3. 测风方案设计与实施：测风塔选址原则、测风设备选型、数据采集与质量控制

测风，说白了就是给风场做“体检”。

数据不准，后面所有的工作都是白搭。我见过太多项目，因为前期测风数据有硬伤，导致可研报告被专家怼得下不来台。所以这一章，咱们把测风方案掰开揉碎了讲清楚。

3.1 测风塔选址原则：不是随便找个地方就插

测风塔的位置，决定了你收集到的数据有没有代表性。我个人习惯，选址前先看地形图，再看卫星图，最后必须去现场踏勘。

核心原则就三条：

• 代表性：塔的位置要能代表整个风场区域的风况。别把塔立在风口上，也别藏在山坳里。
• 稳定性：避开陡坡、悬崖、大型水体边缘。这些地方气流紊乱，测出来的数据没法用。
• 安全性：远离高压线、通讯塔、村庄。我曾经有个项目，塔刚立起来就被村民投诉了，说影响风水……

具体避坑指南：

• 对于复杂山地，建议在主导风向上游和下游各立一座塔。
• 塔与障碍物的距离，至少是障碍物高度的10倍以上。
• 如果风场面积超过50平方公里，至少需要2座测风塔。

3.2 测风设备选型：风速计、风向标、气压计

设备选型这件事，我踩过坑。有一回贪便宜买了某品牌的超声波风速计，结果冬天结冰直接罢工，数据断了一个月。从那以后，我再也不敢在设备上省钱。

3.2.1 风速计

目前主流的是机械式风速计和超声波风速计两种。

类型	优点	缺点	适用场景
机械式（风杯）	成本低、技术成熟、数据稳定	有机械磨损、结冰影响大	常规陆上风场
超声波	无移动部件、抗结冰、精度高	价格贵、功耗高	高寒、高湿、海上风场

我个人建议：陆上项目用机械式就够了，但一定要选带加热功能的。海上项目？直接上超声波，别犹豫。

3.2.2 风向标

风向标这东西，看着简单，但安装角度差一度，数据就差一度。我习惯在安装后用GPS校准一次，确保指向正北。

另外，风向标和风速计要安装在同一个横臂上，距离保持在1.5米左右。太近会互相干扰，太远又测不到同一股风。

3.2.3 气压计与温湿度计

气压计用来计算空气密度，直接影响发电量估算。温湿度计则是辅助判断结冰风险的。

嗯，这里要注意：气压计要装在塔底的百叶箱里，别直接暴晒。我见过有人把气压计挂在塔身上，中午太阳一晒，数据直接飘了。

3.3 测风数据采集与质量控制

数据采集，说白了就是“收数”。但收上来的数，你敢直接用吗？

我接手过一个项目，现场测风数据看起来完美，年风速曲线漂亮得跟教科书一样。结果一查，是数据采集器坏了，最后三个月的数据全是重复的。所以，质量控制必须做。

3.3.1 数据采集系统

目前主流的数据采集器有NRG和Campbell两个品牌。我个人更倾向Campbell，虽然贵一点，但稳定性好，故障率低。

采集频率一般设置为1Hz（每秒一次），然后每10分钟记录一次平均值、最大值、最小值、标准差。为什么是10分钟？因为这是行业标准，便于后续用Windographer等软件分析。

3.3.2 数据质量控制流程

数据收上来，别急着用。先过一遍QC流程。我总结了一个“三步法”：

1. 完整性检查：看看有没有数据缺失。连续缺失超过24小时，这段数据基本废了。
2. 合理性检查：风速有没有超过60m/s？风向是不是一直在0-360度范围内？气压有没有低于800hPa？超出范围的数据，直接标记为无效。
3. 一致性检查：对比相邻高度的风速数据。如果10m高度风速突然比50m还高，那肯定是传感器出问题了。

3.3.3 数据修复与插补

数据坏了怎么办？别慌，可以修复。

常用的方法是相关分析法：用相邻塔的数据，或者用同一塔上其他高度的数据，建立线性回归模型，把缺失的数据补回来。

但要注意：修复的数据不能超过总数据量的10%。超过这个比例，建议直接重测。

# 简单的线性插补示例（Python伪代码）
import numpy as np

# 假设50m高度数据缺失，用40m和60m数据插补
def linear_interp(data_40m, data_60m, missing_idx):
    # 建立回归模型
    slope, intercept = np.polyfit(data_40m, data_60m, 1)
    # 预测缺失值
    predicted = slope * data_40m[missing_idx] + intercept
    return predicted

3.4 知识体系总览

下面这张图，是我自己总结的测风方案核心逻辑。你把它存下来，做项目时对照着看，基本不会漏项。

好了，测风方案这块，核心内容就这些。记住一句话：测风数据是风电项目的“第一桶金”，数据质量决定了项目成败。别图省事，该花的钱要花，该跑的现场要跑。