2. 风光资源评估：风速与光照的数学模型，典型气象年数据获取，资源潜力图绘制方法
各位同学，咱们今天聊聊风光资源评估。说实话，这是整个制氢系统设计的“地基”。地基没打好，后面算设备容量、算产氢量，全是空中楼阁。我在早期做项目时，就吃过这个亏——用了一年的平均数据去算，结果实际运行起来，系统有一半时间在“饿肚子”。
所以，这一章咱们把资源评估这件事，掰开了揉碎了讲清楚。
2.1 风速的数学模型：不只是“平均风速”那么简单
很多人一上来就问：“你们那风资源怎么样？” 然后甩给我一个年平均风速。嗯，这其实是个坑。你想想看，年平均风速6m/s和6m/s，背后的分布可能天差地别。
我们做工程，最常用的是威布尔分布。它长这样：
f(v) = (k/c) * (v/c)^(k-1) * exp(-(v/c)^k)其中：
- v：风速 (m/s)
- k：形状参数，描述风速分布的“胖瘦”
- c：尺度参数，跟平均风速有关
我个人习惯，拿到一个场址的风速数据后，第一件事就是拟合出k和c。为什么？因为这两个参数直接决定了你的风机在低风速段和高风速段的发电能力。
除了威布尔分布，我们还会用到瑞利分布。说白了，它是威布尔分布的一个特例（k=2）。有些软件默认用瑞利分布，但你要小心——它只适用于某些特定风况。
2.2 光照的数学模型：太阳不是“均匀发光”的
光照资源评估，核心是搞清楚太阳辐射。我们通常把它分成三部分：
- 直接辐射 (DNI)：太阳直射过来的光
- 散射辐射 (DHI)：被大气散射后过来的光
- 总辐射 (GHI)：前两者之和，也就是水平面上接受到的总能量
光伏组件发电，主要靠的是倾斜面上的总辐射。所以，我们需要把水平面上的GHI，换算到组件安装角度上。这个换算模型，我常用的是Hay-Davies模型或者Perez模型。
举个例子，一个简单的换算思路：
G_tilt = GHI * (cos(θ) / sin(α)) + 散射修正项其中θ是太阳入射角，α是太阳高度角。嗯，这里要注意，这个公式只是简化版。实际项目中，我建议直接用专业软件（比如PVsyst、SAM）去算，它们内置了更复杂的模型。
2.3 典型气象年数据获取：别拿“平均年”当“典型年”
做资源评估，我们需要一个“典型”年份的数据，而不是某一年。为什么？因为某一年可能是丰水年、枯风年，不能代表长期情况。
典型气象年 (TMY) 就是从多年的气象数据中，选出每个月最“典型”的数据，拼接成一个虚拟年份。它的生成方法，国际上主流的是Sandia方法。
获取TMY数据的途径，我常用的有：
- NASA POWER：免费，全球覆盖，但分辨率较粗（0.5°×0.5°）
- NREL NSRDB：美国能源部出品，精度高，但只覆盖美洲
- 中国气象局数据：国内项目首选，有全国2400多个站点的数据
- Meteonorm：商业软件，全球覆盖，插值算法不错
我个人习惯，先用NASA POWER或Meteonorm拿到初步数据，然后找当地气象站买实测数据做校正。记住，数据源越靠近项目地，精度越高。
2.4 资源潜力图绘制方法：把数据变成“地图”
资源潜力图，说白了就是把风速、光照等数据，用颜色或等高线画在地图上。一眼看过去，哪里风好、哪里光好，清清楚楚。
绘制流程大致如下：
- 数据收集：获取项目区域内的多个点位数据（风速、GHI等）
- 空间插值：把离散的点位数据，插值成连续的栅格数据。常用方法有：
- 反距离加权 (IDW)：简单，但容易产生“牛眼”效应
- 克里金 (Kriging)：考虑空间相关性，更准确
- 样条函数 (Spline)：平滑效果好，但可能过拟合
- 可视化：用颜色渐变或等高线，把栅格数据展示出来
下面这张图，是我用Python的matplotlib和basemap画的一个示例。它展示了风速的空间分布：
画这种图，我常用的工具是：
- Python + matplotlib + basemap/cartopy：灵活，适合科研和工程
- ArcGIS / QGIS：专业GIS软件，功能强大，但学习曲线陡
- Surfer：简单易用，适合快速出图
2.5 实战中的“坑”与“解”
最后，分享几个我在项目中踩过的坑：
- 数据时间分辨率不够：有些数据库只提供月平均数据。但制氢系统对小时级甚至分钟级的波动很敏感。我建议至少用小时级数据做分析。
- 忽略地形影响：风速受地形影响很大。一个山谷里的风速，可能比山顶低30%。所以，一定要用地形数据（DEM）去校正风速场。
- 光照模型选错：在阴雨天多的地区，散射辐射占比高。这时候用简单的各向同性模型，误差会很大。我建议用各向异性模型（比如Perez模型）。
好了，这一章的内容就到这里。资源评估是基础，但也是决定项目成败的关键。下一章，咱们聊聊如何把这些资源数据，转化成制氢系统的设计输入。
公众号:蓝海资料掘金营，微信deep3321