158-基于FLask的风电场风力发电数据分析可视化

风电场风力发电数据分析可视化系统 --- 技术文档

版本: 1.0 | 更新日期: 2026-06-21

1. 项目概述

基于 Flask 的风电场数据分析可视化平台，对 2019 年全年 35,040 条（15 分钟间隔）风电场运行数据进行多维分析、异常检测、产能效率评估和功率预测。

技术栈: Flask + SQLAlchemy + SQLite + ECharts 5.4.3 + NumPy + Pandas

代码规模: 6 个 Python 源文件（约 1,670 行）、19 个 HTML 模板（约 2,300 行）、1 个 CSS 文件（792 行），总计约 4,855 行。

2. 系统架构

复制代码

┌─────────────────────────────────────────────────────────┐
│                     浏览器 (ECharts)                      │
├─────────────────────────────────────────────────────────┤
│                   Flask 路由层 (app.py)                    │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌─────────┐  │
│  │ 认证路由  │  │ 页面路由  │  │ 分析API  │  │ 管理API │  │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  └────┬────┘  │
│       │             │             │              │       │
│  ┌────▼─────────────▼─────────────▼──────────────▼────┐  │
│  │              SQLAlchemy ORM + NumPy                 │  │
│  └────────────────────┬───────────────────────────────┘  │
│                       │                                  │
│  ┌────────────────────▼───────────────────────────────┐  │
│  │               SQLite (wind_farm.db)                 │  │
│  │         users 表 + wind_data 表 (35,040 行)         │  │
│  └────────────────────────────────────────────────────┘  │
└─────────────────────────────────────────────────────────┘

数据流:

复制代码

CSV (风电场_2019.csv) → init_db.py 批量导入 → SQLite
→ Flask API (SQL GROUP BY / NumPy 计算) → JSON
→ 前端 ECharts 渲染

3. 目录结构

复制代码

cloud/
├── app.py                    # 主应用：所有路由和 API 逻辑 (1418 行)
├── models.py                 # SQLAlchemy 数据模型 (76 行)
├── config.py                 # 应用配置 (9 行)
├── init_db.py                # 数据库初始化 + CSV 导入 (72 行)
├── requirements.txt          # Python 依赖
├── wind_farm.db              # SQLite 数据库 (11 MB)
├── 风电场_2019.csv            # 原始数据 (35,040 行, 3.9 MB)
├── utils/
│   ├── __init__.py
│   └── prediction.py         # 预测工具函数 (97 行)
├── templates/
│   ├── base.html             # 基础布局 (侧边栏、顶栏、加载动画)
│   ├── login.html            # 登录页
│   ├── register.html         # 注册页
│   ├── index.html            # 数据总览仪表盘
│   ├── profile.html          # 个人中心
│   ├── analysis_wind_speed.html      # 风速分析
│   ├── analysis_wind_direction.html  # 风向分析
│   ├── analysis_power.html           # 功率分析
│   ├── analysis_meteorological.html  # 气象分析
│   ├── analysis_time_series.html     # 时序分析
│   ├── analysis_correlation.html     # 相关性分析
│   ├── analysis_advanced.html        # 高级图表 (10 种)
│   ├── prediction.html               # 功率预测
│   ├── anomaly_detection.html        # 异常检测
│   ├── comparison.html               # 月度对比
│   ├── production_efficiency.html    # 产能效率分析
│   ├── data_manage.html              # 数据管理 (admin)
│   └── user_manage.html              # 用户管理 (admin)
└── static/
    ├── css/style.css           # 暗色主题样式 (792 行)
    └── img/wind-farm-bg.jpg    # 登录页背景图

4. 数据库设计

4.1 用户表 `users`

字段	类型	约束	说明
id	INTEGER	PK, 自增	用户 ID
username	VARCHAR(80)	UNIQUE, NOT NULL	用户名
password_hash	VARCHAR(256)	NOT NULL	Werkzeug 加密后的密码
email	VARCHAR(120)		邮箱
phone	VARCHAR(20)		手机号
avatar	VARCHAR(256)	DEFAULT ''	头像 (emoji)
role	VARCHAR(20)	DEFAULT 'user'	角色: user / admin
created_at	DATETIME	DEFAULT NOW	注册时间

4.2 风电数据表 `wind_data`

字段	类型	说明
id	INTEGER (PK)	记录 ID
timestamp	DATETIME (INDEXED)	时间戳，15 分钟间隔
wind_speed_10m	FLOAT	10 米高度风速 (m/s)
wind_speed_30m	FLOAT	30 米高度风速 (m/s)
wind_speed_50m	FLOAT	50 米高度风速 (m/s)
wind_speed_70m	FLOAT	70 米高度风速 (m/s)
wind_speed_hub	FLOAT	轮毂高度风速 (m/s)
wind_dir_10m	FLOAT	10 米高度风向 (°)
wind_dir_30m	FLOAT	30 米高度风向 (°)
wind_dir_50m	FLOAT	50 米高度风向 (°)
wind_dir_70m	FLOAT	70 米高度风向 (°)
wind_dir_hub	FLOAT	轮毂高度风向 (°)
temperature	FLOAT	温度 (°C)
pressure	FLOAT	气压 (hPa)
humidity	FLOAT	湿度 (%)
power	FLOAT	实际发电功率 (MW)

4.3 数据库索引

sql 复制代码

CREATE INDEX idx_wind_timestamp ON wind_data(timestamp);
CREATE INDEX idx_wind_power_ts ON wind_data(timestamp, power);
CREATE INDEX idx_wind_speed_ts ON wind_data(timestamp, wind_speed_hub);

idx_wind_timestamp: 支持所有时间范围查询和 ORDER BY
idx_wind_power_ts: 覆盖索引，功率查询无需回表
idx_wind_speed_ts: 覆盖索引，风速查询无需回表

5. API 接口文档

5.1 统一响应格式

json 复制代码

// 成功
{"code": 0, "data": {...}}

// 错误
{"code": 1, "msg": "错误信息"}

// 分页
{"code": 0, "data": [...], "total": 35040, "page": 1, "limit": 20}

5.2 认证接口

方法	路径	说明
GET/POST	`/login`	登录，支持 JSON 和表单
GET/POST	`/register`	注册，首个用户自动成为 admin
GET	`/logout`	退出登录
GET/POST	`/profile`	个人信息编辑（头像、邮箱、手机号、密码）

认证方式：Session-based，使用 werkzeug.security 的 generate_password_hash / check_password_hash。

5.3 仪表盘

方法	路径	说明
GET	`/api/dashboard/summary`	总览统计

返回字段：total_records, date_range, avg_power, max_power, total_energy, avg_speed, avg_temp

5.4 分析接口

所有分析接口支持 ?month=YYYY-MM 参数筛选月份。

`/api/analysis/wind_speed` --- 风速分析

json 复制代码

{
  "monthly_avg": {"1": {"hub": 5.32, "10m": 4.10, "30m": 4.85, "50m": 5.12, "70m": 5.45}},
  "frequency": {"labels": ["0-1", "1-2", ...], "values": [2.1, 5.3, ...]},
  "time_series": {"timestamps": [...], "hub": [...], "10m": [...], "70m": [...]},
  "stats": {"hub_avg": 6.28, "hub_max": 18.5, "hub_min": 0.0, "hub_std": 3.41}
}

`/api/analysis/wind_direction` --- 风向分析

json 复制代码

{
  "rose": {"labels": ["N","NNE",...], "frequency": {"N": 8.5, ...}, "avg_speed": {"N": 5.2, ...}},
  "monthly_rose": {"1": {"N": 12.3, ...}, "2": {...}},
  "heights": {"10m": {"N": 10.2, ...}, "hub": {"N": 8.5, ...}}
}

`/api/analysis/power` --- 功率分析

json 复制代码

{
  "curve": {"labels": ["0-1","1-2",...], "values": [0.0, 0.5, ...]},
  "monthly_avg": {"1": 45.2, "2": 52.1, ...},
  "monthly_sum": {"1": 33450.0, ...},
  "distribution": {"labels": ["0.0-10.0",...], "values": [1200, ...]},
  "time_series": {"timestamps": [...], "power": [...], "wind_speed": [...]},
  "daily_energy": {"dates": ["2019-01-01",...], "values": [2850.5, ...]},
  "stats": {"avg_power": 48.5, "max_power": 198.2, "total_energy": 425000.0, "capacity_factor": 24.3}
}

`/api/analysis/meteorological` --- 气象分析

返回月度均值、散点数据（温度-功率、湿度-功率、气压-功率）、时间序列、统计值。

`/api/analysis/time_series` --- 时序分析

支持 ?agg=hour|day|week|month 参数，返回聚合后的时间序列和自相关系数（滞后 1-48）。

`/api/analysis/correlation` --- 相关性分析

返回 10×10 相关系数矩阵和两组散点数据（轮毂风速-功率、温度-功率）。

`/api/analysis/advanced` --- 高级图表

一次返回 10 种图表数据：漏斗图、桑基图、河流图（堆叠柱状图）、箱线图、气泡图、季节小时模式、月度风玫瑰、累计发电量曲线、热力图、风速持续曲线。

`/api/prediction` --- 功率预测

json 复制代码

{
  "power_curve": {"speeds": [0,1,...,25], "powers": [0.0, 0.5, ...]},
  "monthly": {"1": {"avg_speed": 5.32, "avg_power": 45.2, "total_power": 33450.0}},
  "daily_forecast": {"historical_dates": [...], "historical_values": [...], "forecast_values": [...]},
  "hourly_pattern": {"0": 32.1, "1": 28.5, ..., "23": 35.2},
  "weibull": {"labels": ["0-1","1-2",...], "values": [2.1, 5.3, ...]}
}

5.5 数据洞察接口

`/api/data/quality` --- 产能效率分析

基于贝茨极限（Betz Limit, Cp=16/27）计算理论最大发电量，与实际发电量对比：

转换效率 = 实际功率 / 理论功率 × 100%
容量因子 = 实际发电量 / (额定功率 × 运行小时数) × 100%
损失电量 = 理论发电量 - 实际发电量

物理参数：空气密度 ρ=1.225 kg/m³，叶轮半径 R=40m，额定功率 200MW。

`/api/anomaly/detection` --- 异常检测

使用 IQR（四分位距）方法：

复制代码

Q1, Q3 = np.percentile(values, [25, 75])
IQR = Q3 - Q1
异常范围: < Q1 - 1.5×IQR  或  > Q3 + 1.5×IQR

分别检测风速、功率、温度三个维度的异常值，返回时间线和分布数据。

`/api/comparison` --- 月度对比

返回月度发电量、风速、功率对比数据及环比变化率，标识最佳/最差月份。

5.6 管理接口

方法	路径	说明	权限
GET	`/api/data/list?page=1&limit=20&month=2019-03`	分页数据列表	admin
POST	`/api/data/delete/<id>`	删除记录	admin
POST	`/api/data/update/<id>`	更新记录	admin
GET	`/api/user/list`	用户列表	admin
POST	`/api/user/add`	添加用户	admin
POST	`/api/user/update/<id>`	更新用户	admin
POST	`/api/user/delete/<id>`	删除用户	admin
GET	`/api/export/csv?month=2019-03`	CSV 导出	login

6. 核心算法

6.1 功率曲线预测

使用 3 次多项式拟合风速-功率关系：

python 复制代码

coeffs = np.polyfit(wind_speeds, powers, 3)
poly = np.poly1d(coeffs)
predicted = poly(predict_speeds)
predicted[predicted < 0] = 0  # 负值截断

6.2 风速频率分布（类 Weibull）

python 复制代码

bins = np.arange(0, max_speed + bin_size, bin_size)
hist, edges = np.histogram(wind_speeds, bins=bins)
frequency = hist / len(wind_speeds) * 100  # 百分比

6.3 功率曲线（分箱均值）

python 复制代码

bin_indices = np.digitize(wind_speeds, bins)
for i in range(len(bins)):
    mask = bin_indices == i
    curve[i] = np.mean(powers[mask]) if mask.any() else 0

6.4 加权移动平均预测

python 复制代码

val = 0.5 * recent[-1] + 0.3 * recent[-2] + 0.2 * recent[-3]

基于最近 14 天数据，滑动窗口向前预测 7 天。

6.5 IQR 异常检测

python 复制代码

q1, q3 = np.percentile(values, [25, 75])
iqr = q3 - q1
outliers = (values < q1 - 1.5 * iqr) | (values > q3 + 1.5 * iqr)

6.6 自相关分析

python 复制代码

for lag in range(1, 49):
    corr = np.corrcoef(speeds[:-lag], speeds[lag:])[0, 1]

用于检测风速的时间周期性。

6.7 产能效率（贝茨极限）

python 复制代码

P_theoretical = 0.5 × ρ × A × v³ × Cp / 10⁶  # MW
# ρ = 1.225 kg/m³, A = π × 40² m², Cp = 16/27
efficiency = P_actual / P_theoretical × 100%
capacity_factor = E_actual / (P_rated × hours) × 100%

7. 前端设计

7.1 配色方案

深色数据分析主题，主色调为琥珀金：

变量	色值	用途
`--bg-primary`	`#0c0f14`	页面背景
`--bg-card`	`#1a1f2b`	卡片背景
`--accent-primary`	`#f59e0b`	主色调（琥珀金）
`--accent-green`	`#10b981`	正向数据
`--accent-red`	`#ef4444`	负向/异常
`--accent-teal`	`#14b8a6`	辅助色
`--text-primary`	`#e8eaed`	主文本
`--text-secondary`	`#9aa0ad`	次文本

7.2 图表技术

ECharts 5.4.3（CDN 引入）
图表类型：折线图、柱状图、面积图、雷达图、玫瑰图、散点图、箱线图、桑基图、漏斗图、河流图、热力图、持续曲线
所有图表支持响应式 resize
加载时显示骨架屏 shimmer 动画

7.3 布局结构

复制代码

┌──────────┬──────────────────────────────┐
│          │         页面标题栏            │
│  侧边栏  ├──────────────────────────────┤
│  (240px) │                              │
│          │         页面内容区            │
│  导航菜单 │    (卡片网格 / 图表容器)      │
│          │                              │
│          │                              │
│  用户信息 ├──────────────────────────────┤
└──────────┴──────────────────────────────┘

响应式断点：768px 以下侧边栏隐藏，图表网格变为单列。

8. 用户角色与权限

功能	普通用户 (user)	管理员 (admin)
查看仪表盘	✓	✓
所有分析页面	✓	✓
功率预测	✓	✓
个人中心	✓	✓
数据管理（CRUD）	✗	✓
用户管理（CRUD）	✗	✓
CSV 导出	✓	✓

首个注册用户自动成为管理员（migrate_db() 中实现）。

9. 数据处理流程

9.1 数据导入

复制代码

风电场_2019.csv (UTF-8-BOM)
    ↓ pandas read_csv(encoding='utf-8-sig')
    ↓ 列名映射（中文→英文）
    ↓ 时间戳解析 ('%Y/%m/%d %H:%M')
    ↓ bulk_save_objects (1000条/批)
    ↓
wind_farm.db (35,040 行)

9.2 查询优化策略

场景	策略	示例
月度/日度/小时聚合	SQL GROUP BY	`strftime('%m', timestamp)` + `.group_by()`
时间范围筛选	半开区间 `[start, end)`	`_month_filter()` 辅助函数
大数据量展示	尾部截取 500 点	`records[-500:]`
散点图数据	等步长采样	`data[::max(1, len(data)//500)]`
缺失值标记	哨兵值过滤	`> -50` 阈值，SQL 和 Python 双层过滤

9.3 能量计算

python 复制代码

INTERVAL_HOURS = 0.25  # 15 分钟间隔
energy_MWh = sum(power) × 0.25

10. 部署与运行

10.1 环境要求

Python 3.11+
依赖：Flask 3.0.0, Flask-SQLAlchemy 3.1.1, Werkzeug 3.0.1, pandas 2.1.4, numpy 1.26.2

10.2 启动步骤

bash 复制代码

# 1. 安装依赖
pip install -r requirements.txt

# 2. 初始化数据库（首次运行）
python init_db.py

# 3. 启动应用
python app.py
# 访问 http://127.0.0.1:5001

10.3 数据库迁移

app.py 中的 migrate_db() 在启动时自动执行：

检查 users 表是否有 role 列，无则添加
创建 wind_data 表的三个索引
首个用户自动设为 admin

11. 已知限制

SQLite 单写锁：并发写入时会排队，适合单用户或低并发场景
scikit-learn 未使用 ：requirements.txt 中列出但代码未引用，可移除
User.to_dict() 重复定义 ：models.py 中有两个同名方法，第二个覆盖第一个
predict_monthly_power() 未使用 ：utils/prediction.py 中定义但从未调用
硬编码物理参数：贝茨极限计算中的叶轮半径（40m）和额定功率（200MW）为假设值
单年数据：仅包含 2019 年数据，无法做跨年同比分析

158-基于FLask的风电场风力发电数据分析可视化

风电场风力发电数据分析可视化系统 --- 技术文档

1. 项目概述

2. 系统架构

3. 目录结构

4. 数据库设计

4.1 用户表 users

4.2 风电数据表 wind_data

4.3 数据库索引

5. API 接口文档

5.1 统一响应格式

5.2 认证接口

5.3 仪表盘

5.4 分析接口

/api/analysis/wind_speed --- 风速分析

/api/analysis/wind_direction --- 风向分析

/api/analysis/power --- 功率分析

/api/analysis/meteorological --- 气象分析

/api/analysis/time_series --- 时序分析

/api/analysis/correlation --- 相关性分析

/api/analysis/advanced --- 高级图表

/api/prediction --- 功率预测

5.5 数据洞察接口

/api/data/quality --- 产能效率分析

/api/anomaly/detection --- 异常检测

/api/comparison --- 月度对比

5.6 管理接口

6. 核心算法

6.1 功率曲线预测

6.2 风速频率分布（类 Weibull）

6.3 功率曲线（分箱均值）

6.4 加权移动平均预测

6.5 IQR 异常检测

6.6 自相关分析

6.7 产能效率（贝茨极限）

7. 前端设计

7.1 配色方案

7.2 图表技术

7.3 布局结构

8. 用户角色与权限

9. 数据处理流程

9.1 数据导入

9.2 查询优化策略

9.3 能量计算

10. 部署与运行

10.1 环境要求

10.2 启动步骤

10.3 数据库迁移

11. 已知限制

4.1 用户表 `users`

4.2 风电数据表 `wind_data`

`/api/analysis/wind_speed` --- 风速分析

`/api/analysis/wind_direction` --- 风向分析

`/api/analysis/power` --- 功率分析

`/api/analysis/meteorological` --- 气象分析

`/api/analysis/time_series` --- 时序分析

`/api/analysis/correlation` --- 相关性分析

`/api/analysis/advanced` --- 高级图表

`/api/prediction` --- 功率预测

`/api/data/quality` --- 产能效率分析

`/api/anomaly/detection` --- 异常检测

`/api/comparison` --- 月度对比