3、资源评估基础：太阳能资源评估、风能资源评估、气象数据获取与分析
做储能项目选址，说白了就是跟老天爷打交道。你选的场址到底能发多少电？一年有多少天能满发？这些问题的答案，都藏在资源评估里。
我入行那会儿，有个老前辈跟我说过一句话，我一直记着：「储能项目的命根子是资源，资源评估的命根子是数据。」今天咱们就把这三块硬骨头啃下来：太阳能、风能，还有气象数据怎么拿、怎么用。
3.1 太阳能资源评估
太阳能评估，核心就三个字：辐照度。但光看一个数字可不够。
3.1.1 关键参数
我个人习惯，先看这五个指标：
- GHI（水平面总辐照度）：地面水平接收到的太阳能量，单位 kWh/m²。这是最基础的参数。
- DNI（法向直接辐照度）：垂直于太阳光线的平面接收到的直接辐射。做光热项目必须看这个。
- DHI（散射辐照度）：大气散射带来的辐射。阴天多的地区，这个值占比会很高。
- 峰值日照小时数（PSH）：相当于把一天的辐照量折算成标准条件（1000W/m²）下的小时数。比如某地GHI是5.0 kWh/m²，PSH就是5.0小时。
- 温度系数：光伏组件温度每升高1℃，效率下降多少。这个在高温地区特别重要。
实战经验：我在青海一个项目上，光看GHI数据觉得不错，结果忽略了当地沙尘天气的影响。实际发电量比预期低了12%。从那以后，我评估太阳能资源一定会加上「环境衰减因子」这个修正项。
3.1.2 评估流程
我的评估流程一般是这样的：
- 数据收集：至少拿10年以上的气象站数据，或者用卫星反演数据（如NASA POWER、Solargis）。
- 数据校验：跟附近地面站做交叉验证。我遇到过卫星数据比实际偏高15%的情况，不校验就踩坑。
- 年辐照量计算：用PVsyst或SAM软件模拟，生成典型气象年（TMY）数据。
- 不确定性分析：给出P50、P90、P99三个置信水平的发电量预测。银行一般看P90。
小技巧：做初步筛选时，可以用这个经验公式：年发电量（kWh/kWp）≈ GHI（kWh/m²）× 0.75。0.75是系统效率的粗略估算值。当然，正式项目必须用软件精确计算。
3.2 风能资源评估
风能评估比太阳能复杂一些。为什么？因为风是三维的，而且变化更剧烈。
3.2.1 核心参数
| 参数 | 说明 | 我的经验值 |
|---|---|---|
| 平均风速 | 轮毂高度处的年平均风速 | 低于5.5m/s基本不考虑 |
| 风功率密度 | 单位面积上的风能，单位W/m² | 大于200W/m²算可开发 |
| 湍流强度 | 风速的波动程度 | 超过0.25要小心机组疲劳 |
| 风切变指数 | 风速随高度的变化规律 | 0.1-0.2是平坦地形，0.3以上复杂地形 |
| Weibull分布参数 | 描述风速频率分布的形状参数k和尺度参数c | k值在1.5-3.0之间常见 |
嗯，这里要注意：平均风速高不代表发电量高。为什么？因为风机的功率曲线不是线性的。风速在切入风速和额定风速之间，发电量增长最快。如果平均风速高但大部分时间在额定风速以上，反而浪费了。
3.2.2 测风方案
我曾经在南方一个山地项目上吃过亏。当时只立了一座测风塔，结果发现山脊两侧的风特性差异很大。后来我总结了一套测风方案：
- 测风塔高度：至少达到轮毂高度的1.2倍。比如用100米高的塔，轮毂高度80米。
- 测风层数：至少3层（轮毂高度、轮毂高度±20米）。
- 测风周期：完整的一年，覆盖四季。我见过只测了8个月就上项目的，结果冬季大风期数据缺失，评估偏差很大。
- 测风塔数量：复杂地形每5-10平方公里一座，平坦地形可以放宽到20平方公里。
避坑指南：我曾经遇到过一个项目，测风塔数据跟附近机场气象站的数据对不上。后来发现是测风塔的超声波风速仪被鸟粪遮挡了。所以，定期巡检测风设备真的很重要。
3.3 气象数据获取与分析
数据是资源评估的粮食。但粮食也有好坏之分。
3.3.1 数据来源
我常用的数据源有这几类：
- 地面气象站：中国气象局有2400多个国家级站点，数据最准，但获取流程比较繁琐。
- 卫星反演数据：NASA POWER、Solargis、3TIER等。覆盖全球，但分辨率一般在10-30公里。
- 再分析数据：ERA5、MERRA-2。时间序列长（从1979年至今），适合做长期趋势分析。
- 中尺度数值模式：WRF模拟。可以做到1公里分辨率，但计算量大，适合复杂地形。
3.3.2 数据处理流程
拿到原始数据后，我一般走这几步：
- 质量控制：剔除异常值。比如风速出现负值、辐照度超过太阳常数（1361W/m²），这些明显是错误数据。
- 插补缺失：用相邻站点的数据做相关性插补，或者用卫星数据填补。我习惯用线性回归法，R²大于0.8才用。
- 长期订正：把短期测风数据（比如1年）订正到长期（比如30年）。方法有MCP（Measure-Correlate-Predict）和方差比法。
- 典型气象年生成：从多年数据中选出最「典型」的12个月，组成TMY数据。Sandia方法用得最多。
一个真实的教训：我在西北某项目做资源评估时，用了NASA的卫星数据，发现跟当地气象站数据差了20%。后来查原因，是卫星反演算法在高原地区有系统偏差。从那以后，我坚持「地面站数据为主，卫星数据为辅」的原则。
3.3.3 数据分析工具
我个人常用的工具链：
- Windographer：风能数据分析，功能很全，就是贵。
- PVsyst：光伏系统设计，太阳能资源评估的标配。
- Python + Pandas：做数据清洗和统计分析。我写了个小脚本，可以自动做MCP订正。
- WRF模型：复杂地形风资源模拟，但需要一定的气象背景。
下面是我常用的一个数据清洗代码片段：
import pandas as pd
import numpy as np
# 读取测风数据
df = pd.read_csv('wind_data.csv', parse_dates=['timestamp'])
# 剔除异常值：风速在0-40m/s之外，或风向在0-360°之外
df = df[(df['ws'] >= 0) & (df['ws'] <= 40)]
df = df[(df['wd'] >= 0) & (df['wd'] <= 360)]
# 剔除连续3小时以上不变的死数据
df['ws_diff'] = df['ws'].diff().abs()
df['dead_flag'] = (df['ws_diff'] < 0.01).rolling(18).sum()
df = df[df['dead_flag'] < 18]
# 插补缺失值（线性插值）
df = df.interpolate(method='linear', limit=6)
小提示：做数据清洗时，别把「极端天气事件」当成异常值剔除。比如台风天的风速可能达到50m/s，虽然罕见，但正是这些极端事件决定了风机的极限载荷设计。
3.4 知识体系总览
说了这么多，我画了张图帮你理清思路。资源评估的核心逻辑就是：数据输入 → 分析处理 → 结果输出。每一步都有坑，每一步也都有方法。
这张图把资源评估的整个链条串起来了。你想想看，从数据输入到最终输出，每一步都环环相扣。数据质量不行，后面再好的分析方法也白搭。
好了，资源评估这块的内容就讲到这里。记住一句话：别迷信数据，也别轻视数据。用你的工程经验去判断，用现场实测去验证，这才是做资源评估的正确姿势。
公众号:蓝海资料掘金营，微信deep3321