随着国家能源发展战略的部署,风力发电产业得到了快速的发展。与此同时由于风电场地理环境的特殊性,风力发电场在监控管理方面还存在着一定的问题。本文对现有监控系统的功能进一步完善,使其更能满足现代风电场的监控需求,为更进一步地实现“无人值班、少人值守、区域管理”的运维模式进行探索。随着大量风电机组的持续运行,在风电场集控中心侧形成了多源、异构、复杂、增长迅速的风电场监测大数据。传统监控系统单机处理能力不足的问题日益显现,无法有效地完成对风电场大数据的综合分析。针对现有监控系统在数据处理能力上的不足,本文借助大数据处理技术架构灵活、分布式运算的优势,开发了基于风电场SCADA的数据综合分析系统。本文借助监控系统与大数据处理技术以及云计算的结合,通过在平台上实现典型的数据挖掘算法,改善了传统监控系统数据挖掘能力不强、数据处理效率较低的状况。为挖掘风机大数据的价值,为更加高效地对风电机组进行运维管理提供了一种思路。论文首先针对风电场“无人值守、少人值守、区域管理”的运维需求,确定了该集中控制与综合分析系统的系统架构和功能模块。部署了SCADA系统的前置采集、实时库、历史库等服务器,实现了主站与子站风电机组、升压站运行设备之间的数据采集接入、监控、存储。并开发了风电场实时监控、生产运行、故障统计、数据查询等基本模块。其次,为了充分挖掘风机大数据的潜在价值,本文依托大数据处理技术设计了基于风电场SCADA的数据综合分析系统。并设计了用于实时监测风电机组运行状态的监测模型的架构、交互接口、处理流程等。最后对模型的Storm拓扑进行了设计,完成了在流式处理框架下的实现。再次,本文针对随机森林算法在风电场大数据的应用中所存在的不足进行了改进,通过改进后的K-SMOTE算法降低了非平衡数据集对算法精度的影响,通过优化节点分裂算法提升了分类精度。并基于内存式计算框架Spark实现了改进随机森林算法和Kmeans++算法的并行化。通过在分布式集群中实现并行度较高的随机森林算法,大幅提升了算法的执行效率。最后,论文阐述数据综合分析平台搭建的详细步骤。选用风电机组历史数据,在平台上测试了并行化Kmeans++算法、并行化改进随机森林算法以及状态监测模型的性能。验证了其可行性。