风电机组对风不准识别算法研究与应用产品系统

面向风电场设备运维与机组发电性能诊断场景，解决风向标零点漂移引起的偏航对风不准问题。此类异常会降低机组发电性能、影响设备可靠性，但通常不会直接触发停机，现场人员难以及时发现。针对激光雷达测风校正成本较高、不适合长期大规模实施的限制，项目利用机组已有SCADA运行数据，研究无需加装测量设备的远程诊断方法，为异常机组筛查、风向标检查与校正提供依据。

本项目基于风电机组SCADA运行数据，围绕风速、对风偏差和有功功率开展分析，提供数据分组、异常数据剔除、对风偏差估算及诊断结果可视化等功能，通过分析功率峰值对应的对风角度，辅助排查风向标零位偏差，为现场检查与校正提供数据参考。

项目采用 Python 开发，将算法主体封装为 YawErrorDet 类，围绕风速、对风偏差和有功功率三个核心字段组织计算流程。使用 Pandas 完成数据分组与筛选，scikit-learn 实现孤立森林异常检测，NumPy 完成二次多项式拟合与偏差计算，Matplotlib 实现诊断过程可视化。 yawerror_function yawerror_function yawerror_function
算法采用**“风速分区—异常剔除—高功率样本筛选—曲线拟合—偏差汇总”**的处理流程。首先按照0.5m/s风速间隔和2°对风偏差间隔对数据分组，在各风速区间内利用孤立森林识别异常点；随后保留正常样本，选取各对风偏差区间内接近最大功率的数据进行二次多项式拟合，根据曲线极值点计算对应的对风偏差角度。 yawerror_function yawerror_function
实现难点在于异常数据与样本筛选会影响拟合曲线形态，进而影响功率极值点的识别。代码设置了拟合结果有效性检查，仅保留开口向下且极值角度位于±40°范围内的结果，对有效风速区间的估算值取平均，输出保留一位小数的偏航误差估计值。同时提供过程显示开关，可展示异常点分布、拟合样本、拟合曲线及零偏差参考线，便于复核计算过程。