金风科技刘钊：组合测风技术助力风资源精准评估

2020年10月14日-16日，2020北京国际风能大会暨展览会（CWP 2020）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，本届大会以“引领绿色复苏，构筑更好未来”为主题，聚焦中国能源革命的未来。能见App全程直播本次大会。

在14日下午召开的风资源精细化评估分论坛上，新疆金风科技股份有限公司风资源气象团队负责人刘钊发表《组合测风技术助力风资源精准评估》主题演讲。

以下为发言实录：

刘钊：我的报告主要分为四个方面，分别是测风的重点问题、针对组合测风的解决方案、组合测风的技术解析和案例介绍。

结合刚才刘博士2020年的数据统计，67个项目里面34个没有测风塔，或者测风代表性不足，这个比例超过50%，和我们现在遇到的困境是一样的。测风面临诸多挑战，如在低风速复杂地形的项目的投资收益临界点对风速的评估非常敏感，测风设备管理，数据管理方面存在问题，秒级测风没有比较通用的标准规范等。面对测风方面的困境，金风科技在测风领域开展过一些尝试，如高层风的观测、精细化测风项目等探索，也开展了关于气象仿真优化的虚拟测风项目等，基于前面的技术的积累，我们现在推出了组合测风技术。比如在前期开发项目工期紧张，还没开展测风或测风表性不足，周边测风塔在十几公里外，在评估资源的时候，风速偏差可达0.6米/秒，我们的组合测风方案是怎么样解决的呢？

组合测风技术定位是解决开发周期紧的前期开发项目。组合测风是通过开展短期的观测，结合观测大数据和自研算法得到完整年的时间序列数据。

组合测风包含测风方案设计、数据的生产管理和数据应用三部分。组合测风的精度是什么样的呢？依托完整测风数据，在不同的月份，在不同的地形的情况下如图所示。在三个月测风的基础之上，平坦、丘陵、山地区域，风速偏差在0.2米/秒（P50）以内。组合测风技术，主要是从三个方面做优化，分别是精细化测风的技术，定制化中尺度仿真技术及算法融合。精细化测风技术主要是解决在设备选址数据可能性，复杂地形雷达湍流可用性；定制化中尺度仿真解决当一个测风项目同期没有相关性很高的中尺度数据源，针对每一个项目去定制精细的中尺度仿真结果；算法融合是基于现有的已经积累的测风数据库中完整年数据进行挖掘及不同算法的调优尝试，并开展了实际测风项目的验证，构成了组合测风的技术闭环。

首先来看精细化测风技术。在测风阶段，有两个重点的技术，第一个就是量化代表性分析技术，考虑到测风数据对仿真环节的可用性和代表性，在测风的选址阶段，我们把代表性量化的分析出来，就可以很清晰的识别出来，哪里是代表性不足或存在测风风险。这个技术是引入了稳定度、海拔、粗糙度以及CFD仿真模型中间参数等，通过把这些参数代表性建模，然后去进行定制化的测风方案的设计。第二个就是我们很关注雷达在复杂地形的湍流的适用性问题，通过收集同样有雷达设备和测风塔设备的项目，在这种数据集的基础之上，通过深度学习算法，形成了湍流矫正模型，这样雷达可以达到更逼近于目标测风塔湍流的这样的适应性。

中尺度仿真优化技术是针对每一个测风项目都进行了定制化的气象仿真。首先是数据源模块，采用全球的各个机构的数据，然后包括欧美的数据源；在气象仿真分辨率的选择，我们选择了精细化的地形输入，尤其是针对复杂地形，可以有更精细的高程数据和土地利用系数；参数化方案优选方面，针对不同省份的不同区域做了参数化方案的优化和参数优化；参数化方案和优化和精细化的仿真网格，经过气象仿真各模块的优化，往往可以得到更精准的风向模拟结果和更优的相关系数。

算法模块中融合了风资源业务中常规应用的8种算法及机器学习算法，并对其中优秀的算法做了参数的调优；地形分类也基于传统的GIS分类做了周边地形影响的优化，形成了适合组合测风的分类标准。算法融合的过程中，形成了参数和算法的评价体系，输出了最优算法表，可以应用到每一个项目中。在项目开展短期的观测之后，就可以选择最优参数，最优算法以及它的评价去得到最后的一个精度评价。

组合测风技术在分散式、大基地、集中式等项目中都有应用，通过对逐项目的定制化可以得到一个从精度和经济性角度都合适的选择。通过虚拟测风塔和雷达的结合，在三个月测风完成的时候有一个比较正确的完整的资源评估。

最后分享一个案例，这是一个陕西的分散式，地形比较复杂，如何规划测风呢？我们首先跟客户确认这个项目的区域评估目标选择了代表性最好的两个点作为激光雷达的点位，同时启动了精细化的中尺度仿真的计算及算法寻优。在完成测风之后我们就形成上面右边的这几个表。复杂地形往往存在风向仿真不准确和威布尔分布失真的问题。这个项目组合测风技术通过十几种算法寻优解决精度问题，这个最左边没有投出来，最上面的一个是叫做绝对风速偏差，第二个是相关性，第三个第四个分别是A值和K值，尤其大家可以关注一下K值，不同的算法对K值的影响是非常大的，尤其是常规的LLS方法。最后一个是等效小时数偏差。综合评估各个指标后，优选的算法进行数据集合，就可以得到一个多目标寻优后精准的时间序列数据。

最后，我想说测风环节需要更多关注！希望有更多仿真、观测、算法同仁一起加入到组合测风的领域去进一步的去挖掘，希望中国有更多的观测实验场！谢谢！