4. 测风数据处理与分析：数据完整性检查、平均风速与标准差计算、威布尔分布拟合、风功率密度计算

好，咱们直接进入正题。测风数据拿到手，第一件事不是急着算功率，而是先看看这数据能不能用。我见过不少新手，上来就把数据往软件里一丢，结果算出来的结果跟实际发电量差了十万八千里。说白了，数据质量不过关，后面全是白搭。

4.1 数据完整性检查

数据完整性检查，听起来挺唬人，其实就是看看数据有没有缺胳膊少腿。你想想看，如果某个月的数据缺了一半，那这个月的平均风速还能信吗？

我个人习惯，拿到数据后先做三件事：

• 时间戳检查：看看数据记录是否连续，有没有跳点。比如10分钟一个数据点，突然从12:00跳到了13:00，中间缺了5个点，这就得标记出来。
• 无效值剔除：风速不可能为负，也不可能超过60m/s（除非台风，但那是极端情况）。我一般把风速小于0或大于40m/s的数据直接标红。
• 完整率统计：国标要求有效数据完整率不低于90%。如果低于这个数，我建议你重新考虑这个测风塔的位置。

这里给个简单的检查逻辑，用Python写的话大概这样：

# 数据完整性检查示例
import pandas as pd

df = pd.read_csv('wind_data.csv')
# 检查时间间隔是否均匀
time_diff = df['timestamp'].diff().value_counts()
print('时间间隔分布：', time_diff)

# 剔除异常值
df = df[(df['wind_speed'] >= 0) & (df['wind_speed'] <= 40)]
# 计算完整率
completeness = len(df) / expected_points * 100
print(f'数据完整率：{completeness:.1f}%')

4.2 平均风速与标准差计算

平均风速好理解，就是一段时间内风速的平均值。但标准差很多人容易忽略。标准差反映的是风速的波动程度——说白了，就是风稳不稳定。

我举个例子：两个场址，平均风速都是7m/s。但一个标准差是2，另一个是4。你猜哪个更适合风电？答案是标准差小的那个。因为风速波动小，风机出力更平稳，对电网更友好，机组疲劳载荷也更小。

计算方式很简单：

• 平均风速：所有风速数据求和除以数据个数
• 标准差：每个数据与平均值的差的平方和，除以数据个数，再开方

嗯，这里要注意：我们通常用10分钟平均风速来做统计。为什么是10分钟？因为这是国际标准，也是风机认证的标准时间尺度。我见过有人用1小时平均，结果把很多阵风信息给平滑掉了，算出来的发电量偏保守。

4.3 威布尔分布拟合

威布尔分布，说白了就是用一个数学曲线来描述风速的分布规律。为什么不用实际数据直接画图？因为实际数据只代表测风那几年的情况，而我们要评估的是未来20年的风资源。威布尔分布给了我们一个外推的工具。

威布尔分布有两个参数：

• 形状参数k：描述风速分布的集中程度。k越大，风速越集中；k越小，风速越分散。一般风电场的k值在1.5到3之间。
• 尺度参数A：与平均风速正相关。A越大，平均风速越高。

拟合方法我推荐用最大似然估计（MLE），比最小二乘法更稳定。我在项目中对比过，MLE对极端值的敏感度更低，拟合出来的曲线更符合实际。

# 威布尔分布拟合示例
from scipy.stats import weibull_min
import numpy as np

# 假设风速数据存储在 wind_speeds 数组中
params = weibull_min.fit(wind_speeds, floc=0)
k, loc, A = params  # loc通常为0
print(f'形状参数 k = {k:.2f}')
print(f'尺度参数 A = {A:.2f}')

# 验证：计算平均风速
mean_from_weibull = A * np.math.gamma(1 + 1/k)
actual_mean = np.mean(wind_speeds)
print(f'威布尔推算平均风速：{mean_from_weibull:.2f} m/s')
print(f'实际平均风速：{actual_mean:.2f} m/s')

你可能会问：拟合出来的平均风速和实际平均风速不一样怎么办？其实很正常，因为威布尔分布是对真实分布的近似。如果偏差超过5%，我建议你检查一下数据，或者试试双参数威布尔。

4.4 风功率密度计算

风功率密度，这才是真正衡量风资源潜力的指标。平均风速高不代表风功率密度大，因为风功率与风速的立方成正比。说白了，风速8m/s的风，能量是4m/s的8倍（2的立方）。

计算公式：

风功率密度 = 0.5 × 空气密度 × 风速³的平均值

注意，这里是风速立方的平均值，不是平均风速的立方。这两个差别很大。我算过一笔账：如果平均风速是6m/s，但风速分布比较分散，那么风速立方的平均值可能比平均风速的立方高出20%-30%。

空气密度也是个变量。海拔越高，空气越稀薄，风功率密度越低。我在云南一个2000米海拔的项目上，空气密度只有海平面的80%左右，同样的风速，发电量直接打八折。

实际计算时，我通常按季节分开算：

季节	平均风速(m/s)	风功率密度(W/m²)	占比
春季	7.2	385	28%
夏季	5.8	210	15%
秋季	6.5	290	22%
冬季	8.1	520	35%

你看，冬季风功率密度是夏季的两倍多。这就是为什么北方风电场的发电量季节性差异那么大。做项目时，一定要考虑季节性调峰的问题。

最后，我把这四步的逻辑串起来，画了张图，方便你理解整个流程：

这四步走完，你对这个场址的风资源就有了一个比较全面的认识。记住，数据是死的，但分析方法是活的。每个项目都有它的特殊性，别生搬硬套。