风力发电
风能作为一种清洁的可再生能源，越来越受到世界各国的重视，其蕴量巨大。随着全球经济的发展和技术的进步，风能市场迅速发展起来，风能发电未来在商业上将完全可以与燃煤发电竞争。但是由于自然环境和负荷不稳定等因素，导致风电机组在使用过程中，机组部件会逐渐磨损和腐蚀、断裂，最终引起故障而停机或者大部件损坏。因此对风电机组性能进行劣化预警，及时掌握部件损坏情况，在机组部件进入故障前排查隐患，是保障风能发电发展的重要前提。
面临问题
1. 时序问题。风机机组性能劣化是一个具有时间跨度的现象，无法依据单点检测判定是否发生劣化，需要综合一段时间内的机组运行数据分析机组在一段时间内是否发生劣化。
2. 劣化的强相关联。风机机组劣化是一个动态过程，同一时刻某一劣化现象往往会引起另一劣化现象，所以不能将每一种劣化割裂开进行分析。
3. 二维世界的损失。风机机组数据是一段时间内的积累，反应了风速和功率曲线形态上，时间作为第三维数据无法体现，而时间是风电机组性能劣化预警的重要因素。
机器学习算法
解决方案
1. 利用大数据分析平台Coovally Tabular，分析与风机劣化的相关影响因素，构建基于风机功率曲线的劣化分类模型。引入时间平移窗口，将时序考虑进算法模型，分析机组劣化开始和结束时间。
2. 劣化类型预测引入Coovally Tabular，分析风机机组不同劣化现象的影响因素，探索风机劣化原因。利用图像处理技术，提取机组功率特性曲线特征，构建分类模型，预测风机机组劣化类型，劣化类型包括离散点离散度大、起点偏移、出现限负荷点、曲线形态异常等。
3. 劣化起止时间以时间小窗口为切入点，动态分析机组功率特性曲线的变化过程，利用劣化分类模型分析不同时间出现不同类劣化的起止时间。
Coovally Tabular数据透视
总的来说，Coovally Tabular作为一款大数据分析平台是你值得拥有的，解决企业实际应用问题，提高生产效率。
