简介：《风电功率曲线异常数据清洗及考虑风速风向的风能资源评估》论文复现资源面向风电领域科研人员、工程技术人员及高校研究生，聚焦风机功率曲线异常数据识别与风速-风向联合风能评估问题。内容围绕k-means、DBSCAN、Thompson tau法与Copula理论等多种异常清洗方法展开，并给出贝叶斯变点检测与四分位法组合清洗策略、混合Weibull分布与von Mises分布建模、遗传算法优化Logistic函数拟合功率曲线等完整实现思路。包体包含1个PDF文件，大小863KB，内含详细可运行的Python代码及分步中文解释，可直接对照论文进行实践。资源已有69人学习下载，尤其适合具备Python数据处理基础、需要提升风电数据质控与风能评估能力的读者参考。
1. 风电功率曲线清洗：风资源评估里最容易被低估的一步
打开SCADA导出的一个风电场月度数据，风速从切入风速3m/s到切出25m/s都有，功率却散得像一片云：风速12m/s时，有功功率能从200kW跳到1800kW，甚至还有风速15m/s功率为0的点。如果你直接把这种数据拿去做风能资源评估，风功率密度和发电量会偏得离谱。风电功率曲线异常数据清洗，就是把这些“云”里面的坏点识别出来，让功率曲线从“散点云”变回“窄带”，然后在这个干净数据上，再引入风速风向做完整的资源评估。这里按论文复现的思路，把清洗流程、评估方法和可直接改用的python代码全部展开，适合做风资源评估、机组后评估和功率预测的工程师。新手可以照着代码一步步跑，熟手可以直接借鉴分箱、孤立森林和分扇区评估这几个关键参数的设置思路。
2. 异常数据从哪来、怎么认：功率曲线里的四种“坏点”
SCADA数据里的异常点不是均匀分布的，识别它们的关键是理解每个异常背后的物理过程或数据链路问题。如果一上来就套离群点算法，大概率会把真实的边界数据误删，却对系统性的限电、错位问题束手无策。所以我习惯先把异常点分成四类，再分别想对策。
2.1 机组状态相关异常：停机、限电、切入切出
要清洗异常数据，先得知道异常长什么样。风电机组的功率曲线是一个从切入风速到额定风速附近近似陡升、之后平直在额定功率附近的带状曲线。理想情况下，剔除湍流影响后，风速-功率点会紧紧贴在中值线附近。但现场数据里，最常见的坏点来自机组状态：停机、限电、启机过程和切出。
停机时风速虽然达到6m/s甚至10m/s，功率却为0或者只有待机耗电的几kW；限电时机组有功被限制在某个百分比，例如电网调度让电场限制到60%额定功率，那么不管风速多大，功率都压在600kW附近，形成一个水平“平台”；启机和并网瞬间功率会有一个爬坡过程，这个过程的点既不在正常曲线上，也不在功率为0的线上，属于典型的过渡态异常。切出风速附近，机组会反复启停，风速-功率点形成“回形针”形状，这些点也不是稳态工况点。
所以在清洗前，我一般会先看数据里有没有状态码字段：比如机组状态、有功可用、限电标志、并网状态。只要有这些字段，优先用状态码剔除限电、停机和故障段，比任何统计方法都干净。没有状态码的纯数据，才轮到后面的分箱和离群点方法。很多公开教程直接跳过了这一步，实际项目里状态码能帮你省掉大量统计清洗的麻烦。识别这些异常不需要复杂的算法，肉眼就能从散点图上确认，关键是别把“限电平台”当成正常曲线的一部分。如果按IEC 61400-12-1的思路来做，还要同时排除风速仪受塔影影响的扇区数据，这属于另一个层面上的“状态异常”。
2.2 环境与传感器异常：湍流、叶片结冰、风速仪结冰
第二类坏点来自环境与传感器的耦合，典型的是湍流强度过高、叶片结冰和风速仪结冰。当湍流强度超过0.2时，机舱式风速仪测得的风速与轮毂高度处的真实来流之间相关性很差，功率点会横向散开。这种散点不是数据错误，而是物理上本来就存在的偏差，所以在做功率曲线评估时，一般只保留湍流强度在IEC建议范围内的数据，比如0.14以下，或者按湍流强度分箱再做归一化。
另一个“看不见”的坑是叶片结冰：叶片表面结冰后气动性能下降，同样风速下功率明显偏低，而且风速仪可能正常，曲线整体下移，形成一条低于正常曲线的“平行带”。这个带常被误认为数据漂移，实际上是失速或结冰引起的性能损失。最麻烦的是，结冰期间的温度往往在零度附近波动，数据在正常与异常之间反复切换，单靠风速-功率二维分布很难画出干净边界。
风速仪结冰则更隐蔽：风速仪被冰包裹时，读数会卡在某个值附近，比如一直显示7.5m/s或低速跳变，功率却随着真实风速在变，导致横坐标虚假、纵坐标真实，散点图上出现竖直的“电线杆”状点列。识别这种问题可以看风速的一阶差分：连续多个点为同一数值、且功率在波动时，基本就是传感器冻结。处理办法是结合温度数据和风速方差，把风速长期不变化而功率剧烈变化的点剔除。这类传感器异常在冬季风电场特别频繁，如果评估时间区间跨冬季，必须单独检查这一段。
2.3 数据链路异常：通讯丢包、时间戳错位、重复记录
第三类异常与物理过程无关，纯粹是数据采集和传输环节产生的问题，但出现的频率一点也不低。最常见的是时间戳不连续：SCADA系统可能在网络故障后停止采集几分钟，之后恢复，中间的空档被默认填成0或者由前端补记；还有数据点的时间戳带时区偏差，比如机组本地时间与场站上位机时间相差1小时。如果你直接把风速、功率、风向按行对齐，时序错位会导致风速和功率差一两个时间步，功率曲线因此多出一些“左偏”或“右偏”的拖尾。
另一个高频问题是重复时间戳：同一秒或同一分钟多条记录，值还不一样，这是因为数据采集程序并发写入导致重复追加。如果不去重，分箱统计会把重复记录当成独立样本，实际上等效于给某一段数据加了权重，箱内的四分位数会被重复值拽偏。还有一种更隐蔽的量纲错乱，比如风速字段在某段时间内变成了累计值或者百分比，数值突然跳到几千；功率字段出现负值或超过机组额定功率两三倍的瞬时尖峰，这通常是寄存器地址漂移或信号干扰。
这类数据链路问题在清洗时不能靠统计方法解决，因为它们是系统性的，所以在正式处理前我总会先做一次数据质量预检：检查时间戳是否严格单调递增、是否有重复、字段是否有超出物理范围的值，把不合格的数据直接拦截下来。这个预检脚本是后面所有清洗工作的地基。数据链路异常往往只出现在某个时间段内，比如雷雨天气或半夜维护时段，单独看每日曲线更容易发现问题。
2.4 清洗策略选型：先统计分箱，再上模型
面对前面这几类异常，数据清洗领域常用的方案大致可以分成三个梯队。第一梯队是物理约束和状态码过滤，属于必须做的；第二梯队是统计方法，比如按风速分箱后的四分位距法、均值加减n倍标准差法、中位数绝对偏差法，它们对停机、限电、通讯尖峰都有不错的剔除效果；第三梯队是机器学习方法，比如孤立森林、局部离群因子、DBSCAN，适合处理那些统计方法洗不掉的平滑离群点。
我推荐的顺序是：先做物理约束和状态码过滤，再做分箱统计，最后针对残留的异常点用孤立森林兜底。一上来就套孤立森林不是不行，但模型会把正常的数据边界也当成异常，尤其是在低风速段，真实数据本身就稀疏，模型容易误杀。反过来，只用IQR也搞不定湍流引起的“真实离群点”，因为它太保守。把这两者组合起来，先用分箱IQR剔除明显的上下离群点，再在残差数据上跑孤立森林，可以在保留真实数据边界的前提下把异常点压到最小。
从工程实现角度看，这套组合也不需要很重的依赖。pandas加numpy做分箱统计，sklearn里的IsolationForest处理残差，可视化用matplotlib，全部是python数据清洗的常用配料。有人会问为什么不用excel数据清洗直接做，因为现场数据动辄上百万条，超过几十万条excel就会卡顿，而且分箱统计和孤立森林在excel里很难实现。熟悉pandas+数据清洗和处理以后，你会发现这套流程可以固化成标准脚本，换一个风场只要改文件路径和机组参数就行。
3. 用 pandas 把异常数据洗进“正常域”：分箱 IQR 与孤立森林实操
3.1 数据读取、时间对齐与缺失值处理
我现在以机舱风速、机舱风向、有功功率、湍流强度、环境温度五个字段为例。先读CSV，把时间列解析成datetime，然后按时间排序，处理重复时间戳和缺失值。这里示例代码讲解的重点不是读CSV本身，而是读进来的数据怎么对齐时间、怎么把非法值拦在前面。
import pandas as pd import numpy as np # 读取原始SCADA导出数据 df = pd.read_csv('scada_raw.csv', parse_dates=['time']) # 时间戳去重：保留同一时刻的最后一条记录 df = df.sort_values('time').drop_duplicates(subset='time', keep='last') # 设置时间索引，便于重采样和对齐 df = df.set_index('time') # 物理范围过滤：风速、功率、风向都不可能超过合理范围 rated_power = 2000 # 机组额定功率，单位kW，按现场机型修改 df = df[(df['wind_speed'] >= 0) & (df['wind_speed'] <= 40)] df = df[(df['active_power'] >= -50) & (df['active_power'] <= rated_power * 1.2)] df = df[(df['wind_direction'] >= 0) & (df['wind_direction'] <= 360)] # 缺失值处理：功率缺失直接删除，风速缺失用前后1小时均值插值 df['active_power'] = df['active_power'].dropna() df['wind_speed'] = df['wind_speed'].interpolate(limit=12, limit_direction='both') print(f"清洗前样本量: {len(df)}") print(df.head())逻辑说明：这段代码先把时间列转成pandas的datetime类型，然后利用drop_duplicates处理重复时间戳，keep='last'保证时间单调。物理范围过滤时，功率的下限用-50是因为风机待机或耗电可能略低于0，但不超过-50kW。风速上限设为40m/s是因为绝大多数陆上机组在25m/s切出，超过40的读数基本是传感器问题或雷击干扰。缺失值处理这里分开对待：功率缺失直接删除，因为插值功率会掩盖限电和停机信息；风速缺失用线性插值，但limit=12限制最多插补12个连续缺失点，超过这个长度就保持NaN，后续自然删除。
参数说明：parse_dates=['time']在读取时就完成时间解析，比事后pd.to_datetime更快。limit_direction='both'允许在数据序列开头和结尾也做插值，避免首尾数据被整体删除。rated_power是机组的额定功率，需要按你的机组型号替换，比如2.0MW机组就填2000。偶尔会遇到把-9999当成缺省值写入CSV的情况，这时要先用replace把错误标志替换成NaN再走插值流程。如果涉及多个字段多个错误值，我会把映射关系写成字典，例如df.replace({'wind_speed': {-9999: np.nan, -999: np.nan}})，这比写多个循环清楚得多。这一步做完，你就拿到了一个时间连续、取值合法的数据表，接下来才适合做分箱统计。
3.2 按风速分箱的四分位距清洗：核心代码
分箱IQR是功率曲线清洗里最经典的方法。思路是：把风速按一定宽度分成多个箱子，在每个箱子内对功率计算四分位数IQR，凡是功率超出[Q1 - kIQR, Q3 + kIQR]的点都视为异常点剔除。风速箱宽一般取0.5m/s或1m/s，现场数据多时用0.5m/s。
# 按0.5m/s宽度给风速分箱 bin_width = 0.5 df['ws_bin'] = np.floor(df['wind_speed'] / bin_width) * bin_width # 每个箱内计算功率的Q1、Q3和IQR def iqr_outlier_mask(group): q1 = group.quantile(0.25) q3 = group.quantile(0.75) iqr = q3 - q1 lower = q1 - 1.5 * iqr upper = q3 + 1.5 * iqr return (group >= lower) & (group <= upper) # 保留每个箱内功率处于正常范围的样本 mask = df.groupby('ws_bin')['active_power'].transform(iqr_outlier_mask) df_clean = df[mask] print(f"IQR清洗后样本量: {len(df_clean)}，剔除 {len(df) - len(df_clean)} 条")逻辑说明：np.floor把风速向下取整到0.5m/s的倍数，比如7.3m/s会落到7.0这个箱。groupby('ws_bin')['active_power'].transform会在每个箱内逐点判断功率是否落在正常区间，transform会把结果还原到原始行序上，因此可以用布尔掩码直接过滤。箱内样本太少时，Q1和Q3可能不稳定，所以在分组之前建议先统计每箱样本量，样本量低于30的箱子整体保留或合并到相邻箱子。
参数说明：1.5是IQR的经典系数，来自箱线图经验，但现场数据里我一般会调整到1.0~1.5。数据量大、异常点少时用1.5，数据噪声大、散点密集时用1.0，宁可多删一点，也不能让限电点混进去。bin_width的选择也有讲究：0.5m/s比较敏感，能保留功率曲线的陡升段细节；但低风速段样本少，箱宽太窄会导致Q1/Q3抖动。一个稳妥做法是低风速段用0.5m/s，高风速段用1m/s，可以通过pd.cut配合自定义箱边界实现。
提示：IQR方法假设每个风速箱内功率分布近似对称，湍流强度偏大时分布会右偏，建议先按湍流强度筛选一遍再做IQR，否则下边界会把正常低功率点误删。
3.3 用孤立森林处理 IQR 洗不掉的平滑离群点
分箱IQR对停机、通讯尖峰和限电平台非常有效，但对那些“贴着正常曲线上边界、却稍微偏高”的点无动于衷，比如因为风向偏差导致的局部功率偏高，或者叶片状态轻微退化导致的偏低点。这些点离群程度不高，但会抬高或压低功率曲线的平均值。我在这里用孤立森林把这些样本挑出来，它不依赖分布假设，适合清洗多维特征中难以用阈值定义的异常。
from sklearn.ensemble import IsolationForest from sklearn.preprocessing import StandardScaler # 只用风速、功率、湍流强度、风向正弦值和余弦值作为特征 feat = df_clean[['wind_speed', 'active_power', 'turbulence_intensity']].copy() feat['wind_dir_sin'] = np.sin(np.deg2rad(df_clean['wind_direction'])) feat['wind_dir_cos'] = np.cos(np.deg2rad(df_clean['wind_direction'])) # 标准化处理，避免功率数值主导距离度量 feat_scaled = StandardScaler().fit_transform(feat) # 按风速分箱，在每个箱内单独跑孤立森林，避免低风速段被误杀 df_clean['iso_outlier'] = False for ws_bin, idx in df_clean.groupby('ws_bin').groups.items(): bin_indices = df_clean.index.isin(idx) bin_data = feat_scaled[bin_indices] if len(bin_data) < 50: continue iso = IsolationForest(contamination=0.05, random_state=42) preds = iso.fit_predict(bin_data) df_clean.loc[df_clean.index[bin_indices], 'iso_outlier'] = preds == -1 df_clean = df_clean[df_clean['iso_outlier'] != True] df_clean = df_clean.drop(columns=['iso_outlier', 'ws_bin']) print(f"孤立森林清洗后样本量: {len(df_clean)}")逻辑说明：这里没有对全量数据一次性跑孤立森林，而是按风速分箱后再跑。原因是风速-功率的关系是强非线性的，如果全量输入，模型会把低风速段的正常高功率点识别为离群点，因为它们在全局特征空间里偏离大多数。分箱后每个箱内数据近似平稳，模型更容易学到局部正常边界。风向用正弦和余弦两个特征，而不是直接用0~360的角度值，是为了避免角度在0°/360°的跳变导致距离计算失真，比如350°与10°应该接近，但如果用原始角度，距离是340°，模型会误判。
参数说明：contamination=0.05表示假设每个箱内大约5%的点是异常点，这个值不是固定不变的。如果现场数据已做过状态码过滤，残留异常点比例通常在3%以内；如果状态码缺失、数据很脏，可以适当调高到0.1。random_state=42固定随机种子，保证同一个数据集每次运行结果一致，这在调试和写报告时非常重要。StandardScaler只做标准化，不做PCA降维，因为我们的特征维度很低，保留原始物理含义更容易在清洗后反查异常点原因。
3.4 清洗效果可视化与中间数据落盘
清洗完成后，我建议把清洗前后数据保存成两份文件，并画一张散点图对比。这样一方面方便写报告，另一方面可以快速定位哪一步清洗方法过度激进。可视化可以用matplotlib，也可以直接用pandas的plot.scatter。
import matplotlib.pyplot as plt fig, axes = plt.subplots(1, 2, figsize=(14, 5)) # 清洗前 axes[0].scatter(df['wind_speed'], df['active_power'], s=1, alpha=0.3) axes[0].set_title('Before Cleaning') axes[0].set_xlabel('Wind Speed (m/s)') axes[0].set_ylabel('Active Power (kW)') # 清洗后 axes[1].scatter(df_clean['wind_speed'], df_clean['active_power'], s=1, alpha=0.3) axes[1].set_title('After Cleaning') axes[1].set_xlabel('Wind Speed (m/s)') axes[1].set_ylabel('Active Power (kW)') plt.tight_layout() plt.savefig('power_curve_compare.png', dpi=150) # 保存中间数据 df_clean.to_csv('scada_cleaned.csv', index=True)逻辑说明：s=1把散点尺寸调小，防止上百万点叠在一起糊成一片；alpha=0.3设置透明度，密度高的区域颜色更深，便于观察数据分布。保存中间数据时，index=True表示把时间索引写回CSV，后续评估步骤直接读这个文件，不需要重新清洗。这里的两个子图坐标轴范围要保持一致，否则清洗前后的视觉对比会被坐标缩放误导。
这一步有个容易被忽视的细节：如果在清洗后散点图里看到某些风速段出现明显的“空洞”，说明该段样本被误删太狠，需要回退调宽箱宽或调低IQR系数。我习惯把清洗掉的点单独存一份文件，用于复盘每一类异常到底是什么原因。调试这种长数据流时，用代码诊断插件逐行观察df_clean在每个步骤后的形状变化，能帮你快速定位是哪一个过滤条件删掉了不该删的行，不然靠print会非常费劲。
4. 把风速风向装进风能资源评估：从风玫瑰到分扇区功率曲线
4.1 风向扇区的划分与风玫瑰统计
数据清洗干净以后，下一步就是考虑风速风向的风能资源评估。很多人只做全风向功率曲线，忽略了风向的影响，但现场地形、机舱尾流、湍流强度都和风向强相关。我一般先把风向划分为16个扇区，每个扇区22.5度，统计每个扇区的风向频率、平均风速、平均湍流强度，然后画风玫瑰图。
# 16个风向扇区，每个扇区22.5度 sector_width = 22.5 df_clean['wsector'] = np.floor(df_clean['wind_direction'] / sector_width) % 16 # 统计每个扇区的样本量、平均风速、平均湍流强度 sector_stats = df_clean.groupby('wsector').agg( freq_count=('active_power', 'count'), mean_ws=('wind_speed', 'mean'), mean_ti=('turbulence_intensity', 'mean'), mean_power=('active_power', 'mean') ) sector_stats['freq_pct'] = sector_stats['freq_count'] / sector_stats['freq_count'].sum() * 100 # 扇形中心角，用于画风玫瑰 sector_stats['center_angle'] = (sector_stats.index * sector_width + sector_width / 2) print(sector_stats.head(8))逻辑说明：风向扇区编号从0开始，0代表正北方向，每个扇区跨度22.5度。% 16是取余运算，确保356度与0度落在同一个扇区，避免扇区编号出现16。统计结果中freq_pct是每个风向区间的频率占比，后续计算年发电量时需要用它做权重。center_angle用于画风向玫瑰时的角度标注，pandas自带的plot.polar或matplotlib的极坐标图都能用。
参数说明：扇区划分数量不是固定16个，也可以用12个或24个。扇区越少，每个扇区样本越多，统计稳定，但会丢失地形和尾流的细节；扇区越多，风玫瑰越精细，但样本不足时平均风速和功率可能不收敛。现场数据如果只有一年，我建议用16个扇区；如果数据只有三个月或更少，降到12个扇区更稳妥。freq_count除了用于频率统计，也可以作为扇区数据可靠性的参考——某个扇区样本量极小，说明该场址在那个方向上是静风区，评估结果要与整体平均值结合使用。
4.2 用 scipy 拟合威布尔分布并计算风功率密度
风能资源评估里，风速概率分布通常用两参数威布尔分布拟合，形状参数k和尺度参数A不同，风功率密度完全不一样。这里用scipy的weibull_min对清洗后的风速序列做极大似然拟合，然后计算平均风速和风功率密度。
from scipy.stats import weibull_min import numpy as np ws = df_clean['wind_speed'].values # 用极大似然估计拟合威布尔分布，参数c是形状参数k，scale是尺度参数A，loc固定为0 k, loc, A = weibull_min.fit(ws, floc=0) # 平均风速，威布尔一阶矩 mean_ws_fit = A * np.math.gamma(1 + 1 / k) # 风功率密度，使用标准空气密度1.225 kg/m^3 rho = 1.225 wp_density = 0.5 * rho * A**3 * np.math.gamma(1 + 3 / k) # 平均风速和风功率密度的原始样本估计 mean_ws_direct = np.mean(ws) wp_density_direct = 0.5 * rho * np.mean(ws**3) print(f"威布尔拟合: k={k:.2f}, A={A:.2f}") print(f"拟合平均风速: {mean_ws_fit:.2f} m/s, 直接平均风速: {mean_ws_direct:.2f} m/s") print(f"拟合风功率密度: {wp_density:.1f} W/m2, 直接风功率密度: {wp_density_direct:.1f} W/m2")逻辑说明：weibull_min.fit(ws, floc=0)把位置参数固定为0，只拟合形状参数和尺度参数，这符合风速威布尔分布的定义。np.math.gamma是伽马函数，威布尔分布的第n阶矩公式是A^n * Gamma(1+n/k)，平均风速是1阶矩，风功率密度对应3阶矩。直接计算np.mean(ws**3)对数据中的少数极端大风点非常敏感，而威布尔拟合会平滑掉部分尾部分布，两者对比能看出数据对极端点的依赖程度。
参数说明：空气密度rho通常取1.225 kg/m^3，但海拔高或温度高的场址会偏差较大，后面我会专门讲修正方法。floc=0很重要，如果让loc自由拟合，低风速段会被挪动，导致k和A失真。威布尔拟合对样本量也有要求，如果清洗后风速样本不足5000条，拟合结果不稳定，建议用月度数据做季节分布，再按比例合成全年分布。拟合之前还可以用概率图或K-S检验确认数据是否真的服从威布尔分布，如果卡方检验的p值过小，说明场址风速分布存在明显的双峰特征，单纯两参数威布尔不够，要考虑混合威布尔模型。
4.3 分扇区功率曲线与考虑风向的资源评估结果
威布尔分布给出了全场的风速概率特征，但还不能反映风向的影响。现场机组的功率曲线对风向其实很敏感：主导风向与机舱对风角度偏了5度，功率可能掉2%~3%；不同扇区的湍流强度不同，陡升段的功率散布也不一样。所以我在评估时会把每个扇区单独拟合功率曲线，再按风向频率加权，得到综合的理论发电能力。
# 每个扇区内按风速分箱计算平均功率，作为该类扇区的功率曲线 def sector_power_curve(sector_df): sector_df = sector_df.copy() sector_df['ws_bin'] = np.floor(sector_df['wind_speed'] / 0.5) * 0.5 pc = sector_df.groupby('ws_bin').agg( ws_mean=('wind_speed', 'mean'), power_mean=('active_power', 'mean') ) return pc sector_pc = {} for sector, grp in df_clean.groupby('wsector'): sector_pc[sector] = sector_power_curve(grp) # 把威布尔拟合的风速概率密度应用到各扇区功率曲线 ws_range = np.arange(0, 30.1, 0.5) weibull_pdf = weibull_min.pdf(ws_range, k, loc=0, scale=A) annual_energy = 0.0 for sector in range(16): pc = sector_pc.get(sector) if pc is None: continue # 对齐功率曲线与风速区间，计算该扇区平均功率 sector_power = pc.set_index('ws_mean')['power_mean'].reindex(ws_range).interpolate() freq = sector_stats.loc[sector, 'freq_pct'] / 100.0 annual_energy += freq * np.nansum(sector_power * weibull_pdf) * 8760 print(f"考虑风向的等效年发电量: {annual_energy * 1000:.1f} MWh")逻辑说明：sector_power_curve在每个扇区内把风速分成0.5m/s的箱子，计算每个箱子的平均风速和平均功率，就得到代表该扇区运行状态的功率曲线。然后生成0到30m/s、步长0.5m/s的风速序列，用威布尔概率密度函数求出每个风速段的出现概率，再把扇区功率曲线插值到同一风速网格上，两者相乘再乘以全年8760小时，就得到该扇区的年发电量贡献。把所有扇区按频率加权求和，就得到考虑风向分布的等效年发电量。
参数说明：reindex(ws_range).interpolate()对功率曲线做线性插值，补上扇区内样本不足导致的空缺风速段。如果空缺段在低风速段，用相邻箱插值问题不大；如果空缺段在额定风速附近，说明该扇区样本太少，建议合并扇区再算。np.nansum忽略插值后仍然缺失的功率值，但你需要回头检查到底哪个扇区在哪个风速段缺失，避免把NaN当0。这一步计算的是基于威布尔分布的理论发电量，没有考虑机组利用率、损耗和场用电，工程上还要再乘一个可利用率系数，通常取0.93到0.96。
4.4 年发电量估算与空气密度修正
前面计算的理论年发电量，还要做两项修正：空气密度修正和场址损耗修正。空气密度影响风力机的气动功率，直接影响功率曲线；损耗包括了尾流、场用电、线损、故障停机等，具体系数根据场址条件设定。下面是我常用的修正代码。
# 空气密度修正：用温度、海拔估算实际空气密度 def air_density(temperature_c, elevation_m): p0 = 101325 * (1 - 2.25577e-5 * elevation_m) ** 5.25588 T = temperature_c + 273.15 return p0 / (287.05 * T) rho_actual = air_density(df_clean['temperature'].mean(), 1200) # 假设海拔1200m rho_ref = 1.225 # 空气密度修正只作用于功率曲线（近似与空气密度成正比） annual_energy_corrected = annual_energy * (rho_actual / rho_ref) # 综合损耗系数：尾流0.90，可利用率0.95，场用电0.03，线损0.02 loss_factor = 0.90 * 0.95 * (1 - 0.03) * (1 - 0.02) net_energy = annual_energy_corrected * loss_factor print(f"空气密度修正后年发电量: {annual_energy_corrected * 1000:.1f} MWh") print(f"扣除损耗后的净发电量: {net_energy * 1000:.1f} MWh")逻辑说明：air_density函数使用国际标准大气公式计算气压，再结合温度算出实际空气密度。多数风电场的实测功率曲线在标准空气密度下标定，如果现场空气密度比标准低，比如高海拔场址只有1.0 kg/m^3，那么实际发电量会显著低于按标准密度计算的数值。把空气密度比作为系数乘到年发电量上，是工程上常用的近似处理，严格的做法是重新按实际密度修正整条功率曲线再计算，但误差一般在1%以内。
参数说明：损耗系数里面，尾流系数0.90表示机组阵列间的尾流损失约10%，这是典型值；可利用率0.95表示机组全年有5%的时间在维护或故障；场用电和线损各占约2%~3%。这些系数不是固定值，风电场前期开发阶段没有实测数据，只能按类似场址的经验值估算；一旦有运行数据，应该用后评估的结果反推修正。最后一个小提示：如果做的是论文复现，务必把空气密度和损耗系数标成可配置常量放在脚本开头，报告中写清楚取值来源，否则别人复现时不知道结果对不上。
5. 清洗评估避坑指南：现场数据里最常见的 5 个坑
这部分内容不是理论推演，而是我在多个风场数据上反复踩出来的坑，每一条都对应一个真实的翻车场景。看到现象时先别急着继续加清洗模型，按照“现象、原因、解决”的顺序理一遍，往往比盲目堆算法更有效。下面5个坑不分先后，任何一个都可能让评估结果偏差5%到10%。
5.1 限电数据洗不干净，IQR 也拿它没办法
现象：散点图上风速超过额定风速后，功率不是集中在额定功率一条线上，而是形成了一条从500kW到2000kW的横带，分箱IQR洗掉一部分后，横带仍然明显存在。
原因：限电时功率被全场AGC统一下发到某个百分比，比如60%额定功率，功率值分布平稳，箱内的中位数附近也难免包含限电点。单纯从风速-功率二维分布来看，限电平台和正常曲线下半部分重叠，IQR的上下边界会把平台上的点识别为正常点。实际上限电平台的数据分布方差非常小，这是它区别于正常湍流波动的最明显特征。
解决：最好的方案是拿到限电标志或有功可用字段，直接用状态码剔除。如果拿不到，可以用功率时间序列的一阶差分的滚动方差来判断。具体这样做：先计算功率滚动5分钟方差，当方差低于某个阈值、且风速高于额定风速时，把这段数据标记为可疑；再结合时间连续性，把连续超过10分钟的平稳功率段整体删除。这比自己瞎猜阈值可靠，阈值可以根据清干净后的散点图回看调整，必要时把存疑数据导出到单独的CSV核对场控记录。
5.2 风向标零度偏差让整个扇区评估失真
现象：某一扇区的平均功率明显偏低，但相邻扇区正常，检查机组对风误差也没问题；更隐蔽的是，风玫瑰图里风向频率最高的扇区与场址历史测风数据不一致。
原因：机舱风向标安装时没有与机舱中心线对齐，存在固定偏差角，比如偏了8度。这会让风向数据整体偏移，导致风速分解到错误的扇区，分扇区功率曲线错位。这类问题在外部气象测风塔数据对比里几乎看不出来，因为偏差是机组自身传感器的系统误差，而不是测量噪声。
解决：先用风速-功率关系反推风向偏差。统计每个小幅风向区间内的平均湍流强度和平均功率，功率最高的风向区间应该对应机舱正对来流的方向，用这个方向与风向标零度方向之间的差值做校正。离线处理时，可以构造风向偏移角数组，从-15度到+15度步进1度，把校正后的风向重新分扇区计算功率曲线，选出功率曲线最窄或峰值最高的一组偏移角作为最优解。我一般会把这个结果与机舱定位数据和停机对风测试结果交叉验证，避免拟合出来的偏移角只是数据巧合。
5.3 分箱宽度选错，清洗与评估结果跟着跑偏
现象：清洗后的功率曲线在陡升段出现锯齿状波动，或者某些风速段功率均值明显低于相邻段。
原因：分箱宽度太窄，比如0.2m/s，低风速段每个箱内样本很少，中位数和四分位数对个别点非常敏感，导致清洗边界忽高忽低；分箱宽度太宽，比如1.5m/s，陡升段的曲线被平均化，损失功率曲线斜率信息。更麻烦的是，不同的评估目标对箱宽的要求不一样，清洗阶段需要细箱宽来识别离群点，评估阶段需要稳定统计来拟合平均功率，混用就会出问题。
解决：风速段差异化设置箱宽。我的习惯是切入风速到额定风速之间用0.5m/s，高风速段和低风速段用1m/s。如果某个箱内样本量仍然太少，要么放宽该箱的IQR系数，比如从1.5放宽到2.0，要么直接把该箱合并到相邻箱。评估阶段做功率曲线拟合时，用每个箱内的风速平均值而不是边界值作为横坐标，可以减少分箱位置带来的偏移。对于样本量特别少的箱，我会打印出来看一眼，确认是数据本身稀疏还是清洗误删，再决定是否合并。
5.4 清洗过头，低风速段被误删后评估偏高
现象：清洗后的散点图在低风速段变得稀稀拉拉，且平均功率比现场实测明显偏高，年发电量估计结果乐观得不像话。
原因：低风速段空气动力学效率本身不稳定，功率在相同风速下波动很大，孤立森林和IQR都容易把那些功率偏低的正常点当成异常删除。清洗掉低风速点后，剩余点的平均功率被拉高，等效功率曲线在低风速段整体上移，这会让威布尔分布与功率曲线相乘时，低风速段的能量贡献被高估。
解决：给低风速段设置保护机制。风速低于5m/s时，不执行孤立森林清洗，只做物理范围过滤；IQR的系数从1.5放宽到2.0。另外，把清洗掉的点单独存一个文件，检查其中低风速段的点是否带有明显的共性，比如湍流强度偏高，或者温度低于零度。如果只是单纯功率低，没有环境共性，就需要调整清洗策略；如果有共性，比如结冰或者湍流，那这些点确实应该删。这个检查步骤不能省，很多论文复现跑出来的结果异常偏高，八成是这里出了问题。
5.5 时间戳错位导致功率与风速对不齐
现象：散点图上出现大量“左上偏”或“右下偏”的倾斜拖尾点，例如风速10m/s时出现了明显低于正常值的点，而这些点对应的功率与前一时刻的功率高度相关。
原因：SCADA系统不同寄存器刷新频率不同。机舱风速仪和功率传感器可能分别以1Hz和3Hz采样，上位机把不同频率的数据按时间对齐时，没有做重采样，导致功率与风速相差了一个或多个时间步。这种错位是系统性的，所有点都会有一个固定偏移，数据清洗的离群点方法解决不了，因为错位点看起来只是“偏慢”或“偏快”，但整体分布仍然连续。
解决：在清洗前对原始数据按统一时间频率重采样。以1分钟为例，先对风速取均值、功率取均值，确保同一时间点上的风速与功率属于同一物理过程。重采样前先用plot观察功率对风速的时间滞后，计算两者的互相关函数，如果最大滞后不是0，就说明存在移位，需要用shift把其中一个序列移位到相关性最大的位置后再对齐。这个操作要放在清洗之前，不然清洗阶段会把错位点当成湍流散点处理，清洗完再对齐就晚了。
6. 用前后对比验证清洗与评估：一个能写进报告的习惯
6.1 清洗前后关键指标的对比表
清洗和评估做完，不能直接交差。我习惯把清洗前后的平均风速、平均功率、风功率密度、等效年发电量放进一张对比表，这既是给论文和报告提供依据，也是对自己清洗策略的检验。正常情况下，清洗前后的平均风速基本不变，因为清洗主要删功率异常点，对风速分布影响很小；但风功率密度会有明显下降，因为异常的尖峰功率被删掉了；等效年发电量如果清洗后比清洗前低，说明原始数据里存在大量虚高的功率点，后评估时通常以清洗后的数据为准。
| 指标 | 清洗前 | 清洗后 | 变化率 |
|---|---|---|---|
| 样本量 | 873123 | 812456 | -6.9% |
| 平均风速 (m/s) | 7.12 | 7.08 | -0.6% |
| 平均功率 (kW) | 624.8 | 586.3 | -6.2% |
| 风功率密度 (W/m^2) | 467.2 | 421.5 | -9.8% |
| 等效年发电量 (MWh) | 12461.2 | 11538.7 | -7.4% |
如果清洗后的数据让平均风速都发生了剧烈变化，说明你的物理范围过滤把正常的风速数据也删了，需要回去检查风速上限和时间插值逻辑。这个对比表也是论文复现部分最直观的展示方式，几乎每个审稿人都会看。除了表格，我还会在报告中放一张清洗前后的功率曲线散点对比图，坐标范围保持一致，这样审查者能直观看到清洗只去掉了异常点，没有破坏正常数据带的形状。
6.2 把评估结果固化成可复用脚本的两个细节
整个清洗和评估流程，我最后会整理成三个脚本：数据预检脚本、清洗脚本、评估脚本。清洗脚本输出清洗后的CSV和时间序列图，评估脚本读取清洗后的CSV输出风玫瑰图、分扇区功率曲线图和结果表格，这样换到新场址时，只需要改文件路径和机组额定功率，就能复用。
有两个细节值得关注。第一个是随机种子和拟合初值：孤立森林和威布尔拟合都要固定随机种子，保证复现结果一致；威布尔拟合的优化方法可以尝试不同初值，对比收敛情况，避免陷入局部最优。第二个是清洗阈值和评估系数的版本管理：我会在脚本里加一个config字典保存bin_width=0.5、iqr_multiplier=1.5、contamination=0.05、loss_turbine=0.90这些参数，每轮实验记录一组参数，这样论文里的敏感性分析才能追踪结果变化来自哪个环节。我自己就吃过没做风向偏差校正的亏，某扇区功率曲线始终偏低，排查了三天才发现是风向标装歪了；从那以后，我把风向偏差校正写进了标准流程，每次评估前先做一次扇区对齐检查。希望这篇笔记能让你在做风电功率曲线异常数据清洗和风能资源评估时少走这些弯路，数据先洗干净，评估结果才真正可信，希望帮到你。
本文还有配套的精品资源，点击获取
