2020年10月14日-16日，2020北京國際風能大會暨展覽會（CWP 2020）在北京新國展隆重召開。作為全球風電行業年度最大的盛會之一，這場由百余名演講嘉賓和數千名國內外參會代表共同參與的風能盛會，再次登陸北京，本屆大會以“引領綠色復蘇，構筑更好未來”為主題，聚焦中國能源革命的未來。能見App全程直播本次大會。

　　

　　在14日下午召開的風資源精細化評估分論壇上，中國船舶集團海裝風電股份有限公司風資源工程師劉靜發表《測風數據插補對發電量的影響》主題演講。

　　

　　以下為發言實錄：劉靜：非常榮幸受邀參加此次風能大會風資源評估論壇，跟大家一起來學習交流。測量數據差補對發電量的影響。

　　

　　第一個部分測風數據插補方法，第二示例說明，測風數據插補方法，我認為測風數據作為風資源評估的靈魂，一直扮演著非常重要的一個角色，但是作為風資源工程師，我們在日常工作中經常思考一些問題，像三個月六個月數據這么少到底可不可以用插補完整，該如何插補，插補之后該如何去評判它的不確定度。基于以上的這些它的一個問題，尋找了一些示例的測風塔，不同的插補方法，插補一個完整年，與真實的情況進行風速和發電量的對比。首先我先介紹一下插補方法。

　　

　　首先介紹的是線性最小二乘法，LLS兩種形式。第二種是總體最小化乘法，TLS，與LLS，很類似，做了一些輕微的修改，它的斜率的計算會更加的復雜一些。第三種是方差比方法，簡稱VR，它的些率是等于目標風速與標準偏差的一個比值。接下來介紹的是矩陣時間序列法，將我們時間序列的平均風速轉化為一個完全二維聯合概率分布，將我們每一個參考風速的風速段，做一個目標風速的一個累計分布函數，通過目標風速值和查找的累計分布函數值，將我們目標風速轉化為百分比的時間序列，然后我們缺側誰的部分的風速，百分比時間序列，內置法談蟲完整，百分比時間序列，通過查找我們剛剛構建好的累計分布函數再轉化成我們的時間序列的目標風速，這樣我們的矩陣時間序列法MTS就插補完成了，這個是插補的圖。

　　

　　接下來介紹的是風速比法，簡稱BSR，y等于mx。威布爾擬合法，風速排序法，重新進行一個排列，排列好的數據也是進行一個散點圖的繪制。當然是選取他們兩者當中較小的那個值作為這個拐點，拐點以上按照排序好的數據做最好化乘法，連接成線，連接成的折線我們最后風速排序法的最佳預測線。

　　

　　垂直切片法，簡稱VS，將我們正常的SY散點圖分成N個切片，每一個切片的平均值就是我們的拐點，拐點連接成一個折線，這個折線就是最后的預測線。通過以上插補方法的研究，我們尋找了5座示例的測風塔，都是2017年，完整率比較好，有平原有山低，有低海拔，有高海拔，是從四米七八到七米九七，我們將它們分成四個月，五個月，六個月，再插補完整年這樣的過程。

　　

　　再看一下我們選取的參考的長期數據，我們選了四種參考長期數據，分別是CFSR，ERA-5，MERRA-2，WRF。WRF分辨率是一個小時，數據源是ERA-5輸入。通過對插補方法的研究，每一個插補方法都會有插補的一個設置，那如何進行這些設置，我們做了測試性的研究，首先來看一下線性最小二乘法的測試結果，隨著X軸的增加的話，我們的時間和數據量是增加的，粉紅色這條線就是我們的預測后的K值，粉紅色這條線是預測的K值，淺藍色預測后的風速，隨著時間和數據量的增加，這個波動預測的波動是越來越小的，它的預測的不確定性也是越來越低的，并且再看到這個橫坐標否表示的兩種形式，1表示的不分散區，6表示不分散區，預測的K值與實際的K值更為接近的。

　　

　　從五個測風塔的測試結果來看，都是我們最后采用的是10分16個扇區是能夠更好的預測風速K值和發電量。接下來再看一下總體最小二乘法，TLS的設置，這種方法在零點出現一些風速突變，分成了兩種情況，下面這張圖風速突變的情況，數據量比較少，突變也是有可能發生的，分成兩種，目標風速只有三個月的時候，數據量比較少。接下來幾種的插補方法都是一個默認的設置，值得注意的就是每一種設置，分一些數據級，這個數據級的數據量，是需要我們在工作中日常去注意的，如果數據量過低，擬合的函數會失真。

　　

　　第三個部分是結果與分析。

　　

　　通過對插補方法的研究以及剛剛插補的測試，我們可以分析得到，我們對于測風數據延長插補的不確定分析來源三個部分，第一部分插補的數據源，我們與不同的數據源進行插補相關性越好相對來說是越可靠的，第二個部分就是同期數據量，數據量越多的話，相對來說不確定性也是越小的，第三個部分是插補方法，插補后的不確定性也是更小的。

　　

　　接下來看這張突隨著橫坐標的增加，藍色的這條線是越來越大的。來越我們相關性，兩條黑色的實線風速的規化變量，隨著相關性增加，我們插補后的風速與實際是更為接近，就是插補的不確定性是越小，但也不是必然的，是相對趨勢，插補的不確定性有三個方面，并不是相關性一定越好，它的插補的不確定性越小，受三個方面的制約。

　　

　　我通過了我們這個示例風電場，發現有一些少部分出現異常，這些異常的部分我們進行一個分析，這個原因，左圖是我們的日變化圖，右圖是月變化圖，三個月的數據，橙色這條線擬合程度是比較好的，不管日變化還是月變化與其他三個數據，CFSR、ERA、MERRA-2相反，與其他三個數據插補的結果都出現風變，風速值非常的異常，反映出來我們在進行前期的插補的時候，我們只看行管性的話，會比較片面，我們也要考慮它的日變化和月變化的擬合程度，通過對我們插補延長后的數據我們分成三個月六個月九個月，插補后它的一千多個數據的整合，我們來看一下它風速度偏差，三個月六個月九個月，數據，風速偏差在3%2%，和1%，表格中顯示的是最大偏差。我分成三個檔次，根據相關性來分，最大偏差風速比法最大偏差相對來說比較低的，相關性比較好0.6到0.8%，LLS，最大偏差是非常有優勢的。

　　

　　接下來看一下發電量的偏差和平均偏差，發電量三個月六個月九個月，平均的偏差在6%，4%和2%，表格中顯示的是最大偏差，最大偏差發電量的偏差與風速的偏差類似，其次是TLS，值得注意的也是在相關性比較好的情況下最小化乘法，TLS的優勢是比較顯著的。

　　

　　除了我們看了一下偏差之外，我們還測試了一下他們的一個穩定性就是偏差的RMSE插補成一個完整年，相對來說都是最低的，發電量也是如此，其次是TLS，總體最小二乘法相對比較低。

　　

　　這個其實也就說明了我們穩定性是插補之后穩定性會更好一些。通過以上的研究，總結出了以下五點，首先第一點相對的相關性越高插補結果越可靠，同期數據量越多，插補結果越可靠，第二點是VS垂直切片法，因為它的并的設置會比較敏感，容易導致數據量過少，所以暫時還沒有推薦采用。第三點是在進行插補的時候我們不僅要看相關性的大小，看月變化和小時變化的粘合程度。第四點在相關性R方0.2到0.6，建議采用BSR風速比較和TSS總體最小二乘法進行插補，這一點可以應用在我們日常工作中的，比如說我們遇到風電場有參考塔，它的相關性其實都是比較高的，我們在進步插補延長的最小二乘法，最大偏差都會有一些優勢。第五點在進行三個月，六個月，九個月數據插補完整年的時候，BSR風速比較的偏差RMSE較低，表現比較穩定。

　　

　　以上就是我分享的全部內容，謝謝大家。

　　

　　（根據速記整理，未經本人審核）