基于发电量的测风塔代表性影响因素定量分析

王道欣，蔡创彬，王金鹤

（1.华润电力技术研究院有限公司，广东深圳518000；2.华润电力控股有限公司，广东深圳518000；3.华润电力控股有限公司东北大区，沈阳110043）

0 引言

测风塔的代表性是影响风电场风能资源评估准确性的关键因素之一，对风电项目投资决策有至关重要的影响。由于受到地势、地貌、下垫面以及障碍物等多种条件的影响，复杂地形风电场不同区域的风资源特征不尽相同［1-2］。如何布设测风塔，使其对风电场具备充分的代表性是个很关键的问题。

通过文献梳理发现，关于测风塔代表性的研究较少。张怀全［3］在《风资源与微观选址：理论基础与工程应用》中认为，测风塔实测数据必须能够代表风场区域的风气候，风气候代表性是测风塔选址的技术依据，也是风资源评估技术工作的前提。测风塔的代表性要遵循相似性准则，相似性准则可以分为3个主要方面：风气候相似、地形地貌相似和遮挡效应相似。杨富程等［4］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，以西南地区投运风电场的复杂地形为例，计算不同测风方案下风电场风能资源的分布和年利用小时数，确定测风塔布设应考虑地形、海拔、测风塔控制距离范围、主风向以及遮挡效应等因素。杜云等［5］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，通过工程实例分析，论证了测风塔的数量及代表性是影响复杂山区风电场风能资源评估准确性的重要因素。王蕊等［6］在《复杂地形风电场测风塔代表性判定方法研究》中对平坦地形和复杂地形进行了定义，对隆升地形和低凹地形进行了分类，并对各地形条件下测风塔选址及数量给出了建议。邹红等［7］在《基于风能资源的风电场后评估》中研究了选取测风塔、尾流模型及折减系数等因素对风电场发电量 评 估 准 确 性 的 影 响。 Aurélien Chantelot 和Raupach M R 等［8-9］采用测风塔互推的方法表征测风塔的代表性，使用风资源评估软件分别计算利用单一测风塔推算其他测风塔的模拟结果，然后使用实际测风数据结果和该模拟结果进行偏差分析，以此来计算软件模拟误差，表明测风塔代表性的好坏。曾杰等［10］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的模拟方法，验证测风塔代表性对风资源评估的影响。

从上述文献可以看出，关于测风塔代表性的研究基本上都是定性的，缺少定量的结果。基于此，本文引入理论折减系数这一概念，用其来表征测风塔对风机点位的代表性，并首次尝试对测风塔代表性进行定量分析，以更好地为测风塔选址和风资源评估提供指导。

1 研究思路及方法

1.1 理论折减系数计算

风机理论折减系数指各台风机实际发电量和风资源商业评估软件模拟各台风机尾流后的发电量之间的比值，

式中：L 为风力理论折减系数；WMCP，T为风电场代表年发电量；WMCP，B为商业软件模拟的年发电量。

1.2 根据特殊年发电量求解代表年发电量

张双益等［11］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 数据满足参考气象数据的各项要求，在没有合适气象站的情况下，采用MERRA 数据对测风数据进行代表年订正是可行的。黄勇等［12］在《再分析数据在风电场代表年订正中的应用》中认为，地形条件复杂的风电场可以利用再分析数据开展代表年订正工作。

式中：LMCP为代表年折减系数；WPDS为风电场特殊年风功率密度；WPDMCP为代表年风功率密度。

其中，风电场代表年发电量可表示为

式中：WMCP，S为风电场特殊年发电量。

1.3 确定影响测风塔代表性的关键因素

通过文献梳理，发现影响测风塔代表性的主要因素包括地势、海拔高差、下垫面情况、测风塔控制距离、主风向、遮挡效应等。通过行业标准确定影响测风塔代表性的最主要因素是海拔高差及距离。本文定义了理论折减系数，分析测风塔与风机点位的距离及海拔高差对测风塔代表性的影响。

根据NB∕T 31147—2018《风电场工程风能资源测量与评估技术规范》4.1［13］：测量简单地形风电场的风资源，每座测风塔的有效控制区域半径宜为3 km，不宜超过5 km；复杂地形风电场应综合风电机组的水平空间分布和垂直空间分布确定测风塔的数量及位置，测风塔的有效控制区域半径不宜超过2 km，与风机点位的海拔高差不宜大于50 m；过渡地形风资源测量除考虑简单地形风资源测量要求外，还应在靠近复杂地形场址范围内增设测风塔。由此可见，简单地形测风塔代表性主要考虑因素是测风塔和风机点位的距离；复杂地形测风塔代表性主要考虑因素是测风塔和风机点位的距离及海拔高差；过渡地形测风塔代表性需要综合考虑简单地形和复杂地形风资源测量选址的要求。综合上述分析，影响测风塔代表性的最重要因素是测风塔与风机点位的距离及海拔高差，本文主要从这2 个因素对测风塔代表性进行定量分析。

1.4 工程实例对方法的探讨

通过引入某风电项目工程实例，取得该风电场实际投运后完整年发电量数据，进行数据清洗及代表年订正后，获得其代表年发电量。使用风资源评估商业软件对风电场进行风资源评估，计算得到软件模拟尾流后发电量，进而计算理论折减系数。探讨理论折减系数和距离、海拔高差之间的关系。

2 基于某项目发电量的理论折减系数

2.1 工程概况

本风电项目设计阶段安装1台编号为M0001的测风塔，本项目设计安装33 台单机容量为1.5 MW的风电机组（位置分布如图1 所示），总装机容量为49.5 MW，该项目于2012年年底全部并网运行。

图1 风电场风机位置示意Fig.1 Location of wind turbins in the wind farm

2.2 资料分析

2.2.1 根据实际发电量计算代表年发电量

本项目取得风电场33 台风机2016 年完整年发电量数据，但因B02和C03机组故障率高，数据清洗阶段剔除了这2台机组的发电量。由于风资源评估阶段已充分考虑了2台风机对其余风机发电量的影响并将其纳入了风电场建模，因此本次剔除对其他风机折减系数的计算和分析无影响。

本文使用2016年MERRA数据进行发电量的代表年订正，将2016年各机组发电量订正至代表年水平。根据MERRA 数据计算，截至2016 年年底近10年的平均风功率密度为229.226 kW∕m2，近20 年平均风功率密度为229.680 kW∕m2，近30 年平均风功率密度为229.749 kW∕m2。近10 年、20 年、30 年的平均风功率密度变化小，综合考虑后选用近20年的作为代表年订正的依据。2016 年实际风功率密度为243.885 kW∕m2，为大风年，较平均风年功率密度增大6.18%。对31 台风机发电量进行代表年订正后，获得了风电场代表年发电量2016年发电量。

2.2.2 使用风资源评估商业软件计算

本项目使用目前在业内广泛使用的风资源评估商业软件WT 进行风资源分析，评估该风电场年发电量，这里的发电量特指软件计算尾流后的发电量。经计算，各风机点位的理论折减系数、与测风塔点位的距离和海拔高程差见表1，三者的对应关系如图2所示。

经过统计，全场平均折减系数为0.77。全场最低折减系数为0.64，最高折减系数为0.91，差值达到0.27。由此可见，测风塔对各机位的代表性有很大的差别，各台风机应当根据自己的实际条件采用不同的折减系数。

表1 各机位理论折减系数及其与测风塔距离和高程差Tab.1 Theoretical reduction coefficient，distance and elevation difference at each wind turbine position

表1 中，测风塔与B05 机位海拔高差为1.80 m，距离仅为51.87 m，且地形相似，近似认为测风塔可以完全代表该风机位置风况。B05风机点位的理论折减系数为0.89，可以近似认为不确定性极小的情况下，损失折减值约为0.89。

表1 中，各风机点位与测风塔点位的距离在51.87～3 857.33 m 之间，与测风塔海拔高程差绝对值在1.80～55.30 m 之间。该风电场所处地形为低矮丘陵，风场内村庄星罗棋布，高大树木穿插其间，地形较为复杂。各机位与测风塔距离和高程差可知，除了B01，B02，B05，B08，C01 外，各风机位置处的海拔几乎全部低于测风塔位置海拔；风机与测风塔间海拔高程差较小，基本都在50 m以内。

图2 各机位理论折减系数与测风塔距离Fig.2 Theoretical reduction coefficient and distance at each wind turbine position

3 测风塔代表性的定量分析

3.1 发电量理论折减系数和测风塔距离间关系

由图2 可知，理论折减系数值小于0.70 的机位主要是A04—A07，C06—C10，分布在距离测风塔距离最远处。B01—B10理论折减系数值相对较大，分布在距离测风塔距离较近处。由此，我们可以推论：与测风塔距离越远，风机折减系数越小，测风塔代表性越差。不考虑海拔高差的因素，分析理论折减系数与测风塔距离的关系，如图3所示。

图3 理论折减系数与测风塔距离的相关关系Fig.3 Correlation between theoretical reduction coefficient and distance

不考虑海拔高差因素，制作测风塔与风机点位间距离和理论折减系数间的关系，可得到理论折减系数与测风塔距离的相关相关关系为y=-2 010.7x+4 204.1，决定系数R2=0.03。R2=0.03，风机与测风塔的距离和风机理论折减系数之间相关性不显著，无法得出距离测风塔越远，代表性越差的结论。对上述结果进行手动统计，结果见表2。

表2 理论折减系数与测风塔距离的相关性关系Tab.2 Correlation between theoretical reduction coefficient and distance

根据表2 可知，风机点位与测风塔的距离和理论折减系数之间没有明显的相关关系，且距离越远，相关关系越差。

3.2 理论折减系数与海拔高程差之间的关系

分析理论折减系数和海拔高程差之间的关系（如图4 所示），可以发现：全场平均折减系数为0.77；A04—A07，C06—C10 风机点位与测风塔高程差较大。相较其他风机点位而言，折减较多的风机点位是测风塔对其对代表性差，使用测风塔风况无法准确模拟该风机点位风况。大致呈现出规律是高程差越大的风机点位的折减系数越大，分析理论折减系数与高程差的相关关系，如图5所示。

从图5 可以看出，高程差与理论折减系数大致呈现负相关关系，两者具有明显的负相关性。理论折减系数与高程差之间采用最小二乘法线性拟合的公式为y=-201.82x+178.22，决定系数R2=0.61。进一步分析，不考虑距离因素，统计风机发电量理论折减系数和海拔高差之间的关系，统计结果见表4。

由表4 可知，项目中若想保证折减系数取值≥0.76，建议单座测风塔代表海拔高差在30 m 以内。该取值较规范中要求的50 m海拔高差要求更高。

图5 理论折减系数与高程差的相关关系Fig.5 Correlation between theoretical reduction coefficient and elevation difference

表4 理论折减系数与测风塔高差的相关性关系Tab.4 Correlation between theoretical reduction coefficient and elevation difference

4 结论

本文对某49.5 MW 风电项目2016 年风机的实际发电量和其风资源评估发电量进行定量分析，得出如下结论。

（1）影响测风塔代表性的因素很多，最重要的因素是测风塔与风机点位间的海拔高程差。

（2）就本项目而言，在测风塔对风机点位代表性特别好、不确定性极小的情况下，风机点位的理论折减系数为0.89。

（3）测风塔对各台风机的代表性各不相同，每台风机应当根据代表性的不同采用不同的折减系数。

（4）与测风塔距离越远，风机折减系数越小。风机点位与测风塔的距离和理论折减系数之间无明显相关关系，2 km 范围内，测风塔与风机距离存在不明显的相关关系，距离越远，相关关系越差。

（5）就本项目而言，理论折减系数和风机与测风塔间的高程差呈现明显的负相关关系。

（6）就本项目而言，若保证项目折减系数取值在0.76 及以上，建议单座测风塔代表海拔高差在30 m 以内，较NB∕T 31147—2018《风电场工程风能资源测量与评估技术规范》中要求的50 m 海拔高差要求更高。

（7）测风塔选址时测风塔与风电点位的高程差应作为第1 因素加以考虑，可以将距离作为第2 因素加以考虑，根据实际案例，测风塔代表性较好时，测风塔与风机距离小于2 km。