第2章微观选址核心参数

微观选址核心参数：尾流模型、地形复杂度、粗糙度与障碍物

各位好，我是老张。干风资源评估这行十几年了，今天咱们聊聊微观选址里那几个绕不开的核心参数。说实话，很多新手一上来就盯着软件跑结果，却忽略了这些底层参数的意义——嗯，这往往是项目出问题的根源。

我个人习惯，拿到一个项目先不看报告，先看这四样东西：尾流模型选对了没？地形复杂度怎么定义的？粗糙度长度给的是不是合理？障碍物有没有被遗漏？这四点搞明白了，微观选址的骨架就立住了。

一、尾流模型：Jensen/Park 模型到底怎么用？

尾流模型，说白了就是算风机后面那团“减速气流”的影响范围。你想想看，前排风机把风能吸走了一部分，后排风机吃到的风自然就弱了。这个损失怎么量化？Jensen 模型给出了一个很经典的思路。

Jensen 模型的核心假设：尾流区呈线性扩展，像个圆锥体。风速亏损只与距离和推力系数有关，不考虑湍流混合的细节。公式长这样：

# 风速亏损率计算（Jensen 模型）
def wake_deficit_jensen(ct, x, d, alpha=0.075):
    """
    ct: 推力系数
    x: 下游距离 (m)
    d: 叶轮直径 (m)
    alpha: 尾流衰减系数（通常取 0.075）
    """
    r_wake = alpha * x + d / 2  # 尾流半径
    deficit = (1 - (1 - ct)**0.5) * (d / (d + 2 * alpha * x))**2
    return deficit

我在内蒙古一个项目里遇到过，用 Jensen 模型算出来的发电量比实际低了 3%。后来排查发现，当地大气稳定度偏高，尾流恢复得比模型预测快。所以你看，模型是工具，但别迷信它。

我的经验： Jensen 模型适合平坦地形、中性层结条件。如果项目在山地或者强湍流区域，建议用 Park 模型或者更复杂的 CFD 方法。Park 模型其实就是 Jensen 的改进版——它考虑了多台风机尾流的叠加效应。

Park 模型 的叠加逻辑是：每台风机产生的尾流独立计算，然后按能量守恒原则合并。说白了，就是先算单台尾流亏损，再平方和开方。代码实现也不复杂：

# Park 模型尾流叠加（多台风机）
def park_wake_superposition(wind_speed, deficits):
    """
    wind_speed: 来流风速 (m/s)
    deficits: 各上游风机造成的风速亏损率列表
    """
    total_deficit = (sum(d**2 for d in deficits))**0.5
    return wind_speed * (1 - total_deficit)

避坑指南： 我曾经在一个复杂山地项目里直接用 Jensen 模型，结果尾流区形状完全对不上实测数据。后来改用 Park 模型并调整了衰减系数，误差才降到可接受范围。记住：模型参数一定要根据现场数据校准！

二、地形复杂度因子：别让“平坦”骗了你

地形复杂度因子，听起来高大上，其实就是量化场地起伏程度的指标。常见的做法是用标准差或者坡度变化率来算。我个人习惯用 地形起伏度（Terrain Ruggedness Index, TRI），公式如下：

# 地形复杂度计算（基于 DEM 数据）
def terrain_complexity(dem_array, window_size=3):
    """
    dem_array: 数字高程模型 (numpy array)
    window_size: 分析窗口大小（奇数）
    """
    from scipy.ndimage import generic_filter
    def tri(window):
        center = window[len(window)//2]
        return np.sqrt(np.mean((window - center)**2))
    return generic_filter(dem_array, tri, size=window_size)

你想想看，如果地形起伏超过 5 度，风流的分离和加速效应就不能忽略了。这时候再用平坦地形的尾流模型，结果肯定不准。我记得在云南一个项目，地形复杂度因子高达 0.8（归一化值），最后不得不改用 CFD 模拟——因为线性模型已经失效了。

  关键点： 地形复杂度因子直接影响尾流模型的适用性。一般建议：TRI < 0.3 可用 Jensen/Park 模型；0.3~0.6 需谨慎，建议用 CFD 验证；> 0.6 直接上 CFD，别省那点计算资源。

三、粗糙度长度：地面“摩擦力”的量化

粗糙度长度（z₀）描述的是地面对风流的摩擦作用。数值越大，地面越粗糙，风速廓线越陡。常见的取值：

地表类型	粗糙度长度 z₀ (m)	典型场景
水面/冰面	0.0002 - 0.001	海上风电、湖泊
草地/农田	0.01 - 0.05	平原风电场
灌木/稀疏树林	0.1 - 0.3	丘陵地带
森林/城市	0.5 - 2.0	山地、复杂地形

这里有个坑：很多人直接查表取一个固定值，但实际项目中粗糙度是随季节变化的。比如农田，夏天庄稼长高了，z₀ 可能从 0.03 变成 0.1。我曾经在东北一个项目里，就因为没考虑季节性变化，导致年发电量估算偏差了 5%。

建议做法： 用卫星遥感数据（如 MODIS）获取逐月 NDVI，再反演粗糙度长度。虽然麻烦点，但精度提升明显。如果项目预算有限，至少分“生长季”和“非生长季”两套参数。

四、障碍物影响分析：别小看那棵树

障碍物对风的影响，说白了就是“挡风”和“造湍流”。一个常见的误区是：只考虑建筑物和山体，忽略了树木、电线杆、甚至大型广告牌。我见过一个项目，就因为没考虑场区边缘的一排防护林，导致那几台风机发电量比预期低了 8%。

障碍物影响的计算，通常用 障碍物衰减模型：

# 障碍物风速衰减计算
def obstacle_effect(wind_speed, height_obstacle, distance, height_turbine):
    """
    height_obstacle: 障碍物高度 (m)
    distance: 风机到障碍物的距离 (m)
    height_turbine: 轮毂高度 (m)
    """
    # 经验公式：障碍物后风速恢复
    if distance < 10 * height_obstacle:
        reduction = 0.3 * (1 - distance / (10 * height_obstacle))
    else:
        reduction = 0.0
    return wind_speed * (1 - reduction)

注意：这个公式只适用于障碍物高度小于轮毂高度的情况。如果障碍物比风机还高，那影响范围会大得多，建议用 CFD 或者风洞实验验证。

避坑指南： 我曾经在西北一个项目里，现场踏勘时发现场区边缘有个废弃的烟囱，高 45 米，离最近的风机只有 200 米。按经验公式算，影响不大。但实际运行数据表明，那台风机在烟囱下风向时发电量下降了 12%。后来分析发现，烟囱产生的湍流强度远超预期。所以，对于高大孤立障碍物，一定要做详细评估。

知识体系总览

下面这张图是我自己整理的，把四个核心参数的关系串起来了。你仔细看看，会发现它们不是孤立的——地形复杂度影响粗糙度分布，粗糙度又影响尾流恢复，障碍物则是在局部尺度上叠加扰动。

好了，这一章的内容就这些。四个参数看起来简单，但每个背后都有不少门道。下次做微观选址时，不妨多花点时间在这几个参数上——相信我，回报率很高。

📚 课程目录

微观选址核心参数：尾流模型、地形复杂度、粗糙度与障碍物

一、尾流模型：Jensen/Park 模型到底怎么用？

二、地形复杂度因子：别让“平坦”骗了你

三、粗糙度长度：地面“摩擦力”的量化

四、障碍物影响分析：别小看那棵树

知识体系总览