。
[0032]另外，处理器68构造成以多种方式处理风参数69和运行数据点70。例如，在一个实施例中，处理器68可包括构造成处理运行数据的一个或更多个数据质量算法。在附加的实施例中，处理器68可构造成过滤、平均化和/或调节一个或更多个运行数据点70。更特别地，数据质量算法可构造成以便过滤一个或更多个异常值，考虑失去的数据点，以及/或任何其它适当的处理步骤。因而，数据质量算法提供用以更好地管理数据可用性(例如，通过参数，通过时间)和分析质量之间的折衷的框架，如将在下面更详细地论述的。
[0033]例如，在各种实施例中，算法处理风参数69和运行数据点70，以确定风力涡轮202中的各个在多个时间间隔中的各个期间的运行状态。例如，如图4的数据处理表72中显示的，示出风电场200中的五个不同的风力涡轮202的样本运行数据点。如显示的，运行数据点70还可包括关于风力涡轮标识符、生成的功率(单位为千瓦kW)和运行状态的信息。在另外的实施例中，运行数据点70可包括关于以下中的至少一个或其组合的信息:桨距角、发电机速度、功率输出、扭矩输出、尖部速度比、偏转对齐或未对齐、风力涡轮的运行状态、一个或更多个控制设定、温度、压力等，以及关于风电场上的任何不运行的风力涡轮的信息。
[0034]基于运行数据点70，风电场处理器68构造成推断各个风力涡轮202的运行状态，其指示风力涡轮202以正常状态或非正常状态运行。更特别地，“正常状态”指示风力涡轮202根据其控制设定和/或功率曲线生成功率。“非正常状态”指示风力涡轮202不根据其控制设定和/或功率曲线生成功率。因而，处理器68可推断风力涡轮202是否正常运行，其是否下线进行常规维护、非常规维护，或者任何其它原因(例如，停电等)，或者风力涡轮202是否在正常状态和下线状态之间的某处运行。
[0035]例如，如图4中显示的，风力涡轮1、2和5如预计地生成功率(即，分别为800kW、820kff和830kW)，而风力涡轮2和4不生成任何功率(如由OkW指示的)。就此而言，处理器68基于生成的功率(或本文描述的任何其它适当的运行数据点)来确定风力涡轮202的运行状态。因此，如显示的，处理器68确定风力涡轮1、2和5在正常状态或标准状态下运行，而风力涡轮2和4下线。
[0036]在附加的实施例中，数据质量算法构造成根据一个或更多个风参数69 (例如风速)，计算风力涡轮202中的各个对运行数据点的贡献。如本文所用，用语“贡献”或其变型意于包含与风电场200中的其它风力涡轮202相比，收集自风电场200中的各个单独的风力涡轮202的一定量的运行数据点70。换句话说，如果第一风力涡轮在正常状态下运行，而第二风力涡轮以非正常状态运行，则由第一风力涡轮收集的数据的贡献将大于第二风力涡轮的。另外，处理器68可计算风力涡轮202中的各个的各个贡献占风电场200的所有风力涡轮202的总贡献的百分比，并且对百分比中的各个施加校正因子。就此而言，处理器68使用所有收集到的数据，但校正收集自不恰当地运行的风力涡轮202的数据。因而，处理器68利用最大量的收集到的数据，而非消除或除去收集自以非标准方式运行的风力涡轮202的数据。
[0037]仍然参照图4的实施例，处理器68接着构造成至少部分地基于用于风力涡轮202中的各个的运行数据点70的贡献，来估计风电场200针对控制设定中的各个的发电74。例如，如显示的，风电场200的发电74基于由风力涡轮I至5生成的处理数据以及一个或更多个风参数69。在附加的实施例中，处理器68还可使用多种数据质量算法来确定用于各个控制设定的多个发电74，并且基于各种状况，包括(但不限于)风电场200现场状况、风力涡轮202运行参数或数据点、风力涡轮202型号规格等，来动态地确定来自多个发电的最佳发电。更特别地，在各种实施例中，现场状况还可包括风电场200的已知几何布局，其包括相邻风力涡轮202的数量、实际风力涡轮位置202、在风力涡轮202下游和上游的相对位置和/或关于风电场200的地形的信息。因而，处理器68构造成动态地选择用于基于期望度量的性能来计算发电74的最适合算法。
[0038]现在参照图5，风电场处理器68可估计多于一个控制设定，并且比较控制设定来确定最佳控制设定。例如，如显示的，示出处理器68在数据分析和过滤期间在特定风速下生成的图表75的一个实施例。如显示的，图表75示出根据本公开的多个控制设定的发电(y轴)随一个或更多个风参数(X轴)，例如以度为单位的风向改变。更特别地，图表75包括以第一控制设定80运行所生成的数据迭加以第二控制设定82运行所生成的数据。如显示的，第一控制设定80对应于较高的总发电；因此，在示出的实施例中，最佳控制设定对应于第一控制设定80。
[0039]参照图4和6，在某些实施例中，风电场处理器68还可基于风电场200的估计发电74来生成风电场200的实时功率曲线模型76，并且基于功率曲线模型76来动态地控制风电场200。例如，如图6中显示的，处理器68评价第一控制设定的功率曲线84和第二控制设定的功率曲线86，并且确定哪个控制设定最佳。另外，处理器68可确定估计发电74的统计置信度和/或功率曲线84、86的至少一个估计。可以以多种方式确定发电74的统计置信度。例如，如图6中显示的，针对功率曲线84、86中的各个确定由虚线85和87表示的+/_标准偏差(例如+/_10%)。在另外的实施例中，可使用以下中的一个或其组合来确定发电的统计置信度:运行参数的分布度量、横跨各种控制设定的运行数据点的行为的分析、屈服点、影响函数、截尾均值、灵敏度曲线，或本领域中已知的用于确定置信度界限的任何其它适当方法和/或计算。例如，在一个实施例中，可通过确定运行数据点的至少一部分的分布来估计发电的统计置信度。在又一个实施例中，可分析横跨各种控制设定的运行数据点的行为，以确定随着时间推移扩散的数据。另外，可通过确定运行数据点的趋势和/或标准偏差或平均值来分析数据点的行为。通过理解运行数据点的趋势，处理器68可估计或预测数据点将在随后的时间段中如何表现。另外，可基于数据可用性和/或数据质量分析之间的折衷来确定最佳控制设定。
[0040]另外且参照图4，处理器68可对风电场200内的风力涡轮202中的一个或更多个实施一个或更多个控制动作，以便控制风电场200，以及优化风电场200的AEP。在某些实施例中，例如，处理器68可基于功率曲线模型76来确定更新或优化的控制设定。更特别地，优化控制设定可包括以下中的至少一个:改变转子叶片的桨距角、修改发电机扭矩、修改发电机速度、修改功率输出、使风力涡轮的机舱偏转、使一个或更多个风力涡轮构件制动，在转子叶片的表面上添加或启用空气流修改元件等。
[0041]参照图7，示出用于控制风电场200的方法100的一个实施例。如显示的，方法100包括基于多个控制设定在多个时间间隔内运行风电场的步骤102。另一个步骤104包括收集风电场200在多个时间间隔内的一个或更多个风参数。又一个步骤106包括针对多个时间间隔，收集用于风电场200中的风力涡轮202中的各个的一个或更多个运行数据点。方法100还包括根据一个或更多个风参数，计算108用于风力涡轮中的各个的运行数据点的贡献。下一个步骤110包括至少部分地基于用于风力涡轮202中的各个的运行数据点的贡献，估计风电场200针对控制设定中的各个的发电。另一个步骤112包括基于提供最佳发电的控制设定来控制风电场200。
[0042]以上详细地描述了风电场、用于风电场的控制器，以及用于控制风电场的方法的示例性实施例。方法、风电场和控制器不限于本文描述的具体实施例，而是相反地，风力涡轮的构件和/或控制器和/或方法的步骤可单独使用，并且与本文描述的其它构件和/或步骤分开来使用。例如，控制器和方法还可与其它功率系统和方法组合使用，并且不限于仅利用如本文描述的风力涡轮控制器实践。相反地，可与许多其它风力涡轮或功率系统应用结合实施和利用示例性实施例。
[0043]虽然可在一些图中显示本发明的各种实施例的特定特征，并且在其它图中不显示，但是这仅仅是为了方便。根据本发明的原理，可与任何其它图的任何特征组合参照和/或声明图的任何特征。
[0044]该书面的描述使用实例以公开本发明(包括最佳模式)，并且还使本领域技术人员能够实践本发明(包括