手机浏览网
2020年10月14日-16日，2020北京国际风能大会暨展览会（CWP 2020）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，本届大会以“引领绿色复苏，构筑更好未来”为主题，聚焦中国能源革命的未来。能见App全程直播本次大会。
在14日下午召开的风资源精细化评估分论坛上，中国船舶集团海装风电股份有限公司风资源工程师刘静发表《测风数据插补对发电量的影响》主题演讲。
以下为发言实录：刘静：非常荣幸受邀参加此次风能大会风资源评估论坛，跟大家一起来学习交流。测量数据差补对发电量的影响。
第一个部分测风数据插补方法，第二示例说明，测风数据插补方法，我认为测风数据作为风资源评估的灵魂，一直扮演着非常重要的一个角色，但是作为风资源工程师，我们在日常工作中经常思考一些问题，像三个月六个月数据这么少到底可不可以用插补完整，该如何插补，插补之后该如何去评判它的不确定度。基于以上的这些它的一个问题，寻找了一些示例的测风塔，不同的插补方法，插补一个完整年，与真实的情况进行风速和发电量的对比。首先我先介绍一下插补方法。
首先介绍的是线性最小二乘法，LLS两种形式。第二种是总体最小化乘法，TLS，与LLS，很类似，做了一些轻微的修改，它的斜率的计算会更加的复杂一些。第三种是方差比方法，简称VR，它的些率是等于目标风速与标准偏差的一个比值。接下来介绍的是矩阵时间序列法，将我们时间序列的平均风速转化为一个完全二维联合概率分布，将我们每一个参考风速的风速段，做一个目标风速的一个累计分布函数，通过目标风速值和查找的累计分布函数值，将我们目标风速转化为百分比的时间序列，然后我们缺侧谁的部分的风速，百分比时间序列，内置法谈虫完整，百分比时间序列，通过查找我们刚刚构建好的累计分布函数再转化成我们的时间序列的目标风速，这样我们的矩阵时间序列法MTS就插补完成了，这个是插补的图。
接下来介绍的是风速比法，简称BSR，y等于mx。威布尔拟合法，风速排序法，重新进行一个排列，排列好的数据也是进行一个散点图的绘制。当然是选取他们两者当中较小的那个值作为这个拐点，拐点以上按照排序好的数据做最好化乘法，连接成线，连接成的折线我们最后风速排序法的最佳预测线。
垂直切片法，简称VS，将我们正常的SY散点图分成N个切片，每一个切片的平均值就是我们的拐点，拐点连接成一个折线，这个折线就是最后的预测线。通过以上插补方法的研究，我们寻找了5座示例的测风塔，都是2017年，完整率比较好，有平原有山低，有低海拔，有高海拔，是从四米七八到七米九七，我们将它们分成四个月，五个月，六个月，再插补完整年这样的过程。
再看一下我们选取的参考的长期数据，我们选了四种参考长期数据，分别是CFSR，ERA-5，MERRA-2，WRF。WRF分辨率是一个小时，数据源是ERA-5输入。通过对插补方法的研究，每一个插补方法都会有插补的一个设置，那如何进行这些设置，我们做了测试性的研究，首先来看一下线性最小二乘法的测试结果，随着X轴的增加的话，我们的时间和数据量是增加的，粉红色这条线就是我们的预测后的K值，粉红色这条线是预测的K值，浅蓝色预测后的风速，随着时间和数据量的增加，这个波动预测的波动是越来越小的，它的预测的不确定性也是越来越低的，并且再看到这个横坐标否表示的两种形式，1表示的不分散区，6表示不分散区，预测的K值与实际的K值更为接近的。
从五个测风塔的测试结果来看，都是我们最后采用的是10分16个扇区是能够更好的预测风速K值和发电量。接下来再看一下总体最小二乘法，TLS的设置，这种方法在零点出现一些风速突变，分成了两种情况，下面这张图风速突变的情况，数据量比较少，突变也是有可能发生的，分成两种，目标风速只有三个月的时候，数据量比较少。接下来几种的插补方法都是一个默认的设置，值得注意的就是每一种设置，分一些数据级，这个数据级的数据量，是需要我们在工作中日常去注意的，如果数据量过低，拟合的函数会失真。
第三个部分是结果与分析。
通过对插补方法的研究以及刚刚插补的测试，我们可以分析得到，我们对于测风数据延长插补的不确定分析来源三个部分，第一部分插补的数据源，我们与不同的数据源进行插补相关性越好相对来说是越可靠的，第二个部分就是同期数据量，数据量越多的话，相对来说不确定性也是越小的，第三个部分是插补方法，插补后的不确定性也是更小的。
接下来看这张突随着横坐标的增加，蓝色的这条线是越来越大的。来越我们相关性，两条黑色的实线风速的规化变量，随着相关性增加，我们插补后的风速与实际是更为接近，就是插补的不确定性是越小，但也不是必然的，是相对趋势，插补的不确定性有三个方面，并不是相关性一定越好，它的插补的不确定性越小，受三个方面的制约。
我通过了我们这个示例风电场，发现有一些少部分出现异常，这些异常的部分我们进行一个分析，这个原因，左图是我们的日变化图，右图是月变化图，三个月的数据，橙色这条线拟合程度是比较好的，不管日变化还是月变化与其他三个数据，CFSR、ERA、MERRA-2相反，与其他三个数据插补的结果都出现风变，风速值非常的异常，反映出来我们在进行前期的插补的时候，我们只看行管性的话，会比较片面，我们也要考虑它的日变化和月变化的拟合程度，通过对我们插补延长后的数据我们分成三个月六个月九个月，插补后它的一千多个数据的整合，我们来看一下它风速度偏差，三个月六个月九个月，数据，风速偏差在3%2%，和1%，表格中显示的是最大偏差。我分成三个档次，根据相关性来分，最大偏差风速比法最大偏差相对来说比较低的，相关性比较好0.6到0.8%，LLS，最大偏差是非常有优势的。
接下来看一下发电量的偏差和平均偏差，发电量三个月六个月九个月，平均的偏差在6%，4%和2%，表格中显示的是最大偏差，最大偏差发电量的偏差与风速的偏差类似，其次是TLS，值得注意的也是在相关性比较好的情况下最小化乘法，TLS的优势是比较显著的。
除了我们看了一下偏差之外，我们还测试了一下他们的一个稳定性就是偏差的RMSE插补成一个完整年，相对来说都是最低的，发电量也是如此，其次是TLS，总体最小二乘法相对比较低。
这个其实也就说明了我们稳定性是插补之后稳定性会更好一些。通过以上的研究，总结出了以下五点，首先第一点相对的相关性越高插补结果越可靠，同期数据量越多，插补结果越可靠，第二点是VS垂直切片法，因为它的并的设置会比较敏感，容易导致数据量过少，所以暂时还没有推荐采用。第三点是在进行插补的时候我们不仅要看相关性的大小，看月变化和小时变化的粘合程度。第四点在相关性R方0.2到0.6，建议采用BSR风速比较和TSS总体最小二乘法进行插补，这一点可以应用在我们日常工作中的，比如说我们遇到风电场有参考塔，它的相关性其实都是比较高的，我们在进步插补延长的最小二乘法，最大偏差都会有一些优势。第五点在进行三个月，六个月，九个月数据插补完整年的时候，BSR风速比较的偏差RMSE较低，表现比较稳定。
以上就是我分享的全部内容，谢谢大家。
（根据速记整理，未经本人审核）
