文献综述
摘要 风力发电系统由于机械部件与电气部件的复杂耦合，容易在长期运行中频繁出现故障。数据采集与监视控制（SCADA）系统是风场设备管理、监测和控制的重要系统，通过实时收集风机运行的环境参数、工况参数、状态参数和控制参数使风场管理者能够实时了解风电装备资产的运行和健康状态。因此，基于数据驱动的智能处理与分析方法（包括传统数据建模和深度学习方法），对实现故障精确诊断和设备优化管理具有长远的意义。
关键词 数据驱动 智能处理 风电系统 数据采集与监视控制系统(SCADA) 深度学习
- 引言
长期以来，基于数据驱动的处理和分析方法，可以对工业级的生产管理和应用创新形成一定的经济效益。随着计算机系统性能的大幅度提升以及数据产量的爆炸式增长，数据的智能处理成为了当前各行各业发展与创新的有效途径之一。
进入数字信息时代后，我们分析和理解大规模数据集（大数据）的能力远远落后于采集和存储数据的能力。不论在商界、工业界、医学界或是政治界，原始形式的数据集是没有什么价值的，只有从数据中提取知识、抽象模型并付诸实用，才是有价值的[1]。
近年来，在风力发电领域中，SCADA系统数据的采集和存储同样开启了巨大的应用空间，它是以计算机为基础的分布式控制系统与电力自动化监控系统。由于风力发电系统主要由机械部件和电气部件耦合组成，复杂度高，当使用传统的机理建模方法较为困难，所以基于SCADA数据的智能化处理成为了当前人工智能大环境下的一个缩影，合理利用数据并分析数据对故障诊断技术而言将会有更为重要的意义[2]。
二、传统数据驱动建模的方法与应用
总体而言，数据驱动很难做故障机理深究，这样的模糊建模容易出现漏洞和误区，同时很难解决所使用的数据即是“标准”数据的问题。尽管如此，国内外学者已在其中做了大量有价值的研究，方便我们深入探讨。
郭鹏等人利用SCADA数据，采用非线性状态估计方法（NSET）分别搭建了额定风速以下和额定风速以上的塔架振动模型。他们通过选取相关变量集和构造机组正常运行时过程记忆矩阵D确定了塔架振动的重要激励源之一为叶轮气动特性[3]。但文献中以建模所用的案例数据来“验证”建模正确的思想方法存在方法论的错误，从而降低了论述的可信度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
