风力发电是一种很重要的可再生清洁能源,在国民经济中的重要性与日俱增。风力发电的主要机械是电力装置,风力发电机组经常位于高海拔或者高纬度等资源不错的地区。然而在温度低的气候状况下,机组有着表面结冰的问题。其中,以机组叶片覆冰的问题最为严重。为了确保易覆冰地区的风力发电机正常安全地运转,叶片结冰的观测以及清除至关重要。低温引发的风力发电机叶片覆冰、材质及固有的结构发生变化、电路电流电压改变的现象等,会严重影响风力发电机的正常运行和良好的工作性能。传统的方法大多是研究某种测量方法检测风力发电机叶片是否结冰,比如基于振动检测的风力发电机叶片覆冰状态诊断技术、基于压电陶瓷技术的风力发电机叶片覆冰监测方法等。也有极少数文献基于机器学习的角度来考虑该问题,本文在前人的基础上创新性地采用多模型融合的方式来解决该问题,并且更进一步推出了能够用于实际的更优方案,即模型能够不断进行自我更新。本文基于某风场真实数据,首先通过多种算法对15号风力发电机数据进行预处理,包括但不限于基于拉格朗日差值法的缺失值处理、基于SMOTE过采样算法的样本不平衡问题处理和基于聚类的小簇划分法及非典型离群点检测法。其次综合采用了方差筛选法、卡方检验法、互信息法、递归特征消除法、基于L1惩罚项的特征选择法和基于模型的特征选择法等来对特征进行筛选,根据汇总对比结果筛选出强相关性特征,去掉不必要的特征。然后基于该数据进行建模,经过对比多种模型方案,最终创新性地选择多模型融合方案建模。最后利用已建立模型对风力发电机组的21号风力发电机进行结冰预测,最后结果显示预测效果良好,证明该方案是有效的。为了能使本方案可以投入到实际使用,考虑到未来数据规模的增加,本文创新性地选择了基于Spark MLlib的大数据平台。实现了模型能够不断地进行自我更新,不断地提高自我预测能力。