2. 气象因素：风速、光照、降雨对风电、光伏、水电的影响机制

各位同行，咱们今天聊聊气象因素。说白了，搞新能源发电，就是在跟老天爷打交道。风速、光照、降雨，这三个家伙直接决定了风电、光伏、水电的出力。我做了十几年电力系统分析，见过太多因为没摸透这些“脾气”而翻车的项目。今天我就把压箱底的经验掏出来，跟大家掰扯清楚。

2.1 风速与风电：不是风越大越好

很多人觉得，风越大，发电越多。其实不然。我参与过一个海上风电项目，前期测风数据没做细，结果投产第一年就遇到了超强台风。嗯，这里要注意，风机有“切出风速”这个保护机制。

风速对风电的影响，可以分成三个区间：

• 切入风速以下（通常3-4 m/s）： 风机不启动，出力为零。这个区间叫“死区”。
• 额定风速区间（通常12-25 m/s）： 风机满发，出力恒定在额定功率。这是最理想的状态。
• 切出风速以上（通常25 m/s）： 为了保护设备，风机自动停机。出力瞬间归零。

我建议大家在做发电量预测时，一定要把“切出停机”的概率算进去。别只看平均风速，要看风速的概率分布。举个例子：

# 风速概率分布示例（威布尔分布）
import numpy as np

# 形状参数k=2，尺度参数c=8 m/s
wind_speeds = np.random.weibull(2, 10000) * 8
# 计算切出风速（25 m/s）以上的概率
prob_cutout = np.sum(wind_speeds > 25) / len(wind_speeds)
print(f"切出停机概率: {prob_cutout:.2%}")

2.2 光照与光伏：阴天也有“隐形”发电

光伏发电依赖光照强度，这个大家都懂。但有个细节容易被忽略——散射光。我在西藏做过一个项目，当地晴天多，但海拔高，大气稀薄，散射光占比反而比平原地区低。你想想看，这直接影响了双面组件的发电增益。

光照对光伏的影响，主要看三个参数：

参数	影响机制	典型范围
GHI（水平面总辐照度）	直接决定组件接收到的能量	0-1200 W/m²
温度系数	温度升高，组件效率下降	-0.3% ~ -0.5%/°C
光谱响应	不同波段的光，转换效率不同	300-1200 nm

这里有个坑：很多人只关注GHI，忽略了温度的影响。我见过一个项目，夏天光照最强的时候，组件表面温度高达70°C，效率直接掉了15%以上。所以，做光伏发电量预测，必须同时考虑辐照度和温度。

2.3 降雨与水电：水多了也不行

水电依赖降雨，但降雨的时空分布比风速和光照更复杂。我参与过一个流域梯级水电站的调度优化，最大的挑战就是来水的不确定性。说白了，降雨量、降雨强度、降雨历时，这三个因素共同决定了径流过程。

降雨对水电的影响，可以从三个层面理解：

• 年际变化： 丰水年和枯水年的发电量可能相差50%以上。这个在做项目可行性研究时就要考虑。
• 季节分布： 我国大部分地区降雨集中在汛期（6-9月），非汛期来水很少。这导致水电出力有明显的季节性。
• 极端事件： 暴雨可能导致洪水，水库需要泄洪，反而不能发电。我见过一个案例，某水电站因为上游突降暴雨，被迫开闸泄洪，一天就损失了300万度电。

我个人习惯用“降雨-径流”模型来做预测。下面是一个简化的概念模型：

# 降雨-径流简化模型（概念性）
def runoff_model(rainfall, soil_moisture, evapotranspiration):
    # 净雨量 = 降雨量 - 蒸发 - 土壤下渗
    net_rain = rainfall - evapotranspiration - 0.3 * soil_moisture
    # 径流系数（经验公式）
    runoff_coeff = 0.2 + 0.6 * (soil_moisture / 100)
    # 径流量
    runoff = max(0, net_rain * runoff_coeff)
    return runoff

2.4 三种气象因素的交互影响

实际运行中，风速、光照、降雨不是孤立的。它们之间存在着复杂的耦合关系。我画了一张图，帮大家理清思路：

从这张图可以看出：

• 风速影响光照： 强风会推动云层移动，导致光照的快速变化。这就是为什么光伏电站的出力会“忽高忽低”。
• 光照影响风速： 太阳辐射加热地表，形成热力环流，影响局地风速。尤其是在山谷地区，这种效应很明显。
• 光照影响降雨： 强烈的太阳辐射会加速蒸发，增加大气中的水汽含量，从而影响降雨的概率和强度。
• 降雨影响光照： 这个最直接——下雨天云层厚，光照自然就弱了。

2.5 实际工程中的应对策略

说了这么多理论，最后聊聊怎么落地。我总结了三条经验：

1. 数据是根本： 别迷信模型，先把手头的实测数据吃透。我建议至少收集3年以上的气象和发电数据，做统计分析。
2. 多源数据融合： 单一气象站的数据往往有偏差。我习惯用再分析数据（如ERA5）结合本地观测，做数据同化。
3. 概率思维： 别只做确定性预测，要给出概率区间。比如，“发电量有80%的概率落在XX到XX之间”，这对风险控制更有意义。

---

公众号:蓝海资料掘金营，微信deep3321