效的故障预警成为了热点研究方向。
本文针对SCADA存储的海量设备监测数据，提出一种基于非线性状态估计算法（NSET），结合现有大数据云平台系统的Spark内存批处理的大数据处理框架，建立一种风机故障预警模型。该模型利用平台存储的海量风机监测数据，并在Spark分布式编程模型下，建立机组的关键参数NSET预测模型，通过模型预测值和实际值的残差，判断机组运行的健康状态，达到风机故障预警的目的。
2.基础算法
2.1非线性状态估计算法（NSET）
NSET建模需要用到的参量包括系统总体观测矩阵P、训练矩阵K、过程记忆矩阵D以及观测矩阵Xobs和预测输出矩阵Xest。
设系统总体观测矩阵Pn×b形式如式（1），其中n表示时间状态，b表示每个时间的观测变量数。
其中矩阵的行向量为某一给定参数Xi在某个观测时间段内的所有观测值，可表示为，（2）
矩阵的列向量为某一时刻tj所有观测参数的观测值，可表示为，（3）
从总体观测矩阵P中选取一段时间的参数记为历史观测矩阵K，代表各个观测参数的健康状态。K可表示为，（4）
从历史观测向量即训练矩阵K中选择出一部分满足条件的状态数据即可构成过程记忆矩阵D。过程记忆矩阵D可表示为，（5）
NEST模型的输入是具有一定时间长度的观测向量Xobs，输出为当前系统的状态估计矩阵Xest，对任意输入的一个观测向量Xobs，NEST模型都相应的生成一个与Xobs维数相同（设维数为m）的权值向量W使得（6）
其中
过程记忆矩阵和状态估计相似性测度的大小可依靠权值向量W表示，对应的权值wi越大，则x*j与xj越相似。
设观测矩阵和状态估计矩阵的残差为ε，若要满足相似性最大，则残差ε取最小为：（7）
由式(8)可知，W存在的前提是矩阵DTD可逆，这就要求数据间不存在相关性，但实际风电系统等大多数系统的数据很难保证不存在相关性，为解决这一问题，采取非线性运算符?代替传统的点积方法，使其可求并具有更为直观的物理意义。由于本文所研究的内容更加侧重状态与模型间的空间距离，所以选择两向量间的Eucliden距离作为非线性运算符，即
从该运算符可以直观地看出两向量间的欧氏距离与相似度成正比，距离越近，相似度越大。则式(8)可改为
上式即为NSET模型最后预测输出矩阵计算公式。
2.2归一化
数据预处理的第一步是数据归一化，本文应用均值归一化方法对NSET模型的输入数据做归一化处理。归一化后的数据不带单位量纲，有助于使用算法去异常值。其中均值归一化方法：
其中，和σ分别是数据x的均值和方差，为归一化后的数据。
3.大数据云平台系统及Spark批处理介绍
3.1大数据云平台系统
为有效存储和管理日益剧增的风电机组生产数据，公司利用大数据技术建立了以hadoop为基础的大数据云平台系统，图1为大数据云平台系统基本框架结构，通过将风电机组的生产运行数据、生产管理数据、振动监测数据，等结构化及非结构化数据，利用开源的Hadoop中的HDFS作为底层分布式文件系统，hive作为数据仓库，MapReduce和spark作为离线批处理计算框架，Zookeeper提供协同调度。大数据云平台系统支持友好的二次开发，协助公司开展风电机组预警算法的开发部署。
3.2Spark批处理
Spark是由加州大学伯克利分校的实验室开发的一种重要
文档评论（0）