4. 测风数据统计分析：平均风速、风向玫瑰图、风切变指数、湍流强度计算

各位同行，大家好。我是老张，干风电资源评估这行有十几年了。今天咱们聊聊测风数据拿到手之后，怎么把它“榨干”——也就是做统计分析。

很多人觉得，数据拉回来，算个平均风速就完事了。其实不然。你想想看，一个风电场能不能赚钱，靠的就是这些基础统计量。我见过太多项目，前期数据没吃透，后期运维叫苦连天。所以，这一节咱们把四个核心指标掰开揉碎了讲。

4.1 平均风速：最基础也最骗人

平均风速，说白了就是一段时间内风速的平均值。但这里有个坑——算术平均和能量平均是两码事。

我个人习惯，做资源评估时，优先看能量平均风速。为什么？因为风机的发电量跟风速的三次方成正比。算术平均风速8m/s，能量平均风速可能已经到9m/s了。你按算术平均去算发电量，那误差可就大了去了。

我在内蒙古一个项目上就吃过这个亏。当时用算术平均算出来年发电量挺乐观，结果实际运行下来差了8%。后来复盘才发现，就是平均风速的算法没选对。从那以后，我所有项目的资源评估报告里，都会同时列出这两个值。

4.2 风向玫瑰图：风从哪里来？

风向玫瑰图，是风电场微观选址的“地图”。它告诉你，风主要从哪个方向吹过来。这直接决定了风机排布、机位选择，甚至塔筒高度。

画这个图，我一般用16个方位（N、NNE、NE、ENE、E……）。数据来源就是测风塔上风向标记录的10分钟平均风向。

嗯，这里要注意：风向数据一定要做“静风”处理。风速小于启动风速（比如3m/s）时，风向数据是无效的。我曾经见过一个项目，把静风时段的风向也算进去了，结果玫瑰图乱七八糟，主风向完全看不出来。

画图工具方面，我推荐用Python的windrose库，或者直接用WAsP、Windographer这些专业软件。下面给一个简单的Python代码片段：

import windrose
import matplotlib.pyplot as plt

# 假设 wind_speed 和 wind_direction 是已经清洗好的数据
ax = windrose.WindroseAxes.from_ax()
ax.bar(wind_direction, wind_speed, normed=True, opening=0.8, edgecolor='white')
ax.set_legend()
plt.show()

4.3 风切变指数：高度不同，风速不同

风切变指数，描述的是风速随高度变化的规律。说白了，就是塔筒越高，风越大。但这个“大”的程度，每个项目都不一样。

计算公式很简单：

其中V1、V2是高度H1、H2处的风速。α值一般在0.1到0.4之间。平坦地形α小，复杂地形α大。

我个人习惯，至少用三个高度层的数据来算α。比如测风塔有10m、50m、80m三层，我会分别算10-50m和50-80m的α值。如果两个值差异很大，说明这个场地的风切变不稳定，需要进一步分析。

我记得在甘肃一个项目上，白天α是0.12，晚上α能到0.25。为什么？因为夜间大气稳定，近地面风速衰减快。这种情况下，如果你只用一个α值去推算轮毂高度风速，那白天和晚上的误差会非常大。

4.4 湍流强度：风有多“乱”？

湍流强度，是衡量风速波动剧烈程度的指标。它对风机疲劳载荷、发电量都有直接影响。湍流强度高了，风机容易“累坏”，寿命会缩短。

计算公式：

其中σ是风速的标准差，V_avg是平均风速。I值一般小于0.2。超过0.25就算高湍流了，选风机时要特别小心。

我处理过一个海上风电项目，湍流强度只有0.08左右，非常平稳。但到了内陆山地项目，湍流强度经常超过0.2。为什么？因为地形复杂，气流被山体扰动，形成乱流。

这里有个关键点：湍流强度跟风速有关。低风速时，湍流强度往往偏高；高风速时，湍流强度趋于稳定。所以，我一般会画一张“湍流强度-风速”散点图，看看趋势。

4.5 实战：用Python一键计算

说了这么多理论，咱们来点实际的。下面是我常用的一个Python脚本，可以同时计算平均风速、风向玫瑰图、风切变指数和湍流强度。

import pandas as pd
import numpy as np
import windrose
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv('wind_data.csv')

# 清洗数据：剔除静风和异常值
df = df[df['ws'] > 3]  # 只保留风速大于3m/s的数据

# 计算平均风速
v_avg = df['ws'].mean()
v_e = (df['ws']**3).mean()**(1/3)
print(f'算术平均风速: {v_avg:.2f} m/s')
print(f'能量平均风速: {v_e:.2f} m/s')

# 计算湍流强度
df['ti'] = df['ws_std'] / df['ws']
ti_avg = df['ti'].mean()
print(f'平均湍流强度: {ti_avg:.3f}')

# 计算风切变指数（假设有10m和50m两层数据）
v10 = df['ws_10m'].mean()
v50 = df['ws_50m'].mean()
alpha = np.log(v50/v10) / np.log(50/10)
print(f'风切变指数: {alpha:.3f}')

# 绘制风向玫瑰图
ax = windrose.WindroseAxes.from_ax()
ax.bar(df['wd'], df['ws'], normed=True, opening=0.8)
ax.set_legend()
plt.show()

这个脚本我用了好几年，基本能满足90%的项目需求。当然，实际项目中数据量更大，可能需要做更精细的清洗和插值处理。

4.6 知识体系总览

最后，我用一张图把这一节的内容串起来。你一看就明白，这四个指标是怎么相互关联的。

好了，这一节的内容就到这里。平均风速、风向玫瑰图、风切变指数、湍流强度，这四个指标是资源评估的“四大金刚”。你只要把它们吃透了，后面的发电量计算、微观选址，都会顺手很多。

记住一句话：数据不会骗人，但人会算错。多花点时间在统计分析上，比后期去现场补测数据要划算得多。

---

公众号:蓝海资料掘金营，微信deep3321