一、风资源评估基础：四个核心参数的计算
各位同行，大家好。我是老张，在风资源评估这行摸爬滚打了十几年。今天咱们聊聊微观选址里最基础、也最要命的东西——四个核心参数的计算。
说实话，我见过太多项目，前期测风数据看着挺好，一建起来发电量对不上。为什么？说白了，就是基础参数没算明白。风功率密度、风切变、湍流强度、威布尔分布，这四个东西就像盖房子的地基，地基不稳，楼盖得再高也得塌。
核心观点：风资源评估不是简单的数据堆砌，而是对风特性的深度理解。四个参数相互关联，缺一不可。
1.1 风功率密度：衡量风能潜力的硬指标
风功率密度，英文叫Wind Power Density，简称WPD。它表示单位面积上风所具有的功率，单位是W/m²。这个参数比单纯的平均风速更能反映风能潜力。
计算公式很简单：
WPD = 0.5 × ρ × V³其中ρ是空气密度，V是风速。注意，风速是三次方关系。这意味着风速提高10%，风功率密度就提高33%。我在内蒙古一个项目上遇到过，测风塔80米和70米的风速只差0.3m/s，但算出来的WPD差了将近15%。
实际计算步骤：
- 获取测风塔各高度层的10分钟平均风速数据
- 计算空气密度（考虑温度和气压修正）
- 对每个数据点计算瞬时WPD
- 统计时段内的平均WPD
我的经验：计算WPD时，一定要用原始10分钟数据，别用日平均或月平均。风速的三次方关系会让平均值产生严重偏差。我曾经用月平均风速算WPD，结果比实际低了20%多，差点误导了机型选择。
1.2 风切变：风速随高度变化的规律
风切变描述的是风速随高度变化的特性。常用的有两种模型：指数律和对数律。
指数律公式：
V₂ = V₁ × (h₂/h₁)^αα就是风切变指数，一般在0.1到0.4之间。海面上α小，约0.1；复杂山地α大，可能到0.3甚至0.4。
对数律公式：
V₂ = V₁ × ln(h₂/z₀) / ln(h₁/z₀)z₀是地表粗糙度长度。
我个人习惯用指数律，因为参数少，工程上够用。但要注意，α不是固定值，它随季节、风向、大气稳定度变化。我在云南一个山地项目上，冬季α达到0.35，夏季只有0.18。如果全年用一个α值，轮毂高度风速推算会差很多。
避坑指南：我曾经在南方一个项目上，直接用测风塔80米和70米的数据算α，然后外推到100米。结果发现100米实际风速比推算值低了0.5m/s。后来一查，是因为那段时间大气层结不稳定，α值波动很大。建议至少用3个高度层的数据来拟合α，并且分季节、分风向统计。
1.3 湍流强度：影响机组疲劳载荷的关键
湍流强度TI，是风速脉动程度的度量。计算公式：
TI = σ / V_meanσ是风速标准差，V_mean是平均风速。TI值越小，风越平稳；越大，风越乱。
IEC标准把湍流强度分为三类：
| 湍流等级 | TI参考值（15m/s时） | 适用场景 |
|---|---|---|
| A级（高湍流） | 0.16 | 复杂地形、山地 |
| B级（中湍流） | 0.14 | 一般陆地 |
| C级（低湍流） | 0.12 | 平坦地形、海上 |
嗯，这里要注意：TI值不是越小越好。低湍流虽然对机组疲劳有利，但尾流恢复慢，后排机组发电量会受影响。我在西北一个平坦项目上，TI只有0.1左右，结果后排机组比前排少了8%的发电量，就是因为尾流扩散太慢。
关键点：湍流强度计算要剔除错误数据和停机时段。我一般用10分钟数据，先做质量控制，再计算TI。另外，TI与风速有关，通常低风速时TI高，高风速时TI低。所以要用代表风速段的TI值来评估。
1.4 威布尔分布参数：描述风速概率分布
威布尔分布是描述风速概率分布最常用的模型。它的概率密度函数：
f(V) = (k/A) × (V/A)^(k-1) × exp[-(V/A)^k]k是形状参数，A是尺度参数。k值一般在1.5到3.5之间，k越大，风速分布越集中；k越小，风速分布越分散。
参数估计方法：
- 极大似然法：精度高，但需要迭代计算
- 矩估计法：简单，但精度一般
- 最小二乘法：工程上常用，直观
我个人推荐用极大似然法。虽然计算麻烦点，但现在的软件工具都能搞定。我在做项目时，一般先用矩估计法算个初值，再用极大似然法迭代优化。
实战技巧：威布尔分布拟合时，要注意数据的时间代表性。至少需要一年的完整数据，才能反映年际变化。我见过有人用三个月数据拟合威布尔参数，结果算出来的年发电量偏差超过10%。另外，不同风向的威布尔参数差异很大，建议分扇区拟合。
知识体系框架
下面这张图是我自己总结的四个参数之间的关系，你琢磨琢磨：
代码示例：用Python计算四个参数
下面是我常用的计算脚本片段，你拿去就能用：
import numpy as np
import pandas as pd
from scipy.stats import weibull_min
# 读取10分钟测风数据
data = pd.read_csv('wind_data.csv')
V = data['ws_80m'].values # 80m高度风速
T = data['temp'].values # 温度(°C)
P = data['pres'].values # 气压(hPa)
# 1. 计算空气密度
R = 287.058 # 气体常数
rho = P * 100 / (R * (T + 273.15))
# 2. 计算风功率密度
WPD = 0.5 * rho * V**3
WPD_mean = np.mean(WPD)
print(f'平均风功率密度: {WPD_mean:.1f} W/m²')
# 3. 计算风切变指数（假设有70m和80m数据）
V70 = data['ws_70m'].values
V80 = data['ws_80m'].values
alpha = np.log(V80/V70) / np.log(80/70)
alpha_mean = np.mean(alpha)
print(f'平均风切变指数: {alpha_mean:.3f}')
# 4. 计算湍流强度
sigma = data['ws_80m_std'].values # 风速标准差
TI = sigma / V
TI_mean = np.mean(TI[V > 3]) # 只算风速大于3m/s的
print(f'平均湍流强度: {TI_mean:.3f}')
# 5. 威布尔参数拟合（极大似然法）
params = weibull_min.fit(V, floc=0)
k = params[0] # 形状参数
A = params[2] # 尺度参数
print(f'威布尔参数: k={k:.3f}, A={A:.1f} m/s')重要提醒：代码里的数据一定要先做质量控制。我一般会剔除：风速为负值、风速大于50m/s、标准差异常、数据缺失超过10%的时段。这些脏数据会严重污染计算结果。
好了，四个基础参数就讲到这里。这些是微观选址的根基，你花时间把它们搞透，后面的工作会顺畅很多。记住，数据质量决定评估精度，别在基础计算上偷懒。