4. 风资源数据分析：平均风速、风向玫瑰图、威布尔分布、风功率密度计算

风资源分析，说白了就是给风电场做“体检”。数据准不准，直接决定了项目能不能赚钱。我见过太多项目，前期数据没吃透，后期运维天天头疼。今天咱们就把这四大块掰开揉碎了讲清楚。

4.1 平均风速：最基础也最容易被忽悠

平均风速是风资源的第一道门槛。但我要提醒你——千万别只看一个“年均风速”就拍板。我有个项目，年均风速6.8m/s，看着不错，结果一查月均数据，冬季只有4.5m/s，夏季倒是飙到9m/s。这种波动大的场址，发电量预测很容易翻车。

计算平均风速，通常用两种方法：

• 算术平均法：把所有风速加起来除以样本数。简单，但容易被极端值带偏。
• 时间加权平均法：按时间间隔加权。更准，尤其是数据采样频率不统一时。

代码示例（Python）：

import numpy as np

# 假设风速数据（m/s），10分钟采样间隔
wind_speeds = [5.2, 6.1, 4.8, 7.3, 5.9, 6.5, 4.2, 8.0, 5.5, 6.8]

# 算术平均
mean_arithmetic = np.mean(wind_speeds)
print(f"算术平均风速: {mean_arithmetic:.2f} m/s")

# 时间加权平均（假设前5个数据权重0.6，后5个权重0.4）
weights = [0.6/5]*5 + [0.4/5]*5
mean_weighted = np.average(wind_speeds, weights=weights)
print(f"时间加权平均风速: {mean_weighted:.2f} m/s")

4.2 风向玫瑰图：风从哪来，机位就往哪摆

风向玫瑰图，说白了就是风的“户口本”。它告诉你哪个方向的风最多、最强。我当年在内蒙古做项目，业主非要把风机排成一排，结果风向玫瑰图一画，主风向是西南风，那一排风机全在尾流区里。嗯，后来还是改了布局。

画风向玫瑰图，核心是两步：

1. 分扇区统计：通常分16个扇区（每个22.5°），统计每个扇区的风速和频率。
2. 可视化：用极坐标图展示，扇区长度代表频率，颜色代表风速。

代码示例（Python + matplotlib）：

import matplotlib.pyplot as plt
import numpy as np

# 模拟风向数据（角度）
wind_directions = np.random.uniform(0, 360, 1000)
# 模拟风速数据
wind_speeds = np.random.uniform(3, 12, 1000)

# 分16个扇区
bins = np.arange(0, 361, 22.5)
counts, _ = np.histogram(wind_directions, bins=bins)

# 极坐标图
fig, ax = plt.subplots(subplot_kw={'projection': 'polar'})
ax.bar(np.deg2rad(bins[:-1]), counts, width=np.deg2rad(22.5), alpha=0.7)
ax.set_title('风向玫瑰图')
plt.show()

4.3 威布尔分布：风速的“性格”描述

威布尔分布，是描述风速概率分布的经典模型。它有两个参数：形状参数k和尺度参数A。k值越大，风速越集中；A值越大，平均风速越高。

你想想看，为什么威布尔分布这么重要？因为风机发电量计算，本质上就是风速概率分布乘以功率曲线。如果威布尔参数搞错了，发电量预测就是空中楼阁。

代码示例：

from scipy.stats import weibull_min
import numpy as np

# 模拟风速数据
wind_data = np.random.weibull(2, 1000) * 6  # k=2, A=6

# 拟合威布尔分布
params = weibull_min.fit(wind_data, floc=0)
k, loc, A = params
print(f"形状参数 k: {k:.2f}")
print(f"尺度参数 A: {A:.2f}")

4.4 风功率密度：真正决定发电量的指标

风功率密度，是衡量风能潜力的硬指标。它和风速的三次方成正比，所以风速差一点，功率差很多。公式很简单：

风功率密度 = 0.5 × 空气密度 × 风速³

但实际计算时，空气密度会随海拔和温度变化。我在云南一个高海拔项目，空气密度只有海平面的80%，算出来的风功率密度直接打了八折。业主一开始不信，后来实测数据一出来，才服了。

代码示例：

# 计算风功率密度
air_density = 1.225  # kg/m³，标准海平面值
wind_speed = 7.0     # m/s

power_density = 0.5 * air_density * (wind_speed ** 3)
print(f"风功率密度: {power_density:.2f} W/m²")

4.5 知识体系总览

下面这张图，是我自己总结的风资源分析逻辑。你照着这个流程走，基本不会漏项。

4.6 实战中的常见坑

最后，我把自己踩过的坑列出来，你遇到了能少走弯路：

• 数据缺失处理：测风塔偶尔会掉线。别直接删掉缺失时段，用插值法补全。我习惯用线性插值，但如果缺失超过24小时，建议用同期历史数据替代。
• 湍流强度影响：高湍流会降低风机实际出力。威布尔分布拟合时，如果k值小于1.5，说明湍流很大，得考虑用更耐造的风机。
• 季节修正：如果只有半年数据，一定要做季节修正。我有个项目，只测了春夏两季，结果年均风速算出来偏高15%。后来补测秋冬数据，才拉回正常值。