基于组合算法的风电机组功率曲线异常数据处理方法.pdf

风电机组在运行过程中受计划外停机、限负荷运行、极端天气等因素影响,功率曲线存在大量的横向、离散分布的异常数据,而现有数据清洗方法受算法自身条件限制,在单独应用过程中无法准确识别局部分散堆积型数据,或受限于样本数据特征,算法不能直接应用。为此,通过将基于密度的聚类算法与拉依达准则优势组合,提出一种适用于风电机组功率曲线异常数据清洗的方法。实例验证表明,该方法可高质量识别风机处于异常工况下的离散数据,泛化能力较强,在风电机组功率曲线数据清洗方面有较好应用。可作为风电机组数据分析与数据挖掘的基础,为后续高效利用风能,开展风电机组提质增效、策略优化等一系列工作提供有效数据保障。关键词:风电机组;功率曲线;聚类分析;数据处理;拉依达准则中图分类号:T K 0 1;TM 6 1 4 文献标志码:AA b n o r m a l D a t a P r o c e s s i n g M e t h o d o f W i n d T u r b i n e P o w e r C u r v e B a s e d o n C o m b i n a t o r i a l A l g o r i t h mL I X u a n y u(D a t a n g N o r t h e a s t E l e c t r i c P o w e r T e s t&R e s e a r c h I n s t i t u t e C o.,L t d.,C h a n g c h u n 1 3 0 1 0 2,J i l i n P r o v i n c e,C h i n a)A B S T R A C T:D u e t o t h e i n f l u e n c e o f u n p l a n n e d s h u t d o w n,l o a d l i m i t i n g o p e r a t i o n,e x t r e m e w e a t h e r a n d o t h e r f a c t o r s i n t h e o p e r a t i o n o f w i n d t u r b i n e s,t h e r e a r e a l a r g e n u m b e r o f h o r i z o n t a l a n d d i s c r e t e a b n o r m a l d a t a i n t h e p o w e r c u r v e.H o w e v e r,t h e e x i s t i n g d a t a c l e a n i n g m e t h o d s a r e l i m i t e d b y t h e c o n d i t i o n s o f t h e a l g o r i t h m i t s e l f,a n d t h e l o c a l s c a t t e r e d a c c u m u l a t i o n d a t a c a n n o t b e a c c u r a t e l y i d e n t i f i e d i n a s i n g l e a p p l i c a t i o n p r o c e s s,o r t h e c h a r a c t e r i s t i c s o f s a m p l e d a t a a r e l i m i t e d,s o t h e a l g o r i t h m c a n n o t b e d i r e c t l y a p p l i e d.T h e r e f o r e,b y c o m b i n i n g t h e a d v a n t a g e s o f D B S C AN(d e n s i t y-b a s e d s p a t i a l c l u s t e r i n g o f a p p l i c a t i o n s w i t h n o i s e)c l u s t e r i n g a l g o r i t h m a n d L a i d a c r i t e r i o n,a s u i t a b l e m e t h o d f o r c l e a n i n g a b n o r m a l d a t a o f w i n d t u r b i n e p o w e r c u r v e i s p r o p o s e d.T h e e x a m p l e s h o w s t h a t t h e m e t h o d c a n i d e n t i f y t h e d i s c r e t e d a t a o f t h e w i n d t u r b i n e u n d e r a b n o r m a l w o r k i n g c o n d i t i o n s w i t h h i g h q u a l i t y,a n d h a s s t r o n g g e n e r a l i z a t i o n a b i l i t y,a n d h a s g o o d a p p l i c a t i o n i n t h e p o w e r c u r v e d a t a c l e a n i n g o f w i n d t u r b i n e.I t c a n b e u s e d a s t h e b a s i s f o r d a t a a n a l y s i s a n d d a t a m i n i n g o f w i n d t u r b i n e s,a n d p r o v i d e e f f e c t i v e d a t a g u a r a n t e e f o r s u b s e q u e n t e f f i c i e n t u s e o f w i n d e n e r g y,q u a l i t y a n d e f f i c i e n c y i m p r o v e m e n t o f w i n d t u r b i n e s,s t r a t e g y o p t i m i z a t i o n a n d o t h e r w o r k.K E Y WO R D S:w i n d t u r b i n e;p o w e r c u r v e;c l u s t e r i n g a n a l y s i s;d a t a p r o c e s s i n g;l a i d a c r i t e r i o n基金项目:大唐东北电力试验研究院科技项目(D B Y K J-2 0 2 3-0 0 1 1)T h i s w o r k i s s u p p o r t e d b y S c i e n c e a n d T e c h n o l o g y P r o j e c t o f D a t a n g N o r t h e a s t E l e c t r i c P o w e r E x p e r i m e n t a l R e s e a r c h I n s t i t u t e(D B Y K J-2 0 2 3-0 0 1 1)0 引言 自“碳达峰、碳中和”战略目标确立以来,风电行业发展迎来新的机遇。风电机组优良的发电性能是确保发电企业日常运营与发展规划的重要因素,风机功率曲线作为分析风电机组发电性能的重要指标,其不仅表征了风电机组日常运行状态,反映了机组性能是否达到出厂设计要求,同时实时风速 功率数据也是用于现场生产数据分析、优化风机控制策略的基础。场站内的数据采集与监测系统用于存储记录风电机组日常运行数据,受风电机组设备故障停机、减载、限负荷等因素的影响,会产生大量的异常7 4 分布式能源第8卷 第3期数据簇和离群数据点1。此类数据杂乱无序,如不经处理直接用于机组性能分析,拟合出的风机实际功率曲线将发生畸变,严重影响分析结果,也无法为后续的维护工作提供有效数据支撑。因此,为提高数据准确性,对风电机组原始数据进行数据处理与清洗是不可缺少的重要环节2。现阶段针对风电机组异常数据的识别与清洗已取得一定的研究成果,从数据处理的方式来看,大致可分为以下3类:(1)基于样本数据统计特征方面,文献3-4 采用的四分位法与组内最优方差法是较为常用的异常数据清洗方法,但四分位法在异常数据分布邻近正常数据带时,易将异常数据误判为正常数据3;组内最优方差法的初始阙值需人工确定,存在不适用于个别风速区间情况,孤立点降低数据清洗准确性4。(2)文献5 通过独立变量筛选孤立数据,但不同的显著水平取值对异常数据判别影响较大。(3)文献6 采用云分段最优熵算法,通过熵值比较识别异常数据,但不能准确识别密度较高的堆积型异常数据;文献7 采用一种基于密度的聚类分析方法,通过比较某一点与临近数据之间的局部偏差来筛选异常数据,但在处理堆积型异常数据时同样效果欠佳。基于建立风机功率曲线数学模型方面,文献8 采用数据集邻近度技术,通过比较数据之间的距离确定异常数据,模型建立需要大量正常数据进行训练,泛化能力相对较差。基于图像识别技术方面,文献9-1 0 根据数据图像空间分布特征提取正常数据,但在处理切出风速附近的异常数据效果较差,且筛选后的正常数据带易出现不平滑现象。针对上述问题,本文基于密度的聚类算法(d e n s i t y-b a s e d s p a t i a l c l u s t e r i n g o f a p p l i c a t i o n s w i t h n o i s e,D B S C AN)对分散型异常数据识别效果较好的特点1 1,以及拉依达准则有效滤除堆积型异常数据的能力1 2,将2种算法取长补短有机组合,提出一种适用于的风电机组功率曲线异常数据清洗的方法。1 数据处理方法1.1 基于密度的聚类算法D B S C AN是通过确定样本数据邻域间的密集程度来进行数据筛选的方法1 3。样本数据集A中某一数据点ai与邻域距离e,及以e为半径所包含邻域样本数据的个数k,通过预先设定的参数(e,k)来描述样本数据分布的密集程度。计算步骤如下。(1)样本数据集A=(a1,a2,ai),其中,ai=(xi,yi),i=1,2,n。(2)每个数据之间的欧式距离为d(ai,aj)=(xi-xj)2+(yi-yj)2(1)(3)以e为邻域半径,所包含样本集A中距离不大于半径e的子样本集D,则D(aj)=ajA d(ai,aj)1 0),否则剔除异常值效果不可靠。2 应用实例分析以云南某风电场风机运行数据为例,提取2 0 2 1年1月至1 2月共计4 78 3 7组风速、功率数据,数据采样间隔1 0m i n,如表1所示。表1 风速 功率数据T a b l e 1 W i n d s p e e d-p o w e r d a t a序号时间平均风速/(ms-1)平均有功功率/k W12 0 2 1-0 1-0 1 0 0:0 0:0 0 8.0 89 2 0.1 322 0 2 1-0 1-0 1 0 0:1 0:0 0 7.9 18 7 6.5 732 0 2 1-0 1-0 1 0 0:2 0:0 0 7.7 37 9 7.2 242 0 2 1-0 1-0 1 0 0:3 0:0 0 7.9 29 1 2.7 952 0 2 1-0 1-0 1 0 0:4 0:0 0 8.2 19 8 6.8 162 0 2 1-0 1-0 1 0 0:5 0:0 0 7.8 38 3 7.3 572 0 2 1-0 1-0 1 0 1:0 0:0 0 7.9 38 8 8.2 182 0 2 1-0 1-0 1 0 1:1 0:0 0 7.9 79 1 5.1 792 0 2 1-0 1-0 1 0 1:2 0:0 0 8.4 39 9 6.5 91 02 0 2 1-0 1-0 1 0 1:3 0:0 0 7.6 17 7 7.6 74 78 3 62 0 2 1-1 2-3 1 2 2:0 0:0 07.3 97 1 1.8 54 78 3 72 0 2 1-1 2-3 1 2 2:1 0:0 07.4 77 3 1.0 6 本文采用D B S C AN聚类与拉依达准则相结合方法进行数据处理,处理效果较好,整体计算流程如图1所示。受风机设备故障、计划外停机、限负荷等因素影响,产生不同的异常数据。按照数据点在风功率曲线上的分布情况,大致分布在曲线底部与曲线周围分散的异常数据,见图2。图1 数据处理流程图F i g.1 D a t a p r o c e s s i n g f l o w c h a r t 图2 样本数据集风速、功率分布特征示意图F i g.2 S c h e m a t i c d i a g r a m o f w i n d s p e e d a n d p o w e r d i s t r i b u t i o n i n s a m p l e d a t a s e t 2.1 采用 DBSCAN 算法进行数据处理通过k-d i s t a n c e方法对风机风速、功率数据训练,寻优最佳邻域距离为0.8 9,邻域个数k=1 0,训练结果如图3所示。图3 通过k-d i s t a n c e寻优最佳邻域距离F i g.3 O p t i m a l n e i g h b o r h o o d d i s t a n c e i s f o u n d b y K-d i s t a n c e 7 6 分布式能源第8卷 第3期将邻域距离e=0.8 9,邻域个数k=1 0带入D B S C AN聚类算法对样本数据进行聚类划分。数据处理后正常数据标记为蓝色,数据集记为Qa j,异常数据标 记 为 红 色,清 洗 后 的 数 据 如 图4所 示,处理。图4 D B S C A N聚类识别异常数据效果图F i g.4 D B S C A N c l u s t e r i n g r e c o g n i t i o n a b n o r m a l d a t a r e n d e r i n g 通过D B S C AN聚类划分将风机部分异常数据(红色数据)识别出,但是仍明显看出有部分异常数据未清洗出,数据特征呈现镰刀型锯齿状,特别是达到切入风速(3m/s)以后,机组故障停机功率为零时的数据未识别出来。经分析受识别算法限制,在切入风速以上,风机功率为零的数据集分布较为密集,通过预先设定参数半径e不能有效识别,但通过D B S C AN算法已将数据集周围分散的较多异常数据识别出来,并粗略的分离出较为规则的数据带,如图5所示。图5 D B S C A N聚类剔除异常数据后的效果图F i g.5 E f f e c t d i a g r a m o f D B S C A N c l u s t e r i n g a f t e r r e m o v i n g a b n o r m a l d a t a 2.2 拉依达准则剔除异常数据经D B S C AN算法数据处理后的数据集较大,且整体数据集分布特征不服从正态分布,不能直接应用拉依达准则剔除异常数据。但可将样本数据进行分段处理,每一组数据段内的数据近似服从正态分布。将D B S C AN聚类处理后数据集Qa j,以功率最大值为基准,等间隔划分2 0组风速 功率数据段,计算每组数据段内的平均值与方差,再根据拉依达准则对异常值进行剔除,最后在将2 0组数据段组合在一起。经计算,风电机组风速 功率的密度中点分布如图6所示。图6 经拉依达准则数据处理后的密度中值线图F i g.6 G r a p h i c a l r e p r e s e n t a t i o n o f d e n s i t y m e d i a n l i n e a f t e r d a t a p r o c e s s i n g u s i n g t h e L a i d a c r i t e r i o n 置信区间(m-3,m+3)的上限、下限用红线标示,如图7所示。图7 设置置信区间后的风速 功率数据F i g.7 W i n d s p e e d p o w e r d a t a a f t e r s e t t i n g c o n f i d e n c e i n t e r v a l s 通过置信区间划分,不仅将在切入风速以后零功率数据筛选出来,还分离出数据带周围分散的离散数据。将置信区间外的数据视为异常数据删除,处理后的数据可用于拟合实际风机功率曲线。V o l.8 N o.3李宣谕:基于组合算法的风电机组功率曲线异常数据处理方法7 7 经过D B S C AN算法与拉依达准则数据处理后的风速 功率数据见图8。可以看出,通过一系列数据处理,已将横向、离散分布的异常数据基本清洗掉。且算法在应用过程中,数据处理运算时间较短,数据清洗质量较高。图8 经过D B S C A N-拉依达准则数据处理后的风速 功率数据F i g.8 W i n d s p e e d p o w e r d a t a p r o c e s s e d b y D B S C A N L a i d a c r i t e r i o n 3 结论(1)基于本文所提方法,克服单一算法在识别离散型或堆积型异常数据方面的应用弊端,将2种算法优势组合,可有效识别样本数据中的数据特征,实现对风机功率曲线底部堆积型的异常数据与四周分布的离散型异常数据的有效清洗。(2)对样本数据按风速区间划分,分段进行数据处理,提高局部数据特征识别准确性,增强算法适用性,数据清洗后能够获得较为优质的平滑的正常数据带。(3)本文所提方法可将风机功率曲线的异常数据有效识别并加以剔除,数据处理质量较优。整套算法计算过程简单、可靠,泛化能力较强,可为风电企业后续数据分析与控制策略优化提供有力数据支撑。对风电机组提质增效,数据挖掘、合理优化系统控制参数,以及提高机组服役寿命有重要意义。参考文献1 沈小军,付雪姣,周冲成,等.风电机组风速 功率异常运行数据特征及清 洗方 法 J.电 工 技 术 学 报,2 0 1 8,3 3(1 4):3 3 5 3-3 3 6 1.S HE N X i a o j u n,F U X u e j i a o,Z HOU C h o n g c h e n g,e t a l.C h a r a c t e r i s t i c s o f o u t l i e r s i n w i n d s p e e d-p o w e r o p e r a t i o n d a t a o f w i n d t u r b i n e a n d i t s c l e a n i n g m e t h o dJ.T r a n s a c t i o n s o f C h i n a E l e c t r o t e c h n i c a l S o c i e t y,2 0 1 8,3 3(1 4):3 3 5 3-3 3 6 1.2 杨茂,杨春霖,杨琼琼,等.计及风向信息的风电功率异常数据识别研究J.太阳能学报,2 0 1 9,4 0(1 1):3 2 6 5-3 2 7 2.YAN G M a o,YAN G C h u n l i n,YAN G Q i o n g q i o n g,e t a l.S t u d y o n d a t a r e c o g n i t i o n o f w i n d p o w e r a b n o r m a l i t y c o n s i d e r i n g w i n d d i r e c t i o n i n f o r m a t i o nJ.A c t a E n e r g i a e S o l a r i s S i n i c a,2 0 1 9,4 0(1 1):3 2 6 5-3 2 7 2.3 梅勇,李霄,胡在春,等.基于风电机组控制原理的风功率数据识别 与 清 洗 方 法 J.动 力 工 程 学 报,2 0 2 1,4 1(4):3 1 6-3 2 2.ME I Y o n g,L I X i a o,HU Z a i c h u n,e t a l.I d e n t i f i c a t i o n a n d c l e a n i n g o f w i n d p o w e r d a t a m e t h o d s b a s e d o n c o n t r o l p r i n c i p l e o f w i n d t u r b i n e g e n e r a t o r s y s t e mJ.C h i n e s e J o u r n a l o f P o w e r E n g i n e e r i n g,2 0 2 1,4 1(4):3 1 6-3 2 2.4 娄建楼,胥佳,陆恒,等.基于功率曲线的风电机组数据清洗算法J.电力系统自动化,2 0 1 6,4 0(1 0):1 1 6-1 2 1.L OU J i a n l o u,XU J i a,L U H e n g,e t a l.W i n d t u r b i n e d a t a c l e a n i n a l g o r i t h m b a s e d o n p o w e r c u r v eJ.A u t o m a t i o n o f E l e c t r i c P o w e r S y s t e m s,2 0 1 6,4 0(1 0):1 1 6-1 2 1.5 邹同华,高云鹏,伊慧娟,等.基于T h o m p s o n t a u-四分位和多点插值的风电功率异常数据处理J.电力系统自动化,2 0 2 0,4 4(1 5):1 5 6-1 6 2.Z OU T o n g h u a,GAO Y u n p e n g,Y I H u i j u a n,e t a l.P r o c e s s i n g o f w i n d p o w e r a b n o r m a l d a t a b a s e d o n t h o m p s o n t a u-q u a r t i l e a n d m u l t i-p o i n t i n t e r p o l a t i o nJ.A u t o m a t i o n o f E l e c t r i c P o w e r S y s t e m s,2 0 2 0,4 4(1 5):1 5 6-1 6 2.6 杨茂,杨琼琼.基于云分段最优熵算法的风电机组异常数据识别研究J.中国电机工程学报,2 0 1 8,3 8(8):2 2 9 4-2 3 0 1.YAN G M a o,YANG Q i o n g q i o n g.T h e i d e n t i f i c a t i o n r e s e a r c h o f t h e w i n d t u r b i n e a b n o r m a l d a t a b a s e d o n t h e c l o u d s e g m e n t o p t i m a l e n t r o p y a l g o r i t h mJ.P r o c e e d i n g s o f t h e C S E E,2 0 1 8,3 8(8):2 2 9 4-2 3 0 1.7 范晓泉,杜大军,费敏锐.风电异常测量数据智能识别方法研究J.仪表技术,2 0 1 7(1):1 0-1 4.F AN X i a o q u a n,D U D a j u n,F E I M i n r u i.R e s e a r c h o n t h e i n t e l l i g e n t i d e n t i f i c a t i o n m e t h o d f o r a b n o r m a l m e a s u r e m e n t d a t a o f t h e w i n d p o w e rJ.I n s t r u m e n t a t i o n T e c h n o l o g y,2 0 1 7(1):1 0-1 4.8 KU S I AK A,Z HE N G H,S ON G Z.O n-l i n e m o n i t o r i n g o f p o w e r c u r v e sJ.R e n e w a b l e E n e r g y,2 0 0 9,3 4(6):1 4 8 7-1 4 9 3.9 WAN G Z,WAN G L,HUAN G C.A f a s t a b n o r m a l d a t a c l e a n i n g a l g o r i t h m f o r p e r f o r m a n c e e v a l u a t i o n o f w i n d t u r b i n eJ.I E E E T r a n s a c t i o n s o n I n s t r u m e n t a t i o n a n d M e a s u r e m e n t,2 0 2 0,7 0:1-1 2.1 0L ON G H,S AN G L,WU Z,e t a l.I m a g e-b a s e d a b n o r m a l d a t a d e t e c t i o n a n d c l e a n i n g a l g o r i t h m v i a w i n d p o w e r c u r v eJ.I E E E T r a n s a c t i o n s o n S u s t a i n a b l e E n e r g y,2 0 2 0,1 1(2):9 3 8-9 4 6.1 1Z HAO Y,Y E L,WAN G W,e t a l.D a t a-d r i v e n c o r r e c t i o n a p p r o a c h t o r e f i n e p o w e r c u r v e o f w i n d f a r m u n d e r w i n d c u r t a i l m e n tJ.I E E E T r a n s a c t i o n s o n S u s t a i n a b l e E n e r g y,2 0 1 8,9(1):9 5-1 0 5.1 2杨茂,江博.风电功率弃风数据特征识别方法研究J.中国电力,2 0 1 7,5 0(5):9 5-1 0 0.YAN G M a o,J I AN G B o.R e c o g n i t i o n m e t h o d o f w i n d 7 8 分布式能源第8卷 第3期c u r t a i l m e n t d a t a c h a r a c t e r i s t i c sJ.E l e c t r i c P o w e r,2 0 1 7,5 0(5):9 5-1 0 0.1 3范晓泉,杜大军,费敏锐.风电异常测量数据智能识别方法研究J.仪表技术,2 0 1 7(1):1 0-1 4.F A N X i a o q u a n,D U D a j u n,F E I M i n r u i.R e s e a r c h o n t h e i n t e l l i g e n t i d e n t i f i c a t i o n m e t h o d f o r a b n o r m a l m e a s u r e m e n t d a t a o f t h e w i n d p o w e rJ.I n s t r u m e n t a t i o n T e c h n o l o g y,2 0 1 7(1):1 0-1 4.1 4伊华伟,张付志.融合k-距离和项目类别信息的鲁棒推荐算法J.小型微型计算机系统,2 0 1 7,3 8(1 1):2 4 7 6-2 4 8 1.Y I H u a w e i,Z HAN G F u z h i.R o b u s t r e c o mm e n d a t i o n m e t h o d f u s i n g k-d i s t a n c e a n d i t e m c a t e g o r y i n f o r m a t i o nJ.J o u r n a l o f C h i n e s e C o m p u t e r S y s t e m s,2 0 1 7,3 8(1 1):2 4 7 6-2 4 8 1.1 5王兆丰,单甘霖.一种基于k-均值的D B S C AN算法参数动态选择方法J.计算机工程与应用,2 0 1 7,5 3(3):8 0-8 6.WAN G Z h a o f e n g,S HAN G a n l i n.k-m e a n s b a s e d m e t h o d f o r d y n a m i c a l l y s e l e c t i n g D B S C AN a l g o r i t h m p a r a m e t e r sJ.C o m p u t e r E n g i n e e r i n g a n d A p p l i c a t i o n s,2 0 1 7,5 3(3):8 0-8 6.1 6李琳,董博,郑玉巧.大型风力机异常功率数据清洗方法J.兰州理工大学学报,2 0 2 2,4 8(3):6 5-7 0.L I L i n,D ON G B o,Z HE N G Y u q i a o.A b n o r m a l p o w e r d a t a c l e a n i n g m e t h o d o f l a r g e w i n d t u r b i n eJ.J o u r n a l o f L a n z h o u U n i v e r s i t y o f T e c h n o l o g y,2 0 2 2,4 8(3):6 5-7 0.1 7杨茂,孟玲建,李大勇,等.基于类3 准则的光伏功率异常数据识别J.可再生能源,2 0 1 8,3 6(1 0):1 4 4 3-1 4 4 8.Y A N G M a o,M E N G L i n g j i a n,L I D a y o n g,e t a l.I d e n t i f i c a t i o n o f p h o t o v o l t a i c p o w e r a n o m a l y d a t a b a s e d o n C l a s s 3 c r i t e r i o nJ.R e n e w a b l e E n e r g y,2 0 1 8,3 6(1 0):1 4 4 3-1 4 4 8.1 8WAN G Y,I N F I E L D D G,S T E P HE N B,e t a l.C o p u l a-b a s e d m o d e l f o r w i n d t u r b i n e p o w e r c u r v e o u t l i e r r e j e c t i o nJ.W i n d E n e r g y,2 0 1 4,1 7(1 1):1 6 7 7-1 6 8 8.1 9赵兴安.基于数据标准化的风电数据治理体系应用研究J.分布式能源,2 0 2 2,7(3):6 2-7 1.Z HAO X i n g a n.A p p l i c a t i o n r e s e a r c h o f w i n d p o w e r d a t a g o v e r n a n c e s y s t e m b a s e d o n d a t a s t a n d a r d i z a t i o nJ.D i s t r i b u t e d E n e r g y,2 0 2 2,7(3):6 2-7 1.2 0金鑫城,杨秀媛.基于失真数据降噪的数据预处理方法及其在风电功 率 预 测 中 的 应 用 J.发 电 技 术,2 0 2 0,4 1(4):4 4 7-4 5 1.J I N X i n c h e n g,YAN G X i u y u a n.D a t a p r e-p r o c e s s i n g m e t h o d b a s e d o n d i s t o r t e d d a t a n o i s e r e d u c t i o n a n d i t s a p p l i c a t i o n i n w i n d p o w e r p r e d i c t i o nJ.P o w e r G e n e r a t i o n T e c h n o l o g y,2 0 2 0,4 1(4):4 4 7-4 5 1.李宣谕收稿日期:2 0 2 2-1 1-1 1作者简介:李宣谕(1 9 8 7),男,硕士,工程师,研究方向为风力发电技术,1 8 7 1 5 8 8 1 4q q.c o m。