风电技术论坛之风资源评估与风功率预测——北京国际风能大会展中报道

现在我们风资源叫做全生命周期的风资源工作，具体实施是要把我们现在的工作进行分解并重组，前面我介绍了一下我们分解的情况。第二项实际上更重要的是要形成风资源规律的闭环结构。也就是说我们每做一件事情都要有一个后续的反馈，结果好还是不好，都要有反馈。来指导我以后工作更好的开展。在这里我有三个反馈环节，第一个是我前期设计的时候我反馈的是我宏观选址的情况，第二个是我风场的运行反应我设计的情况。风场运维阶段，我们提供了工程技术服务机又反馈了运行的水平情况。这是我们的反馈的结果，这是我们的思路，接下来是三个小案例给大家分享一下。第一个按整体考虑风场周期的思路。这个例子是我们做复杂地形的风场的时候是一个南方的风场，这个风场初步的选址是选择比较高的一个山梁上和主导风向和地形都是非常的匹配，而且风资源都很好。我们做这么大一个范围里面的计算的时候，我们发现在这个红色区域里面。这些地方虽然海拔高度比较低，但是风资源条件是很好的。

可是我们做这个事情是为了我们的机组载荷的安全性和我们的微观选址的排布的符合。而不是说为了选风场，但是我们这个时候，我们既然做了这样一个仿真的工作，既然反应到了这个地方的风资源条件很好，我们也是同样的可以去作为一种尽管是在建设期，我们也可以考虑我们把这些好的地方作为宏观选址的一种工作来对待。我们给业主建议在这些地区选址测风可以开发新的风场。这样的话也为业主提供了一些增容的方案。

现在我们在一些区域，发现这种增容的可能性是非常多的。以前我们关注的是在内蒙古高远的南苑这一块的风速很好。其实这个地方存在着很多的低风速的资源可以使用。我们尽管是厂家，我也可以考虑我们的业主的开发。

第二个是我们的所谓的叫做工程技术服务。这是从我们机组运行的时候的一些表现，我们在反过来看我们风资源工程师能做什么事情。因为我们中国的高海拔风场可以说是一个比较独特的风场。这些风场实际运行的效果和我们在仿真过程中，测风过程中是不是反应一致的东西呢。并不是一致的。从下面这个图表我们根据机组的实际记录下来的损失风速。我们发现在这个时间轴上面，中午十一点以后风速的变化幅度非常大。三秒或者是说七秒之内的话风速上下浮动七米，非常大。测风的时候，我们取值十分的平均，我们测算的时候，由于采样周期的不同，会把一些细微的变化平滑掉了。这会导致我们上面的机组故障，这个时候会给我们风资源工程师带来什么样的启示，我们在高海拔的地区一定要关注我们的湍流问题。一个是涉及到了我们机组安全，疲劳载荷，第二个也会影响到我们的尾流计算。

另外一个是和刚才的案例有一点类似。这是说我们在这种甘肃地区做的一个后评价，这个后评价是对于尾流的评估。那么可以看到我们有一个排布兼具达到了19D，实际上来讲他的尾流的影响和我们实际差别挺大的。因为时间关系我不再细说了。我只是说后评价的工作，对于我们现在风资源工作是具有很强的一种反馈的作用。

提问：能不能回到风资源那张图片上。这张用的是CFD仿真是吧，是仿真的环境流还是环境流和尾流一起仿真。

胡威：这个总共有五个测风塔，我们对于您所说的环境流或者是说测风的东西，都在这个考虑范围内，而且我们是一个峡谷地形，我们把大地形的考虑也考虑进去了。

这个图主要是为了讲风能分布的问题。

提问：我有一个问题，是最后一页。我们后期的尾流估算很难的，可不可以算出来这个实际尾流是什么样的。

胡威：实际中的尾流影响非常复杂，尾流最小的是第一排，尾流最大的是在第五排。这一块的尾流从发电量来看是只有第一排发电量的80%。这里面您刚刚也提到了这个地方是东风，这是西风，这个排布很有意思。尾流最小的实际上是说我们在主导风向的下风向应该来说尾流是最大的。然后最大的并不是出现在最后面的，而是相对来说中间偏前面的那一排而且在这里有一个很值得关注的是中间有一个19D这样的一个间距的排布。也就是说对应的是，这一排的发电量是最好的。尽管是中心的位置。所以这里面对于尾流的影响来说我们还是希望越大越好，而且还有一点是尾流模型里面，因为K值和咱们的湍流是很相关的，这个地方的湍流是非常小的，湍流小的话，尾流传播的距离是非常大的。就算是12D或者是19D我们也可以看到中间排的发电量差了20%。所以实际上来说我们的评估软件模型可能也存在着一定的问题。

朱蓉：下面请来自英国Zephir的Michael Harris。他获得了牛津大学物理学一级学位，主要的研发和推广激光用于风能产业的风速测定。

Michael Harris：我们主要是供应商，我们可以看到我们在北京服务的公司的图表。我会介绍一下我们公司的情况和技术，以及分析散射的光，研究湍流的速度等等。

我们这个公司已经有了很长的历史在70年代的时候，就有一个雷达的创新，但是在最近这个技术才用于风电行业。十年前我们刚开始建了一个雷达，在风机上面安装。在叶片前面有数百米叶片的风机。我们做这个资源评估在过去几年这个进展比较慢。因为要说服这个产业采用新技术。但是现在速度正在加快。我们现在也有了其他的一些生产企业的合作。我们希望能够一起来推动这些新技术在多个行业的应用。

首先大家可能会问，为什么用雷达来进行资源评估。当然，如果你要想测量一下风速的话，你必须要要用，肯定会涉及到一个非常大的结构，你你用雷达，就可以在地面上测量，而不用一个非常高的，非常大的测风塔。这样的话进行测量或者是说资源的评估就可以非常直接，可以很好的检查不同的地方，检测不同地方的风的行为表现。包括一些结冰的情况等等。

同时，雷达也可以进行校准，而且校准非常稳定。现在对于雷达的接受程度的情况，跟传统的测风塔先相比，我们在这里有一个测试场，我们的雷达现在正在接受这个最终的验证的阶段。我们可以检测雷达用GLGA，一起来检测这些雷达是从工厂出厂的时候进行了完全的矫正最后现场进行性能的检查。这里最后的验证检查有几个标准。我们至少要测试这些雷达一周的时间。然后也考虑到了当地的风速、高度、用测风塔测量的高度。我们必须要满足一定的要求。比如说这些雷达的风的风向和测风塔的风向必须要保证达到一定的标准。这张幻灯片介绍的是一些数据。通过测试几个雷达。一共是有79个300的验证地点。所以他的数据是非常一致的。我们还需要检查这些矫正在长期是否能够保持稳定。同时，确保这些雷达在一年以后能够重新检测这些雷达的性能是否保持一致。我们再看到这些基本的资源的不确定性因素方面，在测量这个LOS的速度方面，主要是有两个参数，一个是激光的波长，另外一个是样本的频率。我们是用探测器来确定的，这些都是波长和频率是比较稳定的。

当然还有其他的不确定的因素在现实情况下，所以你的假设模型是有可能会崩溃的，所以说在我们有一个机会能够验证这个雷达的校准，我们与丹麦的科学家合作，在丹麦的一个风场，这个工作是在这个风机上的叶片上进行检测。我们用风道来检测雷达的性能。这套系统是在叶片上进行修正的，就沿着这个气流的方向。它的范围比较窄，只有3.3米，非常接近于传感器。这样的话我们可以很好的进行比较，我们还就各种速度进行了测试，从每秒零米到每秒75米来确保雷达的精准。我们很高兴看到我们的通道确实保证了数据的准确性。而且让我们也很好的了解了雷达管理当中的不确定性。我相信我们要考虑在这个实际的现场工作情况下有更多的不确定性因素要考虑。可能雷达能够确认管道的校准，而不是反过来。那么在雷达的功率曲线的接受性，我们有两种方法，一个是基于地面的，一个是风机的。你把这个雷达和你的测风塔放在同一个位置。遵守这个IEC的标准规定，同时你的雷达在风机上是一个更好的选项。因为雷达可以随着风机的转动而转动，会朝着来风的方向，你可以看到在我们的系统当中也可以进行配制。配制中这两种方式既可以是配制在这个风机上面，也可以配制在地面上。我们ICE的标准实际上是允许我们使用地面的雷达的。下一个IEC的标准会允许我们使用地面雷达。

而且我们不管IEC的要求是怎么样的。我们商业用户都能够找到使用雷达的好处。我们做了一些假设，假设管理风速。我们做一个资源管理的，假设气流是一致的，像图片所示。这个东西也有可能会坏掉，我们需要处理数据来解决这些气流不一致的情况。调整雷达的数据就像你在这个测风塔上读取的风速的数据是一样的。而且我们验证了这种方法，在全球，现在也有在我们的网站上有更详细的信息。那么雷达证明是这个海上项目管理的一个非常合适的方案。那么，从2005年开始，我们就在第一个平台上使用了雷达。我们在这些图片下排中间，这是一个非常短的，客户直接在三角形的探测塔上直接装了雷达。但是雷达可以是360度旋转。所以实际上这个数据并没有受到探测塔三角形结构的影响。

还有一个可能性，就是说用这种漂移式的雷达。这个领域我们获得了更多的认可，因为大家都一致同意这种方式能够降低成本，你也可以看到这里有一些例子，就是说这种漂移式的雷达在左边是一个简单的形式，你可以看到这个雷达在漂移座上面，右边也有一些比较贵的方式。漂移式的雷达是固定在海床上的，所以更加稳定一些，所以任何不确定的要素都是要考虑的，可以减少多普勒的漂移。而且方向并不一定非要指向你原来想要的方向。使用这个雷达我们可以测量风速，因为它的敏感度非常高。它是可以测量这个二十毫秒的风速。我们还实现了，取得了非常好的结果。在实验的过程中，而且实验还在进行。我们现在相信这种漂移式的雷达会获得更好的接受。

还有风机上的雷达，我们已经做了很多的部署。从2003年开始已经有十年那么最常见的安装的方法就是说放在这个机舱上，那么通过这个叶片来测量进风，我们还有一些其他的案例，有的客户把它雷达安装旋转器上面。你可以就像这个图上可以看到雷达安装的地点。这套系统和我前面看到的，介绍的系统是一样的。

我们所做的工作是有功率曲线的评估，到风机运营的优化。主动控制，还有对于这个主动控制的意思是去预测这个风速的变化。以及其他的一些参数的变化，以便能够及时的来调整这个叶片。

我给大家举一个例子。我们可以看到左边的图是一些风速时间的情况。随着时候的范围而变的一个情况。那么，长期的这样的数据，可以被用来做功率的曲线，同时还可以来做一个比IC更小范围内的一个功率的测量。

最后一张PPT是总结一下我这篇发言的主要的内容。刚才我们分析了校准和基础上的不确定性。另外是校准所依赖的这样一些因素。我们把它指出，另外是校准的准确性。我们在一些风暴当中已经测试证明了，谢谢。

提问：你刚才提到了在把这个雷达放在站子的后来，那么是不是说雷达可以帮助你得出这个正确的上风的数据呢?

Michael Harris：可以测试在站子的附近。也可以是在这个距离站子一定的距离的地方。都可以。所以这里的雷达如果是放在机舱里面，如果和站子方向一直就可以，可以侧枝不同范围内的风速，这就使得我们可以有效的来同时的去测量风在不同范围内的风速。

提问：这就意味着如果我们用这个数据的话，我们要让它距离这个站子一定的距离，是吧?

Michael Harris：是的，这个数据告诉我们的就是这样，第一次告诉了我们站子的影响会降低这个效果。所以你可以看到这个偏角，你可以确定你要离它多大的距离，以便能够避免这个偏角。所以说这是90米的或者是说100米的，那么他的速度放缓很小。但不会太大的幅度，如果是1D的时候是这样，那么2.5D的话速度放缓是可以忽略的。

朱蓉：下面请来自于WindSim的尤扬先生。负责软件技术支持方面的工作。

尤扬：我是来自WindSim的尤扬，今天非常荣幸跟大家一起就风资源的问题进行探讨，我今天的内容是利用测风塔风廓线来提高可靠性。我们为什么要进行测风塔的交互检验和风廓线的调整。以及如何利用最大化测风塔位置模拟风廓线与实测风廓线的重合程度的方法来提高精度，以及如何利用风廓塔来提高检验的可能性。

首先我们在日常工作中对于同一个项目，不同的人使用同一个软件计算出来的结果为什么会差别很大?我认为如果网格和处理条件都设置合理的情况下，我认为最可能的原因有三种。第一是对地形数据的处理方式不同。第二是对地表粗糙度的设置。第三个是大体的温度的设置，这些都会对风流的精细产生影响，使我们的计算结果千差万别。我们如何才能避免这种有关的错误设置，避免过大过小的粗糙度的设置呢。我们可以通过调整测风塔的风廓线，使实测风廓线和模拟风廓线达到最大化的重叠程度的方法来实现。我们从而提高了我们风流模型的精度，以及改变了我们模型的质量。交互检验的目的，在于量化风流模型的不确定性，获取水平外推和垂直外推的扩差为P75和P90的计算提供可靠的依据。

刚才提到了三种因素会影响我们风流模型的精度，他们分别是地形和地表粗糙度和大气稳定度的情况。

首先看看地形条件对精度的影响，主要是上风向山体的倾性和位置关系可以影响到我们的地形对精度的影响。当然了这些因素都是反应在我们的模型的内部的。也就是说跟用户选择的软件模型的算法是有关系的，我们用户不能重新调整的。我们用户唯一可以进行调整的是尽我们最大的努力，来提高我们所输入的地形数据的质量。在我看来有三点，简单的来说就是说对于地形数据是如何进行选择，拼接，以及平滑，选择是说我们选择了网上下载的这种SRTM的数据还是说其他的数据。或者是说使用我们实测地理信息数据。下面这幅图展现了三个数据的差别，能够表现详细的地形信息的表达力。我们可以看到我们实测的测绘图表达力强于我们第二个数据，从我们的地形DM可以看到，上边是DM，下边是我们响应的DM获取的坡度图，也是同样的结果。刚才提到了是选择，而接下来我要说的是拼接。如果我们是使用SRTM和我们实测的地形图进行拼接的话，如果在投影过程中没有考虑到坐标转换引入的误差，或者是说拼接线处没有留出缓冲区的话，都会使地形产生突变，使得我们的坡度异常的增大，会对我们的精度产生影响。

第三点是对数据进行平滑。平滑会使全场的数据进行添挖量的处理，改变原始的信息。所以我们的软件是不建议使用平滑功能的。虽然我们软件也有这一项功能。

下面带谈谈地表粗糙度对风流模型的影响。使得风流模型与地面相互摩擦。改变的风速随着高度的变化。我们用户可以做的是什么?通过改变粗糙度值的大小，以及我们可以定义粗糙度的个空间的轮廓。也就是说绘制我们粗糙度图可以做到这两点。昨天上午已经大家都听到了欧洲风流协会主席所发表的报告。他提出在海上风电场我们可以使用遥感卫星技术来获取海上风电场的尾流的信息。气象局的常老师也是使用了雷达来获取我们海上风速。针对路上风电场我们可以利用遥感卫星的手段来获取资源的信息。比如说获取地表粗糙度的信息。右边这幅图是可以卖到遥感卫星的照片，右边是遥感卫星的信息。打理稳定度的影响是热力作用会改变垂直分布，以及结合地形影响温度的变化。结合地形风流所客服重力携带动能，搬运山体的动能是不一样的，也就是说大气越稳定，大家可以看到左边这幅图，大气越稳定所绕过，从山的两侧绕过的风流是越多的，大气越不稳定，越过的风流越多，大气越不稳定的时候，风流只能越过比较高的山体，而稳定性的大气情况下，风流只能越过比较低的山体。可以改变大体模型的设置。

我们用户如何才能保证我们所输入的地形数据以及粗糙度数据和大气稳定度这种数据是正确的呢?我们可以通过最大化测风塔位置模拟风廓线和实测风廓线的重合程度来完成这项工作。大家都知道我们在我们的模型内部一般风廓线是以对数风廓线模式进行建模的。对数风廓线模式是以半经验理论为基础，建立起来的风速高度变化的模型或者是改进模型。我们使用的时候需要这个Z0和L值，这是我们日常工作中很难精确获取的。所以我们需要修改测风塔点位的模拟风廓线，使风廓线的重合程度来调整我们的Z0和L值。最终将这两个值调整至模拟风廓线达到最大化重合的状态，这种情况下我们认为Z0值和L值相对来说是合理的。

下面介绍一下测风塔交互和检验的方法。首先检验和使用是某一个测风塔，高度的风速是具有时间序列来推算其他的风速层的模拟数据。对比差别来判断垂直外推的不确定性。水平外推被称作多塔交互体验。来推算目标测风塔的实现目标数据，对比模拟结果与实测值获取的误差。重复以上的操作得到测风塔之间的互推的偏差。权衡各测风塔与风机之间的距离和地形地貌相似形的差别，最终得到风电厂水平外推的不确定性。

下面就以我们之前做过一个案例来进行介绍。这个项目计算的区域海拔高差是115米，坡度是22度。厂区内共两个塔，北边的一和南边的二，之间是895米距离。一塔安装了90米高的数据和传感器，2塔安装在五个高度，温度仪安装在两个高度及可以看到这种地形地貌的照片。我们首先对两塔的实测数据进行了处理，生成了同期的时间序列数据。我们看到右上角这个图是我们同期的时间序列。我们利用同期的时间序列进行了相关性的分析。用于做什么呢?探测两个塔是否在同期中，相关性比较好的话，后续的互推的结果可能会有很高的质量

这是我们地理信息数据的处理。也就是说地形数据我们选用的是2.5米等高距的测绘图，粗糙度数据是我们通过卫星遥感手段来获取的。我们首先使用中性大气稳定度进行模拟，我们可以看到在中性情况下，各个主风险的扇区，模拟的风测线和实测差距只有八个分区，模拟值是非常好的。红色的点是我们各个扇区的实测值。为什么会出现这种情况，我们通过分析两层高度的温度数据，我们得出了结果，就是说在各个主风向扇区大气稳定性都是属于稳定型的，因此对长度值进行了调整，也通过调整粗糙度值进行测风塔的位置，模拟中扩线和实际中括线最大化的重合。蓝色线是调整的值改变了大气稳定度，使大气稳定性作为稳定性输入。可以看到蓝色这条软件模拟的风廓线和我们的实测值是拟合的非常好的。在各个的扇区都是拟合非常好的。通过最大化的测风塔模拟和实测的重合程度，我们最终得到了更加适合这个项目的长度值，以及粗糙度值这两种。

下面我们来看一下这个项目的垂直外推和水平外推的结果。首先由二塔的高度来推算其他的数据，除了十米高度受地表影响比较大的高度层以外，其他的高度层的误差都是非常小的，小于1.3。而我们水平外推的结果是使用两个塔因为互推，误差也是非常小的，我们可以通过这种误差来权衡测风塔与风机之间的距离和相似程度来判断厂区的风流模型的不确定性。