發(fā)布時間：2024-07-08 19:08

　　近年來,風電在電力系統(tǒng)中的滲透率不斷提高,發(fā)揮著不可或缺的作用。風電機組運行過程中產(chǎn)生的海量數(shù)據(jù)記錄著風電機組的實際運行狀況,采用數(shù)據(jù)挖掘和機器學習的方法對這些數(shù)據(jù)進行數(shù)據(jù)挖掘很有意義。隨著大數(shù)據(jù)和機器學習技術的迅猛發(fā)展,風電大數(shù)據(jù)研究具有更大的可能性和更廣的應用前景。針對風電場運行過程中產(chǎn)生的海量數(shù)據(jù)的應用問題,本文沿著數(shù)據(jù)預處理,風電場運行狀態(tài)可視化,風電場運行數(shù)據(jù)分析和趨勢預測的順序,對風電場大數(shù)據(jù)進行了展示、分析和預測。首先介紹了電力大數(shù)據(jù)的基本構成、發(fā)展現(xiàn)狀和應用前景,并對風電大數(shù)據(jù)研究方法和機器學習在大數(shù)據(jù)分析中的應用進行了分析。其次,從大數(shù)據(jù)預處理方法出發(fā),介紹了各預處理方法的原理并基于實測數(shù)據(jù),采用主成分分析和t-分布鄰域嵌入算法,對風電場運行過程中的高維數(shù)據(jù)進行了降維處理和結果分析。再次,設計和實現(xiàn)了對風電大數(shù)據(jù)進行統(tǒng)計分析和實時狀態(tài)監(jiān)控的可視化系統(tǒng),通過結合時序數(shù)據(jù)庫InfluxDB和可視化工具Grafana實現(xiàn)了風電場運行狀態(tài)的認知。最后,搭建了基于長短期記憶網(wǎng)絡的風電機運行狀態(tài)模型,緊接著對風電機網(wǎng)相互作用關聯(lián)因素進行預測研究,采用Prony算法對其預測結果進行...

【文章頁數(shù)】：94 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 大數(shù)據(jù)在現(xiàn)代風電系統(tǒng)中的應用發(fā)展
        1.1.1 大數(shù)據(jù)的概念
        1.1.2 風電大數(shù)據(jù)的基本構成
        1.1.3 風電大數(shù)據(jù)的發(fā)展現(xiàn)狀
    1.2 風電大數(shù)據(jù)的研究方法
        1.2.1 數(shù)據(jù)采集
        1.2.2 數(shù)據(jù)存儲
        1.2.3 數(shù)據(jù)預處理
        1.2.4 數(shù)據(jù)分析
        1.2.5 數(shù)據(jù)可視化
    1.3 機器學習在大數(shù)據(jù)分析的應用
        1.3.1 機器學習,數(shù)據(jù)挖掘和大數(shù)據(jù)的關系
        1.3.2 機器學習分析方法
    1.4 本文主要工作
第二章 風電場大數(shù)據(jù)的預處理方法分析
    2.1 數(shù)據(jù)預處理方法
        2.1.1 數(shù)據(jù)預處理方法分類
        2.1.2 數(shù)據(jù)預處理的常用方法
    2.2 數(shù)據(jù)預處理方法在風電大數(shù)據(jù)上的應用
    2.3 基于PCA和 T-SNE進行風電大數(shù)據(jù)處理
        2.3.1 主成分分析原理
        2.3.2 t-分布鄰域嵌入原理
        2.3.3 算例分析
    2.4 本章小結
第三章 基于數(shù)據(jù)可視化的風電場運行狀態(tài)認知
    3.1 風電場監(jiān)測數(shù)據(jù)可視化平臺
        3.1.1 系統(tǒng)整體架構
        3.1.2 工作流程
    3.2 數(shù)據(jù)可視化平臺關鍵技術
        3.2.1 時間序列數(shù)據(jù)庫
        3.2.2 可視化工具
    3.3 數(shù)據(jù)可視化平臺的實現(xiàn)
        3.3.1 數(shù)據(jù)處理模塊
        3.3.2 數(shù)據(jù)聚合模塊
        3.3.3 數(shù)據(jù)可視化模塊
        3.3.4 系統(tǒng)實現(xiàn)和展示
    3.4 本章小結
第四章 基于機器學習的風電場運行狀態(tài)趨勢預測
    4.1 風電機組運行狀態(tài)預測模型
        4.1.1 風電功率關聯(lián)因素
        4.1.2 長短期記憶網(wǎng)絡模型設計
        4.1.3 TensorFlow框架下的模型實現(xiàn)
        4.1.4 算例分析
    4.2 并網(wǎng)風電與電網(wǎng)間的機網(wǎng)相互作用現(xiàn)象
        4.2.1 機網(wǎng)相互作用分類
        4.2.2 機網(wǎng)相互作用
    4.3 基于prony算法的機網(wǎng)相互作用的振蕩模態(tài)預測
        4.3.1 prony算法
        4.3.2 算例分析
    4.4 本章小結
第五章 全文總結及展望
    5.1 主要工作與創(chuàng)新點
    5.2 后續(xù)研究工作
參考文獻
致謝
攻讀碩士學位期間已發(fā)表或錄用的論文
攻讀碩士學位期間參加的科研工作



本文編號：4003739