基于復雜氣候地理條件下風機出力特性研究

陳世游，陸 海，蘇 適

（云南電網有限責任公司電力科學研究院工作站，云南 昆明 650217）

0 引言

風能作為清潔便利的能源，是風電開發利用的重要載體。過去10 年，我國風電裝機增長了47倍，2010年風力發電累計裝機容量達到4182.7 萬千瓦，躍居世界第一。預計到2020年，我國風電裝機容量將至少達到1.5億千瓦，約占10%。由此可見，風能最具規?；_發前景。目前國內風電機組能量可利用率水平較低一般為60%~70%[1]，而國外已經達到了90%以上，即使在不考慮限電的影響情況下，機組的能量可利用率仍然有較大的提升空間。隨著風電大規模、集中式接入主網，如何合理地評估風電場運行情況及為調度提供可靠的風電場運行信息，如理論出力，對指導風電場優化控制運行具有重要意義。

隨著風力發電的大規模應用，對風電場全場風機出力研究也逐漸展開。由于風力發電機組的理論發電能力只與機組參數和入流的風速有關，風機艙前風速精準測量是評估單臺及全場機組理論出力重要前提。然而，在針對高原地形風電場多分布在山脊上和立體氣候風資源隨海拔變化顯著的情況下，紊流、湍流和風向迂回的相互交錯作用，這種傳統的測量方法導致測風塔測得的風數據與風機艙前風速不一致?，F有文獻主要從風電場出力建模和以精確測風為基礎進行功率曲線繪制來評估單機出力進行研究，文獻[2]利用雷達測風儀激光反射原理進行風速風向測量精準測量，利用區間分析的方法繪制出功率曲線風力發電機組的功率特性曲線，但是文獻給出方法只適合去評估單臺風機出力，無法對全場風機出力進行評估。文獻[3]以風電場的實際風速及其發電出力的歷史實測數據為基礎，通過對風電場內部多個機群的風速序列進行相關性處理，建立由多種Copula函數組成的混合Copula模型，然后將多組機群出力線性疊加，得到風電場聚合出力。文獻在進行全場出力評估時，需要大量機群的精確風速歷史數據。而在高原立體氣候條件下，獲得各個機群精確風速困難性大。文獻[4]采用 CFD數值模擬評估復雜山地地形中的風能分布，采用了六面體結構化網格系統,計算收斂迅速, 結果精確。文獻為評估全場風資源提供了可靠方案,為全場風機出力評估提供科學方法。文獻[5]提出了一種真實功率曲線的模型，考慮了各范圍風速數據的正態分布。此外，還提出了一種基于蒙特卡羅的仿真技術，以基于正規的模型來產生風速數據，為風電場出力建模提供可靠數據。

現有研究針對高原立體氣候條件下，沒有對風電場出力研究提供可行的實驗方案，因此有待深入研究;在此，本文提出采用一臺激光雷達裝置對機組進行風速精準測量；然后，以激光雷達的風速實測數據為參考點，對風電場風資源分布進行CFD模擬推算風電場內機組的艙前風速，最后，采用推算的風速和風機實際輸出功率進行擬合，將擬合功率曲線與廠家提供的靜態功率曲線做對比，驗證風場理論出力評估方法的可行性。本文研究流程圖如圖 1所示。

1 根單機功率特性試驗

1.1 激光雷達測風

激光雷達是采用激光多普勒原理，對空氣中的微粒的雷達回波進行追蹤，從而對風速進行測量的裝置。與傳統機械式測風相比，激光雷達可以采集全面風數據：風速，風向，風切變，向變，湍流強度，氣流傾角等數據；另外其測量原理決定了可以對機組前方自由流的風速進行測量，保證了測量數據的可靠性。同時，在風機尾流、大氣現象、復雜氣流的可視化方面也具有較強的優勢[6]。

1.2 激光雷達測風原理

激光雷達風速測量的示意如圖2所示。光學頭發出兩束夾角為2θ的激光束，并采用多普勒原理分別測量沿激光束的徑向風速，一旦 R WS1和 R WS0被測出，那水平風速可以采用如下的方法進行重構[7]。

徑向風速的計算公式為：

RWS=徑向風速=沿激光束的風速=

其中λ為激光波長，f為多普勒頻移量

水平風速的兩個分量可以采用下式得到

則風速矢量和風向可以通過下式得到

圖2 激光雷達測風示意圖Fig.2 Laser radar wind measurement

2 C FD模擬推算與單機功率特性外推全場

CFD（Computational Fluid Dynamics）計算流體力學技術是通過計算機的幫助，根據流體力學的規律進行模擬求解，將幾何區域分解為一個個小的網格，并在其中求解復雜的偏微分方程組的過程[8]。綜合計算精度，運算時間，計算機性能，采用雷諾時均法對湍流進行模擬，考慮地表粗糙度，本次計算采用WindSIM軟件帶有壁面函數的k-s瑞流模型,三維標準k-s模型方程為：

其中k和ε分別為湍動能及其耗散率，kP為湍動能生成項，可以用如下公式表示：

在式6中，ju和ju′分別為 j方向的平均風速和脈動風速。其中湍流粘度為：

式4、5和7中：Cμ，1Cε，2Cε，kσ，εσ為模型常數，需要根據測風數據對模型常數進行修訂。

2.1 復雜風電場地形數據處理

利用地球電子地形數據ASTER GDEM（先進星載熱發射和反射輻射儀全球數字高程模型）獲得地形數據；根據提供的1：2000的測繪地形圖（DWG格式），采用AutoCAD和Global mapper、Wasp Map Editor等軟件對地形數據進行處理，地形圖處理步驟如下[9]。

（1）地形圖的外擴

本次計算除了風電場區域外，還需要包含周邊5000m的區域，外擴區域地形圖采用 ASTER電子地圖數據，該數據較能真實的反映真實的地形特征。

通過Autocad、Global mapper等軟件對原始地形數據和下載地形數據進行合并處理，優化邊界等高線，保證計算收斂性。

（2）地形圖處理及生成

通過 cad對地形數據中的無效信息進行剔除，僅保留等高線信息；

通過 Global mapper軟件對等高線信息進行處理，輸出map、gws等需要的格式

2.2 復雜風電場地貌數據處理

依靠國家基礎地理信息中心研制的全球高分辨率地表覆蓋遙感制圖獲得 30米地表覆蓋數據（GlobeLand30），通過獲取GLC30粗糙度信息，截取風電場區域范圍內的粗糙度信息，導入 global mapper中；或者根據提供的測繪地形圖中的關于對地貌信息的描述，手動生成地貌信息文件，導入global mapper文件；對導入的文件進行處理，輸出需要的格式。

2.3 地形、地貌信息合并處理

采用Global mapper或Wasp Map Editor對地形數據進行處理及合并，根據所采用的軟件所需格式輸出。Windsim需要gws文件，WT需要map文件。

2.4 計算域的設置與離散

針對風電場范圍及周圍 5000米的范圍進行CFD模擬仿真。各項參數設置如下。

（1）水平分辨率

水平分辨率為25 m~267 m。對風電場區域及測風塔區域進行網格加密，網格精度為25 m*25 m，風電場以外的區域采用 0.3的系數逐漸擴大，在不影響計算結果的情況下，節省計算機資源，提高計算速度。

（2）垂直網格數量

垂直網格數量采用31個，并通過參數設置保證150 m以下存在10個以上網格，以確保模擬結果的準確性。

（3）平滑設置

實際地形計算結果收斂性較好，未對地形圖進行平滑處理

（4）森林模型

因無區域森林數據，未采用森林模型，采用粗糙度設置替代。通過以上設置，本次計算x方向網格數量410個，y方向網格數量418個，z方向網格數量31個，總網格數量500多萬個。

2.5 邊界條件的設置

表1 風電場邊界條件設置參數Tab.1 Wind farm boundary conditions setting parameters

3 算例分析

3.1 風電場

計算風電場位于中國云貴高原地區，所在區域海拔高度1800~2400 m，風電場內高度落差約500 m。風電場占地面積約為30 km2，境內溝壑縱橫，群山高聳、山谷相間、 立體氣候明顯，區域內存在大量藥用值物。風電場內共有66臺東方電氣FD82機型風電機組，風機輪轂高度為70 m，葉輪直徑為82 m，額定容量 1500 KW。場內風電機組的排布如圖 3所示。

本次試驗所采用的激光雷達為 AVENT公司生產的 WindIris機艙式激光雷達。在實際測試時，處理單元放置在風力機機艙內部，光學頭和通過三腳架打孔固定安裝于機艙頂部如圖4所示。

圖3 機組排布圖Fig.3 Unit layout diagram

圖4 機艙頂安裝方式Fig.4 Nacelle top installation

本次測試所采用的激光雷達主要技術參數如表2所示。

表2 W indIris技術參數表Tab.2 W indIris technical parameters

3.2 計算結果與分析

3.2.1 雷達數據處理

通過機載激光裝置，測得單臺風機艙前不同距離處的風速如表3所示。從表3所測的數據來看風速在距離風機110 m~200 m之間基本穩定。

為進一步清晰描述不同測風距離測風數據相關性，引入相關系數來刻畫變量之間關系密切程度，相關系數的取值區間在1到–1之間。1表示兩個變量完全線性相關，–1表示兩個變量完全負相關，0表示兩個變量不相關。數據越趨近于0表示相關關系越弱。測風數據之間相關性越高，數據質量越可靠。下式是相關系數[10]計算公式。

其中xyr表示樣本相關系數，xys 表示樣本協方差，xs表示X的樣本標準差，ys表示Y的樣本標準差。下面分別是xs和ys標準差的計算公式。

按照如上公式9、10、11和12我們可以求得數據相關關系，具體數值如表4所示，從表4可以看出，測風數據之間相關性非常好，數據質量可靠。距離風輪越遠，風速越高。這是由于距離風機越遠，海拔越低，測量點距離地表越遠。白天熱交換劇烈，大氣極不穩定，對流強烈，貼近地表位置的風速將高于遠離地表位置。夜間則相反。

3.2.2 CFD模型驗證及通過雷達數據推算全場

將激光雷達測量的110 m、140 m、170 m距離處風速均導入WindSim軟件中計算，模擬風機所處上述位置處風速，將雷達測速與推算作對比來驗證模型準確性，結果如表5所示。

表4 不同距離風速相關性分析統計表Tab.4 Statistical table of correlation analysis of wind speed at different distances

表5 各個點處風速推算驗證Tab.5 Verification of wind speed at various points

110 m測量結果和推算結果偏低，230 m測量結果和推算結果偏高，其余結果均在8.34 m/s附近，偏差均小于0.1，選取200 m處（2.5D）進行推算是可行的。因風輪阻擋，造成實測風速小于實際風速，采用距離近處風速推算結果小于距離遠處推算結果，模型并未產生較大誤差，結果準確可靠。

將云南某地區風電場各個風機進行 CFD模擬推算，并用對機組的 SCADA／風速儀數據進行采集，獲得機組各個機位模擬數據。將推算的數據與SCADA／風速儀采集的數據進行相關性分析，結果如表 6所示。對比 J02~J05及附近機位的實測SCADA數據，發現 J02、J03、J04、J05風速與周圍機位風速變化趨勢差異較大?？赡苁菣C艙風速儀損壞造成或系統錯誤。從表中可以看出各個風機推算得到的艙前風速與 SCADA／風速儀采集的相關性較好，模擬效果較好[11]。

3.2.3 功率曲線對比

采用推算的風速和風機實際輸出功率擬合功率曲線，擬合結果與廠家提供的靜態功率曲線對比，如圖5、6所示。

從圖5、6可以看出，功率曲線和Cp曲線變化存在四個階段：

（1）在低風速段（3 m/s~7 m/s），擬合的實際功率曲線略高于廠家的靜態功率曲線，這主要是因為靜態功率曲線模擬未考慮湍流強度的影響，而實際功率曲線受到湍流強度影響。在低風速段，Cp為上升趨勢，當風速從3 m/s增加到4 m/s時，風能利用系數Cp從0.2左右增加到0.4左右，風速的提升對Cp的影響非常大。因此在低風速段，湍流強度越高，功率曲線表現越好。

表6 模擬結果與運行結果相關性統計Tab.6 Correlation between simulation results and operating results

（2）在8 m/s附近，靜態功率曲線與動態功率曲線基本一致。因為此階段，Cp隨風速的變化非常小，湍流強度對風速的影響無法在功率曲線中體現。

（3）在額定功率附近（9 m/s~12 m/s），擬合的實際功率曲線低于廠家的靜態功率曲線，這是因為Cp曲線開始下滑，這與低風速段情況正好相反，因此有上述表現。

圖5 功率曲線對比Fig.5 Pow er curve comparison

圖6 Cp 曲線對比Fig.6 Cp curve comparison

（4）在額定風速以后（13 m/s~25 m/s），風機實際輸出功率高于額定功率，這是因為風機在設計時可以超發10%左右，因此高出靜態功率曲線。

綜上所述，采用激光雷達測風與CFD外推全場風機出力方法擬合的功率曲線與實際較為相符，此方法具有可行性。

4 結論

本文首先從復雜地形氣候條件下，傳統測風手段不能精確測得機艙前風速入手，采用激光雷達精確測得云南曲靖某地區單個機艙前不同距離處風速，并對測風數據進行相關性分析，論證了激光雷達測風數據可靠性；然后，將激光雷達測量的110 m、140 m、170 m距離處風速均導入WindSim軟件中計算，對全場風速進行模擬，并將模擬結果與測風塔處測得風速做對比，得出 CFD模擬方案可行性;最后，采用CFD模擬推算的風速和風機實際輸出功率進行擬合得到功率曲線，將擬合結果與廠家提供的靜態功率曲線對比，結果可知擬合得到功率曲線與廠家提供的靜態功率曲線較吻合，從而驗證了以激光雷達測風為基礎進行 CFD模擬外推全場理論功率方案的可行性。

過去在評價機組或風電場時，基本都是用年利用小時數，發電量等指標來進行。這樣做的缺點是沒有考慮到機組微觀選址時帶來的風資源天然差異。我們只知道某臺機組發電量大，某臺小。但是并不知道每臺機組實際上的理論最大出力是多少，也無法有效地判斷造成這種差異的深層次原因。這時，通過本文所提方案評估單機及全場理論出力，進而引入“能量可利用率”這一新的評價標準，解決上述評價方法缺陷，合理地評估風電場運行情況及為調度提供可靠的風電場信息，指導風電場優化控制運行，且對提高新能源區域消納能力具有重要意義。

[1] 馬平, 劉昌華. 風力發電機組功率曲線的驗證[J]. 可再生能源, 2008, 26(12): 82-84.

[2] 潘寧. 基于激光雷達測風儀的風電機組功率曲線測試方法研究[J]. 節能技術, 2013, 31(178): 112-115.

[3] Pan Xiong, Wang Lili, et al. Modeling method of wind farm output based on mixed Copula function[J]. Automation of Electric Power Systems, 2014, 38(14): 17-22.

[4] S. Gill, B. Stephen, S. Galloway. Wind turbine condition assessment through power curve copula modeling, IEEE Transactions on Sustainable Energy[J]. 2012, 3(1): 94-101.

[5] Kim Jaejin,Baik Jongjin.A numerical study of the effects of ambient wind direction on flow and dispersion in urban street canyons using the RNG k-s turbulence model[J]. Atmospheric Environment, 2004, 38(19): 3039-3048．

[6] 肖創英, 汪寧渤, 陟晶, 等. 甘肅酒泉風電出力特性分析[J]. 電力系統自動化, 2010, 34(17): 64-67.

[7] 劉昊, 柳亦兵, 辛衛東, 李若昭. 基于運行數據的風力發電機組功率特性分析[J]. 電網與清潔能源. 2009(7): 53-56.

[8] P. Mohan Kumar, M. Mohan Ram Surya, et al. Comparitive CFD analysis of darrieus wind turbine with NTU-20-V and NACA0018 airfoils, 2017 IEEE International Conference on Smart Grid and Smart Cities [C]. Singapore, 2017.

[9] 肖儀清, 李朝, 等.復雜地形風能評估的CFD方法[J]. 華南理工大學學報, 2009. 37(9): 30-35.

[10] 卞海紅, 鄭維高, 林章歲, 等. 集群風電場出力統計指標建模與應用[J]. 電力自動化設備, 2015, 35(12): 21-27.