风力发电规模越来越大,风力发电技术日趋成熟。但由于风力发电机组通常地处戈壁滩,环境异常恶劣,时刻面临着损伤甚至毁灭的风险。风力发电机成本较高、维修困难,对风力发电机组的实时监测和故障预警显得尤为重要,期望在风力机发生严重故障之前就能够及时预测其破坏趋势,并对风力机的运行做出相应的调整,以避免破坏的进一步扩大甚至风机毁灭的危险。国内外学者对风力发电机组的故障诊断和预警做出了一定的研究,为风力发电机组的故障诊断和预警提供了基于少量数据的、非实时计算的模型和方案。但是,随着信息化和工业化的不断深度融合,各类传感器技术越来越成熟,需要计算的数据量越来越大,计算的实时性要求越来越高,单机串行计算方式及在单机环境下获得的故障预警模型已经远远不能满足大数据、快速处理的要求。近年来,日益丰富和成熟的物联网技术、大数据技术、人工智能技术为风场风力发电机组的状态信息和运行数据的实时化汇总、分布式存储、智能化计算、先验性预警提供了新的手段和方法。风电行业逐步引进大数据等新兴方法和技术来提高运营能力,降低运维成本。众多研究者致力于风电大数据进行了一定的探索,寻找为风电运维降本增效的实用手段和新型方法,国内外的一些企业也纷纷部署大数据战略,提出自己的风电大数据解决方案,风电大数据方兴未艾。在此背景下,为解决对风力机运行数据的大体量实时采集、传输和存储,并基于大数据分析对风力机故障快速、高效地预警的问题,依托国家自然基金项目支撑,本文主要展开以下研究:(1)阐述了风力发电机的基本结构和主要故障,以风力发电机的齿轮箱为例,详细分析了风力发电机齿轮箱的各类故障形式及造成故障的具体原因,合理确定了用于判别和预测具体故障形式的特征指标。(2)提出了统一的风力机结构编码和故障编码规则,规定了标准的数据格式。(3)提出了基于大数据技术的风力机故障预警架构,设计了改进的随机森林算法EMD-SVM-RadomForest,并基于Spark平台进行了分布式、并行化实现。(4)基于改进的随机森林算法EMD-SVM-RadomForest,建立了风力机齿轮箱齿轮的故障预警模型,并提出了计算模型的评价方法体系,最后在大数据平台进行了算法性能测试。相比已有模型和单机计算方式,该故障预警方法具有较高的准确率,在大数据并行计算环境下具有较好的加速比,综合计算性能良好,满足风力机大数据下快速准确地故障预警的要求。(5)提出了大数据驱动的风力机监测与故障预警平台的软件架构,详细设计了平台的功能模块,具体阐述了平台的工作流程。然后,搭建软硬件环境,对平台进行标准化开发和严格地测试。经验证,平台运行流畅无误、准确高效,成功实现了对风力机的实时监测和基于大数据的快速故障预警。通过该研究,实现了对风力机运行数据的大体量实时采集、传输、存储和计算分析,实现了对风力机故障的实时高效预警,达到了提高风力机运维的实时性和准确性、降低风力机运维成本的目的。