基于运营风机SCADA数据的海上风电场尾流损失测量方法与流程

本发明涉及一种基于运营风机SCADA数据的海上风电场尾流损失测量方法，具体涉及运营风机SCADA数据和现场测风塔数据的运用。

背景技术：

在大规模风电场中的尾流影响是年度发电量(AEP)计算中损失最大的因素，尤其在海上风电场的影响尤为明显，因海上风电场较大的风机尺寸和阵列大小，以及较少的湍流会导致尾流消散较慢。

由于潜在的较大阵列影响和大气稳定度的影响，海上风电场的尾流会远远大于陆上风电场。海上的尾流影响较于陆上也不被很好地理解。无论对于大规模的海上风电场还是具有临近风电场的海上风电场，对于理解引起海上尾流的不同因素及尾流恢复机制都是很有必要的。距离(风机间距和临近风电场距离)对于海上风电场尾流影响十分明显，尾流效应从临近风力发电场可延伸10公里远。

目前海上尾流损失非常高的不确定性已经引起行业的重视，其研究重点在于如何检查和减少这些不确定性。为了量化海上年度发电量的不确定性，需理解和定义尾流模型的精确性。已发布的测量和模拟的风机尾流结构对比非常重要，由于其揭示了风电行业普遍采用的尾流模型的精确性，并有助于量化尾流模型不确定性。卫星和机载合成孔径雷达影像可以对风电场大区域内空间覆盖较广的尾流传播进行很好的解译。然而，其空间分辨率较差并且此方法无法测量风电场内各风机尾流情况。气象测风塔也只能提供单点测量数据并且安装成本较高。遥感设备最具有移动性，且依赖于设备可以得到较好垂直和水平空间覆盖率数据，但是花费较多。最经济可行的方法是利用运营风电场的SCADA监测数据进行上述对比。

然而，为了得出运营风电场实际的尾流损失，仍有许多关于处理SCADA测量数据的问题，这些问题增加了尾流测量的不确定性，也因此增加了有关对比的不确定性。例如：

a、假定所有风机都运行在一个相同的、标准的以及令人满意的状态，以便它们能够被视为大型的风速计。这将导致一种假设——自由流风机和其他风机产生发电量的总差可归结为尾流损失。但是事实上，其发电量的损失可能是因为风机运行处在非最佳的状态，例如偏航系统偏离，或非最优风况(包括风入流条件导致功率曲线性能表现的增强或减弱)。

b、忽略了通过压缩区的堵塞对个别风机风流量的影响。

c、忽略了大气条件下由于整个阵列交互影响带来的累积效应。

d、运营数据中的自由流风速的推导是非常困难的，且对于如何实现该计算未得到行业的一致的认同。

技术实现要素：

针对现有技术中的上述问题，本发明的目的在于提供一种海上风电场尾流损失测量方法，旨在定义运营风电场中尾流影响最易获取且可靠的评估过程，并达到最低程度的不确定性，其中包括减少上述问题的方法。

为了实现上述目的，本发明采用以下技术方案：

基于运营风机SCADA数据的海上风电场尾流损失测量方法，所述方法包括以下步骤：

1)获得运营风机SCADA数据和现场测风塔数据；

2)筛选处理风机数据来移除异常的记录值及停机时间段；筛选现场测风塔风资源数据并建立一个完整的数据集；

3)风电场假设；

4)将每台风机周围分为若干个扇区，从SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

5)计算尾流损失。

进一步，可以将计算的尾流损失与现有尾流模型计算的值做对比。从而验证尾流模型在海上风电场的适用性。

进一步，所述步骤1)中，运营风机SCADA数据包括：，风机轮毂高度，该轮毂高度包含基准面，以及风机时间序列数据，即每10分钟的风速、风向和发电量。

进一步，所述步骤1)中，还包括如下数据：风电场竣工坐标(该竣工坐标包含坐标系统和地球投影)，风机状态计数器数据，每台风机的事件数据，以及距离风电场20公里范围内已运行风机的数据，该数据包含竣工坐标、轮毂高度、功率曲线和推力曲线。

进一步，所述步骤1)中，现场测风塔数据包括：测风塔竣工坐标，该竣工坐标包含坐标系统和地球投影，测风塔每10分钟平均风速和风向原始数据，测风塔结构信息，测风塔安装信息，测风塔维护信息，测风塔传感器配置信息，风速计独立校准报告。

进一步，所述步骤1)中，现场测风塔数据还包括：测风塔高度10分钟的温度测量值，10分钟平均时间内风速的标准偏差测量值，气压和湿度10分钟测量值。

进一步，所述步骤2)中，针对每台风机，使用状态计数参数剔除可利用率低于100％的时段，基于具体事件的含义来移除由于功率曲线功率下降、风迟滞或异常风速值所引起的额外散点数据，移除由于电网造成的停机或其他事件影响发电量可利用率的数据。

进一步，所述步骤2)中，测风塔数据分析结合如下要素：

核查安装报告、独立校准报告以及维护报告来评估测风塔质量好坏及其安装配置是否符合IEC标准；现场测风塔风资源数据彻底筛选并建立一个完整的数据集；对数据进行独立校准；如果测风塔高度与风机轮毂高度不同，则需要使用风廓线来获取轮毂高度风速，在计算风廓线时应正确的考虑塔影对风速计的影响。

进一步，所述步骤3)中，假设条件包括：风机入流自由流风速一致，无压缩区的堵塞，科里奥里力效应对风电场影响小，所有风机功率曲线表现一致。

进一步，所述步骤4)中，所述风电场按照30°划分扇区，分为12个扇区，某扇区参考发电量为该扇区所有自由流风机发电量的平均值。风机周围也可以按照30°划分扇区，分为12个扇区。

进一步，所述步骤5)中，所述风机尾流损失％＝1-(风机功率kw/参考功率kw)。

采用上述技术手段的海上风电场尾流损失测量方法具有以下优点：

风电场测量尾流的主要目的是为了确定不同尾流模型的准确性。这对前期建设阶段降低尾流模型的不确定性有帮助，使得项目融资更加容易。

本发明概述了使用运营数据计算尾流损失，从而降低与其相关不确定性的方法。本发明的测量方法具有测量方便、成本低、数据易获取和准确性高的特点。

使用数据集(假设具有充分的数据来对不同气象条件时期进行分类)探索不同气候条件相关的尾流影响，例如湍流、温度、气压、湿度和大气稳定性。本分析结果有助于尾流模型选取及改善模型结果精确性。足够详细的、高质量的输入信息，可以降低尾流损失计算的不确定性。

附图说明

图1是测风塔配置及仪器表；

图中：时期为2012年12月29日至2015年10月28日；

图2是计算的分扇区的尾流损失表；

图3是每台风机测量的尾流损失表；

图4是测风塔月平均数据表；

图中：Jan表示1月份；Feb表示2月份；Mar表示3月份；Apr表示4月份；May表示5月份；Jun表示6月份；Jul表示7月份；Aug表示8月份；Sep表示9月份；Oct表示10月份；Nov表示11月份；Dec表示12月份；

图5是测风塔短期风玫瑰图；

图6是150°至210°扇区WTGs1-9尾流损失测量值与模拟值对比图(WTG：Wind Turbine Generator，风力发电机组)；

图中：WAsP软件Park模型，0.03尾流衰减系数；WAsP软件Park模型，0.04尾流衰减系数；WAsP软件Park模型，0.05尾流衰减系数；Measured即实际测量值，Wake Loss即尾流损失。

图7是总模拟的尾流损失对比图；

图中：WAsP软件Park模型，0.03尾流衰减系数；WAsP软件Park模型，0.04尾流衰减系数；WAsP软件Park模型，0.05尾流衰减系数；Windfarmer软件Park模型，0.04尾流衰减系数；Windfarmer软件涡流粘度模型；Windfarmer软件涡流粘度模型采用大型风电场修正；Wake Loss即尾流损失。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

(一)输入数据需求

精确评估海上风电场测量尾流的所需信息，此信息分为两类，分别为必要和期望的信息。必要信息用于评估尾流损失，如果没有相关信息则无法进行相关评估。期望的信息也十分重要，用于降低计算测量尾流的不确定性水平。不确定性及其成因将在第四部分进一步讨论。

考虑任何影响风电场发电量的因素至关重要，以便发电量的进一步降低可以完全归结于尾流的影响。可能影响风电场发电量的因素有：

●风机、配套设施(BoP)和电网可利用率。

●风电场位置自由流风资源。

●风机实际功率曲线相对于担保功率曲线的表现。例如，偏航误差或者例如海上极端风切变等极端风况条件，相对于入流风速条件可以造成风机输出功率的降低。

因此，为了能够精确的量化尾流影响，需要得到相关信息以消除上述因素所带来的影响。

自由流发电量定义为在某个特定扇区上风方向没有其他风机影响的风机所发的电量。

1.1必要信息

采用运营风机SCADA数据计算海上尾流影响。自由流功率的评估对精确地评估运营尾流影响至关重要。为了确定自由流功率，需要收集以下信息：

●风电场竣工坐标(需明确坐标系统和地球投影)，该数据一般不包括在运营风机SCADA数据中。

●风机轮毂高度，包含基准面。

●风机时间序列数据(10分钟平均)包含：

风速和风向

发电量

计算的基础信息为自由流风速。因此，距离风电场20公里范围内任何已运行风机的信息至关重要，包含竣工坐标、轮毂高度和功率和推力曲线。

接下来的信息有助于明确造成发电量损失的各方面原因，从而可以将发电量损失更精确的归结于尾流影响。这将会降低尾流评估的不确定性水平。

●风机状态计数器(10分钟平均间隔期间秒数)

风机处于良好状态

处于维护状态

电网处于良好状态

其他，例如，专用发电机状态计数器，风速处于良好状态等

●事件数据(以每台风机为单位记录的文件)

检测和复位时间

故障代码

工作描述

受影响的风机

1.2期望得到的信息()

风机SCADA数据可以提供风向数据和机舱方位数据。SCADA风向数据可以用于风机位置的测量风向。然而，风机机舱方位数据与实际风向对比通常具有一定的偏差，因此从其他来源获取风向数据很重要。符合IEC标准的现场测风塔数据是很好的数据来源。符合IEC标准的测风塔是满足功率曲线评估标准(IEC 61400-12)的，因此测风塔安装对风资源数据的影响在行业建议的范围内。设计标准确保不会对测风塔造成额外的气流畸变而增加其测量不确定性。符合标准的测风塔同时可以用于验证测风塔自由流扇区内风机获得的风速数据(假设风机也位于自由流扇区)。为此需要测风塔数据应包括：

●精确的测风塔信息(说明坐标系统和地球投影)。

●现场测量数据(原始数据，包含10分钟平均风速和风向)。

●测风塔结构信息(表明悬臂长度、朝向和仪器的布置)。此处的仪器具体是指风速计、风向标、温度、湿度等传感器。

●测风塔安装信息和维护信息。此处的安装信息具体是指安装高度、测风塔类型、安装日期等。

●测风塔数据记录仪配置(包含记录仪校准及其在测量期间的变化情况)。

●风速计独立校准报告。

风机可利用率和停机事件的进一步信息有助于降低输入数据的不确定性，例如：

●月度运维(O&M)报告，包含以下信息：

预算和实际的发电量和可利用率

解释停机时间或异常性能表现的事件

维护记录，分解为每台风机并包含开始/截止时间和持续时间(从而可以识别出每台风机实际的维护周期)

●风机信息包含：

PPA(功率曲线评估)。PPA将呈现出与担保的功率曲线相比，现场风机性能表现状况

风机风速计校准和传递函数。注意这些信息通常会被忽略并无应用，但是测量的机舱风速越准确，将来在尾流损失评估中就越有价值。尤其对于现场无符合IEC标准的测风塔来验证机舱测量风速的情形来说尤其重要

SCADA警报和故障代码的描述、定义及重置要求越详细越好，最好以电子版格式提供(例如，非扫描复印版)

●任何与维护、修复、环境问题、功率下降等影响性能表现的相关信息。

●包含担保功率曲线的风机合同。

●进一步测风塔数据包含：

测风塔高度10分钟的温度测量值。测量温度梯度用于确定大气稳定性影响

十分钟平均时间内风速的标准偏差测量值

气压和湿度十分钟测量值

1.3模拟尾流所需的进一步资料

为了建立尾流模型来检测模拟的尾流影响的精确性需要得到如下信息：

●风机或测风塔风速资料。如果风机无风速数据，则采用功率曲线和发电量数据得到风速数据。第二部分将详细讨论计算方法。自由流风速的测量作为模型的输入项是非常重要的，从而模型可以精确地计算尾流损失。

●距离测风塔或风机20公里半径的数字地图(1:50,000比例或更精细)，以帮助模型模拟近海岸对于风速测量的影响。

(二)尾流损失计算方法

本部分概述的尾流损失计算方法体现了通过分析风机SCADA和现场测风塔数据得到风电场尾流损失的步骤。第一步是评估风电场自由流风速。如果可以获取相关资料，则包含对风机SCADA数据和测风塔数据的分析。尾流损失可以从测量的数据中推断出。

2.1原始数据处理

风机SCADA数据中需要包含风机风速、风向和发电量数据。与符合IEC标准的测风塔风向相比，SCADA数据中风向数据不确定性较大。风向在整个海上风电场内变化并不显著，因此与使用风机的风向，相较于使用测风塔风向数据，并不会引入较大的不确定性。自由流扇区测风塔和风机均有适宜的数据时，测风塔风速计数据用以验证机舱风速计风速数据。

下面章节描述了如何通过处理风机和测风塔数据，从而获得具有较低不确定性的风速、风向和发电量数据的适宜方法论。

2.1.1风机数据

筛选处理风机数据来移除异常的记录值及停机时间段。应遵循如下步骤获得风机数据，以每台风机为基准，此数据应代表风电场发电量并无任何可利用率问题。

●使用状态计数参数剔除可利用率低于100％的时段。可利用率标记或报警信息用于判断故障时间段。

●基于具体事件的含义来移除由于功率曲线将功率、风迟滞或异常风速值所引起的额外散点数据。

●需要移除由于电网造成的停机或其他事件影响发电量可利用率的数据。第1.2部分描述了提出上述事件的详细信息。

理论上处理后的数据是每10分钟所有风机同期数据。然而，这会导致覆盖率较差，并且无法获取充足的数据开展进一步分析。因此，建议至少90％风机具有同时期数据用于该分析。需要进行敏感性评估以确定筛选对风机可利用率影响显著的因素。

根据经验，机舱上风速计通常无法精确的代表自由流风速，主要是由于安装的风机叶片所带来的影响。因此建议机舱上风速计数据仅作为参考。通常，更加合适的方法是通过风机发电量数据得出风速，而非直接采用机舱风速计数据。如果具有测风塔数据并且在一定自由流扇区范围内同时具有测风塔和风机，则测风塔可以用于校正机舱风速，从而降低机舱风速计记录的不确定性。这说明了第1.2部分所描述的所需数据的重要性。

2.1.2测风塔数据

风电场现场内精确的测风塔数据至关重要，正如前面所述，目的是为了降低测量不确定性。与SCADA系统相比，测风塔可以提供更加准确的风速和风向数据。理想情况下这些数据应来源于符合功率曲线测试标准的测风塔(IEC 61400-12)。

测风塔数据分析应结合如下要素：

●核查安装报告、独立校准报告以及维护报告来评估测风塔质量好坏及其安装配置是否符合IEC标准。

●现场测风塔风资源数据彻底筛选并建立一个完整的合理的数据集。

●如果需要的话对数据进行独立校准。

●如果最高观测高度存在2个风速计，则需要对测风数据的塔影效应进行修复。

●如果测风塔高度与风机轮毂高度不同，则需要使用风廓线来获取轮毂高度风速。在计算风切变时应正确的考虑塔影对风速计的影响。这应通过使用安装于同一方向的较低高度的风速计或通过使用已进行塔影校正过所有测量高度的风速计进行风切变的计算。

如果测风塔配置表明符合相关的IEC标准，并且测风塔对于风机位置具有代表性，则认为其数据相比于机舱数据更加准确。在此情形下，测风塔数据可以与SCADA数据进行相关分析以确定机舱数据的精确性。如果SCADA数据不够准确，测风塔数据可以用于校正SCADA数据或使用测风塔风速和风向数据代替风机数据。

2.2风电场假设

对测量尾流进行评估需进行一系列的假设以使得分扇区的自由流和受尾流影响的风机发电量进行直接对比。主要假设条件有如下：

●在整个风电场中风机入流自由流风速一致。

●无压缩区(压缩区是指受风机的影响，在风机前方风速降低的区域)的堵塞对个别风机风流量的影响。

●科里奥里力效应对风电场影响较小。由于穿过风电场的风流会减速，从而降低科里奥里力效应，这可以在风电场边缘位置提高其性能。

●所有风机功率曲线表现一致。

如果第1.2部分所描述的所需信息可以获取时，为了降低本评估的不确定性将验证(或减轻偏差)上述假设。

同一扇区自由流风速在不同风机位置进行对比得到入流风速的对比结果。

如果测风塔位于距离边界风机上风方向较远位置时，则可以研究风流阻塞效应。测风塔和风机之间入流风速的显著差异表明了可能的风流阻塞效应。

除非具有多个测量位置，否则很难确定科里奥里力影响，但是在风电场转角处入流风速的变化表明了会受到科里奥里力的影响。

PPA显示了相对于担保功率曲线，现场风机性能表现状况。如果此PPA过程符合IEC标准，则如高风切变和TI等特殊风况需要从数据集中剔除。然而，如果具有全部的数据集，则可以在所有条件下评估风机的功率性能表现。

2.3Calculating Reference Power计算参考功率如第1章描述，自由流功率是在某个特定扇区上风方向没有风机影响的风机功率。由于多个风机可以在每一个扇区具有自由流功率，因此需定义一个参考功率。参考功率是通过计算自由流扇区的所有风机功率得到。为了计算分扇区的尾流损失，需将每台受尾流影响的风机的功率与参考功率进行对比。

风机数据需要根据每台风机每个扇区分离出发电量。风向数据应视情况从测风塔或风机SCADA获取。

风电场自由流风资源由所选的每个扇区自由流风机计算得到。自由流风机定义为距离风机上风方向20公里位置30°范围内无紧邻风机。拥有自由流扇区的风机通边缘位置风机，除非在任意方向距离20公里处存在临近风电场。如果有许多临近风电场存在，则需要增加自由流扇区分辨率，因此为得到更多的数据进行分析选用10°扇区宽度更为合适。然而，使用30°扇区间隔可很大程度上避免扰流的影响。因此，使用10°扇区宽度将增加自由流分析的不确定性。

IEC IEC 61400-12-1功率曲线测量标准描述了计算受临近风电场影响的扇区公式，如下：

受扰乱的扇区(α)＝1.3×tan^-1(2.5Dn/Ln+0.15)+10；

其中:Dn＝临近风机叶轮直径；Ln＝距离临近风机距离。

需要对拥有同一自由流扇区所有风机同时期发电量进行对比。如果在第4.2部分开始时所进行的假设条件适用，那么同一自由流扇区不同风机发电量值应相同或非常接近。在这种情况下，参考发电量值可以对每台风机每个扇区进行平均得到。对同一自由流扇区风机发电量取平均可以在一定程度上消除角落风机科里奥里力的影响。

如果在某一自由流扇区，任一自由流风机功率与平均自由流功率相比变化显著时，需要对第2.2章所概述的假设条件进行进一步的调查。如果仅有一个风机特别异常，则此误差可能来源于此风机的功率性能表现，更好的处理方式是在接下来的分析中移除此风机数据。

如果入流风速在整个风电场内变化较大，则需要沿着风机排布对输出功率应用梯度以校正输出功率，从而可以对发电量直接进行对比。风电场不同的入流条件会导致输出风速较低并考虑到尾流损失中去，因此高估了尾流损失并增加了与尾流损失相关的不确定性。

因此，参考功率可以通过某一扇区所有自由流风机平均得到，如果需要的话会应用功率梯度算法。每台风机相对于入流风速线上的位置将决定哪个扇区获取参考功率。

2.4从风机数据中计算测量的尾流

发电量值已进行筛选处理并计算得到了每个扇区参考功率，则可以评估风机尾流影响。为了获得单机尾流估算值，用每台风机功率除以参考功率以对其进行标准化，应在第2.3部分进行计算，对于每个扇区计算公式如下：

风机尾流损失％＝1-(风机功率kw/参考功率kw)

上述公式应该被应用到所有风机位置的每个扇区中，从而得到每台风机分扇区的尾流损失结果。为了获得每台风机总的尾流损失，对每个扇区尾流损失结合该扇区频率进行整合。

2.5尾流影响进一步分析

如果数据充分并且运营数据覆盖率较好，则可以进行进一步的尾流评估。可以根据不同的气候条件准备数据集。影响尾流的气候条件很多，如风速、湍流、气温、气压、湿度和稳定性。上述气候要素需要精确地测量，如第1.2部分描述大部分数据可以从测风塔数据集中获取。发电量数据通常与特定范围气候要素进行同期对比检测，从而计算得到尾流损失变化。

如果调查不同风速对尾流的影响，则可以从测风塔数据或者发电量数据中获得风速。当风速数据基于发电量数据计算时，需要应用保证的功率曲线。风速数据可以从功率曲线和大于0并小于额定功率的发电量数据中反推计算得到。此范围之外的准确的风速对测量尾流不重要。

(三)使用提供数据举例

应客户要求对某海上风电场尾流影响进行了评估。本文采用了第二部分所描述的方法并使用可利用的数据计算出风电场尾流损失。

该风电场位于平坦的潮间带地区，所有风机所处位置的海拔高度距离海平面为0米。此地形在多个扇区可以认为同海上情形相同。然而，周围地形并不能完全代表海上情况。位于现场东北部1公里处有一村庄会影响风电场入流情况。通过卫星影像可以确定，该风电场北部和西部存在其他风电场。

下述风电场数据由客户提供：

●机舱风速计风速和风机发电量数据(SCADA数据格式)，时间周期自2014年1月1日起至2015年6月30日，以10分钟为间隔。

●80米测风塔，坐落于风机7南侧约100米处，数据测量周期为2009年10月05日至2015年10月28日。

风机和测风塔坐标，测风塔配置细节和每台风机位置日可利用率统计信息均有提供。

下述部分详细说明了使用提供数据的分析过程，包含假设条件，分析结果和结论的不一致性的发现。测量的尾流损失与模拟预测结果进行对比并得出评估结论。测风塔风向数据用于定义风电场风向的统计数据，原因是由于风机SCADA数据中没有风向数据。模型模拟阶段使用了测风塔数据作为输入值。然而，由于测风塔数据受到风电场风机尾流的影响，因此在模型中使用测风塔数据之前已移除尾流对测风塔数据的影响。

3.1数据分析

3.1.1测风塔数据

3.1.1.1测风塔配置和仪器

图5中详细列出了本项目测风塔配置和仪器。除了东和东南方向扇区以外所有方向测风塔均受到风机尾流的影响。

没有进行现场考察来验证测风塔的配置和设计。客户没有提供测风塔安装报告，然而以文档格式提供了有限的测风塔安装信息。

提供了测风塔两个不同时期数据：

●周期1–以.rwd原始数据格式提供了自2009年10月08日至2012年12月05日10分钟平均数据。

●周期2–以.xls数据格式提供了自2012年12月19日至2015年10月28日5分钟平均数据。

2009年10月08日至2012年12月05原始数据显示具有四个测量高度，距离地表高度分别为90、80、70和10米。每个测量高度均安装一个NRG#40风速计并在三个最高高度处分别安装了一个NRG#200P风向标。NRG风速计被认为是质量相对较差的风速计并历史经验使用上存在测量问题。然而，在简单条件下NRG设备测量符合IEC标准，因此认为对于本风电场来说是适用的。

自2012年12月19日起资料显示具有四个测量高度，其距离地表高度分别为80、50、30和10米。每个高度分别安装了一台LUFFT WS500-UMB超声波传感器。

2009年10月08日至2012年12月05的数据以原始数据格式提供，然而自2012年12月19日至2015年10月28日数据以Excel格式提供。2012年12月前提供的数据与测风塔安装信息不相符并与2012年12月之后数据不一致。因此，由于其不一致性以及2012年12月前数据与运营数据无同时期数据，此数据将不再用于本文分析。

没有提供任一高度仪器的安装的悬臂方向。

图1为测风塔配置信息。

由于缺乏测风塔原始应用校准参数及独立的校准报告，无法核实应用于2012年12月19日至2015年10月28日的数据中风速计校准参数。由此数据带来的不确定性将增加。

3.1.1.2审查测风塔数据

为了识别数据的异常及存在的潜在问题，对测风塔数据进行了筛选和审查。据分析数据覆盖率好，只有非常少量的异常数据或设备结冰现象。

图1为月平均数据变化图。

图1中观察自2015年7月起80米风向数据具有偏差。对数据的进一步分析得出自2015年7月08日起存在该偏差。因此，自该日起，对80米风向进行180°的校正。无相关维护信息可以解释其产生偏差的潜在原因。

图2为利用测风塔数据得出的短期风玫瑰图。从图中可以看出所有扇区分布相对均匀，南向风频略偏高。

3.1.2风机数据

处理风机数据并移除异常记录值。由于只有发电量日可利用率统计数据，因此不可能移除所有故障时间，因为这将导致最终用于分析的数据不够充足。然而，移除了明显异常的数据段，这些数据可以通过绘制10分钟风速、发电量数据并与保证的功率曲线对比来识别。上述筛选过程并非一个最理想的方法，由于无从得知造成上述异常数据的原因。测风塔数据与距离其最近的WTG7风机机舱风速进行对比结果显示相关关系较差，相关系数(R²)为0.84。对于距离很近的观测点来说，数据之间预期R²为0.95以上。这意味着数据质量较差。由于测风塔和风机数据相关信息提供的有限无法确认是测风塔还是风机数据异常。

通过卫星影像可以确定临近风电场北向和西向均具有临近风电场。采用一种算法来计算每个风机自由流扇区。这种算法是基于IEC61400-12-1(2005)标准附录A，详细内容请见第2.3部分。

由于临近风电场的存在，在270°至330°之间扇区内没有一台风机具有自由流发电量。这意味着在此山区范围内无法计算任一风机的尾流。由于本分析目的是与模拟的尾流进行对比，因此不适宜使用风流体模型来修正尾流影响的发电量数据。因此，在此扇区内无法计算尾流损失。

由于风机详细的可利用率信息的缺失及风电场建于近海陆上的原因自由流发电量具有较大的不确定性。尽管风电场位于平坦地形，但陆上较广的的地形会影响风电场风资源分布。风电场东北方向有一村庄，村庄东部的海拔高度相对较高。因此，该扇区自由流风机入流风速会稍低，由于上述地形及粗糙度的影响。上述地形影响通常还会造成风切变和湍流强度的变化，同时会影响尾流损失。

WAsP(Wind Atlas Analysis and Application Program)风流体模型用于评估风电场风流变化。模拟结果发现WTG1位置入流风速最低，WTG15位置处最高。风电场WTG1和WTG15之间风流变化最大为4％。模型用于计算应用于风电场输出发电量的梯度，从而消除由于入流条件变化带来的影响。第3.2部分中将进一步讨论模型的输入和设置。应注意使用WAsP模型对风电场内变化进行评估会对对比结果引入不确定性，这是由于模型会影响用于与模拟的尾流结果进行比较的测量数据。

即使按照扇区应用了发电量输出值的梯度修正，在不同风机位置之间自由流发电量也仍旧存在显著的变化。结果发现90°扇区风机自由流发电量变化最大为13.3％。此变化表明选择的自由流风机具有较大的不确定性。自由流发电量在北和东向扇区变化大于南和西向扇区。这很可能是由于风来自海洋的南和西方向，在此方向几乎不受地形和粗糙度影响。

由于自由流风机发电量变化较大，更合适的方法是在每个扇区选用最大自由流发电量作为参考发电量。选择用最大的而非平均值作为参考发电量是为了避免不具代表性的潜在尾流影响。然而，当具有最大发电量的风机伴随风速加速作用影响时会带来额外的不确定性，从而造成对尾流损失的过高估计。

采用所有风机的同期数据及从数据集中获取每个扇区每台风机平均发电量。由于风机SCADA数据中没有风向数据，本评估采用测风塔风向数据。

3.1.3分析结果

通过对比每个扇区发电量和同一扇区参考发电量来计算每个风机位置处尾流损失。图2整理出每个30°扇区每台风机尾流损失结果。

图2中可以看出结果中错误明显，多个扇区结果表现为负的尾流损失。北至东北扇区WTG8至15风机结果尤其明显。当风来自此扇区时，据观察得到WTG9至15风机发电量高于参考发电量。这就导致这些风机计算出的尾流损失为异常负值。

此问题的可能原因是在上述扇区选取了WTG1,4和7用于得到参考发电量。据发现已建设区位于东北方向，这将影响WTG1,4和7的入流风资源。然而，由于距离较远，已建设区对WTG9至15的影响较小。已建设区对WTG1,4和7位置处风资源的影响与WTG9至15受到的尾流影响大小等级相似，导致了这些扇区出现尾流损失低值或负值。尽管，发电量应用了梯度以修正入流条件的变化，但模型的输入具有较高的不确定性。模型输入的地形和粗糙度信息来源于免费的可利用资源，因此不具有较高的精确性。本文结果分析中将忽略负的尾流损失，认为其无效。

分析错误结果及其可能的原因有：

●由于缺乏临近风电场发电量数据，无法计算所有扇区参考发电量。因此，在270°至330°扇区无自由流参考数据，而且本评估中没有考虑这些扇区尾流损失。

●风电场位于陆上，因此其风电场入流条件，尤其是陆海交替位置很可能存在变化。

●筛选出低可利用率的时间十分困难，这是由于缺乏充分详细的可利用率数据。

图3列出150°至210°扇区最终频率加权平均尾流损失。表中列出了150°至210°扇区是由于南部入流条件可以代表海上条件。注意WTG10至15在此扇区内无尾流损失，由于在此扇区内为自由流风机。

3.2采用提供数据模拟尾流影响

3.2.1模型输入

免费可获取的的地形和粗糙度信息用于模型输入。地形图来源于航天飞机雷达测图计划(SRTM)。SRTM数据水平分辨率通常为50米，等高线为10米间隔。因此，使用此数据的不确定性较高。粗糙度信息来源于该区域卫星影像资料。没有其他来源资料可以用来验证该粗糙度的准确性，因此与此相关的不确定性将增大。

风电场风机功率曲线来源于风机供应商网站。对临近风电场风机机型和轮毂高度进行假设，其功率曲线来源于风机供应商网站。临近风电场的布局来源于卫星影像。由于无法确认风电场实际功率曲线是否与网站提供的一致，因此模型中所用的功率曲线具有一定的不确定性。

测风塔位置处尾流影响没有重复考虑在模型是非常重要的。因此，运行尾流模型前移除测风塔位置处尾流影响至关重要。为了移除尾流影响，基于发电量形式计算了尾流对测风塔的影响。然后采用风电场能量梯度(风速和发电量的转换关系)将发电量转化成风速。分扇区修正测风塔数据以移除尾流影响。与风机运营数据同期的经过尾流修正的短期风玫瑰图作为各种风流体模型的输入项以预测风电场的尾流。

3.2.2评估的模型

行业标准的尾流模型有基于N.O.Jensen的Park(或修正的Park)尾流模型和基于Ainslie工作的涡流粘度尾流模型，两种模型均由已发表的论文支撑。上述尾流模型仍旧参与尾流模型研究中。这些模型中可以调整尾流衰减系数并且不同尾流模型使用不同的方法结合尾流。

下述模型用于确定风电场预测尾流影响：

●WAsP软件Park模型，0.03尾流衰减系数。

●WAsP软件Park模型，0.04尾流衰减系数。

●WAsP软件Park模型，0.05尾流衰减系数。

●Windfarmer软件Park模型，0.04尾流衰减系数。

●Windfarmer软件涡流粘度模型。

●Windfarmer软件涡流粘度模型采用大型风电场修正。

图6为模拟的风电场尾流损失与第3.1部分计算的尾流损失对比图。由于无法计算所有扇区测量的尾流损失，以及由于南向扇区入流条件可以更好的代表海上条件，因此只对比了150°至210°扇区的尾流结果。Windfarmer模型无法输出分扇区的结果，因此在此不再呈现。图7中可以得出对于所有风机并没有明确的指示出哪个模型表现最好。

图7呈现了所有模型评估的总的尾流损失，以对比WAsP和Windfarmer模型。从图中可以得出，使用两种软件Park模型(0.04尾流衰减系数)拟合结果较一致。且应用大型风电场尾流修正结果没有明显差异。此结论是合理的，因为该风电场没有典型的海上风电场大。与Park模型预测结果相比，涡流粘度模型预测的尾流结果较低。

3.3结论

第1章和第2章介绍的尾流损失计算方法用于计算风电场尾流损失。该风电场位于陆上，但期望其平坦的潮间带地形及某些扇区所得到的结果与海上风电场相似。然而，结果显示不能代表海上条件。这主要是由于其地理位置以及周围已有建筑物的影响。综上，这些将影响风机的入流情况。由于本项目周围临近风电场数据缺失导致某些扇区尾流分析被排除在外，这将增加结果的不确定性。

认为所提供的数据不足以精确地量化风电场的尾流损失。因此，得出的尾流损失具有较大的不确定性。下述几点是造成本评估不确定性较大的关键因素：

●不充分的数据用于得到所有扇区参考发电量，由于无临近风电场相关资源资料。如果可以获取相关资料，则可以得到相关扇区的参考发电量。

●由于风电场位于陆上，参考自由流风机的入流条件会受到地形条件的影响。将位于东北部风机的自由流发电量与位于西侧的风机受尾流影响的发电量进行对比时可以发现上述影响非常明显。基于风流体模型应用发电量梯度来校正地形的影响。然而，由于输入数据的较大不确定性，此不确定性将影响发电量梯度计算。

●未提供足够详细的较高时间分辨率的可利用率数据用于剔除较低可利用率时期的发电量数据。充分的可利用率数据可以改善数据筛选从而确保计算尾流损失所使用的数据是适宜的。

●模拟的尾流损失结果与测量的结果进行了对比。然而，由于模型用于计算风电场的发电量梯度变化，这会进一步带来结果的不确定性。

(四)方法中客观存在的不确定性

目前，使用运营数据计算尾流影响的方法仍存在许多不确定性，且行业也没有达成共识的最适用的尾流研究方法。第三章列出了所需的输入数据和第四章中描述的方法是为了减少使用测量数据推导相关损失带来的不确定性。第五章中概述了相对较差的分析结果，并强调了非常详细和良好的高质量的输入数据的重要性和当数据不可用时造成的潜在较大的不确定性。然而，即使所有期望的数据可供使用，结果仍然可能具有不确定性。本章详细说明了评估不确定性的要点以及如何假设相关输入数据影响整体的不确定性水平。

不确定性分析主要考虑：

●来自SCADA监测数据和测风塔数据的精确性和覆盖度的不确定性；

●可利用率和数据覆盖率调整(校正到90％-100％的可利用率和覆盖率)；

●可用的风电场总结报告的质量、一致性和完整性；

●功率曲线性能的不确定性；

●入流风资源的不确定性；

第三章描述了输入数据，影响的类别如下：

SCADA监测数据和测风塔数据的精确性和覆盖度：不确定性取决于基本信息(1.1提到)的质量，如果SCADA数据覆盖率良好且一个现场可用的符合IEC标准的测风塔用于分析，则会降低不确定性。测风塔的配置信息非常重要，因为这将帮助评估潜在的气流畸变对测量数据的影响。如果测风塔的设计符合IEC标准，那么气流畸变的影响将会降低并将帮助减少测量的不确定性。

可利用率和数据覆盖率调整：关于状态计数器信息的不充足和缺乏事件数据(1.2提到)都将导致非常高的不确定性，甚至可能造成不合理的分析结果。状态计数器和事件数据可将独立于有效数据外的质量差或错误的数据筛选出来。

报告的质量、一致性和完整性：这个不确定性是基于包含运维的月度报告信息和有关维护、维修、环境、功率下降等的信息，都将会影响风机性能表现。这些信息确保可以正确的记录任何风机功率降低的情况，并不被考虑为尾流损失的一部分。相关信息的缺乏会大幅增加不确定性。

功率曲线性能表现：现场功率曲线评估可以通过与担保的可利用率较好的对比降低功率曲线性能表现的不确定性。这同时也会降低由担保的功率曲线和发电量数据而来的风速数据的不确定性。缺乏此类信息的话，相比于用于计算自由流的风机，任何性能表现较差的风机该部分能量的损失都将包含于尾流损失评估中。

入流条件：具有符合IEC标准的现场测风塔及风机风速计校正和传递函数，从而提供精确的机舱测量数据对提供现场真实的入流条件有帮助。如果入流条件变化显著，则将增加与此相关的不确定性。然而，正如第2.3章节所述，这种影响可以在某种程度上通过应用风电场功率梯度削减。

(五)技术效果

风电场测量尾流的主要目的是为了确定不同尾流模型的准确性。这对前期建设阶段降低尾流模型的不确定性有帮助，使得项目融资更加容易。

本发明概述了使用运营数据计算尾流损失，以及如何降低与其相关不确定性的方法。使用数据集(假设具有充分的数据来对不同气象条件时期进行分类)探索不同气候条件相关的尾流影响，例如湍流、温度、气压、湿度和大气稳定性。本分析结果有助于尾流模型选取及改善模型结果精确性。

为了计算测量的尾流影响，项目提供了某风电场数据并应用了开发的计算方法。由于风电场位于陆上，在分析过程中遇到了不少困难；即使该风电场位于近海滩涂位置，其仍会受到地形的影响。缺少风机可利用率及维护信息同样增加了尾流测量结果的不确定性。

足够详细的和高质量的输入信息的重要性通过突出与尾流损失计算相关的不确定性及其与输入数据的关联性表明。第三部分非结论性的结果也突显出了输入数据精度和质量的重要性。

以上所述仅为本发明的实施方式，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进、扩展等，均包含在本发明的保护范围内。