發(fā)布時(shí)間：2024-07-08 19:08

　　近年來,風(fēng)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(fēng)電機(jī)組運(yùn)行過程中產(chǎn)生的海量數(shù)據(jù)記錄著風(fēng)電機(jī)組的實(shí)際運(yùn)行狀況,采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的方法對(duì)這些數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘很有意義。隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的迅猛發(fā)展,風(fēng)電大數(shù)據(jù)研究具有更大的可能性和更廣的應(yīng)用前景。針對(duì)風(fēng)電場(chǎng)運(yùn)行過程中產(chǎn)生的海量數(shù)據(jù)的應(yīng)用問題,本文沿著數(shù)據(jù)預(yù)處理,風(fēng)電場(chǎng)運(yùn)行狀態(tài)可視化,風(fēng)電場(chǎng)運(yùn)行數(shù)據(jù)分析和趨勢(shì)預(yù)測(cè)的順序,對(duì)風(fēng)電場(chǎng)大數(shù)據(jù)進(jìn)行了展示、分析和預(yù)測(cè)。首先介紹了電力大數(shù)據(jù)的基本構(gòu)成、發(fā)展現(xiàn)狀和應(yīng)用前景,并對(duì)風(fēng)電大數(shù)據(jù)研究方法和機(jī)器學(xué)習(xí)在大數(shù)據(jù)分析中的應(yīng)用進(jìn)行了分析。其次,從大數(shù)據(jù)預(yù)處理方法出發(fā),介紹了各預(yù)處理方法的原理并基于實(shí)測(cè)數(shù)據(jù),采用主成分分析和t-分布鄰域嵌入算法,對(duì)風(fēng)電場(chǎng)運(yùn)行過程中的高維數(shù)據(jù)進(jìn)行了降維處理和結(jié)果分析。再次,設(shè)計(jì)和實(shí)現(xiàn)了對(duì)風(fēng)電大數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和實(shí)時(shí)狀態(tài)監(jiān)控的可視化系統(tǒng),通過結(jié)合時(shí)序數(shù)據(jù)庫InfluxDB和可視化工具Grafana實(shí)現(xiàn)了風(fēng)電場(chǎng)運(yùn)行狀態(tài)的認(rèn)知。最后,搭建了基于長(zhǎng)短期記憶網(wǎng)絡(luò)的風(fēng)電機(jī)運(yùn)行狀態(tài)模型,緊接著對(duì)風(fēng)電機(jī)網(wǎng)相互作用關(guān)聯(lián)因素進(jìn)行預(yù)測(cè)研究,采用Prony算法對(duì)其預(yù)測(cè)結(jié)果進(jìn)行...

【文章頁數(shù)】：94 頁

【學(xué)位級(jí)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(fēng)電系統(tǒng)中的應(yīng)用發(fā)展
        1.1.1 大數(shù)據(jù)的概念
        1.1.2 風(fēng)電大數(shù)據(jù)的基本構(gòu)成
        1.1.3 風(fēng)電大數(shù)據(jù)的發(fā)展現(xiàn)狀
    1.2 風(fēng)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(chǔ)
        1.2.3 數(shù)據(jù)預(yù)處理
        1.2.4 數(shù)據(jù)分析
        1.2.5 數(shù)據(jù)可視化
    1.3 機(jī)器學(xué)習(xí)在大數(shù)據(jù)分析的應(yīng)用
        1.3.1 機(jī)器學(xué)習(xí),數(shù)據(jù)挖掘和大數(shù)據(jù)的關(guān)系
        1.3.2 機(jī)器學(xué)習(xí)分析方法
    1.4 本文主要工作
第二章 風(fēng)電場(chǎng)大數(shù)據(jù)的預(yù)處理方法分析
    2.1 數(shù)據(jù)預(yù)處理方法
        2.1.1 數(shù)據(jù)預(yù)處理方法分類
        2.1.2 數(shù)據(jù)預(yù)處理的常用方法
    2.2 數(shù)據(jù)預(yù)處理方法在風(fēng)電大數(shù)據(jù)上的應(yīng)用
    2.3 基于PCA和 T-SNE進(jìn)行風(fēng)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(jié)
第三章 基于數(shù)據(jù)可視化的風(fēng)電場(chǎng)運(yùn)行狀態(tài)認(rèn)知
    3.1 風(fēng)電場(chǎng)監(jiān)測(cè)數(shù)據(jù)可視化平臺(tái)
        3.1.1 系統(tǒng)整體架構(gòu)
        3.1.2 工作流程
    3.2 數(shù)據(jù)可視化平臺(tái)關(guān)鍵技術(shù)
        3.2.1 時(shí)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(tái)的實(shí)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(shí)現(xiàn)和展示
    3.4 本章小結(jié)
第四章 基于機(jī)器學(xué)習(xí)的風(fēng)電場(chǎng)運(yùn)行狀態(tài)趨勢(shì)預(yù)測(cè)
    4.1 風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)測(cè)模型
        4.1.1 風(fēng)電功率關(guān)聯(lián)因素
        4.1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)模型設(shè)計(jì)
        4.1.3 TensorFlow框架下的模型實(shí)現(xiàn)
        4.1.4 算例分析
    4.2 并網(wǎng)風(fēng)電與電網(wǎng)間的機(jī)網(wǎng)相互作用現(xiàn)象
        4.2.1 機(jī)網(wǎng)相互作用分類
        4.2.2 機(jī)網(wǎng)相互作用
    4.3 基于prony算法的機(jī)網(wǎng)相互作用的振蕩模態(tài)預(yù)測(cè)
        4.3.1 prony算法
        4.3.2 算例分析
    4.4 本章小結(jié)
第五章 全文總結(jié)及展望
    5.1 主要工作與創(chuàng)新點(diǎn)
    5.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文
攻讀碩士學(xué)位期間參加的科研工作



本文編號(hào)：4003739