2021年10月17日-20日，2021北京國際風能大會暨展覽會（CWP 2021）在北京新國展隆重召開。作為全球風電行業年度最大的盛會之一，這場由百余名演講嘉賓和數千名國內外參會代表共同參與的風能盛會，再次登陸北京。

　　

　　本屆大會以“碳中和——風電發展的新機遇”為主題，歷時四天，包括開幕式、主旨發言、高峰對話、創新劇場以及關于“國際成熟風電市場發展動態及投資機會”“國際新興風電市場發展動態及投資機會”“風電設備智能運維論壇”“碳達峰碳中和加速能源轉型”等不同主題的15個分論壇。能見App全程直播本次大會。

　　

　　在19日下午召開的風資源精細化評估論壇上，浙江運達風電股份有限公司創新研究院高級工程師陳廣宇發表了題為《測量相關預測方法的不確定度研究》的主題演講。

　　

　　陳廣宇：各位領導、各位同仁大家下午好，我是來自浙江運達風電創研院陳廣宇，我今天分享主題是“測量相關預測方法的不確定度研究”。

　　

　　首先，為什么要做測量相關預測方法的不確定度研究，主要因為開發或者風資源評估實踐中，發現有些規模小，周期短的項目，往往沒有完整的測控數據支持，給風資源評估帶來很大的難題?，F在業內解決方案主要是利用短期測風+長期數據插補的方法。測量相關預測方法是在空間相關性原理基礎上，利用目標站點短期測風數據以及長期參考數據建立模型。我們研究對象聚焦到6種常用的MCP方法，分別是LLS、VS、WBL、VR、BSR、SS。

　　

　　研究方法，分別截取了史冊完整年測風塔風速向前的1到11個數據，結合中尺度數據，利用MCP方法進行預測，將截取數據補全到12個月，再與史冊的完整一年數據進行對比，對于MCP方法一個影響，還套用WD147-2500機型功率曲線進行發電量對比。我們用了相對偏差的概念，就是下面這兩個公式。

　　

　　數據方面選取了河北、河南、山東、江蘇、安徽等分散式比較集中的省份，統計了全國485個測風塔數據樣本，這些樣本對應區域內中尺度在分析數據，測風塔數據選用是一年，準確率95%以上，中尺度數據選用Merra2的再分析資料。根據相關系數大小，將這些數據分為三檔，相關系數0到0.5不相關或者弱相關，0.5到0.7弱相關，0.7到1為強相關，低于0.5的是異常的，分析的時候我們會把異常數據剔掉。

　　

　　看一下研究結果，這是誤差的散點，橫坐標是同步時長，1到11個月，縱坐標是誤差，我們用百分比的誤差。黑色點是485個數據的一個誤差散點，紅色線是這些散點誤差一個平均值誤差，藍點是平均誤差，一個帶符號，一個不帶符號。

　　

　　從這個圖看出來他們基本呈零度上下對稱的，可以更具體去把這些數據提取出來，我們看一下這個圖，這是表格，是我們計算了4個參數，第一個是它的平均值誤差，第二是它的平均誤差一個誤差標準差。第三是平均值誤差一介差分，第四是二介差分。

　　

　　可以得到四條結論，各方法的平均值誤差小于5.8%的，當同步時長大于等于7個月時間，各個方面誤差趨于一致，小于1.6%，如果測風數據大于7個月，用什么方法去插補意義差不多，沒有必要挑了。VS和LLS和BSR方法在平均風速還原上差不多的，三者差異不是很大。他們隨著同步時長增加而減少的，增加時長可以明顯減少誤差的，第四通過分析平均值誤差的二介差分得到的，當同步時長在三個月時間，它誤差減少的速度開始變慢了，帶來收益開始減少，這就是給我們客戶推薦一些組合測風的時候，我們建議他測三個月，這是它的一個根據，為什么測三個月是比較好的。

　　

　　把三個月數據提取出來做了一個誤差的平均風速圖，對它進行擬合，可以看到這些數據它基本上服從平均值是0的正態分布，擬合數據之間相關系數大于0.95的，我們可以利用這6種MCP方法不確定度用標準差來進行表征，平均差是0的，當平均時長為3個月，偏差最小的VS方法不確定度是3.68%，偏差最大的不確定度為4.51%。這是一個關于相關系數一個分析，在我們做一些業務的時候，工程師苦惱對于不同地形，不同相關系數條件下，用哪個方法最好，我們進行了6種方法在不同相關系數條件下誤差的對比。

　　

　　淺色圖是相差系數在0.5到0.7，黑色圖是強相關，0.7到0.1之間，我們同樣可以得到三個結論，首先測風數據和相關系數越好，平均值誤差越小的，這是顯而易見的，其中VS方法在相關系數較差時誤差最小，而且它在不同相關系數之間，它的偏差是比較小的，它對相關性不是很敏感的，更適用于相關條件下的插補，當相關系數大的時候，各個算法之間差異是比較小的它性能是差不多的，其中VS和BS2方法，平均值誤差是最小的，在相關性較好情況下，這兩種方法它可以帶來我們更好的結果。

　　

　　同樣的分析方法分析了年發電量，這個圖跟剛才的圖差不多，仔細看會發現，VS和LLS在同步時長小于6個月是明顯小于6的，這樣的方法對發電量進行一個低估，同樣進行數據提取，我們分析4套結論，首先是WBL、VR、BSR、SS方法在同步時長年發電量表現要明顯好于VS和LLS方法，BSR方法它誤差在年發電量方面同樣很小的，它對于平均風速也是很好的，它可以兼顧平均風速和年發電量。剩下兩條結論和剛才是一樣的。

　　

　　關于剛才研究的進行了一點思考，在一個風速分布大概是一個尺度參數A和形狀參數K決定的，剛才我們提到對于風速預測更好的方法，它其實表征是這個尺度參數A，對發電量預測更好的方法表征的是形狀參數K，所以發電量最終是由A、K決定的，我們使用要兼顧風速和發電量，簡單方法把我們風速預測更好的方法和發電量預測更好的方法進行一個結合。    

　　

　　我們還進行了一個驗證，左邊三個方法是對于平均風速預測更好的MCP方法，右邊三組對于發電量預測更好的MCP方法，我們有9種組合，預測了它的誤差和變化，它對發電量計算偏差較為一致，基本上看不出有很大差別，差別比較小的，但是它和對于發電量預測最好的WBL方法相比是較大提升的，雖然差別不大，可以挑出來最好的組合，VS+WBL方法組合，它的組合可以看到平均值誤差4.47，比任何他們兩個單獨的平均值誤差都要小很多的。

　　

　　這邊針對10個項目開展了一個實際的風資源評估，分別利用VS+WBL方法和SLL方法進行一個評估，最后根據評估結果中平均風速、和滿發數進行了一個對比，分別分別差異，這邊差異是比較明顯的，在平均風速上兩個性能差不多的，但是它在發電量上面非常明顯的，紅線是組合方法，黑線是單獨的，VS方法和WBL方法這個組合有很大改善的，平均偏差分別是6.01和3.52%，這個方法簡單減少50%的誤差。

　　

　　這個方法有點簡單，它的結果比較好的，缺點就是系數作用于整個時間序列，它在一定程度上改變實測數據，可能會引起一些不必要的事情，我們后續可能還會進行一些優化。我的報告到此為止，謝謝各位聆聽。

　　

　　（根據速記整理，未經本人審核）