基于大数据的风电场风能资源及风机选型评估
基于大数据的风场数据分析与预测研究
基于大数据的风场数据分析与预测研究随着信息技术的迅猛发展和互联网的普及应用，大数据已经成为当今社会的热门话题之一。
在能源领域，大数据的应用也变得越来越重要。
风力发电作为可再生能源的主要形式之一，在全球范围内得到了广泛的应用和推广。
因此，基于大数据的风场数据分析与预测研究成为热点和挑战。
首先，风场数据分析是基于大数据技术的关键领域之一。
从风场的气象数据到风速、风向、温度等传感器数据，都是构成整个风场系统的重要数据。
利用大数据分析技术，可以对这些海量的数据进行处理、存储和分析，从而得到有价值的信息。
例如，通过对历史风场数据的分析，可以了解风场的运行特点、季节变化以及其他相关因素对风电发电量的影响等。
这些信息对于风场的运行管理和预测都具有重要意义。
其次，风场数据分析可以为风电发电量的预测提供参考。
风电发电量预测是风电行业的重要课题之一，它对风电场的稳定运行和电网的规划具有重要意义。
通过大数据分析，可以对历史数据进行建模和预测，进而预测未来的风电发电量。
这种基于大数据的预测模型可以结合风力发电机组的工况和风场数据，考虑到风速、风向、温度等多个因素的影响，进而提高风电发电量的准确性和可靠性。
在风场数据分析和预测研究中，利用大数据技术可以结合机器学习和数据挖掘等方法，进行风速风向的趋势分析、周期性分析、异常检测、预测建模等。
例如，可以使用聚类算法对风场数据进行分类，找出相似的气象条件和风电发电量之间的关系。
此外，可以使用时间序列分析等方法，对风电发电量进行建模和预测，进一步改善预测的准确性和可靠性。
同时，利用大数据进行风场数据分析和预测还可以对风力发电场进行运行管理和优化。
通过对风场数据的分析，可以识别出运行异常和故障，及时采取措施进行维修和保养，从而提高风电场的运行效率和可靠性。
此外，还可以根据大数据分析的结果，对风电场的布局和设计进行优化，以提高风电发电量和经济效益。
总之，基于大数据的风场数据分析与预测研究是风电行业发展的重要方向。
大数据技术在风电场建设中的应用
大数据技术在风电场建设中的应用随着社会的不断进步和科技的飞速发展，大数据技术已经被广泛地应用到各个领域，在风电场建设中也是如此。
大数据技术在风电场建设中的应用涵盖了多个层面，从风机设计和建造到运维和管理，都有着不可替代的作用。
本文将从几个方面来详细分析大数据技术在风电场建设中的应用。
一、风机设计和建造在风机的设计和建造过程中，大数据技术的应用主要包括三个方面：风能资源评估、风机选型和风机性能提升。
首先是风能资源评估。
大数据技术可以帮助在全球范围内收集、分析和预测风能资源，以便更好地评估一块土地的风能资源和确定风电场的布局。
借助大数据技术，可以更加精准地确定风电场的建设成本和发电潜力，为风电场建设提供准确可靠的数据支持。
其次是风机选型。
通过大数据技术可以对风机的性能进行大规模的比较和评估，从而确定最适合的风机型号。
同时，大数据技术可以监测风机的运转状况，预测风机的维修保养时间和周期，以及及时处理故障，保证风机的长期运转稳定性。
最后，大数据技术可以通过风机性能提升，提高风电场的发电效率和经济效益。
通过对风机数据的准确、实时地监测和分析，以及对风机运行参数的优化和控制，可以最大化地提高风机的发电效率，减少故障率，延长风机的使用寿命，从而提高风电场的预计发电量和收益。
二、风电场建设的运营和管理在风电场建设的运营和管理中，大数据技术同样发挥着极其重要的作用。
大数据技术应用于风电场运营和管理可以分为三个方面：预测分析、运维管理和实时监测。
首先是预测分析。
通过对多个因素(如天气、外部环境、风场、土地、风机等)进行预测、分析和建模，大数据技术可以帮助风电场实现更精准和有利的运营决策。
例如，对预测气象状态的追踪、风电场功率输出的预测、设备健康状态的监测，从而及时预判故障并提出解决方案，及时调整每台风机的功率和转速，最大化地实现风电场的发电效率和经济效益。
其次是运维管理。
通过大数据技术，可以对风电场的动态运行状态进行即时的监测和跟踪管控，实现对风电场基础设施管理和设备运维的高效精准管理，从而以最小的人力和时间成本来提高工作效率，达到物尽其用的目标。
陆地风电项目的风资源评估与风机选择
陆地风电项目的风资源评估与风机选择随着全球对可再生能源的需求不断增长，风能作为一种清洁、可再生、广泛分布的能源形式，成为了可持续发展的重要组成部分。
特别是在陆地上，风能作为一种广泛利用的能源，已经在许多国家和地区得到了广泛应用。
然而，为了确保陆地风电项目的成功运营，风资源评估和风机选择成为了至关重要的环节。
首先，风资源评估是衡量陆地风电项目可行性的关键步骤。
风资源评估模型可以根据历史气象数据和地理特征等因素，预测项目地区的风能资源。
评估结果可以帮助决策者了解项目地的风能潜力，为后续风机选择提供依据。
同时，风资源评估还可以评估风能资源的时空分布情况，以确定最佳的风机布局方案。
在风资源评估的基础上，风机选择是陆地风电项目的关键环节。
不同类型的风机具有不同的特点和适用条件，选择合适的风机对项目的成功运营至关重要。
在风机选择中，需要考虑以下几个方面：首先是功率输出。
根据项目需求和评估结果，确定所需的风机功率输出，以确保能够满足项目的发电需求。
同时，还需要考虑项目地的风能资源，选择适当的风机类型和容量，以充分利用风能资源。
其次是风机技术参数。
风机的技术参数包括额定功率、切入风速、切出风速、额定风速等。
这些参数会影响风机的起动性能、发电效率和安全运行等方面。
根据项目地的气象特点和电网接入条件，选择符合需求的技术参数，以确保风机的稳定运行和高效发电。
此外，还需要考虑风机的可靠性和维护成本。
风机的可靠性是指在不同环境条件下，风机的运行稳定性和故障率。
选择具有良好可靠性的风机，可以降低项目的维护成本和运营风险。
最后，还需要考虑风机制造商的信誉和售后服务。
选择具有良好口碑和专业服务的风机制造商，可以提供全面的技术支持和售后服务，确保项目的顺利进行和长期稳定运营。
综上所述，陆地风电项目的风资源评估和风机选择是确保项目成功运营的重要环节。
通过科学准确的风资源评估，可以为风机选择提供依据，选取合适的风机类型和容量，满足项目的发电需求。
基于测风塔数据的某风电场风力资源评估
基于测风塔数据的某风电场风力资源评估摘要：文章对位于辽宁省朝阳市的敖力营子风电场的月发电量进行统计，基于测风塔超声测风设备的风速资料，对风力机单机、装机总量的风力资源进行统计分析，给出该风电场发电潜力评估结果，为月发电量计划制定提供参考，为风电扩容提供基础数据支持。
关键词：测风塔；风机；风力资源；风能密度；有效风能引言空气的水平流动形成了风，空气流动形成的动能称为风能（风力资源）。
按分布和规模分类，风的种类主要有大气环流、季风环流、局地环流和地形加速等。
大气环流是决定全球风力资源分布最基础、最重要的因素；我国是典型季风气候的国家，季风环流决定了我国风力资源四季分布的基本形式；局地环流和地形加速受地理条件影响，是决定风电场风力资源的主要条件。
敖力营子风电场位于辽宁省朝阳市（42.68°N，122.82°E），处于典型的西风带。
地形地貌属草原砂石下垫面的丘陵地区，受太阳辐射增温影响，具有显著的局地环流特点。
由于地势开阔，同时具有地形加速的特征。
因此，敖力营子风电场具有丰富的风力资源，还有巨大的开发潜力，文章统计分析基于某型风机目前的发电能力，对比基于测风塔观测的三年风速数据统计的风力资源，评估敖力营子风电场的风力资源潜力，为月发电量计划制定提供参考，为风电扩容提供基础数据支持。
1 敖力营子风电场的风力资源统计分析1.1基于测风塔超声测风设备的平均风速值统计风速是不稳定的随机变量，目前国际上对风力资源进行分析并计算风能的基本数据是每小时的平均风速值。
每小时的平均风速值测试方法主要有下列三种：一是将每小时内测量的瞬时风速取算术平均值；二是将每小时最后10分钟内测量的风速取平均值，作为每小时的风速平均三是将每小时内几个瞬时风速测量值取平均值，作为每小时的风速平均值。
文章分析的数据是基于测风塔的超声测风设备，具有高采样率的优点，风速平均值为上述第一种。
由每小时平均风速值为基础，计算出每日、每月的平均风速值。
基于大数据的风电场风能资源及其利用情况评估
工程技术科技创新导报 Science and Technology Innovation Herald48DOI：10.16660/ki.1674-098X.2018.16.048基于大数据的风电场风能资源及其利用情况评估①胡锦楠1,2 朱峙成1 刘佳玮1 阎少宏1*(1.华北理工大学数学建模创新实验室 河北唐山 063210;2.华北理工大学以升创新教育基地 河北唐山 063210)摘 要：为满足现代化建设对电力的庞大需求并尽可能达到环保目标，本文从大数据方向着力研究风电场的风能资源及其利用情况。
基于数据挖掘中发现的异常数据，通过时间序列移动平均法对数据进行修正，并采用大数据挖掘技术求得各个特定时间段内的平均风速，进而求得风电场风能各月的分布情况并建立云模型对风电场的风能资源进行评估，为风能资源的有效利用提供技术支撑。
关键词：数据挖掘 时间序列 云模型中图分类号：TM614 文献标识码：A 文章编号：1674-098X(2018)06(a)-0048-02①作者简介：胡锦楠（1997—），男，河北石家庄人，本科在读，研究方向:数据处理、数量经济学等。
通迅作者：阎少宏（1977—），男，河北唐山人，硕士，副教授，硕士生导师，研究方向：计算方法、高性能计算，E-mail： 6197132@。
1 数据检查与预处理本文以2015年为例，一年内每隔15min的各风机安装处的平均风速和风电场日实际输出功率建立数学模型评估该风电场风能资源及其利用情况（相关数据见2016年全国大学生数学建模竞赛D题）。
针对大数据按月进行检查分析，因所测数据具有明显的时间相关性，数据与数据间的时间间隔较小，受周期性变化影响较小，不存在不规则变动和起伏较大的情况，因此用时间序列移动平均法进行预测[1]实现对异常、缺失数据的改正与修复。
本文将每个月的风速数据每10天求平均值，并在此基础上求解风能以及风能利用率。
2 风电场风能资源评估根据国家发展改革委颁发的《全国风能资源评价技术规定》，结合数据选取平均风速、空气密度等因素对风能资源[2]进行评估。
基于大数据与湍流模型的风电场评估与优化
基于大数据与湍流模型的风电场评估与优化随着环保和能源议题日益受到重视，风能作为一种清洁、可再生的能源形式受到越来越多的关注。
风能是目前发展最迅速的新兴能源之一，风能产业正以高速度发展，已经成为可再生能源的核心产业之一。
而风能的利用主要通过风电场实现。
在建设和运营风电站时，对于风场的规划、布局和运营，评估与优化显得尤为重要，对提高风电场的发电效率和降低运营成本具有重要意义。
在评估与优化风电场的过程中，大数据技术和湍流模型成为了不可或缺的工具。
一、大数据在风电场评估中的应用大数据是指海量的结构化、半结构化和非结构化数据，随着科技的发展和数字化转型的深入，大数据已经在许多领域发挥了巨大的作用。
在风电场的评估和优化中，大数据的应用也越来越得到关注。
首先，风电场的运营涉及到很多方面的数据记录和处理，包括风速、风向、温度、湿度等的收集和分析。
传统的数据处理方法已经无法满足大规模数据的处理和分析需要，因此需要利用大数据技术对海量的数据进行处理和分析，从而在风电场的规划、建设和运营过程中提高效率、降低成本、节约资源。
例如，利用大数据分析技术可以对风能资源进行评估，优化风电场的选址和布局；利用大数据分析技术可以对风电场的结构、技术参数等进行分析和优化，提高发电效率和运营稳定性。
其次，利用大数据技术可以实现风电场的智能化运营。
通过智能化监测和控制系统，可以对风电场的运行状态进行实时监测和控制，及时发现和解决各种故障，并对风场进行远程管理和调度。
此外，利用大数据技术还可以对风电场的供应链进行管理和优化，从而提高风电场的整体运作效率。
二、湍流模型在风电场评估中的应用湍流是一种复杂的流动状态，其中涡旋流动会对风力发电机叶轮产生影响，进而影响发电量和稳定性。
因此，在风电场的建设和运营中，对湍流进行建模和模拟，评估湍流影响对风电发电的影响显得尤为重要。
湍流模型是针对湍流流动特性进行建模和仿真的一种技术。
通过对湍流流动进行准确的建模和仿真，可以对风电场的发电量和稳定性进行评估和优化。
大数据分析在风电发电中的应用
大数据分析在风电发电中的应用随着科技的不断发展和进步，大数据的应用范围也越来越广泛，其在各个领域都有着重要的作用。
在能源领域中，大数据分析也得到了广泛的应用。
其中，风电发电是其中的一项重要应用领域之一。
大数据分析在风电发电中可以发挥很多的作用，下面我们将逐一探讨。
一、风场选址风电站的选址是一个非常重要的问题，在风场选址时，大数据分析可以帮助我们更加全面、准确地评估风场的风力资源分布。
根据往年风速、风向、通风系数、震荡等数据，通过对这些数据的分析，可以确定未来风速分布的规律。
二、发电功率预测在业内人士看来，发电功率预测更重要也更困难。
在电力市场中，一些突发事件如风速暴增暴降或是其他气象条件发生异常变化，都可能引起风电场发电变得不稳定。
这时，利用大数据分析和计算技术可以对风电场发电情况进行实时监测，通过灵敏的预测模型，实现从巨量数据中获得未来的功率预测数据，进而提供运营人员参考依据。
三、风电设备监测风电发电设备作为风电场的核心设备之一，出现故障会直接影响风电场的发电效果。
如何在设备出现问题时及时发现并处理故障一直是一个难题。
利用大数据分析技术，监测设备的运行状态、设备的健康状况、故障原因等方面数据，可以及时发现机器故障，提高设备维修效率。
四、功率分配优化大型风电站因涉及到给电网提供功率，需要实时地进行调度与控制，将其发出的电流稳定在规定的范围之内，避免给电网带来稳定安全隐患。
通过大数据分析技术，可以获取高精度的数据，依据上述数据进行功率分配控制，快速反应各个机组的发电情况，从而实现对风电站的肆意调度。
综上所述，大数据分析在风电发电中的应用可以帮助我们从多个角度，从各个方面、提高风电利用率以及数据分析的准确性和先进性。
未来，大数据分析将在风电发电领域发挥更加重要的作用。
基于大数据分析的风电场建设评估方法
速关系曲线图如图1 所示。
0 | 6
5 0 | | 5
5 0 | | 5
(5
5 0 | | 4
)
5 0 | | 4
劇 # 靶
5 | 3 0 | 〔 3
2
2
1
1
图 1 发电机发电量与风速关系图
风电场月平均风速与平均输出功率折线图如图3 所 示 ，可 看出该风电场夏季输出功率较低。
6 oo
0.5 o o 04
表 1 我国某风电场年实测风速数据表
时间 功率 风速 时间 功率 风速 时间 功率 风速 时间 功率 风速 0:15 34 4.1 6:15 25 4.7 12:15 0 2.3 18:15 13 3.9
0:30 24 4.9 6:30 25 5.7 12:30 0 2.3 18:30 18 3.5
公式$1%为风功率密度计算方法! = ^ 0 3
$$)
其 中 P 为空气密度标准状态下的值为1. 2928kg/m 3，0 为风 速 ，单 位 为 C s 。
2 我国风能资源的特点 我 国 最 大 风 能 地 区 在 东 南 沿 海 及 其 岛 屿 ，但 风 能 由 沿 海 向 内 陆 方 向 衰 减 过 快 ，可 供 部 署 风 力 发 电 场 的 空 间 有 限 。 内蒙古 和 甘 肃 北 部 是 冷 空 气 南 下 进 入 我 国 的 必 经 之 路 ，常 年 受 西 风 带 控 制 ，是我国次大风能资源地区，其特点是风能分布范围广、年 有 效 风 力 占 比 高 、风 速 衰 减 梯 度 小 ，适 合 建 设 风 力 发 电 场 [1，2]。 3 我国某地风能数据分析 本文获取了某风电场年实测风速数据如表1 所 示 ，表中数 据 为 全 年 每 1 5 分 钟 的 实 测 风 速 和 风 功 率 数 据 ，数 据 记 录 共 35040条 。通过大数据分析，对该风电场的风能资源进行评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于大数据的风电场风能资源及风机选型评估
作者：梁旭东
来源：《中国科技纵横》2019年第05期
摘要：目前电力产能过剩及竞争性配置开发等政策环境变化使得风电产业市场化竞争越演越烈，加快优质项目开发和资源储备力度、科学优化设计、提高风电项目开发建设质量，以实现企业降本增效综合效益最大化，将成为风电企业追求的重要目标。
要想完整这一转型和升级，在前期阶段采用大数据技术对风能资源进行评估是一个主要的发展趋势。
本文采用大数据的方法对风电场风能资源及利用情况进行评估，同时提出了一些针对性的建议措施，以期为今后风电项目的开发提供必要的参考。
关键词：大数据；风电场；风能资源；风机选型
中图分类号：TM614 文献标识码：A 文章编号：1671-2064（2019）05-0179-02
0 引言
2018年5月，国家能源局印发《国家能源局关于2018年度风电建设管理有关要求的通知》，明确自文件印发之日起，新增集中式陆上风电项目和未确定投资主体的海上风电项目全部通过竞争方式配置和确定上网电价。
相比传统风电开发模式，竞价模式下的项目开发核心是投标电价，较低的上网电价意味着未来风电项目投资收益将进一步受到挤压。
因此在前期阶段采用大数据技术对规划风场的风能资源进行精准评估、风电机组的优化选型及其相关成本降低是一个发展趋势，能够有效减少前期立塔测风的时间要求，提高工作效率。
1 风电行业大数据技术应用现状
根据研究机构Gartner给出的定义，大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据的整合利用是一个系统工程，需要从数据标准、数据共享、数据分析、数据融合、数据资产化和大数据应用创新等不同层面同步推进。
随着大数据技术的发展，其应用领域逐渐拓宽，并应用到风电行业中。
电力企业的數据资源非常丰富，在风电行业中体现的更加明显。
准确的场址风能资源评估、适宜场址的最优化风机选型方案、准确的风功率预报均是智慧风电的关键技术。
现阶段，风电行业内众多的设计院、设备厂家、风力发电企业中大多已开始应用大数据技术。
例如：中国能建广东设计院在2017年11月28日设立了广东省海上风电大数据中心；国家电网（SGCC）下属的冀北电力有限公司（SG-JBEPC），正在使用基于IBM公司研发的高精度天气预报模型和高性能计算平台（HyRef）来整合所在电网系统内的可再生能源。
远景能源作为发布了基于大数据技术的集控X.0，能够将气象误差减少到2m/s以下，高于行业平均水平。
中国大唐集团着力建设基于标准化直采和网络信息技术的新能源大数据云平台，并成功入选国家工信部2018年制造业与互联网融合发展试点示范项目等等。
目前各企业的大数据平台存在以下问题。
（1）风电行业在数据公开、数据共享等方面缺乏国家层面的标准和政策指导，在各个单位之间甚至单位内部不同部门间，由于数据标准化不同，导致数据共享难度较大，并且缺乏结合海量数据和实际需求的深度分析服务，使用者多为具有一定数据分析能力的专业人士，导致平台使用门槛较高。
（2）企业大数据平台建设滞后。
当前风电行业内很多企业没有建立比较完善的大数据平台，缺乏对大数据平台足够的认识，而且信息技术水平也比较薄弱，无论是硬件建设还是软件建设，都无法对大数据技术应用的有效支撑，导致大数据技术的应用缺乏有效性，另外，能够熟练应用信息化技术、大数据技术、云计算技术的人才相对较少，制约了大数据技术在企业发展中的有效应用。
2 基于大数据的风电场风能资源及风机选型评估模型
2.1 模型假设
（1）假设风电场区域内的空气是均匀分布的，且空气密度不受外界因素影响。
（2）各机型功率除受切入风速、切出风速、额定风速和额定功率以外，不受其他参数影响。
（3）忽略极端天气和海拔对风力发电机组的影响。
2.2 风能资源及风机选型评估
通过分析风场原始测风数据，构建指标体系对风能资源利用情况及风机选型适应性进行评估，再结合实际运行情况进行佐证。
（1）数据检查与预处理。
数据验证的检验项目及检验标准主要依据国家标准、气象行业标准以及类似风电场风能资源评估工作实践经验来确定。
（2）风能资源评估指标体系。
依据国家发改委发布的规范标准，选取空气密度，平均风速，风功率密度，风速频率，风能密度，湍流强度，切变指数，Weibull分布等构成指标体系对风能资源进行评估；如果有风场实际运行数据，则可以增加风力发电机满载负荷总发电量，风力发电机实际发电量，利用效能比，有效风时比等参数对风能资源利用情况进行评估。
2.3 风机选型评估
风机选型评估时，可采用以下两种方法对目前市场上最新风机技术进行比选。
2.3.1 定性分析方法
为了使风能资源利用效能最高，我们要求风机的切入风速与额定风速越小越好，额定功率越大越好。
通过对比各机型的切入风速、额定风速，并将功率折算成标幺值后，在场址风能较为集中的风速段中，能够比较出输出功率最优及最差的机型。
在仅考虑最大化利用场址风能资源的情况下，输出功率最优的机型最适合，可通过编程实现分析与计算过程。
2.3.2 定量分析方法
（1）线性插值法。
即将逐条的实测风速放到功率曲线中，选择该风速所属的风速段区间，对其上下边界的电功率采用线性插值的方法直接算出风速对应功率，再累加逐条功率值得到单机年发电量值。
（2）多项式拟合法。
即将功率曲线从切入风速至额定风速区间内的功率值取出，绘制对应的线性曲线，通过多项式方程对曲线进行拟合，并提取出多项式公式，采用将逐条实测风速数据代入多项式的方式得到对应功率，通过累加逐条功率值得到单机年发电量值。
（3）Weibull分布法。
由于完整年风速满足双参数Weibull分布，因此对该数据进行Weibull拟合，提取双参数K、C值，计算各风速段的分布概率，采用风速段对应功率与分布概率、年总小时数相乘得发电量，最后累加各风速段发电量，得到单机年发电量值。
采用以上三种方案定量的对单机年理论发电量进行计算，采用平均值统计各机型的计算结果，一般与定性分析的结果较为一致。
可通过两种计算方式综合对选择的风机机型进行比选，在不考虑造价的情况下，选出最优机型。
3 基于大数据的风电场未来发展的思考与建议
3.1 顶层设计，科学搭建大数据平台
（1）开放式数据仓库。
数据是分析研究的基础，风电企业要制定数据管理标准，统一数据库及数据的存储方式、结构等技术要求，独立建设开放的、自控的数据仓库，为风电企业技术人员和合作伙伴提供数据。
（2）云计算管理模式。
传统的服务器管理模式是按功能管理，各服务器只承担固定的计算任务，资源不能充分发挥。
因此，在集控中心、集团总部生产调度中心建设时，要按照云管理架构进行搭建，架构内的服务器不再进行功能分工，统一由主机指挥，进行集群式计算，提高计算能力。
（3）分布式计算模式。
风电企业大数据平台按三级搭建，从层次上看，越往上层数据量越大。
因此，应本着“底层优先”的原则，分层明晰各层计算界面，最大程度的减少上层计算和重复计算，减少平台负荷。
3.2 底层突破，统一数据判断和计算标准
（1）完善数据获取标准。
风电企业要制定统一的风电场信息化管理标准，明确风电机组和升压站的保护及自动化装置的设备网口数量、计量点位置及精度、测控装置配置、通讯网络要求等设计标准，明确设备厂家应提供的數据点数和接口软件。
（2）开发标准化软件。
应在风电场开发通用的SCADA平台，研究不同风电机组、变流器的通讯协议、控制方式、状态分类、判断逻辑和计算方法，建立适用于多厂家、多机型的数据接口模块，自动完成差异化输入、标准化输出。
3.3 科学组织、加快推进，深入挖掘大数据蕴藏价值
（1）集中预测。
可将风电场气象信息、地理信息、测风塔数据直接传到区域分子公司或集团总部，在原有的温度、气压、风向、风速等参考变量的基础上，增加同区域风电场群差异化校正、同风向关联风电场管道效应校正等因素，提高功率预测的准确性。
（2）劣化分析。
研究各部件异常运行工况与参数的关联关系，如风向仪不准时，与机舱方向、风速、功率的变化规律；叶片角度错误时，与风速、负荷、振动、叶根载荷的变化规律，及早发现设备劣化趋势，开展状态检修维护。
（3）智能控制。
研究风电机组各部件的控制策略，特别是定值式、周期式的简单控制策略，重点进行分析研究，加入风机运行状态、参数识别技术，开发智能偏航、智能变桨、智能解缆、智能测试、智能加热冷却等控制技术，提高风电机组可利用率和产能。
（4）智能设计。
包括基于客户端-服务器架构的协同工作模式；风电场微尺度CFD 高性能计算；风电场设计自动优化等。
参考文献
[1] 裴爱国，何登富.海上风电大数据发展研究——以广东省海上风电大数据中心建设为例[J].南方能源建设，2018，5（02）：19-23.
[2] 李佳，徐胜超.基于云计算的智能电网大数据处理平台[J].计算机工程与设计，2018，39（10）：3073-3079.。