3、风速-功率曲线分析：标准功率曲线概念、实测功率曲线绘制、曲线偏差识别、基于功率曲线的损失量化

各位同事，大家好。今天我们来聊聊风速-功率曲线分析。这是风电场发电量损失诊断里最核心、最直观的手段之一。说白了，就是看风机到底有没有“吃饱风”，把风能老老实实变成电。

我个人的习惯是，每次接手一个新场子的数据分析任务，第一件事就是拉功率曲线。为什么？因为它骗不了人。你机组运行数据好不好，曲线一画，原形毕露。

3.1 标准功率曲线概念

标准功率曲线，是风机厂家在理想条件下给出的承诺。它描述了风速从切入风速到切出风速之间，风机理论上应该发多少电。

这条曲线有几个关键点：

• 切入风速：一般是3m/s左右。低于这个值，风机不启动。
• 额定风速：通常在10-12m/s。达到这个风速后，风机满发。
• 切出风速：25m/s左右。风速太高，为了保护机组，会停机。

标准曲线是理想状态下的。它假设空气密度是1.225kg/m³，湍流强度适中，叶片干净，桨距角控制完美。嗯，现实哪有这么完美？

3.2 实测功率曲线绘制

实测曲线怎么画？很简单，用SCADA数据。把10分钟平均风速和10分钟平均有功功率拿出来，散点图一画，再做个bin处理，就是实测功率曲线。

我给大家一个常用的Python代码片段，用来做bin平均：

import pandas as pd
import numpy as np

# 假设df包含'ws'（风速）和'power'（功率）两列
bins = np.arange(0, 30, 0.5)  # 0.5m/s一个bin
df['bin'] = pd.cut(df['ws'], bins)
curve = df.groupby('bin')['power'].mean().reset_index()
curve['ws_mid'] = curve['bin'].apply(lambda x: x.mid)

这里要注意，数据清洗很重要。我曾经遇到过一个场子，SCADA里全是停机、限功率的数据，画出来的曲线惨不忍睹。所以画曲线前，一定要过滤掉：

• 停机状态的数据
• 限功率运行的数据
• 故障报警期间的数据
• 桨距角异常的数据

3.3 曲线偏差识别

曲线画出来了，怎么看出问题？我一般看三个维度：

1. 整体偏移：整条曲线向右偏，说明风机“吃风”效率低。可能是叶片污染、变桨偏差。
2. 局部凹陷：某个风速段功率明显偏低。比如6-8m/s段凹下去，我遇到过，后来发现是变桨角度标定出了问题。
3. 满发段抖动：额定风速以上功率不稳。这通常是变桨系统响应慢，或者电网波动造成的。

为什么会这样？你想想看，标准曲线是光滑的，实测曲线如果出现“锯齿”或者“台阶”，那一定是有问题。

3.4 基于功率曲线的损失量化

识别出偏差后，怎么算损失？说白了，就是算“该发的电”和“实际发的电”之间的差值。

具体做法：

1. 用实测风速，代入标准功率曲线，算出理论发电量。
2. 用实测风速，代入实测功率曲线，算出实际发电量。
3. 两者相减，就是功率曲线偏差造成的损失。

公式很简单：

损失电量 = Σ (P_标准(ws_i) - P_实测(ws_i)) × 时间间隔

这里有个细节要注意：时间间隔。SCADA数据一般是10分钟一个点，所以时间间隔是1/6小时。别算错了，不然损失电量会差一个数量级。

我给大家看一个实际案例的表格：

风速区间 (m/s)	标准功率 (kW)	实测功率 (kW)	偏差 (kW)	年发生小时数 (h)	年损失电量 (MWh)
4-5	120	105	-15	800	12.0
6-7	350	310	-40	600	24.0
8-9	650	580	-70	400	28.0
10-11	1000	920	-80	300	24.0
合计					88.0

你看，光这一台机组，一年就损失了88MWh。一个风场几十台机组，加起来可不是小数目。

下面这张图，是我自己整理的功率曲线分析逻辑框架，大家可以参考：

嗯，这张图把整个分析流程串起来了。从数据清洗开始，到标准曲线和实测曲线的对比，再到偏差识别、损失量化，最后落到整改建议。每一步都环环相扣。