4. 资源评估与发电量测算：风速与光照资源数据获取、风电场发电量估算、光伏发电量估算、弃风弃光率假设

各位同行，咱们直接进入正题。资源评估这事儿，说白了就是回答一个问题：这块地到底能发多少电？ 我见过太多项目，前期拍脑袋定发电量，结果运营期被打脸。今天我把压箱底的经验拆开揉碎了讲。

4.1 风速与光照资源数据获取

数据源选不对，后面全白干。我个人习惯把数据源分成三档：

数据源类型	代表产品	精度	适用阶段
卫星反演数据	NASA SSE、Solargis、3TIER	中低（空间分辨率1-10km）	宏观选址、预可研
中尺度再分析数据	ERA5、MERRA-2、CFSR	中等（时间分辨率1h）	初步资源评估
实测数据	测风塔、气象站、辐照仪	高（分钟级）	可研、银行融资

避坑指南： 我曾经在内蒙古一个项目上，直接用NASA数据算发电量，结果比实际低了18%。后来补了6个月的测风塔数据，才发现那个区域有局部的山谷加速效应。所以我的建议是——至少要有1年以上的实测数据做校正，否则别轻易承诺发电量。

4.2 风电场发电量估算

4.2.1 威布尔分布——风速的“性格画像”

为什么用威布尔分布？你想想看，风速不是均匀的——它大部分时间在3-8m/s之间晃悠，偶尔来一阵大风。威布尔分布正好能描述这种“偏态”特征。

它的概率密度函数长这样：

f(v) = (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)

其中：

• k：形状参数，反映风速的集中程度。k=2时就是瑞利分布，我见过国内风电场k值多在1.5-2.5之间
• c：尺度参数，与平均风速正相关，c ≈ 1.128 * 平均风速（当k=2时）

实战技巧： 我习惯用“矩估计法”来拟合威布尔参数，简单粗暴。但如果你用Python，推荐scipy.stats.weibull_min.fit()，一行代码搞定。

4.2.2 功率曲线——风机到底能发多少电

功率曲线是风机的“身份证”。但注意——厂家给的功率曲线都是在标准空气密度下测的。你项目在海拔3000米的高原，空气密度只有海平面的70%，实际出力会打折扣。

发电量估算公式：

E = Σ [ f(v_i) * P(v_i) * 8760 * η ]

其中：

• f(v_i)：第i个风速区间的概率（来自威布尔分布）
• P(v_i)：该风速对应的功率（来自功率曲线）
• η：综合效率系数（尾流、湍流、叶片污染、停机等）

4.3 光伏发电量估算

4.3.1 PVsyst——行业标准工具

PVsyst是我做光伏项目必用的工具。它的核心逻辑是：

1. 气象数据导入：TMY（典型气象年）数据，包含逐小时的辐照度、温度
2. 组件排布设计：倾角、方位角、间距、遮挡分析
3. 系统损耗设置：线损、逆变器效率、组件衰减、灰尘遮挡
4. 模拟计算：输出逐月、逐年的发电量

注意： PVsyst默认的“系统损耗”参数偏乐观。我一般会把“灰尘遮挡”从默认的3%调到5%，把“组件不匹配”从2%调到3%。这样算出来的结果更贴近实际。

4.3.2 RETScreen——快速估算利器

RETScreen是加拿大自然资源部开发的免费工具。它的优势是快——输入几个关键参数，5分钟就能出结果。但精度不如PVsyst。

我一般这样用：

• 前期筛选项目时，用RETScreen快速对比多个场址
• 进入可研阶段后，再用PVsyst做精细计算
• 两者结果差异在5%以内，说明数据可靠

4.4 弃风弃光率假设

这是最容易被低估的参数。我见过一个项目，可研报告里弃风率假设5%，结果实际运营第一年弃风率就飙到15%。为什么？因为电网外送通道没跟上。

弃风弃光率的假设，我建议分三步走：

1. 看历史数据：查项目所在省过去3年的弃风弃光率（国家能源局每月公布）
2. 看电网规划：有没有在建的特高压？外送通道什么时候投产？
3. 做敏感性分析：分别假设3%、5%、8%、12%的弃电率，看对IRR的影响

弃电率假设	项目IRR（示例）	风险等级
3%	8.5%	乐观
5%	7.8%	基准
8%	6.9%	保守
12%	5.8%	悲观

我的建议： 在可研报告里，用5%作为基准假设，但必须在风险分析章节里展示8%甚至12%的情景。银行和投资方现在精得很，你只给一个乐观数字，他们反而会怀疑。

好了，这一章的内容就到这里。资源评估和发电量测算，是风光储项目经济性分析的“地基”。地基打不牢，后面算IRR、NPV都是空中楼阁。希望今天讲的这些实战经验，能帮你在项目评估时少走弯路。