1.1研究背景

风电资源清洁无污染、安全可控，是一种优质的可再生新能源。风能越来越受到世界各国的重视，其蕴量巨大，全球的风能约为2.74×10^9MW，其中可利用的风能为2×10^7MW，比地球上可开发利用的水能总量还要大10倍。中国风能储量很大、分布面广，仅陆地上的风能储量就有约2.53亿千瓦。

风力发电技术是将风能转化为电能的发电技术，可分为独立与并网运行两类，前者为微型或小型风力发电机组，容量为100W～10kW，后者的容量通常超过150kW。风力发电技术进步很快，单机容量在2MW以下的技术已很成熟。随着全球能源紧张进一步加剧，可再生能源越来越受到人们的广泛关注。作为重要的可再生能源，风电资源得到了进一步的开发利用。风力发电技术发展到今天已经相对成熟，其应用前景在全球能源枯竭的背景下也越来越光明。

大数据的定义，业界虽然有一些共识，但是并未有统一的定义。在对大数据的定义中，比较有代表性的定义是3V定义，即规模性(Volume)，多样性(Variety)和高速性(Velocity)，规模性是指数据量庞大，数据洪流已经从GB、 TB级上升到PB、EB、ZB级；多样性是指数据类型繁多，并且包含结构化、半结构化和非结构化的数据；高速性则是指数据以数据流的形态快速、动态的产生，数据处理的速度也必须达到高速实时处理。大数据为智能电网的发展注入新的活力，掌握电力大数据的关键技术对电力行业的可持续发展和坚强智能电网建立具有重要意义。

1.2国内外研究现状

近年来，国内外学者对大数据在风电行业的应用进行了大量研究。

1.2.1大数据在风电行业的应用现状

大数据技术的能源电力系统巧妙的结合天气建模技术，二者的珠联璧合让风电发展有了显著的提高。在大数据之前，经常缺乏对风能能够准确预测，如果风能的功率不能满足要求时，只能依靠火电来支持，因此很多资金都需要被投入到后备电站的方案实施中。而自从大数据与天气建模结合之后，无论是对风力、风向还是温湿度、降雨量等，都可以将这些复杂的因素综合在一起作为考虑对象，大大提高了对风能预测的准确概率，对企业的经济效益来说有了很大的帮助。

大数据的应用有利于风电场现场的生产运营管理工作，可以让管理变得更加专业化和系统化大数据的应用可以帮助生产运营相关工作人员实现对风电机组的实时监控，可以随机调取任何时间段的任何风电机组的数据信息。专家通过这些数据信息以及外部的环境等进行综合决策，对检修计划作出适当的调整，因此在这种情况下，就可以展开预测性维修，而不是等矛盾最大化的时候才发现问题，实现了流程优化。

国内外的风电企业都普遍认可大数据所带来的好处。例如丹麦企业通过大数据实现了在一小时之内准确快速分析卫星图像、地理空间等，让风力涡轮机布局得到了进一步的优化；我国通过大数据做到了优化企业的前期设计、设备优选、安全生产、科学考核评估等。

1.2.2 IBM 大数据技术在新能源接入中的应用

丹麦的维斯塔斯风力技术集团，通过在世界上最大的超级计算机上部署 IBM 大数据解决方案，得以通过分析包括 PB 量级气象报告、潮汐相位、地理空间、卫星图像等结构化及非结构化的海量数据，从而优化了风力涡轮机布局，提高风电发电效率。IBM 公司针对风电企业在风电场微观选址中面临的挑战，提出基于高精度数值天气预报的微观选址解决方案，来解决风资源捕捉利用的最大化问题和风机维护成本的最小化问题。

IBM微观选址方案结合风资源精细化评估、气象灾害风险评估、风机经济效益评估、风场施工标准评估等因素，通过基于先进成熟的高精度数值天气模型，能够考虑更多的大气动力过程和物理过程，大幅提高模型的精确度和可靠性，从而把风电场备选区域和整个大气有机耦合在一起，做到更长期、全面地分析备选区域各个点的四维风资源分布情况，以及风资源的季节、年、年代变化情况，从而避免由单点推断整个风电场的资源分布，或由于使用时间过短的测风塔资料而无法刻画年和年代变化所带来的偏差问题。

1.3研究的目的与意义

大数据技术在商业领域已经获得较为广泛的应用并创造出巨大的商业价值，但是在电力系统中的应用才刚刚起步，因此结合大数据的技术优势和电力系统的应用需求，发挥电力大数据的价值，将为智能电网的建设带来新的发展契机。电力企业应该牢牢抓住这个契机，从数据政策、人才培养、关键技术研发等层面，全面促成电力大数据技术的发展。

随着我国风电场的大规模建设，准确的风电功率预测已经成为关键技术之一，在更大区域、更长时间范围内的风电功率预测需求也更加明显。而这种预测必须建立在测风塔、气象部门、风机等产生的海量实时、历史数据的基础之上，采用分布式数据挖掘算法对多元实时、历史大数据分析，从而实现风电机组功率自适应调整，为大区域风电场运行提供决策支持。

智能电网的理念是通过获取更多的用户如何用电、怎样用电的信息，来优化电的生产、分配及消耗，利用现代网络、通信和信息技术进行信息海量交互，来实现电网设备间信息交换，并自动完成信息采集、测量、控制、保护、计量和监测等基本功能，可根据需要支持电网实时自动化控制、智能调节、在线分析决策和协同互动等高级功能。

2.1基本研究内容

（1）探讨智慧型大型风电场与大数据的关系；

（2）研究电力大数据的数据分析技术；

（3）研究电力大数据的数据处理技术；

（4）研究风电场可采用的优化控制方法。

2.2 研究目标

（1）明确电力信息化、数字化、自动化、互动化的具体发展方向；

（2）构建物理意义明确的数学模型，可以更好地指导数字化过程中的数据采集、状态监测、安全控制等；

（3）研究电力大数据关键技术在新能源并网、风电机组安全评估、电网灾难预警上的应用；

（4）对风电数据现状进行分析，构建风电数据处理及应用架构，给出风电场优化控制及应用研究方法和思路。

2.3 拟采用的技术方案及措施

（1）阅读相关文献，了解大数据的内涵和核心，并分析国内外对于大数据在风电行业的应用现状。

（2）参考相关文献，借鉴前人的研究，建立基于电力大数据平台的风电数据处理架构，根据具体的风电应用需求，从数据采集、数据存储、数据处理、数据分析挖掘、数据可视化等方面研究具体的关键技术。

（3）阅读电力大数据分析方面的文献，借助数据挖掘技术可以从电力系统的海量数据中找出潜在的模态与规律，为决策人员提供决策支持。

（4）阅读电力大数据处理方面的文献，研究分布式计算，运用分布式技术可处理电力系统信息采集领域的大规模分散数据源。

（5）依托大规模风电数据和电力系统全业务领域数据的综合应用开发进行风电大数据领域发展预测，构建风电数据处理架构结合了大数据技术优势和风电领域的应用需求，进行大型风电场优化控制研究。

（1）2018.01.15—2018.02.05，熟悉题目背景，检索相关的中英文文献，了解风力发电和大数据的相关内容。

（2）2018.02.06—2018.03.18，阅读文献并分类整理，完成20000字符的英文文献翻译，并撰写论文开题报告。

（3）2018.03.19—2018.04.01，构建电力大数据的分析模型，提交一次阶段性报告。

（4）2018.04.02—2018.05.01，将大数据应用在智能电网中，进行研究，并提交阶段性报告。

（5）2018.05.02—2018.05.13，整理相关数据资料及图片，撰写毕业设计论文。

（6）2018.05.14—2018.05.21，整理相关资料，进一步完善毕业设计论文。

（7）2018.05.22—2018.05.30，上传毕业论文，准备毕业设计答辩。

[1] 冬雷, 廖晓钟, 王丽婕. 大型风电场发电功率建模与预测[M]. 科学出版社, 2014.

[2] 叶杭冶. 风力发电机组的控制技术[M]. 机械工业出版社, 2015.

[3] 吴斌. 风力发电系统的功率变换与控制[M]. 机械工业出版社, 2012.

[4] 宋永端. 风力发电系统与控制技术[M]. 电子工业出版社, 2012.

[5] 周双喜. 风力发电与电力系统[M]. 中国电力出版社, 2011.

[6] Burton T, Sharpe D, Jenkins N, et al. WindEnergy Handbook[M]// Wind energy handbook. Wiley, 2011.

[7] 彭小圣，邓迪元，程时杰，文劲宇，李朝晖，牛林. 面向智能电网应用的电力大数据关键技术[J]. 中国电机工程学报,2015,(3): 503-511

[8] 常康, 薛峰, 杨卫东. 中国智能电网基本特征及其技术进展评述[J]. 电力系统自动化, 2009, 33(17):10-15.

[9] Wang L, Tan A C C, Cholette M E, et al.Optimization of wind farm layout with complex land divisions[J]. RenewableEnergy, 2017, 105:30-40.

[10] Wang L, Cholette M E, Tan A C C, et al. Acomputationally-efficient layout optimization method for real wind farmsconsidering altitude variations[J]. Energy, 2017, 132.

[11] Zagubień A, Ingielewicz R. The analysis ofsimilarity of calculation results and local measurements of wind farmnoise[J]. Measurement, 2017.

[12] Munshi A A, Mohamed A R I. Big data frameworkfor analytics in smart grids[J]. Electric Power Systems Research, 2017,151:369-380.

[13] Tu C, He X, Shuai Z, et al. Big data issues insmart grid – A review[J]. Renewable amp; Sustainable Energy Reviews, 2017,79:1099-1107.

[14] Reder M, Yürü#351;en N Y,Melero J J. Data-Driven Learning Framework for Associating Weather Conditionsand Wind Turbine Failures[J]. Reliability Engineering amp; System Safety,2018, 169:554.

[15] Pookpunt S, Ongsakul W. Design of optimal windfarm configuration using a binary particle swarm optimization at Huasaidistrict, Southern Thailand[J]. Energy Conversion amp; Management, 2016,108:160-180.

[16] Irawan C A, Song X, Jones D, et al. Layoutoptimisation for an installation port of an offshore wind farm[J]. EuropeanJournal of Operational Research, 2016, 259.

[17] Enevoldsen P, Valentine S V. Do onshore andoffshore wind farm development patterns differ?[J]. Energy for SustainableDevelopment, 2016, 35:41-51.

[18] Yin P Y, Wu T H, Hsu P Y. Simulation based riskmanagement for multi-objective optimal wind turbine placement usingMOEA/D[J]. Energy, 2017, 141.