多类型风机的偏航误差测量方法及装置

权利要求书： 1.一种多类型风机的偏航误差测量方法，其特征在于，包括：获取多类型风机数据，对所述多类型风机数据进行预处理；

将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲线，根据所述最优风速?功率曲线获取各种类型风机的偏航误差。

2.根据权利要求1所述的方法，其特征在于，根据所述最优风速?功率曲线获取各种类型风机的偏航误差之后，所述方法进一步包括：对比多种类型风机的最优风速?功率曲线，得出偏航性能最优的风机类型。

3.根据权利要求1所述的方法，其特征在于，对所述多类型风机数据进行预处理具体包括：

采用孤立森林和DBSCAN聚类算法对异常数据进行清洗，并进行归一化处理。

4.根据权利要求1所述的方法，其特征在于，采用孤立森林和DBSCAN聚类算法对异常数据进行清洗，并进行归一化处理具体包括：步骤1，根据公式1表示由t个孤立树组成的孤立森林：IF∈{t1,...,tT}公式1；

其中，T为孤立树总数目。

对于每棵树t，计算出隔离观察值x所需的迭代次数ht(x)，则根据公式2表示在孤立森林中隔离样本x所需的平均步骤次数：

根据公式3和公式4定义标准化异常值s(x,n)：其中，n为，样本数量，x为隔离观察值，H(i)是谐波数，H(i)≈ln(i)+0.5772156649，c(n)是将一个样本与其他n个样本分离所需的平均步骤数，它提供了一个标准化因子，使得s值与样本数量n无关

训练过程中，递归划分给定的训练集，当样本中异常数据被隔离或达到指定树的高度以生成局部模型后停止训练，根据公式5确定树高h约等于平均树高：h＝ceiling(log2ψ)公式5；

其中，ψ代表子样本大小，ceiling代表CEILING函数；

假设DBSCAN算法的数据集为X＝{p1,p2,Lpn}，则pi、pj两点之间的距离公式dist(pi,pj)，定义DBSCAN算法如下：邻域Nε(pi)的表达式为Nε(pi)＝{pj∈X|dist(pi,pj)≤ε}，是以pi为圆心，ε为半径的区域，pi邻域Nε(pi)中点的数量大于等于MinPts，则称pi为核心对象，若pj∈Nε(pi)，且pi为核心点，则称pj是从pi直接密度可达，若序列{pi,pi+1,K,pj}∈X中，pi+1从pi直接密度可达，则称pj是从pi密度可达，存在点pk∈X，若pi，pj均可以从pk密度可达，则称pi和pj是密度相连的；

步骤2，将经过风机状态码筛选的数据X分为t个组，选择当前组数据，随机抽取Ψ个样本，随机选取一个样本作为一个节点，并在该特征值域随机选择一个值，并对Ψ个样本采用二叉分方法，如果取出的样本值小于该取值划到左分支，反之，划到右分支；

步骤3，判断当前组数据是否不可分或者树的高度是否大于公式5，如果不满足条件，则返回步骤2；如果满足条件，通过公式3计算数据得分，当得分接近1时，则判断为异常，当得分趋近于0.5，则不能判断数据是否异常，当得分接近0时，判断为正常数据；

步骤4，通过步骤3剔除掉部分异常数据，剩下的数据输入到DBSCAN模型中，并初始化参数ε和MinPts，从得到的数据集选取一个数据pi，并记为已读，查看标记数据的邻域个数；

步骤5，如果|NEps(pi)|≥MinPts，则p为核心对象，进而根据密度可达寻找密度相连的所有数据点并做标记已读；

步骤6，如果不满足|NEps(pi)|≥MinPts，则p不是核心对象，将p点记为已读，不做类标签处理，且以后取数据不在考虑，等其他数据进行密度可达、密度相连时，再进行处理；

步骤7，重复步骤4～6，将没有类标记的数据样本作为异常数据处理，直到迭代完所有子集；

步骤8，根据公式6，进行0?1归一化，通过对原始数据量化，使其映射到在[0,1]之间，计算方法如下所示：

其中，x′i为归一化后的数值，xi为原始数据，xmax和xmin为归一化之前的最大值和最小值。

5.根据权利要求1所述的方法，其特征在于，将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲线，根据所述最优风速?功率曲线获取各种类型风机的偏航误差具体包括：

将预处理后的多类型风机数据进行区间化处理，采用三次样条对风速?功率曲线进行拟合，构造一个三次函数Sk(x)，在[a,b]上有连续二阶导数，选取节点上二阶导数值参数S″3(xi)＝Mi(i＝0,1L,n)，则函数S3(xi)＝yi(i＝0,1,L,n)在分段[xi?1,xi]上需要满足公式7：S3(xi?1)＝yi?1,S3(xi)＝yiS″3(xi?1)＝Mi?1,S″3(xi)＝Mi公式7；

根据公式8，采用拉格朗日进行插值：其中，hi＝xi?xi?1。

根据公式9，对公式8进行两次积分，再进行微分：将S′3(xi?0)＝S′3(xi+0)带入公式9得到公式10：将公式10表示为公式12：

(1?ai)Mi?1+2Mi+aiMi+1＝gi(i＝1,2,Ln?1)公式11；

假设自由边界条件为在起点的左边界[x0,x1]上，x取x0时导入公式11得到公式12：若S′3(0)已知，取x＝x0，得到公式13：

2M0+0×M1＝2×S″3(x0)公式13；

根据公式13确定起点的边界条件为公式14：

2M0+a0M1＝g(0)公式14；

其中，给定y″0时，a0＝0,g0＝2y″0；给定y′0时，同理，根据公式15确定终点的边界条件：anMn?1+2Mn＝gn公式15；

其中，给定y″n时，an＝0,gn＝2y″n；给定y′n时，根据公式16构成定解问题：

解方程公式16求得M0,M1,LMn，得到功率曲线模型，其中得到的三次样条拟合函数公式为公式17：

3 2

f(x)＝0.3105x+0.4633x+0.1538x+0.009898公式17。

6.一种多类型风机的偏航误差测量装置，其特征在于，包括：获取模块，用于获取多类型风机数据，对所述多类型风机数据进行预处理；

处理模块，用于将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲线，根据所述最优风速?功率曲线获取各种类型风机的偏航误差。

7.根据权利要求6所述的装置，其特征在于，所述装置进一步包括：对比模块，用于在处理模块根据所述最优风速?功率曲线获取各种类型风机的偏航误差之后，对比多种类型风机的最优风速?功率曲线，得出偏航性能最优的风机类型。

8.根据权利要求6所述的装置，其特征在于，所述获取模块具体用于：采用孤立森林和DBSCAN聚类算法对异常数据进行清洗，并进行归一化处理：

步骤1，根据公式1表示由t个孤立树组成的孤立森林：IF∈{t1,...,tT}公式1；

其中，T为孤立树总数目。

对于每棵树t，计算出隔离观察值x所需的迭代次数ht(x)，则根据公式2表示在孤立森林中隔离样本x所需的平均步骤次数：

根据公式3和公式4定义标准化异常值s(x,n)：其中，n为，样本数量，x为隔离观察值，H(i)是谐波数，H(i)≈ln(i)+0.5772156649，c(n)是将一个样本与其他n个样本分离所需的平均步骤数，它提供了一个标准化因子，使得s值与样本数量n无关

训练过程中，递归划分给定的训练集，当样本中异常数据被隔离或达到指定树的高度以生成局部模型后停止训练，根据公式5确定树高h约等于平均树高：h＝ceiling(log2ψ)公式5；

其中，ψ代表子样本大小，ceiling代表CEILING函数；

假设DBSCAN算法的数据集为X＝{p1,p2,Lpn}，则pi、pj两点之间的距离公式dist(pi,pj)，定义DBSCAN算法如下：邻域Nε(pi)的表达式为Nε(pi)＝{pj∈X|dist(pi,pj)≤ε}，是以pi为圆心，ε为半径的区域，pi邻域Nε(pi)中点的数量大于等于MinPts，则称pi为核心对象，若pj∈Nε(pi)，且pi为核心点，则称pj是从pi直接密度可达，若序列{pi,pi+1,K,pj}∈X中，pi+1从pi直接密度可达，则称pj是从pi密度可达，存在点pk∈X，若pi，pj均可以从pk密度可达，则称pi和pj是密度相连的；

步骤2，将经过风机状态码筛选的数据X分为t个组，选择当前组数据，随机抽取Ψ个样本，随机选取一个样本作为一个节点，并在该特征值域随机选择一个值，并对Ψ个样本采用二叉分方法，如果取出的样本值小于该取值划到左分支，反之，划到右分支；

步骤3，判断当前组数据是否不可分或者树的高度是否大于公式5，如果不满足条件，则返回步骤2；如果满足条件，通过公式3计算数据得分，当得分接近1时，则判断为异常，当得分趋近于0.5，则不能判断数据是否异常，当得分接近0时，判断为正常数据；

步骤4，通过步骤3剔除掉部分异常数据，剩下的数据输入到DBSCAN模型中，并初始化参数ε和MinPts，从得到的数据集选取一个数据pi，并记为已读，查看标记数据的邻域个数；

步骤5，如果|NEps(pi)|≥MinPts，则p为核心对象，进而根据密度可达寻找密度相连的所有数据点并做标记已读；

步骤6，如果不满足|NEps(pi)|≥MinPts，则p不是核心对象，将p点记为已读，不做类标签处理，且以后取数据不在考虑，等其他数据进行密度可达、密度相连时，再进行处理；

步骤7，重复步骤4～6，将没有类标记的数据样本作为异常数据处理，直到迭代完所有子集；

步骤8，根据公式6，进行0?1归一化，通过对原始数据量化，使其映射到在[0,1]之间，计算方法如下所示：

其中，x′i为归一化后的数值，xi为原始数据，xmax和xmin为归一化之前的最大值和最小值；

所述处理模块具体用于：

将预处理后的多类型风机数据进行区间化处理，采用三次样条对风速?功率曲线进行拟合，构造一个三次函数Sk(x)，在[a,b]上有连续二阶导数，选取节点上二阶导数值参数S″3(xi)＝Mi(i＝0,1L,n)，则函数S3(xi)＝yi(i＝0,1,L,n)在分段[xi?1,xi]上需要满足公式7：S3(xi?1)＝yi?1,S3(xi)＝yiS″3(xi?1)＝Mi?1,S″3(xi)＝Mi公式7；

根据公式8，采用拉格朗日进行插值：其中，hi＝xi?xi?1。

根据公式9，对公式8进行两次积分，再进行微分：将S′3(xi?0)＝S′3(xi+0)带入公式9得到公式10：将公式10表示为公式12：

(1?ai)Mi?1+2Mi+aiMi+1＝gi(i＝1,2,Ln?1)公式11；

假设自由边界条件为在起点的左边界[x0,x1]上，x取x0时导入公式11得到公式12：若S′3(0)已知，取x＝x0，得到公式13：

2M0+0×M1＝2×S″3(x0)公式13；

根据公式13确定起点的边界条件为公式14：

2M0+a0M1＝g(0)公式14；

其中，给定y″0时，a0＝0,g0＝2y″0；给定y′0时，同理，根据公式15确定终点的边界条件：anMn?1+2Mn＝gn公式15；

其中，给定y″n时，an＝0,gn＝2y″n；给定y′n时，根据公式16构成定解问题：

解方程公式16求得M0,M1,LMn，得到功率曲线模型，其中得到的三次样条拟合函数公式为公式17：

3 2

f(x)＝0.3105x+0.4633x+0.1538x+0.009898公式17。

9.一种多类型风机的偏航误差测量装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的多类型风机的偏航误差测量方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至5中任一项所述的多类型风机的偏航误差测量方法的步骤。

说明书： 多类型风机的偏航误差测量方法及装置技术领域[0001] 本发明涉及计算机技术领域，尤其是涉及一种多类型风机的偏航误差测量方法及装置。

背景技术[0002] 在现有技术中，风能作为继水能之后的第二大可再生能源，风能市场上的装机容量空间巨大，各国纷纷加入对风电的投入，由于成本较低，并且应用形式灵活、维护简单，已

具备较成熟的技术，在全世界范围内得到了广泛的研究与应用。根据2019年全球风电联合

会的统计，我国八家公司虽然进入了世界风机制造商前十五强，前两名却由欧洲公司的维

斯塔斯和西门子歌美飒占据，我国风机厂商金风科技和远景能源与其它外国厂商的差距是

我们需要思考的。目前解决这一问题的方向是利用大数据技术分析多类型风机的运行数

据，得出偏航性能优异的风机厂商。通过学习此种类型风机的偏航控制策略来指导其它类

型风机，并校正各类风机的偏航系统静态偏差，优化机组的偏航性能。

[0003] 针对偏航控制系统静态偏差来进行研究，风电机组在正常运行发电过程中，风轮旋转产生的涡流或者风向仪安装不准确等一系列原因都可能导致对风速和风向测量的不

准确，影响偏航控制器输入数据的准确性，从而导致偏航静态误差产生。现有技术中提供了

一种基于历史运行数据的风电机组风向标测量误差校准方法，采用改进的DBSCAN聚类算法

对异常数据进行剔除，利用双调和样条插值等方法对风向仪进行校正，提高了风电机组的

发电量。但是，现有技术中仍然存在风向标对风测量不准确的问题。

发明内容[0004] 本发明的目的在于提供一种多类型风机的偏航误差测量方法及装置，旨在解决现有技术中的上述问题。

[0005] 本发明提供一种多类型风机的偏航误差测量方法，包括：[0006] 获取多类型风机数据，对所述多类型风机数据进行预处理；[0007] 将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲线，根据所述最

优风速?功率曲线获取各种类型风机的偏航误差。

[0008] 本发明提供一种多类型风机的偏航误差测量装置，包括：[0009] 获取模块，用于获取多类型风机数据，对所述多类型风机数据进行预处理；[0010] 处理模块，用于将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲

线，根据所述最优风速?功率曲线获取各种类型风机的偏航误差。

[0011] 本发明实施例还提供一种多类型风机的偏航误差测量装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处

理器执行时实现上述多类型风机的偏航误差测量方法的步骤。

[0012] 本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述多类型风机的偏航误差测量方

法的步骤。

[0013] 采用本发明实施例，能够实现同时对数据集中的离散型异常数据和堆积型异常数据进行剔除。此外，本发明实施例的技术方案适用于不同类型机组的偏航误差测量，可以实

现不同类型风机偏航性能的对比。

[0014] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够

更明显易懂，以下特举本发明的具体实施方式。

附图说明[0015] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的

附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前

提下，还可以根据这些附图获得其他的附图。

[0016] 图1是本发明实施例的多类型风机的偏航误差测量方法的流程图；[0017] 图2是本发明实施例的多类型风机的偏航误差测量方法的详细流程图；[0018] 图3a是本发明实施例的DBSCAN算法原理的直接密度可达的示意图；[0019] 图3b是本发明实施例的DBSCAN算法原理的密度可达的示意图；[0020] 图3c是本发明实施例的DBSCAN算法原理的密度相连的示意图；[0021] 图4是本发明实施例的基于孤立森林和DBSCAN的异常点识别结果的示意图；[0022] 图5是本发明实施例的三次样条拟合的风电功率曲线的示意图；[0023] 图6是本发明实施例的A类风机区间化功率曲线的示意图；[0024] 图7是本发明实施例的四种类型风机偏航性能对比的示意图；[0025] 图8是本发明装置实施例一的多类型风机的偏航误差测量装置的示意图；[0026] 图9是本发明装置实施例二的多类型风机的偏航误差测量装置的示意图。具体实施方式[0027] 针对风向标对风测量不准确的问题，本发明实施例提供了一种多类型风机的偏航误差测量方法。首先，采用孤立森林和DBSCAN聚类算法对异常数据进行清洗，并进行归一化

处理，然后将得到的数据区间化处理，采用三次样条方法对每个区间的风速?功率散点进行

拟合，选出最优的风速?功率曲线，得出偏航误差。通过对比四种类型风机最优的风速?功率

曲线，得出偏航性能最优的风机类型。

[0028] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技

术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范

围。

[0029] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时

针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于

描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特

定的方位构造和操作，因此不能理解为对本发明的限制。

[0030] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者

隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以

上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以

是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以

是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普

通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0031] 方法实施例[0032] 根据本发明实施例，提供了一种多类型风机的偏航误差测量方法，图1是本发明实施例的多类型风机的偏航误差测量方法的流程图，如图1所示，根据本发明实施例的多类型

风机的偏航误差测量方法具体包括：

[0033] 步骤101，获取多类型风机数据，对所述多类型风机数据进行预处理；[0034] 步骤102，将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率曲线，根

据所述最优风速?功率曲线获取各种类型风机的偏航误差。

[0035] 在本发明实施例中，在根据所述最优风速?功率曲线获取各种类型风机的偏航误差之后，还可以对比多种类型风机的最优风速?功率曲线，得出偏航性能最优的风机类型。

[0036] 以下结合附图，对本发明实施例上述技术方案进行详细说明。[0037] 图2是本发明实施例的多类型风机的偏航误差测量方法的详细流程图，如图2所示，具体包括如下处理：

[0038] S1：多类型风机数据获取。[0039] 在本实例种，选用华北某风电场状态良好的四种类型风机半年的数据，时间从秒级到分钟级，时间尺度越小，选定的时间范围可适当缩。数据主要包含：时间、对风角度、风

速、功率、风向等。四种类型风机数据量如表1所示。获取四种类型风机的状态码，为后续剔

除异常数据点奠定了基础。

[0040] 表1四种风机类型数据[0041][0042] S2：数据预处理。[0043] 对于S1中所获取数据，需要剔除异常数据，为了对比不同风机的性能，需要对数据集进行归一化处理。

[0044] S2.1：孤立森林对于异常点数量少、异常值和正常值差别大的特点来孤立异常点。主要思想是把数据集等量划分，直到全部的数据点被孤立，根据每个数据点的得分来评判

是否为异常点。孤立森林的主要过程如下：

[0045] (1)孤立森林是由t个孤立树组成，表示为：[0046] IF∈{t1,...,tT}(1)[0047] 其中，T为孤立树总数目。[0048] (2)对于每棵树t，都可以计算出隔离样本x所需的迭代次数ht(x)，则在森林中隔离样本x所需的平均步骤次数表示为：

[0049][0050] (3)此方法仅需少数步骤可完成异常值的隔离。但隔离观察值x所需的步骤数受样本数量n的影响。为消除此影响，定义标准化异常值s(x,n)：

[0051][0052] 其中c(n)表示为：[0053][0054] H(i)是谐波数，约等于：[0055] H(i)≈ln(i)+0.5772156649(5)[0056] 可证明，c(n)是将一个样本与其他n个样本分离所需的平均步骤数，它提供了一个标准化因子，使得s值与样本数量n无关。

[0057] (4)训练过程中，递归划分给定的训练集，当样本中异常数据被隔离或达到指定树的高度以生成局部模型后停止训练。树高h约等于平均树高，可定义为：

[0058] h＝ceiling(log2ψ)(6)[0059] 其中ψ代表子样本大小，ceiling代表CEILING函数。路径长度短于平均路径长度的数据点落在异常区域的概率更大，因此让树木生长到平均树高对异常数据点进行有效隔

离。

[0060] DBSCAN作为一种处理风机异常数据的算法，以密度作为划分依据，不用事先确定簇的个数，但算法中两个重要的参数聚类半径ε和半径区域内密度阈值Minpts需要提前设

定，如果设定的参数值并不适用于数据集，导致聚类效果不明显。对于这两个参数的设定尤

为重要，且在运算过程中始终保持不变。基本思想是：以ε为半径计算邻域对象的个数，若到

达密度阈值便分为一类，然后把高密度区域连通成为簇的过程。假设数据集为X＝{p1,p2,L

pn}，则pi、pj两点之间的距离公式dist(pi,pj)，算法定义如下：

[0061] (1)ε邻域：邻域Nε(pi)的表达式为Nε(pi)＝{pj∈X|dist(pi,pj)≤ε}，是以pi为圆心，ε为半径的区域。

[0062] (2)核心对象：pi邻域Nε(pi)中点的数量大于等于MinPts，则称pi为核心对象；[0063] (3)直接密度可达：若pj∈Nε(pi)，且pi为核心点，则称pj是从pi直接密度可达，如图3a所示。

[0064] (4)密度可达：若序列{pi,pi+1,K,pj}∈X中，pi+1从pi直接密度可达，则称pj是从pi密度可达，如图3b所示。

[0065] (5)密度相连：存在点pk∈X，若pi，pj均可以从pk密度可达，则称pi和pj是密度相连的，如图3c所示。

[0066] S2.1.1：将经过风机状态码筛选的数据X分为t个组，选择当前组数据，随机抽取Ψ个样本，随机选取一个样本作为一个节点，并在该特征值域随机选择一个值，并对Ψ个样本

采用二叉分方法，如果取出的样本值小于该取值划到左分支，反之，划到右分支。

[0067] S2.1.2：判断当前组数据是否不可分或者树的高度是否大于公式6，如果不满足条件，则返回步骤(1)；如果满足条件，通过公式3计算数据得分，当得分接近1时，则判断为异

常。当得分趋近于0.5，则不能判断数据是否异常，当得分接近0时，判断为正常数据。

[0068] S2.1.3：通过步骤(2)剔除掉部分异常数据，剩下的数据输入到DBSCAN模型中，并初始化参数ε和MinPts,从得到的数据集选取一个数据pi，并记为已读，查看标记数据的邻

域个数。

[0069] S2.1.4：如果|NEps(pi)|≥MinPts，则p为核心对象，进而根据密度可达寻找密度相连的所有数据点并做标记已读。

[0070] S2.1.5：如果不满足|NEps(pi)|≥MinPts，则p不是核心对象，将p点记为已读，不做类标签处理，且以后取数据不在考虑，等其他数据进行密度可达、密度相连时，在进行处理。

[0071] S2.1.6：重复步骤(3)～(5)，将没有类标记的数据样本作为异常数据处理，直到迭代完所有子集。

[0072] 如图4所示为使用孤立森林和DBSCAN进行异常数据识别结果。[0073] S2.2：数据归一化[0074] 0?1归一化，通过对原始数据量化，使其映射到在[0,1]之间，计算方法如下所示：[0075][0076] x′i为归一化后的数值，xi为原始数据，xmax和xmin为归一化之前的最大值和最小值。[0077] S3：回归模型建立；[0078] 为了便于分析偏航系统四种风机的偏航静态误差和风机性能，以A类风机为例，通过查阅A类风机的技术文档，现有的控制策略为偏航阈值时间超过160秒，并且当β角(机舱

和在这一时间段内的平均风向夹角)超过8°时，机舱才进行偏航，所以把α(?8,8)区间化划

分，划分为16个区间，对于得到的每个区间的风速?功率散点进行拟合。

[0079] 对于每个得到的风速?功率散点进行多项式拟合，得到16条风速?功率曲线，分析在风速一定情况下，哪一条曲线的功率最大，所对应的即为偏航误差值。

[0080] 采用三次样条对风速?功率曲线进行拟合，构造一个三次函数Sk(x)，在[a,b]上有连续二阶导数，选取节点上二阶导数值参数S″3(xi)＝Mi(i＝0,1L,n)，则函数S3(xi)＝yi(i

＝0,1,L,n)在分段[xi?1,xi]上需要满足：

[0081] S3(xi?1)＝yi?1,S3(xi)＝yi[0082] S″3(xi?1)＝Mi?1,S″3(xi)＝Mi(8)[0083] 采用拉格朗日进行插值有：[0084][0085] 式中，hi＝xi?xi?1。[0086] 对式9进行两次积分，在进行微分得：[0087][0088] 将S3'(xi?0)＝S3'(xi+0)带入式子10得：[0089][0090] 上式可表示为：[0091] (1?ai)Mi?1+2Mi+aiMi+1＝gi(i＝1,2,Ln?1)(12)[0092] 自由边界条件为在起点的左边界[x0,x1]上，x取x0时导入式12得：[0093][0094] 若S3'(0)已知，由式子3.16取x＝x0可得：[0095] 2M0+0×M1＝2×S″3(x0)(14)[0096] 则起点的边界条件为：[0097] 2M0+a0M1＝g(0)(15)[0098] 其中，给定y″0时，a0＝0,g0＝2y″0；给定y′0时，[0099] 同理，终点的边界条件为：[0100] anMn?1+2Mn＝gn(16)[0101] 其中，给定y″n时，an＝0,gn＝2y″n；给定y′n时，[0102] 构成了定解问题：[0103][0104] 解方程求得M0,M1,LMn，得到功率曲线模型如图6所示，其中得到的三次样条拟合函数公式为：

[0105] f(x)＝0.3105x3+0.4633x2+0.1538x+0.009898(18)[0106] 三次样条拟合的风电功率曲线如图5所示。[0107] S4：偏航系统静态偏差求取。[0108] 以2019年A类型风机、B类型风机、C类型风机、D类型风机这四种状况良好的风机数据为基础，对四种类型风机求取偏差值。以A类风机为例，将16个区间内的风功率散点进行

拟合，得到16条风速?功率曲线，如图6所示，在最上面的线为[?5,?4)和[?4,?3)，所以取为?

4°。同理其它三种类型风机，B类型风机偏航误差为?7°，C类型风机偏航误差为?6°，D类型风

机偏航误差为?6°，四种类型风机偏航性能对比如图7所示。

[0109] 综上所述，借助于本发明实施例的技术方案，对于数据集中的离散型异常数据，采用孤立森林算法可以很好的剔除这些异常点，对于堆积型异常数据点，采用DBSCAN聚类算

法可以很好的剔除。本发明设计孤立森林和DBSCAN的组合识别模型处理异常数据，能够实

现同时对数据集中的离散型异常数据和堆积型异常数据进行剔除。此外本发明实施例的模

型适用于不同类型机组的偏航误差测量，可以实现不同类型风机偏航性能的对比。

[0110] 装置实施例一[0111] 根据本发明实施例，提供了一种多类型风机的偏航误差测量装置，图8是本发明实施例的多类型风机的偏航误差测量装置的示意图，如图8所示，根据本发明实施例的多类型

风机的偏航误差测量装置具体包括：

[0112] 获取模块80，用于获取多类型风机数据，对所述多类型风机数据进行预处理；所述获取模块80具体用于：采用孤立森林和DBSCAN聚类算法对异常数据进行清洗，并进行归一

化处理：

[0113] 处理模块82，用于将预处理后的多类型风机数据进行区间化处理，并采用三次样条方法对每个区间的风速?功率散点进行多项式拟合，选出各种类型风机的最优风速?功率

曲线，根据所述最优风速?功率曲线获取各种类型风机的偏航误差。

[0114] 上述装置还可以进一步包括：[0115] 对比模块，用于在处理模块根据所述最优风速?功率曲线获取各种类型风机的偏航误差之后，对比多种类型风机的最优风速?功率曲线，得出偏航性能最优的风机类型。

[0116] 本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

[0117] 装置实施例二[0118] 本发明实施例提供一种多类型风机的偏航误差测量装置，如图9所示，包括：存储器90、处理器92及存储在所述存储器90上并可在所述处理92上运行的计算机程序，所述计

算机程序被所述处理器92执行时实现如方法实施例中所述的步骤。

[0119] 装置实施例三[0120] 本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器92执行时实现如方法实施例中所述的步骤。

[0121] 本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。[0122] 需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于基于区块链的服务提供方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应

的多类型风机的偏航误差测量方法的实施，重复之处不再赘述。

[0123] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来

执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺

序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可

以的或者可能是有利的。

[0124] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实

施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例

的部分说明即可。

[0125] 以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同

替换、改进等，均应包含在本文件的权利要求范围之内。