风能资源评估过程中不同长期订正方法的适用性分析

文 | 吴宝鑫

(作者单位：三一重能有限公司 )

由于风电项目前期开发周期较短，多数项目的测风时间为一年左右，而风电场的设计寿命通常为20年以上，所以，在风电项目长期收益预估的过程中，风速的年际波动会对项目发电量造成较大影响，由此影响到项目收益。对于部分处于收益临界点的项目，风速的波动性可能会产生颠覆性影响。因此，在风能资源评估过程中采用可行的方法将一年或数年的短期测风数据推算到长期平均情况，就变得非常重要。

表1 #1和#2测风塔及MERRA2数据相关性统计

目前行业内的测风数据长期订正方法主要分为两种：一种是通过附近气象站的数据进行长期订正；另一种是通过中尺度气象数据进行长期订正。根据《风电场风能资源评估方法》（GB/T18710－2002）中的要求，通常是采用附近气象站的气象数据对完整年的测风数据进行长期订正，从而得到能够代表长期风速情况的时间序列。

近年来，我国风电项目主要集中在中东南部，且绝大部分风电项目为山地项目。由于受到气象站地理位置、测量环境、仪器型号等因素的影响，项目测风数据和气象站测量数据的相关性较差，导致部分情况下气象站的数据无法满足长期订正的要求。随着气象科学的快速发展，全球的中微尺度气象数据模型日渐成熟，中微尺度数据在数据质量、测量周期、数据步长、相关性等方面较气象站数据均有较大的优势，所以，采用中微尺度气象再分析数据进行长期订正已经逐渐成为行业主流。

在风能资源评估过程中，影响风电场最终发电量的风能资源参数主要有风速、风向和空气密度等。其中，空气密度主要受气温、气压和湿度的影响，中尺度数据的风向和实测数据的风向在大多数情况下的一致性比较好，所以，本文主要探究长期订正过程中与风速相关的问题。由于风速的风频分布也会直接影响发电量的情况，因此，除风速的大小，在长期订正过程中威布尔分布的k值同样需要关注。

数据收集与统计分析

本文收集到4座测风时间超过5年的测风塔（#1、#2、#3和#4）实测数据。本阶段使用MERRA2中尺度数据为长期参考数据，来探讨不同订正方式对于长期订正结果的影响。#1和#2测风塔位于同一区域且测风周期相同，共包含8个连续自然年的数据；#3和#4测风塔位于同一区域且测风周期相同，共包含6个连续自然年的数据。测风数据及周边MERRA2数据相关性统计结果如表1－表2、图1－图2所示。

表2 #3和#4测风塔及MERRA2数据相关性统计

通过对#1、#2、#3和#4测风塔和周边MERRA2数据的相关性分析可知，实测数据与中尺度数据的相关性较好，风速相关性系数R值均在0.7以上，风向相关性系数R值均在0.8以上。#1、#2、#3和#4测风塔的风速情况及测风塔周边MERRA2数据多年风速情况统计结果如表3－表4、图3－图4所示。

#1、#2、#3和#4测风塔的实测数据及其附近MERRA2数据各自然年风速和k值结果与长期数据风速和k值统计结果的偏差如表5－表6、图5－图6所示。

通过对#1、#2、#3和#4测风塔及MERRA2中尺度数据的统计分析可知：

表3 #1和#2测风塔及MERRA2数据统计

表4 #3和#4测风塔及MERRA2数据统计

表5 #1和#2测风塔及MERRA2数据自然年数据与长期数据偏差统计

表6 #3和#4测风塔及MERRA2数据自然年数据与长期数据偏差统计

（1）测风塔自然年风速变化趋势和中尺度数据变化趋势基本一致，但每年的偏差差异较大。

（2）因MERRA2中尺度数据时间步长为60分钟，实测数据的时间步长为10分钟，所以，MERRA2中尺度数据的k值明显大于实测数据的k值。

（3）测风塔自然年实测数据k值变化趋势和中尺度数据k值变化趋势基本一致。

（4）同一区域不同测风塔的实测数据风速和k值变化趋势基本相同，但偏差差异较大。

（5）测风塔自然年实测数据k值和风速的偏差与MERRA2中尺度数据自然年对应偏差的差异较大。

采用不同算法推算长期风速

在进行长期订正的过程中，最为重要的就是寻求实测数据和参考数据的相关性关系。目前，业内经常采用的相关性预测方法主要有线性最小二乘法、正交二乘法、方差比法、矩阵时间序列法、威布尔拟合法、整体风速比法、风速分类法、垂直切片法、比值法等。本节采用不同算法对#1、#2、#3和#4测风塔实测数据进行长期订正。对于#1和#2测风塔，选择数据完整率均较高的第七年作为数据完整年；对于#3和#4测风塔，选择数据完整率均较高的第六年作为数据完整年。为直观判断不同算法长期订正对发电量结果的影响，采用三一重能有限公司的SE11520机组进行发电量计算，折减系数取值为75%。各测风塔采用不同算法得到的长期订正结果如表7－表10、图7－图10所示。

表8 #2测风塔采用不同算法的长期订正结果对比

根据#1、#2、#3和#4测风塔实测数据采用不同算法进行长期订正所得到的对比结果如表11所示。由表可知：

（1）采用不同算法进行长期订正得到的长期数据的风速整体偏差较小，4座塔中的最大值为4.09%，最小值为0.60%。

（2）采用不同算法进行长期订正得到的长期数据的k值的波动性较大，且不同算法间的差异较大，4座塔中的最大值为46.44%，最小值为0.38%。

（3）采用不同算法进行长期订正得到的长期数据的A值情况和风速情况类似，整体偏差较小，4座塔中的最大值为6.41%，最小值为0.51%。

（4）采用不同算法进行长期订正得到的长期数据计算的利用小时数整体偏差较大，4座塔中的最大值为11.51%，最小值为0.19%。

通过以上分析可知，4座塔风速、k值、A值和利用小时数四个参数的偏差最小值中，采用完整年数据和比值法的概率较高。所以，整体来说，采用比值法和完整年数据计算的偏差小于其他算法。

表9 #3测风塔采用不同算法的长期订正结果对比

表10 #4测风塔采用不同算法的长期订正结果对比

除平均风速外，威布尔分布的形状参数k值也会直接影响项目的发电量情况，因此，不宜使用会导致k值在订正前后出现剧烈变化的算法来进行长期订正。在不同风速下，机组利用小时数随k值的变化趋势如图11所示。由图可知，不同风速段下的利用小时数随k值的变化趋势是不一致的。平均风速大的情况下，k值越大，利用小时数越高；平均风速小的情况下，k值越大，利用小时数越低。针对本文中采用三一重能有限公司的SE11520机组，平均风速在5.5～6m/s的区间内，利用小时数受k值变化的影响较小。

表11 对比结果

结论

通过以上分析可知，长期订正后的风速和k值均会直接影响发电量的结果。在采用大部分算法得到的长期风速偏差不大的情况下，比值法由于未改变测风数据的威布尔分布形状，k值基本不会发生变化。所以，采用比值法得到的长期订正结果整体来说偏差更小一些。

以上4座测风塔直接采用完整年数据计算得到的利用小时数最大偏差为1.23%，偏差相对较小。所以，针对部分实测数据和中尺度数据相关性极差的项目，建议直接采用完整年数据进行计算，所得结果整体偏差不大，在可接受范围之内。

本文只分析了4座测风塔实测数据的长期订正结果，样本数量较少。另外，由于以上4座测风塔均位于北方高风速地区，与MERRA2中尺度数据相关性较好，故所得结论对与MERRA2中尺度数据相关性较差的低风速项目的代表性有限，后续还将收集低风速项目的长期实测数据进行进一步的分析和验证。