风能资源评估系统搭建方法研究*

马文通，刘青海，李凯，王帅

（1. 国家气象中心，北京 100081；2. 上海电气风电设备有限公司，上海 200241）

风能资源评估系统搭建方法研究*

马文通1, 2，刘青海2，李凯2，王帅2

（1. 国家气象中心，北京 100081；2. 上海电气风电设备有限公司，上海 200241）

复杂地形和低风速风电场风能资源评估过程中，在缺少实测数据的情况下寻找风能资源丰富的开发区域，对提高风电场的盈利能力具有重要的现实意义。本文针对风电场开发前期有效数据匮乏的情况，在传统风能资源评估系统的基础上，引入大气模式进行大范围计算获得中尺度计算结果，同时引入陆地卫星遥感资料处理技术，获得大范围高精度的地表粗糙度信息，结合计算流体动力学技术对中尺度数据进行降尺度，建立大气模式和计算流体动力学技术双核心的风能资源评估系统。本文所建立的先进风能资源评估系统可以满足复杂地形和低风速风电场风能资源评估的工程需要，从而拓宽了风能资源评估的途径。

风能资源评估；卫星遥感；大气模式；计算流体动力学

0 引言

随着大规模集中开发风电场的进程，项目开发权的竞争日益激烈，而不断增加的限电、“弃风”，也使得这些地方风电场的效益大打折扣，内陆省份风电场的优势渐渐凸显[1]。风电场开发的热点逐渐由风电大基地转向山区或低风速风电场，运输道路改扩建导致山区风电场的初投资增加，低风速风电场的运营收益较低，造成山区和低风速风电场投资风险上升。1996年起，以放开同业拆借利率为起始点，我国开始利率市场化改革，2013年7月20日起全面放开金融机构贷款利率管制。随着利率市场化的进一步深入，我国风电场投资贷款利率有望与风电场投资的财务风险指标挂钩，风电场开发的形势对风能资源评估的精度提出了更高的要求。

风能资源评估的传统流程是首先依靠地面气象站多年观测或现场踏勘进行宏观选址，风场位置确定后树塔测风筛选具备开发价值的风电场；通过关联测风数据与气象站同期观测数据，对风电场进行微观选址，最终确定布机方案。传统风能资源评估流程在宏观选址和测风塔选址过程中存在主观性强，气象站与测风塔之间的相关性差，微观选址中的粗糙度设置粗犷，风能资源评估历时较长且投资较大的问题。

随着计算机技术的迅速发展，通过结合大气动力学理论和数值计算的发展成果，中尺度模式模拟系统在世界范围广为使用[2-15]，在一些发达国家已进入实时运行阶段[16-24]。通过在风能资源评估技术中引入大气模式和卫星遥感技术，建立起先进结构的风能资源评估系统，可以有效地解决传统风能资源评估过程中的主观性和高投入等问题。

1 风能资源评估业务简介

风能资源评估业务主要分为宏观选址、微观选址两大部分。宏观选址即风电场场址的选择，是在一个较大的地区内，通过对风能资源和其它建设条件的分析和比较，确定风电场的建设地点、开发价值、开发策略以及开发步骤的过程。宏观选址在项目经营战略层面决定了企业是否能够通过开发风电场盈利。微观选址即风电机组机型和安装位置的选择，是通过对若干布机方案的技术经济比选，在保证风电机组安全的前提下，在风电场的投资和运营成本与年发电量收益之间找到最优平衡点。在风能资源评估业务中，必须以测风、风能资源计算、机位优化布置和技术经济评价等基础工作为技术支撑。

在风电场开发前期的风能资源普查工作中，由于尚未树立测风塔，单纯依靠人工现场踏勘的原始方法来寻找适合开发的区域存在工作量大、耗时长、可靠性低的问题；而地面气象站通常只有10m高度的风速观测资料，对风电场开发前期的宏观选址缺乏代表性。基于大气模式及CFD降尺度技术的先进结构，风能资源评估系统可以在无地面风能资源观测数据的情况下，进行高精度大范围的风能资源评估，主要技术步骤如下：

（1）利用全球环流的再分析数据，采用中尺度大气模式，对所评估的区域进行中尺度计算，获得分辨率在1km—5km范围的中尺度计算结果。中尺度计算结果代表分辨率范围内的风能资源的平均水平，一方面可以满足在县或市一级范围内的风电场宏观选址评估需要，另一方面可以为后续的CFD降尺度计算提供数据支持；

（2）在中尺度风能资源计算风能资源图谱的基础上，确定适当的虚拟测风塔（中尺度计算结果点）作为控制点，采用CFD（Computational Fluid Dynamics）技术对宏观选址后拟定的开发区域进行降尺度计算，结合卫星遥感数据确定地表粗糙度，并根据地形崎岖度的不同获得分辨率在20m－100m范围的风能资源图谱。高分辨率的风能资源评估结果可以为后续确定风场具体范围、规划装机容量和选定测风塔位置提供数据支持；

（3）在CFD降尺度得到的高分辨率风图谱的基础上，初选合适的风电机组型号并在拟开发区域内进行模拟布机，以指定的年可利用小时数为目标，确定风场的具体范围、规划装机容量，并对初步估算的发电量进行不确定性评估。为开发商与政府签订开发协议提供开发容量和开发进度的技术依据，并为开发商的风电项目投资财务、风险分析提供发电量和发电量不确定性方面的数据支持；

（4）在完成宏观选址确定开发区域后，以CFD降尺度得到的高分辨风图谱为基础，优化测风塔位置，提高测风塔的代表范围；

（5）测风3－6个月后，通过关联大气模式的中尺度计算得到的风速时间序列和实测的风速时间序列，倒推出树立测风塔之前若干月或若干年前测风塔位置的风速、风向、气温、大气压等风能资源参数时间序列，为加快可研编制进度和项目执行决策速度提供数据支持；

（6）测风满一年后，通过关联中尺度数据与实测数据，得到具备多年代表性的风能资源数据，结合卫星遥感数据确定的地表粗糙度和大气模式导出的大气稳定度，利用CFD软件最终计算得到风电场的风图谱，并进行优化布机和产能测算，完成微观选址工作。

基于卫星遥感、中尺度大气模式和CFD技术的风能资源评估系统可以解决在风电场开发前期无地面观测数据情况下的风能资源评估任务，有利于提高开发商宏观选址的成功率。在具备短期的地面观测数据的情况下，可以通过关联推算历史风能资源时间序列，有效缩短风电场风能资源勘测的测风时间，加快风电场前期的工作进度。基于卫星遥感、中尺度大气模式和CFD技术的风能资源评估系统适用于需要快速并且大范围风电开发的前期技术支持工作。

2 风能资源评估系统的结构

2.1 传统风能资源评估流程

传统的风能资源评估流程如图 1所示，以测风塔测风数据为基础，将测风塔测风数据与气象站多年观测数据进行MCP（Measure Correlate Predict测量关联与预测）得到代表年风速和50年一遇最大风速，或者直接采用测风塔测风数据，输入到近地层风能资源评估软件中进行计算，得到微观风图谱，并进行优化布机后完成风电场容量和产能的测算。

商业化的近地层风能资源评估软件及代码主要包括WAsP、Ms－ Micro、Meteodyn WT、WindSim、Star CD和Phoenics，其中WAsP和Ms－Micro适用于简单地形[25]，CFD内核的WT、WindSim和Star CD等软件能够满足复杂地形的计算要求。随着我国山区风电场的开发，CFD内核的近地层风能资源评估软件逐渐成为主流。商业化的优化布机和产能测算软件主要包括WindFarmer、WindPRO和openWind。以CFD技术为核心的传统风能资源评估系统能够满足微观选址的基本业务需求，适用于具备测风塔实测数据的小面积风能资源评估工作。对于宏观选址或在缺少测风数据的情况下，需要引入以中尺度大气模式和CFD技术为双核心的先进结构风能资源评估系统。

2.2 先进风能资源评估流程

先进的风能资源评估流程如图2所示，主要包括全球大气环流再分析数据的获取、中尺度区域大气模式的计算和基于CFD技术的微观降尺度计算。将全球气象观测资料同化后，进行GCM（General Circulation Model全球环流模式）分析，得到几十或者几百公里分辨率的再分析数据。采用中尺度大气模式将再分析数据进行降尺度得到分辨率为公里级的中尺度数据，条件允许的情况下可利用测风塔实测数据对中尺度数据进行MOS（Model Output Statistics模型输出统计）。将中尺度数据、MOS后的中尺度数据或测风数据输入CFD软件中进行降尺度计算，得到百米以下分辨率的风能资源图谱，并进行优化布机，完成风电场容量和产能的测算。先进风能资源评估系统穿插利用CFD和大气模式两个技术核心，以模型输出指导测风塔和风电机组选址，同时以实测数据对模型进行校正。

大气环流一般是指具有世界规模的、大范围的大气运行现象，既包括平均状态，也包括瞬时现象，其水平尺度在数千公里以上，垂直尺度在10km以上，时间尺度在数天以上。大气模式能够由气象要素场的初始状态确定其未来的状态。GCM输入的气象观测数据可从WWW(World Weather Watch)获取。WWW是世界气象组织筹划和组建的全球性气象业务体系，WWW通过各成员的合作，全面组织、规划、协调有关全球气象站网布局、气象观测、气象通信、分析预报和气象资料处理等项业务工作，使世界气象组织所有成员都可获得在气象业务、服务和研究工作中所需要的气象情报。截至2013年8月，纳入WWW的有11000个地面站、1300个高空站、4000个定点海洋天气站、3颗极轨卫星、6颗静止气象卫星、一些研发卫星和一些提供航线气象观测报告的班机等。

资料同化的主要任务是将各种不同来源，不同误差信息，不同时空分辨率的观测资料融合进入数值动力模式，在物理方程的约束下组合成为统一的资料系统，在模式解与实际观测之间找到一个最优解，这个最优解可以继续为动力模式提供初始场，以此不断循环下去，使得模式的结果不断地向观测值靠拢。现代资料同化方法建立在控制理论或估计理论的基础上，最有代表性的是变分法和滤波法。变分法强调通过将模式和观测值之间的距离（目标泛函）最小化来使初始条件或模式参数最优化，滤波法通过获得一个（或一组）最大可能状态来实现最优化。受到目前计算机硬件资源以及一些技术难题的限制，在业务运行中采用较多的是四维变分资料同化（4D－Var）方法。对全球气象观测数据进行同化后，通过GCM来获得再分析数据。目前，ECMWF、NCEP/NCAR、NASA等机构可提供不同时空分辨率的再分析数据集。

图1 传统结构的风能资源评估系统

图2 先进结构的风能资源评估系统

将再分析数据输入中尺度大气模式，进行区域大气模式计算，得到中尺度数据。目前商业化提供的中尺度数据水平分辨率在15km左右，对省市范围尺度内的风电场宏观选址具有一定程度的指导意义；为了避免中尺度数据较粗分辨率带来的在小区域上趋势不明显或者不正确等问题，对县一级的复杂地形风电场宏观选址需要提高中尺度分辨率到3km甚至更高，以保证计算结果的代表性。采用大气模式进行风能资源评估，不需要树立测风塔测风，采用历年的气象数据可以考虑到过去几十年的气候变化，在计算分辨率足够高的情况下，中尺度大气模式可以考虑到复杂地形风电场局部小气候的差异。

基于雷诺相似理论，以给定的地形、地貌和大气稳定度的数据为基础，通过对拟开发区域进行微观尺度的CFD降尺度定向计算，获得不同方向来流情况下的风加速因素和风向水平偏差。结合中尺度数据对CFD定向计算结果进行综合分析，得到高分辨率的微观尺度风能资源分布情况。

CFD定向计算中采用的地形数据可以通过开放的SRTM或者ASTER数据库获取。USGS网站提供免费下载Landsat8陆地卫星观测数据，可以获得15m分辨率的全色波段和100m分辨率的热红外波段卫星遥感图像[26]。结合GIS技术，利用Landsat8遥感图像提取地表粗糙度数据，可以快速实现CFD前处理中大范围的粗糙度设定工作。

2.3 先进风能资源评估系统的业务结构

先进结构的风能资源评估系统软件流程结构如图3所示。大气模式计算部分工作采用大气模式平台（AMP）完成，AMP内置再分析数据，通过调用WRF大气模式计算风速风向、太阳辐射、降水等气象参数的时间序列，计算结果可导出kmz文件，便于在Google earth中可视化大区域的中尺度计算结果，目前已有公司或者机构提供此类基于AMP的商业化模拟计算平台，如果法国Meteodyn提供的Meso Scale Simulation System，欧洲气象组织提供的基于ECMWF的模拟系统等。在已有测风塔实测数据的情况下，在AMP中可利用测风数据对中尺度计算结果进行MOS，进一步提高中尺度数据的准确度；在测风塔实测数据缺失或不完整的情况下，利用中尺度数据对测风数据进行插补和延长，可在一定程度上提高测风塔的代表性。

气象站与测风塔之间的MCP工作和中尺度数据与测风塔实测数据之间的MPC工作由Windographer软件完成。通过关联风场临近气象站与测风塔的同期测风数据进行关联，分析未来50年一遇的最大风速。通过关联测风塔测风数据与AMP导出的中尺度同期数据，根据中尺度历史数据回归分析过去一整年或过去多年的测风塔位置风速时间序列，进而在测风不满一年的情况下提前获取一整年的测风塔位置风速时间序列，为进一步的技术经济分析提供风能资源依据；通过对过去多年的测风塔位置风速时间序列的进一步分析，得到测风塔位置的50年一遇最大风速，为风电机组选型提供依据。

微观尺度的CFD计算工作采用WT软件完成，利用WT的Atlas模块可以实现大范围的高分辨率图谱绘制工作，Atlas模块输入端与AMP导出的中尺度数据兼容，可以联合实现考虑到大气稳定度的大范围中尺度数据降尺度的计算工作。在CFD计算中需要的地形高层数字模型采用ASTER数据，水平分辨率为30m[27]；地表粗糙度数据采用WT内置的粗糙度数据集，或采用Landsat8卫星遥感数据转换粗糙度。

在确定的风场边界或机位布置限制区域后，将CFD计算结果输入到openWind中进行风电机组机位或测风塔点位的优化布置和产能测算。

3 计算实例

元江县位于中国云南省玉溪市南部，元江横穿过县境内，地理范围介于北纬 23° 18′40"—23° 54′24"，东经 101° 39′40"－ 102° 22′15"之间。元江县南北长近65km、东西宽约72km，县境内山区面积占97%，海拔介于290m－2560m之间，县内海拔落差2270m，属于典型的复杂地形。

采用AMP进行中尺度大气模式计算，水平分辨率3km，水平网格100＊50格点，垂直网格23层，获得2012/01/01—2012/12/31期间中尺度年平均风速图谱如图4所示。

采用WT进行降尺度计算，定向计算中采用的地形高程图和粗糙度如图5和图6所示。从AMP导出当地政府允许开发的4个乡镇对应的中尺度数据并输入到WT中，进行降尺度计算。应用WT的Atlas模块将整个计算区域划分为25块子区域，每块子区域约为19km×19km，得到元江县分辨率为50m的风能资源图谱。

图3 风能资源评估系统软件结构

图4 元江县中尺度风能资源分布

从当地的土地局和林业局获得当地的土地利用情况的形文件（.shp），图7为openWind软件中的机位优化布置图，其中蓝色方块为探矿权区域，红色方块为采矿权区域，黄色区域为保留耕地区域，绿色区域为自然保护区，背景云图为WT计算得到的年平均风速[28]。在保证最差机位年发电小时不低于2200小时的限制条件下，各风电机组机位对禁止开发区域进行避让，得到图7中红色点位表示的37万千瓦的装机点位。

中尺度计算和CFD降尺度计算硬件分别采用两台32线程128G内存的刀片式服务器，全部计算工作耗时3个工作日，在无测风塔实测数据的情况下，完成了元江县风能资源评估业务，并在50m分辨率的风能资源图谱的基础上完成测风塔选址工作。

图5 元江县地形高程图

图6 元江县地表粗糙度

图7 元江县限制开发区域分布与机位布置

4 结论

通过引入大气模式和卫星遥感技术，先进评估系统解决了以往测风塔选址和粗糙度设置的主观性问题，并且可以在测风前得到大范围高精度的风能资源图谱。尤其在低风速或山区风电场开发的前期工作中具有广阔的应用前景。

（1） 先进风能资源评估系统可以快速实现大范围高精度风能资源评估，有利于实现风电场的整体规划分步开发；

（2）先进结构的评估系统有助于测风塔选址，提高测风塔的代表性，降低前期测风的不确定性对风电项目整体评价的影响；

（3）在风能资源评估系统中引入大气模式有助于风电场前期开发的过程控制。在测风不满一年的情况下，通过对已有测风数据与中尺度数据的关联分析，判断风电场完整年的风速变化情况，及早判断风电场的开发价值并加密测风塔；

（4）结合卫星遥感数据，可以快速实现微尺度CFD计算中粗糙度的设置，使得粗糙度设置更客观准确。

[1] 李俊峰 . 2012 中国风电发展报告 [R]. 北京 : 中国华宁科学出版社, 2012.

[2] Grell G. A., Dudhia J., Stauffer D. R., Mesoscale N. C. f. A. R., Dicision M. M. A description of the fifthgeneration Penn State/NCAR mesoscale model (MM5)[J], 1994.

[3] Chen F., Dudhia J. Coupling an advanced land surfacehydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001 (4): 569-585.

[4] Dudhia J. A multi-layer soil temperature model for MM5[C], 1996: 22-24.

[5] Barker D., Huang W., Guo Y. R., Bourgeois A., Xiao Q. A three-dimensional variational data assimilation system for MM5: Implementation and initial results[J]. Monthly Weather Review, 2004 (4): 897-914.

[6] Bromwich D. H., Cassano J. J., Klein T., Heinemann G., Hines K. M., Steffen K., Box J. E. Mesoscale Modeling of Katabatic Winds over Greenland with the Polar MM5*[J]. Monthly Weather Review, 2001 (9): 2290-2309.

[7] Steffen K. Evaluation of Polar MM5 simulations of Greenland's atmospheric circulation[J]. Journal of geophysical research, 2001 (D24): 33,867-33,889.

[8] Chen F., Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part II: Preliminary model validation[J]. Monthly Weather Review, 2001 (4): 587-604.

[9] Skamarock W. C., Klemp J. B., Dudhia J., Gill D. O., Barker D. M., Wang W., Powers J. G. A description of the Advanced Research WRF Version 2[R]. DTIC Document, 2005.

[10] Dudhia J. A nonhydrostatic version of the Penn State-NCAR mesoscale model: Validation tests and simulation of an Atlantic cyclone and cold front[J]. Monthly Weather Review, 1993 (5): 1493-1513.

[11] Black T. L. The new NMC mesoscale Eta model: Description and forecast examples[J]. Weather and Forecasting, 1994 (2): 265-278.

[12] Stauffer D. R., Seaman N. L. Use of four-dimensional data assimilation in a limited-area mesoscale model. Part I: Experiments with synoptic-scale data[J]. Monthly Weather Review, 1990 (6): 1250-1277.

[13] Anthes R. A., Hsie E. Y., Kuo Y. H., Project N. C. f. A. R. A. D. M., Analysis A., Division P. Description of the Penn State/NCAR mesoscale model version 4 (MM4). NCAR, 1987.

[14] Tremback C. J. Numerical simulation of a mesoscale convective complex: Model development and numerical results[J], 1990.

[15] Seaman N. L., Stauffer D. R., Lario-Gibbs A. M. A multiscale fourdimensional data assimilation system applied in the San Joaquin Valley during SARMAP. I: Modeling design and basic performance characteristics[J]. Journal of Applied Meteorology, 1995 (8): 1739-1761.

[16] Powers J. G., Monaghan A. J., Cayette A. M., Bromwich D. H., Kuo Y. H., Manning K. W. Real-time mesoscale modeling over Antarctica[J]. Bull. Amer. Meteor. Soc, 2003: 1533-1545.

[17] Warner T. T., Seaman N. L. A Real-Time, Mesoscale Numerical Weather-Prediction System Used for Research, Teaching, and Public Service at The Pennsylvania State University[J]. Bulletin of the American Meteorological Society, 1990: 792-805.

[18] Manobianco J., Zack J. W., Taylor G. E. Workstation-based real-time mesoscale modeling designed for weather support to operations at the Kennedy Space Center and Cape Canaveral Air Station[J]. Bulletin of the American Meteorological Society, 1996 (4): 653-672.

[19] Radonjic Z., Chambers D., Telenta B., Janjic Z. Real Time Air Quality Forecasting System for a Large Industrial Facility[C], 2012: 12068.

[20] Freitas S., Longo K., Rodrigues L., Pirre M., Marecal V., Alonso M., Mello R., Stockler R. 5A. 2 REAL TIME FORECAST OF TROPOSPHERIC OZONE AND SMOKE AEROSOL PRODUCED FROM VEGETATION FIRES EMISSIONS OVER SOUTH AMERICA[J], 2009.

[21] BHOWMIK S., Kumar A., Das A. K. Real-time mesoscale modeling for short range prediction of weather over Maitri region in Antarctica[J], 2011.

[22] Wu D., Matsui T., Tao W., Peters-Lidard C., Rienecker M., Hou A. Evaluation of Wrf Real-Time Forecast during MC3E Period: Sensitivity of Model Configuration for Diurnal Precipitation Variation[C], 2011: 0129.

[23] Doyle J. D., Jiang Q., Chao Y., Farrara J. High-resolution real-time modeling of the marine atmospheric boundary layer in support of the AOSN-II field campaign[J]. Deep Sea Research Part II: Topical Studies in Oceanography, 2009 (3-5): 87-99.

[24] Hahmann A. N., Pena A. Validation of boundary-layer winds from WRF mesoscale forecasts over Denmark[C], 2010.

[25] Landberg L., Myllerup L., Rathmann O., Petersen E. L., Jørgensen B. H., Badger J., Mortensen N. G. Wind resource estimation—an overview[J]. Wind Energy, 2003 (3): 261-271.

[26] Irons J. R., Dwyer J. L., Barsi J. A. The next Landsat satellite: The Landsat Data Continuity Mission[J]. Remote Sensing of Environment, 2012: 11-21.

[27] Tachikawa T., Hato M., Kaku M., Iwasaki A. Characteristics of ASTER GDEM version 2[C]. Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International, 2011: 3657-3660.

[28 ] 许昌, 端木灵子, 岳少华. 城区分布式风力发电风能资源评估技术及方法探析[J].风能,2012(11):98-100.

Research on Method of Wind Resource Assessment System Structure

Ma Wentong1,2, Liu Qinghai2, Li Kai2, Wang Shuai2
(1. National Meteorological Center, Beijing 100081, China; 2. Shanghai Electric Wind-power Equipment Co., Ltd., Shanghai 200241, China)

In complex terrain, low wind speed region or the area lack of measured wind data, how to fi nd rich wind resource region is very important for increasing profit of wind farm. For the lack of valid wind data in the early development of wind farm, based on traditional wind resource assessment system, we introduce atmospheric model to do mesoscale simulation on large scale region,and then integrate with high resolution terrain and roughness data based on the processing technique of remote sensing to do CFD downscaling simulation, build the double-core system of wind resource assessment with atmospheric model and CFD. The advanced wind resource assessment system we built will satisfy the demands of wind power projects development in complex terrain and in low wind speed region; it also widen the method of wind resource assessment.

wind resource assessment; Remote Sensing (RS); atmospheric model; Computational Fluid Dynamics (CFD)

TM614

A

1674-9219(2013)11-0080-07

上海青年科技启明星资助项目(12QB1401500)。

2013-10-24。

马文通(1977- )，男，辽宁人，博士，九三学社社员，主要研究方向为近地层风场数值预报，主持“复杂地形微观选址与机型优化配置研究”、“风电场开发前期关键技术研究”和“风电场复杂地形下中尺度数值模式的高精度参数化研究”等科研项目。