3. 风资源评估：长期数据订正、风玫瑰图、威布尔分布、年平均风速计算
各位好，我是老张。干风电这行十几年了，今天咱们聊聊风资源评估里最核心的几个活儿。说白了，就是搞清楚这地方到底有没有风，风怎么吹，能发多少电。我见过太多项目，前期评估拍脑袋，后期运维拍大腿。所以，这块内容，咱们得掰开了揉碎了讲。
核心逻辑：风资源评估不是看一天两天的数据，而是要通过短期实测数据，推算出代表长期平均水平的参数。这中间，数据订正、风玫瑰图、威布尔分布、年平均风速，一个都不能少。
3.1 长期数据订正：别被短期数据骗了
你想想看，我们在现场测风，通常就测个一年半载。但这一年可能是大风年，也可能是小风年。直接用这一年的数据去算发电量，那风险太大了。我有个朋友，在南方某山地项目，测风那一年刚好是厄尔尼诺年，风速偏大，结果项目建成后，实际发电量比预期低了15%，那叫一个惨。
所以，我们需要做长期数据订正。说白了，就是找一个附近长期运行的参考气象站（至少20年以上数据），把短期测风数据和长期参考数据建立关系，然后用这个关系去修正我们的测风数据。
常用的订正方法有两种：
- 比值法：最简单粗暴。计算测风期间，测风塔与参考站的风速比值，然后用这个比值去修正参考站的长期平均风速。但这个方法有个前提：两地的风况相关性要好，且地形不能差太远。
- 线性回归法：更靠谱一些。把测风塔的月平均风速和参考站的月平均风速做线性回归，得到回归方程。然后用这个方程，把参考站的长期月平均风速代入，算出测风塔的长期月平均风速。
我的经验：我个人习惯用线性回归法，但要注意剔除异常月份。比如参考站有仪器故障，或者测风塔有结冰期，这些数据点得先清理掉。我曾经处理过一个项目，回归相关系数只有0.6，后来发现是参考站换过位置，数据序列不连续。嗯，这里要注意，数据质量检查永远是第一步。
下面是一个简单的线性回归代码示例，用Python写的，你们可以感受一下：
import numpy as np
from sklearn.linear_model import LinearRegression
# 测风塔月平均风速 (m/s)
tower_speed = np.array([6.5, 7.2, 5.8, 6.9, 7.5, 6.1]).reshape(-1, 1)
# 参考站同期月平均风速 (m/s)
ref_speed = np.array([5.1, 5.8, 4.5, 5.5, 6.0, 4.8]).reshape(-1, 1)
# 建立线性回归模型
model = LinearRegression()
model.fit(ref_speed, tower_speed)
# 参考站长期平均风速 (m/s)
ref_long_term = np.array([5.3, 5.6, 4.7, 5.2, 5.9, 4.9, 5.1, 5.4, 4.6, 5.0, 5.7, 4.8]).reshape(-1, 1)
# 预测测风塔长期月平均风速
tower_long_term = model.predict(ref_long_term)
print("订正后的测风塔长期月平均风速：", tower_long_term.flatten())
避坑指南：我曾经遇到过一个沿海项目，参考站距离测风塔只有15公里，但一个在海岸线，一个在内陆丘陵。结果比值法算出来的数据偏差很大。为什么？因为海陆风效应差异巨大。所以，订正前一定要做风况相似性分析，别盲目套公式。
3.2 风玫瑰图：风从哪里来？
风玫瑰图，说白了就是一张风向分布图。它告诉你，这个地方的风，主要从哪个方向吹过来。这对风机排布至关重要。你想想看，如果主风向是西南风，你却把风机排成一排挡在西南侧，那后面的风机就喝西北风了。
绘制风玫瑰图，需要统计每个风向扇区（通常16个方位）的风频。然后按比例画出花瓣形状。花瓣越长，代表这个方向的风越多。
下面我用SVG画一个简单的风玫瑰图，展示一下它的样子：
你看这个图，南向（S）和南南东（SSE）方向的花瓣最长，说明这个场址的主风向是偏南风。那我们在排布风机时，就要考虑这个主风向，尽量让风机之间错开，减少尾流影响。
我的习惯：拿到测风数据后，我第一件事就是画风玫瑰图。不光是看全年，还要看季节变化。有些地方，冬天刮北风，夏天刮南风，那风机排布就得综合考虑。我曾经在西北一个项目，全年主风向是西北风，但夏季有短暂的东南风，结果没考虑这个，导致夏季发电量偏低。
3.3 威布尔分布：风速的脾气
风速不是一成不变的，它有自己的统计规律。威布尔分布就是用来描述这种规律的。它有两个关键参数：形状参数k和尺度参数A。
- 形状参数k：决定了风速分布的形态。k值越大，风速越集中，风况越稳定。一般风电场k值在1.5到3之间。
- 尺度参数A：与平均风速正相关。A值越大，平均风速越高。
威布尔分布的概率密度函数长这样：
f(v) = (k/A) * (v/A)^(k-1) * exp(-(v/A)^k)
其中：
v 是风速 (m/s)
k 是形状参数 (无量纲)
A 是尺度参数 (m/s)
为什么要用威布尔分布？因为有了它，我们就可以算出任意风速区间出现的概率，进而估算发电量。比如，我们可以算出风速在3-25 m/s（风机工作风速范围）之间的总小时数。
下面是一个用Python拟合威布尔分布的例子：
import numpy as np
from scipy.stats import weibull_min
# 假设我们有一年的逐小时风速数据 (m/s)
# 这里用随机数据模拟
np.random.seed(42)
wind_speed = np.random.weibull(2, 8760) * 7 # 形状参数k=2, 尺度参数A≈7
# 拟合威布尔分布
params = weibull_min.fit(wind_speed, floc=0) # floc=0 固定位置参数为0
k_fitted = params[0] # 形状参数
A_fitted = params[2] # 尺度参数
print(f"拟合结果：形状参数 k = {k_fitted:.2f}, 尺度参数 A = {A_fitted:.2f}")
# 计算年平均风速
mean_speed = np.mean(wind_speed)
print(f"年平均风速：{mean_speed:.2f} m/s")
注意：威布尔分布拟合时，数据量要足够大，至少一年以上的逐小时数据。数据太少，拟合出来的参数不可靠。我见过有人用三个月数据去拟合，结果k值算出来3.5，明显偏大，导致发电量估算过于乐观。
3.4 年平均风速计算：最终答案
年平均风速，是所有风资源评估的落脚点。它直接决定了发电量的上限。计算方法很简单：把一年内所有风速数据加起来，除以总小时数（8760小时）。
但要注意，年平均风速有两种：
- 算术平均风速：直接对所有风速数据求平均。这是最常用的。
- 风能平均风速：按风能密度加权平均。因为风能与风速的立方成正比，所以风能平均风速通常比算术平均风速高10%-20%。
在发电量计算中，我们通常用算术平均风速，但如果你要做更精细的评估，风能平均风速更有参考价值。
| 风速区间 (m/s) | 小时数 (h) | 算术平均风速 (m/s) | 风能平均风速 (m/s) |
|---|---|---|---|
| 0-3 | 1500 | 1.5 | 2.0 |
| 3-6 | 2500 | 4.5 | 5.2 |
| 6-9 | 3000 | 7.5 | 8.1 |
| 9-12 | 1200 | 10.5 | 11.0 |
| 12-25 | 560 | 15.0 | 16.5 |
| 合计 | 8760 | 6.8 | 7.6 |
你看这个表，算术平均风速是6.8 m/s，但风能平均风速是7.6 m/s，高了近12%。这意味着，虽然低风速时间多，但高风速时段贡献了更多的风能。
避坑指南：我曾经在计算年平均风速时，直接用测风塔的原始数据，没做高度修正。结果算出来的风速比实际轮毂高度风速低了0.5 m/s。为什么？因为测风塔通常10米高，而风机轮毂高度是80米甚至更高。风速随高度变化，必须用风切变指数进行修正。这个细节，很多人会忽略。
好了，这一章的内容就到这里。风资源评估是个细致活，每一步都马虎不得。数据订正、风玫瑰图、威布尔分布、年平均风速，这四个环节环环相扣，缺一不可。希望你们在实际项目中，能把这些方法用起来，少走弯路。