2018年10月17日-19日，2018北京国际风能大会暨展览会（CWP 2018）在北京新国展隆重召开。本次大会由中国可再生能源学会风能专业委员会、中国循环经济协会可再生能源专业委员会、全球风能理事会、中国农业机械工业协会风力机械分会、国家可再生能源中心和中国电子信息产业发展研究院（赛迪集团）六大权威机构联合主办。
金风科技风电设计研究院高级风资源工程师杨长锋在“复杂地形下的微观选址技术论坛”中发表主旨演讲。演讲主题为《测风数据长期订正对风资源评估的影响》。
他在演讲中表示，大家现在都在提LCOE这个概念，但是要注意，不管概念怎么提，风资源评估的本质还是要回归到如何更加准确的计算风资源，如何降低风资源评估过程中的不确定度，同时随着海上风电的发展，以后的建设成本肯定要大大增加，对于LCOE指标的准确性要求会更高，风资源的意义就是如何把风参数计算结果的不确定度降低，如何让这个值更有代表性，长期订正作为测风塔数据中的重要一环，在风资源评估的产能评估方面有着非常重要的意义。
以下为发言实录：
杨长锋：今天我跟大家分享的题目是测风数据长期订正对风资源评估的影响，我主要的内容大概分四个部分，第一部分就是我们讲一下长期订正的作用及意义，第二个部分是我们可能用到的一些算法，第三个是算法结果和对比验证，第四个是结论以及相关进展，下面我给大家进行汇报。
第一部分长期订正的作用和意义，左边的流程图是正常风资源评估的整体流程，大家可以看得很清楚，我们一般在风电项目中拿到数据之后进行数据清理，然后进行参数计算，比如说长期的平均风速、风频分布、极端风速、湍流强度、入流角、切变等设计参数，这些参数都有了之后，再利用风速包括具体的时间序列把它导入线性或者CFD软件中计算得到各个机位点的风参，目前大家的注意力大部分放在水平外推和垂直外推上面，比如说在复杂地形上的如何提高准确性，尾流模型如何使用能够更加精确的评估我的损失，在前期的数据处理可能关注的注意点不是太多，其实我们应该要了解测风塔的数据输入关系到后面水平外推和垂直外推的计算结果，因为测风数据是整个外推到机位点参数的直接输入。
大家现在都在提LCOE这个概念，但是要注意，不管概念怎么提，风资源评估的本质还是要回归到如何更加准确的计算风资源，如何降低风资源评估过程中的不确定度，同时随着海上风电的发展，以后的建设成本肯定要大大增加，对于LCOE指标的准确性要求会更高，风资源的意义就是如何把风参数计算结果的不确定度降低，如何让这个值更有代表性，长期订正作为测风塔数据中的重要一环，在风资源评估的产能评估方面有着非常重要的意义。
我们现在常用的方法，要求是分16扇区进行线性回归然后按照比例分扇区加差值，在第二页我做了一个算法统计，包括其他的一些算法，但是要注意国内目前在做长期订正的时候，不论是机组厂家也好，还是设计单位也好，我们可能用到的只有一个长期数据源，气象站数据在目前阶段我们拿到的不是太全，在这种情况下我们这些算法会有什么样的效果？在这个方法之上有没有改进的空间？所以我针对这些算法做了一个统计和比较。
这一页是我目前统计到的算法，这些方法很快的给大家过一下，大家如果感兴趣的话，可以把资料分享给大家。线性最小二称和整体最小二乘都是线性回归，但是在这里面找误差的角度不一样，第一个在找这个Y值的误差，而整体最小二乘是考虑了包含自变量和因变量两个误差值，第三个是分风速段线性回归，作者认为不同风速段受到的影响不太一样，比如低风速段受到地形的影响更加强烈，所以它进行了一个分风速段线性回归。方差比值法的作者认为订正前后的测量数据和长期订正之间的参考数据之间的误差范围应该是相同的，速度追踪剥离了风速和时间的关系，把实测数据和参考数按照倒序排列并做一次线性回归。风频拟合法认为实测风速和最终订正结果的风频拟合结果较好，但是有一点要注意，就是长期测站的值能不能代表实测数据的的风频值，最后一个是联合分布概率方法，这个相对麻烦一点，右上角是一个联合分布的风速矩阵，在不同的代表风速下边建立不同的概率值，然后在后面长期数据的情况下找对应的概率值，最后返回到相对应的风速。
这是现在目前文献中的，大家会用到的一些方法，我们自己通过收集的一些测风塔数据，评估了一下它每年完整年的风频的变化情况，然后看看到底是风速变化误差带来的引入误差大，还是风频变化引入大，避免因为计算引入更大的误差，最终的方法是一个优化比值法，关键在于怎么找到这个比例因子，然后怎么样在确保风速值不变的情况下，让这个风速更加精确的迎合长期的参考数据。
我们为了验证不同算法分别找了四个测控塔，分别是Case1，Case2，Case3，Case4，可以看到右面两幅图，下面这幅图是三年实测数据的测风塔，上面是六年实测数据的测风塔，六年的测风塔最上面的数据表示我们用了提取前一年数据然后和长期数据相关计算并把它补成六年的数据，再和它的真值做一个对比，下边第二个样本顺序后移三个月，再与真实的测风塔数据进行比较，一个测风塔就可以补出来21个样本，我们对九种方法分别用4个测风塔做了一个对比。下面三年测控塔也是完整一年的数据，因为时间序列比较短，只有三年，样本只有九个，左边这个表可以看见一些基本参数，比如说测风时长，长期数据的相关性，包括数据完整率，时间分辨率，以及测试时间次数。
评价指标我们主要看四个方面，大家一般看这个长期订正的时候，可能都会关注这个平均风速怎么样，但是K值这一块我打了一个问号，因为很少有人去关注风频分布，风频分布到底改变了多少决定了整个风速分布情况，最后一个指标是发电量计算值，但是考虑到不同功率曲线对风速的敏感程度不同，因此最后一个指标仅作参考，分别看四个测风塔的样本在这四个指标下的偏差和均方根误差，在做算法对比之前我们先强调一下为什么要用一年的数据去计算比较，因为在实际业务中可能会经常见测风时段不满一年的情况，因此我们用三年的数据，分别用一个月补充数据，然后用三个月，六个月，九个月和十二个月和十五个月，分别补充为完整三年的，左边这幅图其实可以很明显的看出来这些样本误差分布，不管用哪种上边提到的这些方法，在一个月的时候，这个风速的误差分布可以看到SD值到了0.21，风速五擦汗达到了0.5秒，这是很大的误差。
随着时间长度的增加，我这个风速订正的不确定度再降低，这就给大家提供一个思路，就是用不同时长的风速在进行发电量计算的时候，计算结果的不确定度，或者误差到底会对风速引入多大的影响。
下面这一页可以看出不同算法实际的对比结果，左边这四个图分别是用九种算做完之后四个测风塔不同样本的风速计算值的分布情况，横线是六年实测的风速，可以根据箱线图看出这几种算法在风速上面的表现差异不是太大，右边的柱状图表示不同算法的均方根误差，右下角表格中绿色的误差要比上边的这几种方法都要小，红色的数字是相应的计算结果里面最大的，仅仅看风速的话，这几种方法相差的差距不大，但是K值的计算结果比较有意思，我们可以发现用线性回归或者用分段风速回归的话，这里会造成K值有比较大的跃升，K值的跃升会造成风功率密度的下降。
不同算法在风速的计算上表现差异较小，K值差距很大，很明显会造成风功率密度计算的不同，风功率密度在图中用红色的实线表示，可以看出由于K值的差异对风功率密的计算度造成了很大的影响。最后我们为了验证风功率密度和发电量的影响有多少，使用GW121-2500的功率曲线来计算，发电量的计算使用对应的时间序列将风速和功率一一转化并计算，从这几幅柱状图可以看出来虽然线性回归和分风速段回归的差距很大，但是在发电量的计算差距并没有像风功率密度密度上体现的那么大，这部分原因可能是由于功率曲线对风速的敏感程度不同造成的。
目前我们的第一个研究结论是在进行长期订正的时候，季节因素的影响对于长期订正还是非常重要的，随着测风时段的增加，风速的订正不确定度有明显的降低。第二是在进行长期订正的时候，在进行长期订正时，不仅要注意风速的变化值，同时要注意K值的变化幅度，避免造成风功率密度产生较大差异。
第三个结论是线性回归方法在风速订正上与其他方法差异不大，但会较大幅度改变K值，对发电量计算产生较大影响。尤其是实测风速K值较小时，误差会更加明显。第四个是优化后的算法与其他MCP算法相比，在风速、K值和发电量计算上误差较小且表现较为稳定。
目前我们取得了什么样的进展呢，可以看文章截图的5.9.1长期订正，那么5.9.1可以看到454行，453行可以看到long term correction factors，这就是前边提到的优化后比值的方法，或者其他的MCP，或者其他的更优的算法，我们已经把这种方法加入ICE-15标准里面。
在这我也给大家多分享一下，金风是代表国内唯一一家一直在参与IEC61400-15风资源评估标准的风机制造商，这个标准正在修订，预计明年9月出草稿，是第一个针对风资源评估的国际标准，除了这次提到的长期订正算法，包括下图风速垂直外推不确定度上面我们也在参与，左边这个图是欧洲一些厂商提供的垂直外推的误差分布，右边这个图是复杂地形的误差分布情况，可以看见未修改前的模型对国内的一些复杂地形还是不够，金风也都把国内复杂地形的测风数据结果样本提供，然后再对外推模型进行修正，同时也包括湍流的垂直外推等一些成果。希望在座的风电同仁能够多交流合作，同时多提宝贵经验，我们一起推动国内风资源行业的技术进步，谢谢大家。
