台风电机组数据 来自同一风电场的134台风机 24个月（2020.1-2021.12月）2年的数据 有单台风机每个风机的数据
适用于风电功率预测 风力发电预测
空间分布：它包括风电场中所有风力涡轮机的相对位置和高程，以模拟它们之间的空间相关性。
动态环境特征：数据集提供了SCADA系统检测到的每个风力涡轮机的天qi状况和内部状态，以帮助进行风电预测
包含来自ERA5的NWP数据，时间分辨率为30分钟
附带数据集使用注意事项以及内容说明
1
台风电机组数据集是一个高质量、多维度的风电预测研究资源，包含134 台风机 × 24 个月（2020.1–2021.12）的 SCADA 数据 + ERA5 再分析 NWP 数据 + 空间位置信息。以下是系统化的使用指南，涵盖数据结构、应用场景、建模方法与实操步骤。
✅ 一、数据集核心组成（表格化）
| 数据类型 | 内容说明 | 时间分辨率 | 用途 |
|---|---|---|---|
| SCADA 数据 | 每台风机的：• 实际发电功率（kW）• 风速（m/s）• 风向（°）• 转速（RPM）• 偏航角度• 机舱温度• 故障状态等 | 10 分钟 / 30 分钟（常见） | 风机内部状态建模、异常检测、功率映射 |
| NWP 数据（ERA5） | 来自 ECMWF 的再分析数据：• 10m/100m 风速/风向• 气温、气压、湿度• 边界层高度• 地表粗糙度 | 30 分钟 | 提供大尺度气象驱动，用于超短期/短期预测 |
| 空间信息 | 每台风机的：• 经纬度（或相对坐标 x, y）• 海拔高程（m） | 静态 | 构建风机间尾流效应模型、图神经网络（GNN）输入 |
| 时间范围 | 2020 年 1 月 – 2021 年 12 月 | — | 覆盖四季、台风季、低风/高风期，具代表性 |
📌总样本量估算：
134 台 × 24 月 × 30 天 × 48（30分钟/天）≈460 万条记录
✅ 二、典型应用场景
| 应用方向 | 具体任务 | 所需数据子集 |
|---|---|---|
| 单机功率预测 | 预测某台风机未来 15min~72h 发电功率 | 该机 SCADA + 对应 NWP |
| 全场功率预测 | 预测整个风电场总出力 | 所有风机 SCADA + NWP + 空间布局 |
| 尾流效应建模 | 分析上游风机对下游风机的功率损失 | 空间坐标 + 风向 + 功率数据 |
| 异常检测 | 识别性能退化或故障风机 | 同类风机功率-风速曲线对比 |
| 不确定性量化 | 输出预测区间（如分位数回归） | 历史误差分布 + 气象不确定性 |
✅ 三、建模范式与模型选择
1.传统方法（基线）
- Persistence Model：用当前功率作为未来预测（适用于超短期）
- Power Curve Mapping：拟合
风速 → 功率曲线（忽略动态性）
2.机器学习方法
| 模型 | 输入特征 | 优势 |
|---|---|---|
| XGBoost / LightGBM | NWP + SCADA 滞后特征（t-1, t-2…） | 训练快、可解释性强 |
| SVR / Random Forest | 同上 | 小数据集表现稳定 |
3.深度学习方法（推荐）
| 模型 | 适用场景 | 关键设计 |
|---|---|---|
| LSTM / GRU | 单机时间序列预测 | 输入：历史功率 + NWP 序列 |
| ConvLSTM | 融合时空特征 | 将风机视为网格点 |
| Graph Neural Network (GNN) | 全场预测 + 尾流建模 | 图结构：节点=风机，边=距离/风向相关性 |
| Transformer / Informer | 长序列依赖（>24h） | 自注意力捕捉远期气象影响 |
| Hybrid Model | SCADA + NWP + 空间融合 | 如：GNN + LSTM |
💡当前 SOTA 方案：
Spatio-Temporal GNN + NWP Embedding（如 Graph-WaveNet, MTGNN）
✅ 四、数据预处理关键步骤
步骤 1：数据对齐
# 示例：对齐 SCADA 与 ERA5（30分钟粒度）scada=pd.read_csv("scada_turbine_001.csv")# 时间列: 'timestamp'nwp=pd.read_csv("era5_nwp.csv")# 时间列: 'time'# 统一时间索引（UTC）df=pd.merge(scada,nwp,left_on='timestamp',right_on='time',how='inner')步骤 2：特征工程
# 构造关键特征df['wind_speed_100m']=np.sqrt(df['u100']**2+df['v100']**2)df['wind_direction']=np.arctan2(df['v100'],df['u100'])*180/np.pi df['air_density']=df['sp']/(287.05*(df['t2m']+273.15))# 理想气体定律# 滞后特征（用于时序模型）forlagin[1,2,3]:df[f'power_lag_{lag}']=df['power'].shift(lag)步骤 3：构建空间图（用于 GNN）
# 使用风机坐标构建邻接矩阵coords=pd.read_csv("turbine_locations.csv")# 列: turbine_id, x, y, elevationfromsklearn.metricsimportpairwise_distances dist_matrix=pairwise_distances(coords[['x','y']].values)adj_matrix=np.exp(-dist_matrix/sigma)# 高斯核，sigma=典型风机间距np.fill_diagonal(adj_matrix,0)# 自环设为0✅ 五、完整建模流程（以 GNN 为例）
1. 输入设计
- 节点特征（每台风机）：
- 历史功率（过去 6 小时）
- 实时 SCADA（风速、转速等）
- NWP 预报（未来 6 小时风速、温度等）
- 图结构：基于空间距离的邻接矩阵
2. 模型架构
# 伪代码（PyTorch Geometric）classWindPowerGNN(torch.nn.Module):def__init__(self):self.gnn_layer=GCNConv(node_features,hidden_dim)self.lstm=LSTM(hidden_dim,lstm_hidden)self.predictor=Linear(lstm_hidden,pred_horizon)defforward(self,x,edge_index,nwp_future):h=self.gnn_layer(x,edge_index)# 融合邻居信息h=self.lstm(h)# 时序建模out=self.predictor(h)+nwp_future# 融合 NWP 先验returnout3. 损失函数
- 主损失：MAE 或 RMSE（功率预测）
- 辅助损失：尾流误差约束（可选）
✅ 六、评估指标（风电预测标准）
| 指标 | 公式 | 说明 |
|---|---|---|
| MAE | 1 N ∑ ∣ y − y ^ ∣ \frac{1}{N}\sum |y - \hat{y}|N1∑∣y−y^∣ | 平均绝对误差（kW） |
| RMSE | 1 N ∑ ( y − y ^ ) 2 \sqrt{\frac{1}{N}\sum (y - \hat{y})^2}N1∑(y−y^)2 | 对大误差敏感 |
| MAPE | $\frac{100%}{N}\sum \left | \frac{y - \hat{y}}{y}\right |
| NMAE | MAE / (装机容量) | 归一化 MAE（行业标准） |
📊行业基准：
- 超短期（15min）：NMAE - 短期（24h）：NMAE 💡一句话总结：
该数据集是“时空+气象+设备”三位一体的风电预测黄金数据，通过GNN 融合空间布局 + LSTM 建模时序 + NWP 提供先验，可构建高精度、物理一致的风电功率预测系统。
如需以下支持，请告知：
- 数据对齐与清洗脚本（Python）
- GNN 完整训练代码（PyG）
- 与 WRF/FLORIS 物理模型耦合方案
- 预测结果可视化（功率曲线 + 尾流热力图）
祝您在风电智能预测领域取得突破！🌬️⚡
