【风力发电场风能资源评估与预测】

驱动风电产业高质量发展的核心技术体系

前言

风能资源评估是指通过科学方法对特定区域的风能资源进行定量化分析和预测的过程，旨在确定该区域的风能储量、时空分布特征及可利用性。其核心任务包括测量风速、风向、湍流强度等关键参数，结合地形、气候、地表粗糙度等环境因素，利用数值模拟、统计分析和现场观测等手段，评估风能资源的潜在开发价值，为风电场选址、机组选型、发电量预测及经济性分析提供数据支撑，解决的是“是否开发风电场”和“如何开发风电场”的问题。

风能资源预测是指基于历史数据、实时监测和气象模型，对特定区域未来短期（数小时至数天）、中期（数周至数月）或长期（数年至数十年）的风能资源特性（如风速、风向、功率密度等）进行量化预估的技术过程。其核心目标是为风电场的运行调度、电力市场交易和电网稳定性管理提供前瞻性数据支持，以降低不确定性、提升经济效益并保障能源系统安全，解决的是“机组如何运行”和“机组如何调度”的问题。

自2018年以来，中国风电产业驱动因素经历了从政策驱动→技术、市场驱动→市场驱动的变化，在此过程中，风能资源评估与预测的作用在风电产业发展中变化显著。2022年以前，受“双碳”战略目标与国家补贴驱动，中国风电进入抢装潮，装机容量快速增长，从2018年的累计装机184GW到2022年增加到365GW，风电市场主要聚焦在风电装机容量增长上，风能资源评估工作关注度相对低。2023 年起，抢装潮结束，中国风电产业逐渐进入平价上网时代，风电机组大型化快速演进，机组载荷与场址适应性对风能资源评估提出新的要求，在技术、市场驱动下，整机商、电力设计院、业主单位开始投入大量精力探索风能资源精细化评估对发电效益的积极作用。2025年1月，国家发改委、国家能源局出台《关于深化新能源上网电价市场化改革促进新能源高质量发展的通知(发改价格〔2025〕136号)》，风电产业将完全进入市场驱动阶段，发电量评估的不确定性导致风电项目的发电效率与经济效益预判困难，而风能资源评估和预测作为发电量评估的核心依据，直接影响风电项目投资决策和技术优化，并且将贯穿风电项目全生命周期。

一、基于风能资源评估的风力发电场选址要求（宏观要求）

宏观选址是基于历史观测数据，通过对某一区域可开发利用风能的潜力进行评估，筛选出具有较高风能开发潜力的候选区域。传统的技术手段依赖于地面台站的长期观测数据，或结合测风塔的短期观测数据对区域风能资源进行评估。这种方法具有较高的数据准确性和结果可靠性，但成本较高且费时费力，在进行全球或区域性的大范围评估时，该方法并不适用。

近年来，国内外提出了利用数值模拟、再分析资料等模型技术进行风能资源评估的方法，例如欧洲的 ERA (European Re-Analysis)、美国的 NCEP/NCAR、MERRA (ModernEra Retrospective analysis for Research and Applications)、日本的 JRA (Japanese Re-Analysis) 等，2021 年，中国气象局 (CMA) 成功自主研发出了中国第一代全球大气和陆面再分析产品 (CRA-40)，对于我国风能资源评估、风能资源开发选址和再分析数据使用具有重要指导意义。我国陆上风电项目的空间分布具有明显的区域特征，主要分布在三北地区（东北、西北、华北）、东南沿海地区及云南等地，大致可以划分为8个子区域：西北 (NWC)、 北方 (N)、东北 (NEC)、华东 (EC)、华中 (CC)、华南 (SC)、西南 (SW)、西部 (W)。

风能资源宏观选址工作需通过多维度综合评估，首先基于气象数据（如ERA再分析数据或测风塔观测）筛选年平均风速≥5.5m/s、风功率密度≥150W/m²的高潜力区域，结合GIS技术叠加地形、地表粗糙度及生态红线（避开自然保护区、军事区等约束条件）；优先选择电网接入便利（临近变电站、消纳能力强）、交通可达性好的区域，并评估极端天气风险（如台风、覆冰）；最终通过经济性分析和政策适配性（如国家大基地规划、地方补贴）确定最优开发范围，为后续微观选址提供科学依据。

二、基于风能资源评估的风力发电场选址要求（微观选址）

风力发电场微观选址是宏观选址后对具体场址的精准设计环节，其核心作用是通过精细化分析风资源、地形、极端环境及工程条件，实现 “资源最大化利用、安全最优化保障、成本最小化控制” 的目标，具体可总结为以下几点：

（一）精准挖掘风能资源潜力：通过现场测风塔（或激光雷达）推算得到的高分辨率风数据（如 20m×20m 网格的风速、风向、湍流强度），识别场址内风能密度高、风频稳定的区域（如山地的 “迎风坡”、海上的 “高风速区”），精准定位最优机位，确保单机组发电量最大化；同时，通过多数据源（中尺度、气象站）订正长期（陆上≥20 年、海上≥30 年）风能资源数据（含平均风速、极端天气等）。

（二）优化机组布置：通过尾流模型（如致动盘模型）模拟风机之间的尾流影响，合理规划机组的行列间距（如陆上列间距≥5 倍风轮直径 / 行间距≥3 倍、海上列间距≥7 倍等要求），避免后序风机处于前序风机的 “尾流区”（尾流会导致风速下降 10%-20%，发电量损失 5%-15%）。例如，平坦地形的大规模风场通过“8倍风轮直径” 的列间距布置，可将整体尾流损失控制在5%以内，显著提升风电场整体效率。

（三）保障机组安全：通过极端风参计算（如 50 年一遇极限风速、极端湍流强度、极端阵风幅值、极端风向变化、极端风切变等）、湍流强度分析（如山地湍流强度较大时需调整机位）及地形适应性评估（如高边坡机位需基于全风轮面的流场特性验证风轮载荷适应性），确保机组设计参数（如极端载荷、疲劳寿命）与现场风参匹配。例如，海上风电场通过“气象专题报告”确定热带气旋影响下的50年一遇极限风速，可避免风电机组因强风导致的叶片断裂或塔筒倒塌。

（四）降低开发与运营成本：通过地形分析优化机位道路与吊装平台设计（如山地项目选择 “缓坡机位”，减少土石方开挖量），降低机组运输（如海上风机通过 “近港机位” 减少航运成本）与安装成本；通过电网接入分析（如机位布置靠近变电站），减少输电线路长度（每公里线路成本约 50-100 万元），降低电力输送损耗（线路损耗约 1%-3%）。

三、基于风能资源评估的风力发电机组选型要求（载荷适应性评估）

在不同的运行环境条件下，大型风电机组柔性变形、非线性振动、大幅运动等特征明显，风电机组结构安全事故频发，整机对于特定场址条件与设计的差异需慎重考虑。

针对陆上风电机组，我国风能资源开发已由传统的“三北”地区，逐渐转向地形复杂的“云贵川”等山地区域，复杂地形风电场内的风电机组承受由于地形差异、气流特征、尾流效应、湍流强度、风切变效应等环境因素带来的载荷与结构安全风险；针对海上风电机组，运行区域深远海化、基础结构形式多样化成为主流趋势，不同运行海域气象环境条件、波浪与洋流特征分布差异，耦合不同的基础形式，海上风电机组面临的结构安全适应性风险凸显。

特定场址条件下，风速及其分布、空气密度、湍流水平、风切变、入流角度等与机组设计外部环境参数存在较大差异，各因素对风电机组极限与疲劳载荷的关联与影响特性也各不相同。

参数关联难以解析表达，运用仿真手段建立不同特征的数据库，结合风电机组整机载荷机理模型及神经网络算法，对不同输入特征条件下的载荷响应进行预测求解：（一）空气密度特征数据建模：空气密度对风电机组载荷存在显著影响。不同风速条件下，风电机组关键载荷随空气密度变化的响应规律存在差异；随着空气密度的增加，风电机组关键部件的疲劳等效载荷也会显著增加。（二）湍流强度特征数据建模：湍流强度对整机疲劳载荷影响显著，湍流强度越大，气动载荷波动越明显。（三）风切变特征数据建模：风切变对风电机组塔底倾覆弯矩极限载荷影响较大，但对其他关键部件极限载荷偏小；风切变对风电机组关键部件的疲劳载荷存在显著影响，尤其是叶片根部疲劳载荷。（四）入流角度特征数据建模：入流角度直接影响气流对叶轮作用的矢量方向，入流角度越大，其作用于垂直扫掠面的载荷越显著；入流角度对风电机组各关键部件疲劳载荷的影响存在差异，其对叶根摆振方向弯矩疲劳影响较大，尤其是额定风速以上等大风运行工况条件下，且对方向较为敏感。

四、基于风能资源评估与预测的创新技术应用（资源测量）

风能资源评估与预测的创新技术应用，目前主要围绕特殊区域（沙戈荒、复杂地形、深远海）的风能资源精准评估及机组适应性优化展开：

（一）沙戈荒区域：大数据与 SAR 技术支撑选址与机组设计。1. 沙丘移动监测技术（基于高程信息、沙地性质分类等大数据和合成孔径雷达的沙丘移动监测技术，为沙戈荒环境下的机组选址与建设提供支撑）；2. 环境观测网与多图谱融合（沙戈荒的独特环境（风、温、沙、辐射、污染等）对机组运行稳定性带来了巨大的挑战，需要通过更加强大的环境观测网降低机组运行中的不确定性，在戈壁、沙漠、采煤塌陷区的项目建设运行，需重点关注变桨、机舱、主控、环控故障）。

（二）复杂地形：雷达与CFD技术提升测风精度与风险识别。1. 地基雷达风速校正（基于CFD技术对雷达风速进行修正，降低复杂山地雷达测风误差，修正后可为风资源评估、机位点风险排查以及载荷分析提供更精准的数据服务）；2. 三维扫描雷达观测（通过三维扫描雷达获取叶轮面内多点风数据，量化叶轮左右 / 上下不平衡偏差）；3. 叶轮不平衡风险识别（通过CFD 仿真复现叶轮面风参不平衡现象，构建EWTI系列风险判别指标）。

（三）海上风电：多源测风与尾流模型提升评估精度。1. 海上测风数据观测（多源融合，整合激光雷达、卫星观测、虚拟测风等技术，建立海上风电场观测网，解决海上测风塔部署难、周期长的问题，提高风参代表性，支撑海上风电场精准选址）；2. 海上尾流评估（ADM 致动盘模型，提升尾流仿真精度用于海上风电场机组排布优化，减少尾流损失）。

五、基于风能资源评估与预测的发电量计算（发电预测）

（一）风力发电量计算原理

发电量计算过程需综合考虑风能资源精度、机组适配性、损失因素等多维度变量，最终输出单台机组发电量与风电场总发电量，下图以某平原风电场为案例说明发电量计算：

（二）风力发电量预测模型

风力发电量预测模型按照机理大致可分为物理模型、统计模型、机器学习模型以及各种混合集成模型。各类模型利用不同的信息源和算法来预测发电量。

物理模型（基于流体力学与气象原理）：物理模型基于数值天气预报（NWP）和流体力学原理来预测风电功率。通常先由气象模型预报未来的风速、风向等天气要素，再结合风电机组功率曲线和风场地形将气象预报转换为功率预报。物理模型的主要优点是对历史运行数据依赖小，在新建风电场缺乏历史功率数据时依然适用，且模型具有一定物理可解释性，能体现气象条件变化对功率的影响。然而其缺点在于高度依赖初始条件和环境参数的准确性，如地形描述不准确会带来较大预测误差。

统计模型（时间序列方法）：基于风电场的历史数据，通过时间序列分析和数理统计方法来捕捉风电功率随时间的变化规律。典型统计模型包括ARIMA（自回归积分移动平均）、SARIMA（季节ARIMA）、ARMA、卡尔曼滤波以及持久性模型等。统计模型的优势是算法成熟、实现简单且计算速度快，在大量历史数据支撑下，统计方法可以拟合出风电输出的统计规律，在平稳条件下取得较高的预测精度，尤其对于超短期（几分钟后）预测，简单的持久性模型（即假设未来出力等于当前值）虽方法朴素却常作为基准模型。

机器学习模型（SVR、随机森林、XGBoost等）：机器学习 (ML) 模型利用数据驱动的方法学习风电功率与多源输入之间的非线性映射关系。常用的机器学习模型包括支持向量回归 (SVR)、决策树及随机森林 (RF)、梯度提升树（如XGBoost、LightGBM）、k近邻、极限学习机等。机器学习模型的优点在于：通过训练可自动提取特征关系，精度相对较高；预测速度通常也较快，适合实时应用。其缺点在于对数据量要求高，模型超参数调节复杂，且仍属于“黑箱”模型物理解释性弱。

集成模型（组合优化）：单一模型存在局限性（如物理模型依赖 NWP 精度，数据模型依赖历史规律），集成模型通过融合多种模型结果（如 NWP+LSTM、RF+XGBoost），降低单一模型误差，提升鲁棒性。

（三）预测的时间尺度在电力交易中的作用

根据预测提前时间的不同，发电量预测一般分为超短期、短期、中期、长期等不同时间尺度，每个尺度服务于电力系统调度与交易中的不同需求。

超短期预测（分钟级至1-4小时）：提供未来几分钟到几小时内的风电出力预测，主要用于电网实时调度和自动发电控制（AGC）。精确的超短期预测使调度人员能够提前调整旋转备用容量，平衡短时功率波动，减少因风电不确定性带来的备用和调频压力。超短期预测精度直接关系到辅助服务市场中调频、调峰的效率。

短期预测（数小时至1-3天）：提供当天及日前1-3天的风电出力预测，是电力日前市场和日内交易的基础。短期预测结果常用于经济调度和电力市场竞价：调度中心根据次日风电出力曲线优化常规机组开机组合，降低运行成本；发电企业（风电场）根据预测参与现货市场报价交易。准确的日前预测可以提高风电在市场中的竞争力，避免因间歇性导致的偏差考核和经济惩罚。相反，预测偏差会直接影响收益。

中期预测（数天到数周）：通常指一周以内至月内的预测，多用于电网运行规划和设备维护安排。电力公司据此评估未来几天风电出力水平，提前安排检修等工作。风电场也可参考中期预测选择低风或停机时段进行设备维护，从而提高风电场的可用容量系数。在电力市场上，中期预测为中长期交易（如月度竞价、合约规划）提供参考，也有助于辅助服务市场中提前评估风电可提供的备用容量。

长期预测（月度、年度及更长）：为电源规划和能源交易提供宏观参考，根据历史气象周期和季节性趋势预测未来数月或全年风电发电量。长期预测主要用于风电场选址和投资规划、电力系统的可再生能源消纳能力评估，以及年度电量交易合同的制定。由于时间尺度长，不确定性较高，长期预测往往采用统计气候学方法或情景分析，精度相对较低，但在电力战略规划中具有参考价值。

六、风能资源相关标准

（一）国际标准：IEC 61400-1《风力发电机组 设计要求》、IEC 61400-15-1《风能发电系统 风力发电机组场址适应性输入条件》、IEC 61400-15-2《风能发电系统 风电场风资源与发电量评估与报告编制框架》。

（二）国家标准：GB/T 18709-2002《风电场风能资源测量方法》、GB/T 18710-2002《风电场风能资源评估方法》、GB/T 37523-2019 《风电场气象观测资料审核、插补与订正技术规范》。

（三）行业标准：NB/T 31029-2012《海上风电场风能资源测量及海洋水文观测规范》、NB/T 31147-2018《风电场工程风能资源测量与评估技术规范》、NB/T 10387-2020《海上风电场风能资源小尺度数值模拟技术规程》、NB/T 10909-2021《微观选址中风能资源分析及发电量计算方法》、NB/T 11654-2024《海上风电场工程海洋水文评估技术规范》。

七、总结

风能资源评估与预测是一个系统工程，应通过“规划（精准识别优质资源）— 设计（优化机位/机组选型）—运营（实时监测与偏差分析）— 反馈（数据订正）”的持续迭代机制，实现全生命周期风能资源质量闭环管理。覆盖风电项目从选址、设计、建设到运营的全过程，最大化实现发电收益并降低风险：前期通过精细化资源评估（如测风数据、气候模型）优化选址和机组选型；建设期结合实时监测数据修正尾流和地形影响；运营期利用SCADA数据与AI预测动态校准模型，指导运维策略，同时将性能偏差反馈至后期项目设计，形成跨项目的经验闭环，最终实现风电场全周期发电量提升，降低投资不确定性。