基于理论折减系数的测风塔代表性分析

王道欣，蔡创彬，张云超，逄增强

(华润电力技术研究院有限公司，广东 深圳 518000)

发电量是影响风电项目投资决策的最关键因素之一，测风塔代表性是准确计算风电场发电量的关键。通过文献[1-3]梳理发现，目前关于测风塔代表性的分析基本采用两种方法：一是测风塔互推，根据互推结果，判定测风塔代表性；二是使用不同数量的测风塔对同一项目进行风资源评估，根据发电量计算结果的对比分析，判定测风塔代表性[4]。

杜云等[5]在《测风塔在风电场风能资源评估中的重要性和代表性》中，使用实际算例，讨论了测风塔的代表性对风资源评估的影响和重要作用。杨富程等[6]在《测风塔代表性对复杂地形风电场风能资源评估的影响》中，以已经投运的山地风电场为例，分别计算不同测风数据输入条件下，风电场发电量计算结果，以此说明测风塔代表性对发电量计算的影响。Aurélien Chantelot和Raupach M R．等[7]分别使用单座测风塔模拟推算其他测风塔的风速结果，然后再将模拟结果和实际测风数据结果进行偏差分析，计算软件模拟误差，并以此指标说明测风塔代表性。曾杰等[8]在《基于测风塔相互验证降低风电场发电量评估偏差》中，采用测风塔相互验证加权平均误差数值模拟方法对软件计算误差进行分析。杨超等[9]在《基于SCADA数据的风电机组技术改造后评估方法研究》中，通过机组技术改造前后风机SCADA数据的变化，进行机组性能对比分析。潘沛等[10]在《上海某风力发电场发电能力后评价研究》中，以上海地区实际工程案例，对项目的实际上网电量和可研阶段计算的上网电量进行对比，据此讨论项目折减系数、功率曲线符合度等情况。雷杨娜等[11]在《测风塔选址对复杂地形风电场风资源评估的影响》中，使用WindSim软件模拟了某风电项目风能资源分布，结果表明在考虑地形因素的情况下，复杂地形风电场测风塔数量越多，估算发电量越准确。

通过文献梳理发现，针对这两种方法进行测风塔代表性的研究，存在一定的局限性。就测风塔互推方法而言，存在较大的偶然性，以几座测风塔点位互推结果好坏，说明测风塔对全场风机点位的代表性，存在只关注几个测风塔点位未关注整个风电场的问题。就不同数量测风塔评估结果比较的方法而言，通过全场风机点位的分析，可以得出增加测风塔可以改善代表性的结论，但现有研究只对整体评估结果进行分析，没有进一步分析测风塔点位对单台风机发电量计算结果的影响，存在只关注整个风电场未关注测风塔点位的问题，对测风塔选址工作指导性不强。

本文立足于实际投运风电场，定义了理论折减系数，引入统计分析常用的方差指标，将理论折减系数作为测风塔代表性的衡量标准，对发电量高估和低估的机位进行了地形归类分析，给出了测风塔设立位置建议；使用不同数量测风塔对同一风电项目进行风资源评估，通过理论折减系数的比较，找到测风塔代表性变化的区域分布，并进行量化，发现规律；将理论折减系数方差作为发电量评估不确定性的衡量标准，分析增加测风塔与降低风机发电量计算结果的不确定性之间的关系，为风机点位取舍提供了定量依据。

1 研究思路及方法

1.1 理论折减系数计算

SCADA(Supervisory Control And Data Acquisition)[12]，即数据采集与监视控制系统，在风电项目中，SCADA系统主要应用于风力发电机工作状态的数据采集与统计。

SCADA系统实际记录的风机发电量数据经过代表年订正后，可得到各台风机代表年发电量。

张双益等[13]在《利用MERRA数据对测风数据进行代表年订正的研究》中论证了MERRA数据可以满足参考气象数据的要求，在缺失气象站数据的情况下，可以采用 MERRA 数据对实际测风数据进行代表年订正[14]。本文使用MERRA数据进行代表年订正。

风机理论折减系数是指风机代表年发电量和软件模拟风机发电量之间的比值。

式中：L为风机理论折减系数；MCPT为风机代表年发电量；MCPB为软件模拟发电量。

1.2 理论折减系数的方差计算

在概率论和统计学中，方差是用来表示随机变量与其期望之间离散程度的一个量[15]。

数据方差的计算公式为

1.3 研究思路

首先，使用4座测风塔进行发电量计算，得到理论折减系数①；其次，使用8座测风塔进行发电量计算，得出理论折减系数②；对理论折减系数①和②进行分析比较。

分析分为两个方面，一方面分析了不同数量测风塔对整个风电场发电量计算结果的影响；另一方面分析了不同数量测风塔对单台风机发电量计算结果的影响，进一步分析了测风塔代表性、测风塔设立对减少低效机组的意义，并给出了测风塔点位设立建议等。

就分析指标上来说，对发电量计算结果的影响使用理论折减系数。对风机发电量计算结果的不确定性使用理论折减系数方差。

1.4 工程实例对方法的探讨

取得风电场SCADA系统记录的发电量数据，进行数据清洗及代表年订正后，获得代表年发电量。使用风资源评估商业软件进行风资源评估，计算得到软件模拟发电量，进而计算理论折减系数，探讨测风塔代表性。

2 基于某项目的发电量理论折减系数计算

2.1 工程资料搜集

本项目设计阶段安装4台编号分别为A0030号、A0041号、A0058号、A0083号测风塔，后期增加设立了4座测风塔，编号分别为B0075号、B0076号、B0077号、B0078号测风塔。

本项目装机容量120 MW，安装单机容量为1.5 MW风电机组80台，该项目2017年10月全部机组并网运行，此次搜集到2018年7月至2019年6月风电场SCADA系统记录发电量数据。该风电场风机布置位置示意图如图1。

图1 风电场风机位置示意图

2.2 资料分析

1)代表年发电量及软件模拟发电量计算。因5台风机型号不同，本次不纳入分析。对75台风机发电量数据进行代表年订正，获得风机代表年发电量。使用业内广泛使用的WT风资源模拟软件，输入4座测风塔数据和8座测风塔数据进行发电量计算，得到软件模拟发电量。

2)理论折减系数和方差计算。使用各风机点位代表年发电量及软件模拟发电量，求解理论折减系数及方差，计算结果如表1所示。各风机点位理论折减系数图见图2(4测风塔)和图3(8测风塔)。

根据表1及图2，使用4座测风塔评估，全场平均理论折减系数为0.7。风机点位理论折减系数有很大差别，最小值为0.53，最大值为1.01，全场平均折减系数方差为0.87%。

图2 各风机点位理论折减系数图(4座塔)

根据表1及图3，使用8座测风塔评估，全场平均理论折减系数为0.69。风机点位折减系数不同，最小值为0.52，最大值为0.85，全场平均折减系数方差为0.34%。

图3 各风机点位理论折减系数图(8座塔)

3 基于理论折减系数的测风塔代表性分析

3.1 机位理论折减系数与全场平均值偏离度分析

测风塔代表性可以用风机理论折减系数偏离全场平均值来衡量，代表性差的机位差值较大。

从各风机点位理论折减系数图4中可以看出，与平均值偏离较大的机位主要分布在图4虚线框线内。

图4 各风机点位理论折减系数图(8座塔)

对上述风机点位进行统计，结果如下：

折减值大于0.75的机位：F0001号、F0005号、F0038号、F0041号、F0043号、F0069号、F0071号、F0073号。

折减值小于0.65的机位：F0011号、F0032号、F0034号、F0048号、F0065号。

对折减值偏离均值较大的机位进行地形分析。

通过表2机位所处地形及主风向分析，可以发现：风机点位海拔相对不高，但是存在峡谷效应的风机位置存在发电量低估现象。

表1 理论折减系数及理论折减系数方差

表2 折减值大于0.75机位的地形特点

通过对表3机位所处地形及主风向分析，可以发现：迎风坡陡峭的山顶位置处机位，发电量可能会高估。

表3 折减值小于0.65机位的地形特点

发电量高估和低估的机位，需要增加测风塔设立，以减少项目风险。就本例而言，对于海拔位置不高但存在峡谷效应的区域以及迎风坡陡峭的山顶位置，需要增加测风塔的设立。对于投资商而言，在迎风坡陡峭的山顶位置需要优先设立测风塔，以免发电量高估。

3.2 理论折减系数比较

对4座测风塔与8座测风塔计算的各机位理论折减系数进行分析，得到的对比关系如图5。

从图5中可以发现，4座测风塔和8座测风塔计算的理论折减系数不同，说明不同数量测风塔对风机点位的代表性不同，因此使用不同数量的测风塔进行发电量计算，风机点位应取的折减系数不同。

图5 4座塔与8座塔计算的理论折减系数对比图

根据表1，使用4座测风塔计算，全场平均折减系数为0.7，使用8座测风塔计算，全场平均折减系数为0.69。通常认为，测风塔数量越多，测风塔代表性越好，全场平均折减系数应更大。本例提供一个反例，并非测风塔数量越多，理论折减系数越大。

折减系数发生较大变化的机位主要集中在4个区域，这些位置集中在新设立测风塔的位置附近，说明增加4座测风塔对周边机位的发电量评估结果产生了很大的影响。

如图5中虚线框所示，这些机位主要分布在区域1：F001-F009、区域2、区域3：F028-F043、区域4：F067-F073。为了评估4座测风塔和8座测风塔对发电量计算影响大小，对于上述机位，理论折减系数取0.7情况下，满发小时数差异情况如表4。

表4 满发小时数计算差值(8座塔-4座塔) h

测风塔代表性不足会导致发电量测算结果有较大的差异，从而带来巨大投资风险。从表4计算结果可以看出，使用4座测风塔较使用8座测风塔，区域1满发小时数高估457 h，区域2、3和区域4分别低估358 h和248 h。

3.3 各台机位理论折减系数的方差比较

在投资阶段，往往面临风机点位的取舍问题，在发电小时数相差不大的情况下，决策者优先选择发电量不确定性小的机位。业内对风机发电量计算结果的不确定性，并无定量标准，本文将理论折减系数方差作为风机点位发电量不确定性的定量判断标准。

对4座测风塔和8座测风塔测算的各台机位理论折减系数方差进行分析(如图6)。

图6 各风机点位折减系数方差比较

从图6中可以看出，4座测风塔计算的各台机位理论折减系数方差大于8座测风塔计算结果。

增加4座测风塔后，理论折减系数方差平均值由0.87%下降到0.34%，大大降低了各台机位发电量测算的不确定性，减小了低效机组出现的可能性。

原有4座测风塔周边风机点位的折减系数方差几乎未发生变化，这说明新设立的4座塔不会对原有测风塔周边机位评估结果产生影响。将图6与图4、图5进行对比，发现折减系数方差减小的机位与新设立测风塔控制范围几乎相同，因此新设立测风塔主要降低了周边机位发电量评估的不确定性。

4 结 语

本文通过分析120 MW风电项目2018年7月至2019年6月SCADA系统记录发电量，结合4座测风塔和8座测风塔软件模拟发电量，通过定量分析，得出如下结论：

1)不同数量的测风塔对风电场代表性不同，应取的折减系数不同。就本项目而言，使用4座测风塔计算应取理论折减系数为0.7，使用8座测风塔计算应取0.69。

2)采用相同折减系数，不同数量的测风塔计算得到的风电场满发小时数不相同，就本项目3个区域而言，满发小时数高估达到457 h(高估17%)，低估达到358 h(低估16%)。

3)对于海拔位置不高但存在峡谷效应的区域，存在发电量低估，需要增加测风塔。在迎风坡陡峭的山顶位置，存在发电量高估风险，需要优先设立测风塔，以进行风险控制。

4)增加测风塔后，折减系数方差会大幅降低，减小了不确定性。本算例增加4座测风塔后，折减系数方差平均值由0.87%降低到0.34%，对开发商作为机位取舍决策提供了直接依据。

5)新设立测风塔主要降低了周边机位发电量评估的不确定性，对原有测风塔周边机位代表性几乎无变化，因此测风塔设立应尽可能拉开距离。

6)局限性。本项目测风塔数量、地形情况、机组类型等都具备特殊性，相关结论仅供其他项目参考。