4. 风资源数据分析：平均风速与风向玫瑰图、威布尔分布、年发电量估算

风资源分析，说白了就是给风场做「体检」。数据拿到手，不能直接扔进模型里算发电量。你得先摸清风的脾气——它爱往哪个方向吹？风速变化有没有规律？一年到底能发多少电？

我这些年经手的项目，但凡前期风资源分析做得糙的，后期运营基本都踩坑。今天咱们就把这几个核心环节掰开揉碎讲清楚。

4.1 平均风速：别被「平均值」骗了

很多人一上来就算平均风速。嗯，这没错，但光看平均值远远不够。

举个例子：两个风场，平均风速都是7m/s。一个常年稳定在6-8m/s，另一个一半时间刮3m/s，一半时间刮11m/s。你说哪个发电量高？

答案是后者。因为风机的功率和风速是三次方关系。风速翻倍，功率变八倍。平均风速一样，但风速波动大的场址，发电量可能高出30%以上。

我个人习惯，拿到数据后先做三件事：

• 看时序曲线——有没有明显的季节性、日变化规律
• 算标准差——波动越大，说明风况越「有劲」
• 筛异常值——传感器故障、结冰、停机维护期间的数据，必须剔除

4.2 风向玫瑰图：风往哪儿吹，风机就往哪儿站

风向玫瑰图，说白了就是风的「方向频率分布图」。它告诉你：一年里，风从哪个方向来的次数最多。

这玩意儿对风机排布至关重要。你想想看，如果主风向是西南风，你却把风机排成东西向的一排，那后排的风机全吃前排的尾流，发电量直接打七折。

绘制风向玫瑰图，我一般用16个方位（N、NNE、NE...）。每个扇区统计风向频率，再叠加风速信息——比如用颜色表示该方向上的平均风速大小。

这里有个小技巧：风向玫瑰图要和地形图叠加看。主风向如果正好对着山谷或垭口，风速会被压缩加速，这就是所谓的「狭管效应」。我在内蒙古一个项目就遇到过，主风向沿着山谷走，风速比周边高了1.5m/s，最后那个区域的机位单机发电量比设计值高出12%。

4.3 威布尔分布：风速的「概率密码」

风速不是均匀分布的。它有个规律——威布尔分布。这玩意儿是风资源评估的核心工具。

威布尔分布有两个参数：形状参数k和尺度参数c。k值决定了风速分布的「形状」——k越小，风速越分散；k越大，风速越集中。c值大致相当于平均风速的1.12倍。

我一般用最大似然法来拟合威布尔参数。代码很简单，但要注意数据量要足够——至少要有连续一年的逐小时数据。

import numpy as np
from scipy.stats import weibull_min

# 假设 wind_speed 是你的风速数据（单位：m/s）
wind_speed = np.array([...])  # 你的数据

# 拟合威布尔分布
params = weibull_min.fit(wind_speed, floc=0)
k, loc, c = params  # k是形状参数，c是尺度参数

print(f"形状参数 k = {k:.2f}")
print(f"尺度参数 c = {c:.2f}")

拟合出k和c之后，你就可以算出任意风速区间出现的概率。比如：

• 风速在切入风速（3m/s）到额定风速（12m/s）之间的概率
• 风速超过切出风速（25m/s）的概率——这关系到风机安全性
• 年平均发电量的理论值

4.4 年发电量估算：从风速到电能的「最后一公里」

年发电量估算，说白了就是三步走：

1. 把风速分布转换成功率分布——用风机功率曲线
2. 考虑各种损失——尾流、湍流、叶片污染、电网可用率、停机维护
3. 乘以时间——8760小时，得到年发电量

公式很简单：

AEP = Σ [ f(v) × P(v) × 8760 × (1 - L) ]

其中：

• f(v) 是风速v出现的概率（来自威布尔分布）
• P(v) 是风机在风速v下的输出功率
• L 是综合损失系数（通常15%-25%）

这里我要特别强调一下损失系数。很多新手喜欢用「标准值」——比如尾流损失取10%，湍流损失取5%。但实际项目中，每个场址的损失都不一样。

我曾经在云南一个山地项目，地形复杂，尾流损失算出来只有6%，但湍流损失高达12%。因为山脊上的气流非常紊乱，风机频繁变桨，发电效率大打折扣。如果按「标准值」来算，年发电量至少高估8%。

4.5 知识体系总览

下面这张图，把风资源数据分析的核心逻辑串起来了。从原始数据到最终发电量，每一步都有对应的工具和方法。

你看，从原始数据到年发电量，中间每一步都有讲究。平均风速是基础，风向玫瑰图决定排布，威布尔分布描述规律，最后功率曲线和损失系数把风能变成电能。

我个人觉得，风资源分析最忌讳的就是「拿来主义」——拿到数据直接套公式。每个场址都有自己的脾气，你得花时间去理解它。数据清洗多花一天，后面发电量估算就能少踩一个坑。