发展新能源,保护地球环境,已是全球共识。风能是全球公认的清洁新能源,大力发展风力发电技术有助于减少温室气体排放,实现人类的可持续发展。然而,工作环境的恶劣导致风电机组易发生故障,若能提前发掘故障征兆,并进行及时维修,则能大幅降低经济损失。基于能源互联网的风能信息网络为准确预警风机故障提供了方向。风力发电机组齿轮箱是动力传送系统中的关键部件,也是高故障发生率部件,它制约着风电机组的工作状态。本论文基于数据挖掘技术,以齿轮箱为研究对象,利用风场数据采集与监视控制系统中的风机历史运行状态数据,采用优化的挖掘算法,设计并搭建风场管理系统,提供可靠直观的风机监测平台。本论文主要完成的工作和创新包括:1.针对故障预警的建模方法,本文提出将齿轮箱轴承温度作为模型预测量,利用风机正常工作下的历史数据进行建模。然后将风机实时数据输入模型,得到预测温度值,通过监测齿轮箱轴承温度实际值与预测值的差异变化趋势,判断将来是否发生故障。2.针对预警模型中数据挖掘算法的选用,本文通过仿真线性回归、支持向量机、反向传播(BP)神经网络等算法,得出BP神经网络的预测准确度及泛化性能都优于其他算法的性能,它能够将齿轮箱的故障预警提前12天。3.设计搭建了风场管理系统平台,分为离线研究平台与在线监测平台。离线研究平台完成数据挖掘研究工作,在线监测平台完成对风场中各风机运行状态的实时监测,直观地显示即将发生故障的风机及相应报警信息。本论文研究风能信息网络中的风机故障预警技术,采用优化的数据挖掘算法,开发了风场管理系统平台,为能源互联网中风能信息网络的故障预警提供了技术支撑。