新疆龙源风力发电有限公司 谢 强

风能以其清洁性、可再生性以及储量丰厚的优势，受到电能开发领域的广泛关注，无限潜力等待挖掘。随着清洁能源战略实施与推广，风力发电场规模扩增，单个风电场的风电机组数量相应增加。风电机组需要采集大规模的风能，所以场所往往设立在偏远、恶劣的山区沿海等地，遭受意外因素侵袭的概率较大，影响风能向电能转换的效果，因此保障风电场所安全运行是实现风力发电效率增长的基本要求。近年大数据在信息监测与分析领域展现了良好的性能，风电场运行期间产生大规模状态数据以及性能信息，恰好符合风电安全分析预警的需求，可用于指导风电安全监控行为。

1 基于大数据的风电安全监控预警云平台方案

传统的风电安全监控预警系统仅能在故障发生时发出警告，风电机组面临停工的风险，经济损失巨大。为此，基于大数据构建崭新的风电安全监控预警云平台，提前预测风电机组的故障隐患，将风电运行的风险扼杀在源头。云平台采用Spark 作为内存计算模型，在云端完成风电大数据处理；原始风电安全数据经清洗、转换后，采用随机森林模型展开深度故障挖掘，平台根据故障挖掘结果进行安全监控预警，安全状态评估以及预警警报在预警模块显示。

本次平台设计采用了经典的Spark 大数据计算平台，其运用弹性分布式数据集实现数据集缓存在内存中的存储；Spark 采用Lineage 容错机制集成了SQL、MapReduce、Streaming 等多个数据处理模型，构成一个完整的、多场合使用的大数据处理系统；容错机制起到了减少数据处理时间开销的作用[1]。

基于Spark 内存计算构建的大数据风电安全监控预警云平台架构为：数据采集层（机械状态传感器，机组功率传感器，风速传感器，GIS）-数据存储层（数据清洗、转换，分布式文件系统，分布式文件数据库）-数据计算层（Spark 内存计算，MapReduce 模型，Streaming 模型）-分析数据分析层（数据挖掘算法-分电故障预测-风电安全分析）-风电安全预警。其中数据存储层、数据计算层、数据分析层构成终端大数据处理平台。由此架构可知，平台以互联网为中介将采集层获得的风电安全数据上传至云端大数据处理平台中，上传至云端之前已经完成数据加密处理；在云平台上完成大数据的存储、计算与分析。同样，风电安全主控中心人员需要访问云平台获得安全预警数据。

风电安全监控预警主要包括风电安全状态数据采集、数据预处理与存储、数据计算、数据分析四个主要过程。其中，风电安全状态数据采集类型主要有风电机械状态信息、风电机组运行功率信息、风电运行风速信息等，综合监控风电机组运行数据以全面了解其是否即将发生故障，为机组维修与安全运营提供参考依据。在风电大数据存储方面，平台采用了分布式文件系统（HDFS）与分布式文件数据库（HBase），实现风电安全大数据在多个计算机节点上的分散式存储，数据丢失风险大大降低，安全系数提升。此外云平台集成了数据挖掘算法，基于风电安全监控大数据预测机组故障趋势，一旦出现机组故障或存在故障风险及时向监控中心界面发出故障预警。

预警云平台的硬件环境设计如下：核心交换机、数据库与应用服务器是平台网络技术的主要构成，网络与平台内部计算机节点信息传输则以路由交换技术来完成。在此网络环境中，风电安全状态数据通信网络的通信速度可达1000Mbps，对应的接口设备和工作站WMCS 的最小通信速度也在100Mbps 及以上。风电主控制中心具备远程监控机组运行状态的功能，因此设置在各个风电机组处的子站受控于主站，且二者通过专门性网络完成数据共享与传输。

2 风电安全监控预警云平台主要功能分析

2.1 数据采集与预处理模块

数据采集功能。本文在数据采集层中设置了风电机械状态传感器、风电机组运行功率传感器、风电运行风速传感器等数据采集设备，保障了数据采集的全面性与多样化。平台具备多数据源数据采集接口，以支持预警平台高效、稳定的传输风电安全监控信息。数据采集接口操作简单，接口安装完毕后，将对应的接口协议驱动程序、IP、权限等内容集成在平台端即可。由于风电机组安全监测的对象、数据类型均有差异，所以需考虑好同类数据的维护与管理问题；数据向下一模块传输的方式与传输频率可由用户自行定义。

预处理模块。各类传感器采集的原始数据规模较大、数据残缺、冗余信息量大，需进行数据清洗提高原始风电安全状态数据的利用价值[2]。数据清洗操作主要包括删除同类型重复数据、合并同源数据等，用户可使用清洗预览功能查看数据清洗效果，检查已被清洗掉的数据。随后采用平滑、规格化等方式实施大数据转换与归并，以获取适合数据处理的数据描述形式。各部分风电安全数据预处理完毕后，以数据接口为介质传输到安全状态预测模块进行深度挖掘与分析，进一步发送到故障预警模块。

2.2 安全状态预测模块

传统的安全预警平台预警原理是设置一个风电安全状态阈值，当前风电机组运行超过阈值则发出不同程度的警报，通知技术人员进行维护与修整。本文基于大数据技术布局预警平台，采用故障预测的方式取代阈值预警法，基于数据挖掘算法探索风电安全状态发展的深度规律，预测风电故障发生情况，从而做出科学详细的风电安全状态预警。平台采用随机森林模型作为预测风电安全状态的数据挖掘模型，其原理是采用分类与回归的方式建造一个整体性之的决策树，属于近邻预测算法范畴[3]。该模型优势是不受数据规模的干扰而提高运算量，具有良好的预测性能。随机森林模型中的决策树个体数据挖掘过程中高方差与高偏差问题频发，随机森林使用较少的参数生成一个科学的决策模型，旨在解决此问题。

基于决策树判断风电故障主要是对风电状态数据进行分类，假设存在一个类别X，则有I(X=xi)=-log2p(xi)，式中不确定信息为I(X)，xi发生的可能性用p(xi)表示。上述公式中风电安全状态预测是通过熵来实现的，熵的功能是估计不确定的事物，熵较小的情况下X=xi随机性越弱。由此总结风电安全状态预测的随机森林模型的生成规则为：风电安全状态训练样本数据-测试样本采集（多个）-树分类器（多个）-随机森林-故障分类结果。本文平台集成了随机森林数据挖掘算法，用于进一步预测风电机组故障类型，例如齿轮故障等，依次挖掘出风电机组的机械状态信息、风电机组运行功率信息、风电运行风速信息。

2.3 风电安全预警模块

风电安全预警模块具有可视化显示功能：可视化仿真技术应用。模块采用三维仿真模拟显示技术设计了风场设备流程图，直观的展示机组所在位置以及安全状态信息，一旦出现安全事故预警会出现红色提示[4]；诊断报告生成。点击故障对象可实时显示风电机组设备的详细状态信息、生产风险评价曲线、安全状态评估报告、故障诊断报告，平台预警产生的故障诊断报告将一同发送到机组管理人员手中，作为故障分析历史依据。风电安全状态信息将展示一日内、一周内或是一个月内该设备的安全状态变化趋势。安全预警模块具备全面的警报管理功能，警报详细时间及持续时长、警报频率、追踪维修水平等信息均可在客户端查询到，便于维修人员综合分析故障发生的原因，尽可能在故障萌芽初期解决风电安全隐患。

3 结语

风电属于清洁型新能源，利于环境友好型、资源节约型社会构建，逐渐发展成为新时期电能生产的主流途径。本文基于大数据技术设计的风电安全监控预警云平台存在两点优势：改变以往阈值判断风电机组故障的传统方式，采用数据挖掘算法预测风电故障，对可能存在故障的机组设备提前预警，提醒维修人员进行设备检修，阻止深度安全事故发生，避免机组停止工作带来的经济损失；大数据技术将各类型风电安全状态信息进行汇总分类，在海量信息中筛选有价值信息，方便新能源专家对风机模型的深入探究，为新能源技术革新、效率优化提供便利。