测量回路的问题对于数据分析来说也是很大的挑战。只有明显的故障特征，数据才能给出确定性结论。对于很多细微的问题，只有靠测量回路的校对工作去发现和更改。风速的原理性测量误差（风轮前后的风速差异）有很多补偿手段（例如，把叶片遮挡期间的数据过滤掉），但仅靠数据还是要谨慎。

设计与安装

为了提高发电效率，风机技术也有很多新的创新，例如叶片、电机、测风技术，这些信息通常可以明确给出，一般不会对数据分析带来潜在风险。但风机安装缺陷（例如叶片对零问题）这些隐性因素造成的问题，单纯数据分析也许可以发现异常表征，但无法给出根因研判。

总结

对于行业数据分析时是否应该了解机理这个问题，一直存在争论。从行业推广的角度，最好是不需要了解机理，这样分析技能才更容易复制。但我们一直坚持在分析前，尽量整理出问题的系统动力学图（在当前认知水平下）。通过本文可以看出，很多要素（例如瞬态空气动力学、安装瑕疵等）并不是“数据分析”技术可以解决（也不应该由数据分析技术解决），但至少知道问题的全貌，避免管中窥豹和过度自嗨。古人有云，“未知全貌，不予置评”，大概是针对那些仅考虑局部信息而过度解读的数据分析工作吧。

在考虑上面的要素后，风功率曲线的建模有很多方法，可以参阅[4]，这里不再展开。

参考文献

[1] 孙伟，风力发电机组功率曲线及可利用率[R]. 金风科技客服系统工程技术部，2013.

[2] Pelletier F. Power performance evaluation and improvement of operationalwind power plants[D]. cole de technologie supérieure, 2014.

[3] Bailey B H, McDonald S L, Bernadett D W, et al. Wind resource assessmenthandbook: Fundamentals for conducting a successful monitoring program[R].National Renewable Energy Lab., Golden, CO (US); AWS Scientific, Inc., Albany,NY (US), 1997.

[4] 黄秋娟. 基于数据驱动的风电机组功率曲线异常识别方法研究[D]. 沈阳工业大学,2019.