不同分析数据进行风速代表年订正的可靠性研究

朱金阳，王 聪，黎 波

(龙源(北京)风电工程设计咨询有限公司，北京100034)

0 引言

风是因空气密度不均匀、温度差异而引起的空气的流动。由于地球的公转和自转，同一地区受到的太阳辐射会发生变化，导致温度差异；同时，自然环境也会随着社会的现代化进程发生变化，这些都使风速具有不确定性——既有短期的日间变化属性，又有长期的年际变化特点。

风电项目评估主要关注的是风电机组运行20年的发电量情况。通常的评估思路是分析收集到的风电项目场区的实际测风数据(一般为1～2年的数据)，借助气象站数据、再分析数据、中尺度数据将其订正为20年长期的平均风速[1-6]，具体的订正方法已有一些相关研究[7-10]。风电行业内目前有多种分析数据可供选择，比如：气候预测系统再分析(CFSR)、MERRA2、ERA5、3TIER，以及气象站数据等。在实际风资源分析中，工程师一般选取与实际测风数据相关性较好的中尺度数据进行代表年订正工作。

可供选择的分析数据众多，不同的分析数据得到的风速订正量不同，甚至对大、小风年的判定结果也不相同，这就涉及到如何评判哪种分析数据能更好地反映风资源的年际变化，因此，对各种分析数据在判定大、小风年，进行代表年订正时的可靠性进行考察十分必要。风电项目前期评估中进行的代表年订正，归根结底是反映在项目投产后的发电量的年际变化上。而随着风电产业的完善、投产风电项目运行年限的增加，使通过分析不同代表年分析数据与实际发电量数据的年际相关性来反映风资源的年际变化成为可能，其比单纯通过分析不同分析数据与前期实际测风数据的相关性来评判采用哪种分析数据进行代表年订正更有参考意义。

在排除限电等外界影响因素的情况下，风电机组的实际发电量最能反映风电场建成后当地风资源的年际变化，本文首次提出了一种新的评判方法，即通过分析不同分析数据与实际发电量数据的年际相关性来探讨不同分析数据进行代表年订正的可靠性。首先对当前常用的不同分析数据进行了介绍，然后对再分析数据和中尺度数据进行代表年订正的非一致性进行了分析，最后选择了其中3种分析数据，即ERA5、MERRA2、DATA1，并通过实际案例对采用这3种分析数据进行代表年订正的可靠性进行了验证。

1 不同分析数据介绍

风资源评估领域的“中尺度”一词来源于天气系统，是指一个地方的天气系统是由若干个大大小小的大气系统(高压、低压等)相互作用、相互影响引起的，通常用特征尺度或运动尺度来衡量大气系统的影响范围，该影响范围包括空间尺度和时间尺度。中尺度天气系统的空间水平尺度在几十到几百公里，时间尺度在1～10 h。雷暴、寒潮、沙尘暴、台风等极端气候都属于中尺度天气系统的范畴。

风资源评估领域被广泛使用的分析数据主要包括CFSR、MERRA2、ERA5、3TIER等。其中，CFSR、MERRA2、ERA5属于再分析数据，而3TIER属于中尺度数据。

1)CFSR。CFSR是美国国家环境预测中心(NCEP)的气候预测系统再分析资料，最初包括1979～2009年的31年时间的数据资料，现已扩展至2011年3月。

2)ERA5。ERA5是欧洲中期天气预报中心(ECMWF)研发的全新大气再分析工具，提供了1979年以来全球天气气候的详细信息，涵盖从1979年到现在(数据实时更新)的不同高度的大气温度、气压、风力、降雨、土壤含水量和海浪高度等参数，其取代了ECMWF之前研发的大气再分析数据ERA-Interim。

3)MERRA2。MERRA2是美国国家航空航天局(NASA)研发的现代回顾性分析研究和应用再分析资料，其提供的数据始于1980年，由于同化系统的进步，MERRA2吸收了现代高光谱辐射和微波观测，以及GPS无线电掩星数据集；MERRA2还使用了始于2004年末的NASA臭氧剖面观测结果，吸收了气溶胶的空基观测结果，并表示了它们与气候系统中其他物理过程的相互作用。

4) 3TIER。3TIER首选的数值天气预报(NWP)模式是天气研究和预报(WRF)模式，其是由分布在世界各地的大学、科研团体、政府、私营机构通力合作创建而成，能够捕捉从地面到高空动态急速气流之间风况变化的种种过程，风向的空间分辨率为15 km，风速的空间分辨率为5 km。3TIER也可对数据进行降尺度处理，使空间分辨率降低至90 m。

风资源评估领域被广泛使用的分析数据的概况如表1所示。除上述提到的分析数据外，表1还列出了某研究机构开发的中尺度数据，简称为DATA1。DATA1的WRF模式的空间分辨率可以达到公里级别，但因为该空间分辨率不足以描述局部的地形变化，尤其是在复杂地形中，可利用计算流体力学(CFD)模型及空间分辨率达到几十米量级的地形数据，以WRF风速作为输入，得到降尺度处理的百米量级空间分辨率的风速。本研究主要讨论再分析数据和中尺度数据，因降尺度数据由中尺度数据处理得到，因此一并进行比较。

此外，各地的县城一般设有气象站，收集到的气象站数据也可用于代表年订正。

在风电项目的前期开发中，当测风塔的测风数据不满1年时，可用再分析数据或中尺度数据对其进行完整年插补；当测风数据满1年时，可利用再分析数据或中尺度数据与实测数据进行相关性分析和长期代表年订正。

表1 风资源评估领域常用的分析数据概况Table 1 Overview of commonly used analysis data in field of wind resource assessment

2 不同再分析数据和中尺度数据进行代表年订正的非一致性

以云南省某风电项目和安徽省某风电项目作为案例，对不同再分析数据和中尺度数据代表年订正的非一致性进行研究。云南省某风电项目所在区域的海拔约为2100 m，为典型的山地风电场；安徽省某风电项目所在区域的海拔约为270 m，为丘陵风电场。

分析数据选用MERRA2、ERA5、DATA1，时间为2001～2019年，这2个风电项目采用不同分析数据判定的大、小风年结果对比如图1所示。图中：当年平均风速与累年平均风速的差值为正值代表是大风年，当年平均风速与累年平均风速的差值为负值代表是小风年，当年平均风速与累年平均风速的差值为零则代表是平风年。

图1 采用不同分析数据判定的2个风电项目大、小风年的结果对比Fig. 1 Comparison results of large and small wind years of two wind power projects judged by different analysis data

从图1可以看出：针对云南省某风电项目，MERRA2、ERA5、DATA1这3种分析数据给出的2002年的大、小风年判定结果一致，均是将2002年判定为小风年，但3种分析数据给出的当年平均风速与累年平均风速的差值区别较大，分别为-0.25、-0.09、-0.39 m/s；而这3种分析数据给出的2016年的大、小风年判定结果不一致，且当年平均风速与累年平均风速的差值区别较大，分别为0.00、0.07、-0.25 m/s。

针对安徽省某风电项目，虽然3种分析数据给出的2001、2003、2013、2015年的大、小风年判定结果一致，但给出的当年平均风速与累年平均风速的差值均有较大差异，偏差可达0.1 m/s；3种分析数据给出的2014年的大、小风年判定结果不一致，其中，MERRA2和DATA1的判定结果为小风年，而ERA5的判定结果为平风年。

对图1的数据进行统计后发现，2001～2019年中，仅有约一半的年份3种分析数据给出的大、小风年判定结果一致，且当年平均风速与累年平均风速的差值接近。当风资源工程师按照传统的方法采用不同分析数据与前期实际测风数据的相关性来评判以某种分析数据做代表年订正时，若前期实际测风数据的测风时段刚好是3种分析数据判定结果不一致的时段，而风资源工程师又未充分进行各分析数据大、小风年的分析，导致不同分析数据给出的代表年风速不一致，则据此计算得到的风电项目20年发电量估算值也必然不一致。在风电项目逐渐转为平价上网的背景下，对于某些临界收益率的风电项目而言，这种风速代表年订正带来的差异会导致其收益率测算结果的准确性降低，进而影响项目可行性的判定。

之所以上述3种分析数据给出的大、小风年判定结果、当年平均风速与累年平均风速的差值不同，是因为不同分析数据的来源、计算模型和计算模式存在区别。

3 不同再分析数据和中尺度数据进行代表年订正的可靠性

以上文中的2个风电项目(不存在限电及重大风电机组故障的影响)为例，从项目后评估的角度对分析数据MERRA2、ERA5、DATA1与实际发电量数据的相关性进行分析，以此来判定不同分析数据进行风资源代表年订正的可靠性。相关性好，则说明该分析数据可以更好地反映风资源的年际变化。

3.1 案例1：云南省某风电项目

对云南省某风电项目的测风塔前期实际测风数据与MERRA2、ERA5、DATA1这3种分析数据及气象站数据的相关性进行分析，具体如图2所示。图中：R2为判定系数。

图2 不同再分析数据、中尺度数据及气象站数据与测风塔前期实际风速数据的相关性Fig. 2 Correlation between different reanalysis data，mesoscale data and meteorological station data and actual wind speed data in the early stage of wind tower

从图2可以看出：相比于气象站数据与测风塔前期实际测风数据的相关性，3种再分析数据和中尺度数据与测风塔前期实际测风数据的相关性较好，以相关系数R值表征的相关性排序为：DATA1(0.98)＞ERA5(0.97)＞MERRA2(0.97)＞气象站数据(0.93)。

由于选取的再分析数据与中尺度数据的风速数据均在50 m以上高度，气象站数据为地面10 m高度，且气象站通常距离风电项目的场区较远，地貌特征与项目所在区域的差异较大，因此气象站数据对于复杂山地情况的代表性略差。3种再分析数据和中尺度数据与测风塔前期实际测风数据的相关系数十分接近，但由于DATA1结合CFD进行了降尺度处理，更能反映局部地形地貌对风电场风资源的影响，因此其与测风塔前期实际测风数据的相关性最好。

对云南省某风电项目投产运行7年(2013～2019年)的实际发电量数据与MERRA2、ERA5、DATA1这3种分析数据的相关性进行分析，以实际发电小时数表征实际发电量，具体如图3所示。

图3 不同分析数据与云南省某风电项目实际发电量数据的相关性Fig. 3 Correlation between different analysis data and actual power generation data of a wind power project in Yunnan Province

从图3可以看出：3种分析数据中，ERA5、MERRA2与风电项目实际发电量数据的相关性比DATA1与风电项目实际发电量数据的相关性更好，以相关系数表征的相关程度排序为：ERA5 (0.88)＞MERRA2(0.85)＞DATA1(0.75)。

3.2 案例2：安徽省某风电项目

对安徽省某风电项目投产运行6年(2014～2019年)的实际发电量数据与MERRA2、ERA5、DATA1这3种分析数据的相关性进行分析，以实际发电小时数表征实际发电量，具体如图4所示。

图4 不同分析数据与安徽省某风电项目实际发电量数据的相关性Fig. 4 Correlation between different analysis data and actual power generation data of a wind power project in Anhui Province

从图4可以看出：3种分析数据中，MERRA2、ERA5与风电项目实际发电量数据的相关性比DATA1与风电项目实际发电量数据的相关性更好，以相关系数表征的相关程度排序为：ERA5(0.96)＞MERRA2(0.91)＞DATA1(0.88)。

对上述研究结果进行分析发现，降尺度处理虽然更能反映局部的地形地貌，与前期实际测风数据的相关性更好，但是从风电场空间尺度(一般为十几公里)的角度考虑，过于追求高空间分辨率(百米量级)的降尺度数据对风电场大、小风年的代表性减弱。再分析数据ERA5和MERRA2更适合进行代表年订正，当两者的判定结果不一致时，优先选取ERA5；降尺度的DATA1更适合缺少实际测风数据时的风电项目宏观选址，此时百米量级的空间分辨率具有一定的参考价值。

4 结论

本文对3种再分析数据和中尺度数据进行风资源代表年订正时的可靠性进行了研究，首次提出通过再分析数据和中尺度数据与已投产风电项目的实际发电量数据进行相关分析来判定的方法。研究结果表明：

1) 3种分析数据中，采用再分析数据ERA5或MERRA2进行代表年订正的可靠性均优于采用中尺度数据DATA1的，且ERA5比MERRA2略好。

2)降尺度处理虽然更能反映局部的地形地貌，与前期实际测风数据的相关性更好，但是从风电场空间尺度(一般为十几公里)考虑，过于追求高空间分辨率(百米量级)的降尺度数据对风电场大、小风年的代表性减弱。

3)再分析数据ERA5和MERRA2更适合进行代表年订正，当两者不一致时，建议优先选取再分析数据ERA5；降尺度处理的DATA1更适合缺少实际测风数据情况下的风电项目的宏观选址，此时百米量级的空间分辨率更具有参考价值。

在风电项目逐渐转为平价上网的背景下，对于某些临界收益率的项目而言，采用不同再分析数据或中尺度数据的风速数据进行代表年订正带来的差异会影响收益率测算结果，进而影响项目的可行性判定。因此，本研究的思路和方法不仅具有一定的理论价值，对未来风电项目的开发也有重要的实际意义。需要说明的是，本文中的2个典型风电项目目前的运行年限仅为6～7年，考虑到风电场的设计运行年限约为20年，后续需进一步以10年以上的理论发电量数据对本研究提出的判定方法进行检验。此外，仅有2个风电项目的样本量略显不足，后续还需扩大分析的样本量。