近年来随着化石能源短缺和环境污染加剧,世界各国日益重视可再生能源的开发和利用。风力发电以其清洁、安全、储能丰富的优势,近年来取得了快速发展。随着我国能源结构转型,风能也将在我国能源结构中发挥越来越重要的作用。因此对风电生产问题进行深入研究具有重要意义。然而,目前风力发电企业仍采用传统的数据库技术、数据处理技术来开展大数据的分析研究。由于缺乏专用技术及工具的支持,数据处理的时效性、可用性不强,对于数据的分析还停留在初级阶段,缺乏深层次的数据挖掘。为了解决当前风电行业数据分析处理响应慢、实时性低、难以处理高维、属性复杂数据等问题,本文设计开发了风机集群大数据分析平台。本文的主要内容如下:(1)论文对风机集群大数据分析平台进行了需求分析,基于微服务思想设计了平台的系统架构和技术架构,完成了平台功能模块的划分和模块间通信方式的设计。(2)针对风力发电数据存在的数据丢失、数据异常等问题,论文采用k-近邻算法完成了缺失数据的填补,采用孤立森林算法对异常数据进行了检测,并通过实例验证了算法的有效性和准确性,同时实现了风力发电数据的归一化处理。(3)基于Spark Streaming实现了BP神经网络模型的并行化,并以风力发电机组功率预测为例进行了验证,证明了经过并行化的BP神经网络模型,在保持高精度预测的同时,可以大大缩短分析预测的时间。(4)在对Kubernetes+Spring Cloud微服务架构研究的基础上,采用Docker、Spring Cloud、Vue、Consul等技术,完成了风机集群大数据分析平台的开发,搭建了基于Mesos的Spark大数据处理集群用于平台数据处理。最后,对本文的主要工作进行了总结,并对本文存在的不足和未来的工作方向进行了展望。