3、风电出力特性与发电量测算
做风储项目投资，最核心的问题是什么？
说白了就一个——这台风电机组，一年到底能发多少度电？
我见过太多项目，前期测算时拍脑袋给个等效小时数，结果运营期一算，差了20%以上。嗯，今天我们就来把这个账算清楚。
3.1 风速概率分布：威布尔分布
风是随机的，但随机中也有规律。我个人习惯用威布尔分布来描述风速的概率特征。为什么是它？因为两个参数就能把大多数风场的风速特性描述清楚。
威布尔分布的概率密度函数长这样：
f(v) = (k/c) * (v/c)^(k-1) * exp[-(v/c)^k]其中：
- v —— 风速（m/s）
- k —— 形状参数，一般在1.5~3之间
- c —— 尺度参数，与平均风速有关
我在内蒙古一个项目上遇到过，当地测风塔数据只有半年，k值怎么取都拿不准。后来我建议用相邻气象站10年数据做参考，才把k值定在2.1。你想想看，如果k值差0.3，年发电量能差出8%~10%。
关键经验：k值越大，风速越集中；k值越小，风速越分散。中国北方平原风场k值通常在2.0~2.5，南方山地风场可能低至1.6~1.8。
3.2 风机功率曲线
有了风速分布，下一步就是看风机怎么把风变成电。每台风机都有厂家提供的功率曲线，它告诉你：给定风速下，风机能输出多少功率。
典型的功率曲线有三个关键点：
- 切入风速（通常3~4 m/s）—— 风机开始发电
- 额定风速（通常10~12 m/s）—— 达到额定功率
- 切出风速（通常25 m/s）—— 为了保护风机，停机
举个例子，一台4MW风机的功率曲线简化数据：
| 风速 (m/s) | 功率 (kW) |
|---|---|
| 3 | 80 |
| 4 | 250 |
| 6 | 900 |
| 8 | 1800 |
| 10 | 3000 |
| 12 | 4000 |
| 14 | 4000 |
| 25 | 0 |
避坑指南：我曾经见过一个项目，直接用厂家给的理想功率曲线做测算，结果实际发电量低了15%。为什么？因为忽略了空气密度修正。高原地区空气稀薄，同样风速下功率会下降。记得乘上密度修正系数。
3.3 年等效满负荷小时数计算
好了，前面两个东西准备好了，现在算年等效满负荷小时数。公式其实很简单：
年发电量 = Σ [ f(v_i) * P(v_i) * 8760 ]其中：
- f(v_i) —— 风速v_i出现的概率（威布尔分布）
- P(v_i) —— 风速v_i对应的功率（功率曲线）
- 8760 —— 一年的小时数
然后：
等效满负荷小时数 = 年发电量 / 额定功率我一般用Python写个脚本，把风速从0到25 m/s按0.5 m/s步长离散化，然后累加。代码大概长这样：
import numpy as np
# 威布尔参数
k = 2.1
c = 7.5
# 功率曲线数据（简化）
wind_speeds = np.array([3,4,6,8,10,12,14,25])
powers = np.array([80,250,900,1800,3000,4000,4000,0])
# 插值到0.5m/s步长
v = np.arange(0, 25.5, 0.5)
p = np.interp(v, wind_speeds, powers)
# 威布尔概率密度
f = (k/c) * (v/c)**(k-1) * np.exp(-(v/c)**k)
# 年发电量 (kWh)
annual_energy = np.sum(f * p * 8760)
# 等效满负荷小时数
equiv_hours = annual_energy / 4000
print(f"年发电量: {annual_energy:.0f} kWh")
print(f"等效满负荷小时数: {equiv_hours:.0f} h")
注意：这个计算假设风机可用率100%。实际项目中，还要考虑检修、电网限电、湍流强度等因素。我一般会在理论值基础上打9折，作为保守估算。
3.4 知识体系总览
下面这张图，把整个逻辑串起来了：
你看，整个流程其实就三步：风速分布 → 功率曲线 → 积分求和。但每一步都有坑，每一步都需要结合项目实际情况做调整。
我个人习惯，在拿到一个新项目时，先花一周时间把测风数据吃透，把威布尔参数定准。这一步做扎实了，后面的测算才有意义。否则，再漂亮的财务模型也是空中楼阁。