2、风资源评估基础：风功率密度、风切变指数、湍流强度、代表年与长期订正

风资源评估，说白了就是给风电场算“口粮”。

你想想看，一个风电项目投下去几个亿，到底能发多少电？靠什么判断？

靠的就是这几个核心参数：风功率密度、风切变指数、湍流强度，还有代表年和长期订正。

我做了十几年风电项目评估，见过太多因为风资源算不准导致收益翻车的案例。今天咱们就把这几个硬骨头啃下来。

2.1 风功率密度：风的“含金量”

风功率密度，是衡量一个地方风能资源丰瘠程度的直接指标。

它不看你风速多高，而是看单位面积上风能有多少。公式很简单：

风功率密度 = 0.5 × 空气密度 × 风速³

注意，风速是三次方关系。风速差一点，功率密度差一大截。

举个例子：

风速 (m/s)	风功率密度 (W/m²)
5	约 76
6	约 132
7	约 210
8	约 314

风速从6m/s涨到7m/s，功率密度涨了将近60%。

所以，我评估项目时，第一件事就是看风功率密度分布图。低于150W/m²的区域，基本可以放弃了。

2.2 风切变指数：风速随高度变化的“脾气”

风切变指数，描述的是风速随高度变化的规律。

公式是：

V2 = V1 × (H2 / H1)^α

其中α就是风切变指数。

α越大，说明风速随高度增加得越快。α越小，说明风速随高度变化平缓。

我在项目中遇到过一件事：有个项目，测风塔在50米高度测的风速是6.5m/s，但轮毂高度是100米。当时α取0.14，算出来100米风速是7.2m/s。结果实际运行下来，只有6.8m/s。

为什么？因为那个地方地表粗糙度大，α实际是0.20。

α的典型取值范围：

地表类型	α范围
开阔水面、沙漠	0.10 - 0.13
农田、草地	0.14 - 0.20
森林、城市	0.25 - 0.40

2.3 湍流强度：风的“暴躁程度”

湍流强度，反映的是风速在短时间内的波动程度。

公式：

TI = σ / V

σ是风速标准差，V是平均风速。

TI越高，说明风越“暴躁”。

湍流强度高，对风机有什么影响？

• 叶片疲劳载荷增加
• 发电机输出功率波动大
• 变桨系统频繁动作
• 严重时可能引发共振

我建议，TI超过0.20的区域，选风机时要特别小心。最好选IEC S类或A类风机。

2.4 代表年：选对“典型年份”

测风数据通常只有1-2年。但风电场要运行20年。

怎么用短期数据推算长期发电量？

这就需要选一个“代表年”。

代表年，就是找一个与长期平均风速最接近的年份。

我一般这样操作：

1. 收集附近气象站30年以上的风速数据
2. 计算30年的年平均风速
3. 找出与30年平均风速最接近的年份
4. 用这个年份的数据作为代表年

举个例子：

年份	年平均风速 (m/s)
1990	6.2
1991	6.5
1992	6.3
...	...
30年平均	6.4

如果1991年的6.5m/s最接近6.4m/s，那就选1991年作为代表年。

2.5 长期订正：把短期数据“校准”到长期水平

长期订正，就是把测风塔1-2年的数据，修正到代表年的水平。

方法有很多，我常用的是：

• 比值法：测风数据 × (代表年平均风速 / 测风期平均风速)
• 回归法：建立测风数据与气象站数据的线性回归方程
• MCP法：测风-相关-预测，更精确但需要更多数据

我个人习惯用MCP法。虽然计算复杂一点，但精度高。

# 简单的MCP代码示例（Python）
import numpy as np

# 测风塔数据
v_tower = np.array([6.5, 6.8, 7.0, 6.3])
# 气象站同期数据
v_met = np.array([5.2, 5.5, 5.8, 5.0])
# 气象站长期平均
v_met_long = 5.6

# 线性回归
slope, intercept = np.polyfit(v_met, v_tower, 1)
# 订正后的测风数据
v_tower_corrected = slope * v_met_long + intercept

print(f"订正后风速: {v_tower_corrected:.2f} m/s")

2.6 知识体系总览

下面这张图，帮你理清本章的核心逻辑：

这张图展示了风资源评估的完整链条：四个核心参数 → 长期订正 → 发电量预测。

每一步都影响最终的经济性结论。