2020年10月14日-16日，2020北京國際風能大會暨展覽會（CWP 2020）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“引領綠色復蘇，構筑更好未來”為主題，聚焦中國能源革命的未來。能見App全程直播本次大會。

　　

　　在14日下午召開的風資源精細化評估分論壇上，新疆金風科技股份有限公司風資源氣象團隊負責人劉釗發表《組合測風技術助力風資源精準評估》主題演講。

　　以下為發言實錄：劉釗：我的報告主要分為四個方面，分別是測風的重點問題、針對組合測風的解決方案、組合測風的技術解析和案例介紹。

　　

　　結合剛才劉博士2020年的數據統計，67個項目里面34個沒有測風塔，或者測風代表性不足，這個比例超過50%，和我們現在遇到的困境是一樣的。測風面臨諸多挑戰，如在低風速復雜地形的項目的投資收益臨界點對風速的評估非常敏感，測風設備管理，數據管理方面存在問題，秒級測風沒有比較通用的標準規范等。面對測風方面的困境，金風科技在測風領域開展過一些嘗試，如高層風的觀測、精細化測風項目等探索，也開展了關于氣象仿真優化的虛擬測風項目等，基于前面的技術的積累，我們現在推出了組合測風技術。比如在前期開發項目工期緊張，還沒開展測風或測風表性不足，周邊測風塔在十幾公里外，在評估資源的時候，風速偏差可達0.6米/秒，我們的組合測風方案是怎么樣解決的呢？

　　

　　組合測風技術定位是解決開發周期緊的前期開發項目。組合測風是通過開展短期的觀測，結合觀測大數據和自研算法得到完整年的時間序列數據。

　　

　　組合測風包含測風方案設計、數據的生產管理和數據應用三部分。組合測風的精度是什么樣的呢？依托完整測風數據，在不同的月份，在不同的地形的情況下如圖所示。在三個月測風的基礎之上，平坦、丘陵、山地區域，風速偏差在0.2米/秒（P50）以內。組合測風技術，主要是從三個方面做優化，分別是精細化測風的技術，定制化中尺度仿真技術及算法融合。精細化測風技術主要是解決在設備選址數據可能性，復雜地形雷達湍流可用性；定制化中尺度仿真解決當一個測風項目同期沒有相關性很高的中尺度數據源，針對每一個項目去定制精細的中尺度仿真結果；算法融合是基于現有的已經積累的測風數據庫中完整年數據進行挖掘及不同算法的調優嘗試，并開展了實際測風項目的驗證，構成了組合測風的技術閉環。

　　

　　首先來看精細化測風技術。在測風階段，有兩個重點的技術，第一個就是量化代表性分析技術，考慮到測風數據對仿真環節的可用性和代表性，在測風的選址階段，我們把代表性量化的分析出來，就可以很清晰的識別出來，哪里是代表性不足或存在測風風險。這個技術是引入了穩定度、海拔、粗糙度以及CFD仿真模型中間參數等，通過把這些參數代表性建模，然后去進行定制化的測風方案的設計。第二個就是我們很關注雷達在復雜地形的湍流的適用性問題，通過收集同樣有雷達設備和測風塔設備的項目，在這種數據集的基礎之上，通過深度學習算法，形成了湍流矯正模型，這樣雷達可以達到更逼近于目標測風塔湍流的這樣的適應性。

　　

　　中尺度仿真優化技術是針對每一個測風項目都進行了定制化的氣象仿真。首先是數據源模塊，采用全球的各個機構的數據，然后包括歐美的數據源；在氣象仿真分辨率的選擇，我們選擇了精細化的地形輸入，尤其是針對復雜地形，可以有更精細的高程數據和土地利用系數；參數化方案優選方面，針對不同省份的不同區域做了參數化方案的優化和參數優化；參數化方案和優化和精細化的仿真網格，經過氣象仿真各模塊的優化，往往可以得到更精準的風向模擬結果和更優的相關系數。

　　

　　算法模塊中融合了風資源業務中常規應用的8種算法及機器學習算法，并對其中優秀的算法做了參數的調優；地形分類也基于傳統的GIS分類做了周邊地形影響的優化，形成了適合組合測風的分類標準。算法融合的過程中，形成了參數和算法的評價體系，輸出了最優算法表，可以應用到每一個項目中。在項目開展短期的觀測之后，就可以選擇最優參數，最優算法以及它的評價去得到最后的一個精度評價。

　　

　　組合測風技術在分散式、大基地、集中式等項目中都有應用，通過對逐項目的定制化可以得到一個從精度和經濟性角度都合適的選擇。通過虛擬測風塔和雷達的結合，在三個月測風完成的時候有一個比較正確的完整的資源評估。

　　

　　最后分享一個案例，這是一個陜西的分散式，地形比較復雜，如何規劃測風呢？我們首先跟客戶確認這個項目的區域評估目標選擇了代表性最好的兩個點作為激光雷達的點位，同時啟動了精細化的中尺度仿真的計算及算法尋優。在完成測風之后我們就形成上面右邊的這幾個表。復雜地形往往存在風向仿真不準確和威布爾分布失真的問題。這個項目組合測風技術通過十幾種算法尋優解決精度問題，這個最左邊沒有投出來，最上面的一個是叫做絕對風速偏差，第二個是相關性，第三個第四個分別是A值和K值，尤其大家可以關注一下K值，不同的算法對K值的影響是非常大的，尤其是常規的LLS方法。最后一個是等效小時數偏差。綜合評估各個指標后，優選的算法進行數據集合，就可以得到一個多目標尋優后精準的時間序列數據。

　　

　　最后，我想說測風環節需要更多關注！希望有更多仿真、觀測、算法同仁一起加入到組合測風的領域去進一步的去挖掘，希望中國有更多的觀測實驗場！謝謝！

　　

　　（根據速記整理，未經本人審核）