山东沿海风能资源分布特征及评估

利用山东省沿海测风塔70 m高度完整1 a的观测资料计算分析风能资源参数特征.结果表明：山东沿海地区平均风速与有效风功率密度分布特征相似,烟台沿海区域平均风速及有效风功率密度最大分别达到6.7 m/s、463.5 W/m²,沿海北部地区风能资源最为丰富,日照地区最少;受海陆风作用,春季风能资源最好,其次是冬季,夏季最差,风速最大值基本出现在14-16时;年有效风能时数及百分率分别为7 440 h、85%;风能密度分布基本以偏北或偏南方位较大.沿海区域风能资源分布特征与长年代评估结果及数值模拟结果基本一致.     

酒泉风电基地高分辨率风能资源的数值模拟

利用酒泉地区气象观测资料和NCAR/NCEP再分析资料, 结合中尺度WRF模式, 研究了酒泉千万千瓦级风电基地（39.5°～41.5°N, 94.5°~97.5°E）的高分辨率（3 km×3 km）风能资源。结果表明： 在模拟区域内主要有3个风速和风功率密度大值中心; 该区域大部分地区冬季风速和风能密度最大, 夏季较小\.经比较, 模拟的风能密度与实际观测结果较为一致。     

广州南沙区风能资源评估

通过分析位于南沙区万顷沙十七涌的70 m风塔的2008年数据,对南沙区风能资源进行了分析,结果标明:2008年20 m高度上热带气旋对有效风功率密度的贡献率为17.8%,有热带气旋影响月份热带气旋对风功率密度平均贡献率达到34.7%。10、20、40、60 m 4个高度的有效风速时数介于3 278~5 862 h,根据风能区划等级中有效风速时数标准,四个高度的风能资源介于可利用区到丰富区之间;根据风能区划等级中年有效风功率密度标准,四个高度的年有效风功率密度介于84.0~148.6 W/m2,风能资源均属可利用区,综合有效风速时数和年有效风功率密度两个要素可确定南沙区风能资源属可利用区,不具备大型风电场并网发电的风能资源条件,但具备一定利用价值。     

青海高原北部风能资源的高分辨率数值模拟初探

利用风能资源数值模拟评估系统(WERAS),对青海高原北部复杂地形条件下的风能资源状况进行了高分辨率的数值模拟试验,通过模拟结果与同时段测风塔观测数据的对比分析发现:MM5/CALMETM的1km分辨率模拟可以较准确的得到高原北部年平均风速的量值(平均相对误差<20%),能大致模拟出高原风速分布趋势以及年主导风向,但是风功率密度结果与实际吻合度较低(平均相对误差>35%)。模拟结果表明,环青海湖地区、三江源北部及祁连山周边地区70m高度年平均风速均大于8.0m.s-1,年平均风功率密度均在400W/m2以上,风能资源丰富,可以考虑在上述地区开展加密观测,为青海高原大范围开展风能资源评估和风电场选址提供参考依据。     

阿拉腾敖包风场风能资源分析与评估

选用杭锦旗1977—2006年各年逐月平均风速资料、2006年1—12月逐时风向、成速资料、2006年1一12月阿拉腾敖包测风塔逐时风向、风速资料，采用统计分析方法，对阿拉腾敖包风场风速和风功率密度、风速频率和风能频率分布、风向频率及风能密度方向分布、有效风能时数进行计算分析，得出阿拉腾敖包风场风能资源评价；给出了综合评估意见：该风场10m高度年平均风速5.7m?s^-1年风功率密度为147. 19W?m^－2; 60m高度年平均风速7.3m?s^-1,年风功率密度为336.65W?m^－2; 70m高度年平均风速7.6m.s^-1，年有效风速（3～25m?s^-1)时数为8410小时，年风功率密度为380.45W? m^－270m高度年主导风向为WNW风，春、秋和冬三季主导风向均为W风，因而风向较为稳定。年内春季风速较大，秋、冬季次之，而夏季最小。据初步测算，该风能区风能总储量约为152MW.     

玉林大容山地区风能资源分析评估

利用风能资源评估方法对广西玉林大容山的风能资源状况进行分析,结果表明,当地风能资源丰富,风能资源等级为3级,其中30m～70m年平均风速和年平均风功率密度分别为7.6～8.0m.s-1、396.7～497.0W/m2,30m高度的风速和风功率密度最大;一年中2～5月、7月和10月是风能资源利用的最佳时期,一天中夜间特别在20～03时是风能资源量最好时段;各高度3 ～25m.s-1有效风时数为7279～7806h;主导风向和风能密度都主要集中在SSE ～S扇区,70m高度风能密度累计频率达61.9％.     

基于WRF和CFD软件结合的风能资源数值模拟试验研究

运用中尺度数值模式WRF与法国CFD软件MeteodynwT相结合的方法（WRF／WT）,进行了广东省海陵岛地区的水平分辨率100m×100m的风能资源数值模拟试验,采用海陵岛上7座测风塔观测资料对WRF／WT模式的模拟风场进行误差检验,并与WRF／WAsP模式系统对单点风能参数模拟误差进行对比,研究WRF／WT模式系统在风电场微观选址和分散式风电开发利用中应用的可行性。结果表明：中尺度模式与CFD软件结合的数值模拟方法对区域风能资源分布趋势的模拟比单纯应用CFD软件更准确;WRF／WT模式系统应用于复杂地形风能资源数值模拟评估是可行的,其对区域风能资源参数分布模拟的准确率与WRF／WAsP对2km范围内风能资源参数模拟的准确率相当;WRF／WT模式系统在风速频率分布不满足Weibull分布的情况下和陡峭地形条件下有较好的模拟效果,相对WRF／wAsP有明显优势。今后需进一步研究中尺度模式与CFD软件的衔接方法,以及对中尺度模式模拟结果的误差订正。     

基于风能资源专业观测网的风能资源评估

利用中国风能资源专业观测网2009年5—10月各高度层（10、30、50、70 m）的10 min观测数据分析了全国近地层风速及风功率密度的时空、方位及梯度分布特征。结果表明：①全国各地区平均风功率密度基本为1652 W/m2,西北地区以及东南沿海地区风能资源更为丰富;② 5月和10月两个月风能资源的可开发量较大,其中北方地区一般5月较大,而南方地区10月较大;③全国各地大体上呈现西北内陆、东北、华北地区刮偏西北风,东部沿海地区刮偏东南风,云贵地区盛行西南风的趋势;④从不同梯度情况来看,越往高层风能资源的可开发量越大;⑤从全国风能资源的日变化情况来看,一般从08：00—20：00风能资源比较丰富,其中15：00平均风功率密度和平均风速达到极大值,但不同地区不同时段风能资源分布还存在一定差异。     

连州风能资源的评估

利用区域气象站、气象观测站的测风资料和国家相关标准,计算分析连州市的各项风能资源参数,对连州市风能资源的时空变化进行评估,结果表明:2017年平均风速、风向与历年平均风速、风向基本一致,可认为2017年基本为平风年,可以反映连州地区长期的风的特征,具有可用性、代表性。连州市南部、东北部风能资源较丰富,80m高度平均风速达到3m/s以上,平均风功率密度为62.0~139.9W/m^2,有效风功率时数5761~5969h,占65.8%以上,有效风速频率高达64.8%,风能频率占71.8%以上,从长年代估计,雷达站和山塘附近区域的风能资源等级为1级,有利于开发低风速型风电场。西北部、东部的风能资源较为贫乏,平均风速小,风功率密度低,有效风功率时数少,风能开发价值低。     

卓资县财神梁风能资源分析与评估

利用卓资县气象站1959—2006年常规气象观测资料和卓资县境内财神梁测风塔2006年实测数据,采用统计分析方法,计算分析了财神梁风场平均风速、风功率密度等风能参数,得出:财神梁风场10m高度年平均风速和年平均风功率密度分别为6.8m·s-1和273.6W·m-2;65m高度年平均风速为7.7m·s-1,年平均风功率密度为373.1W·m-2。65m高度年主导风向为W风,出现频率为18.0%,风能密度方向也以W为主,占总风能频率的23.9%,有61.6%的风能集中在WSW-NW范围内。65m高度风能有效小时数为8284h,风能的众值分布在8～14m·s-1风速区间内,占全年风能分布的69.1%。财神梁地区风能资源储量较为丰富,且风质优良,适合开发建设风电场。     

基于探空风资料的大气边界层不同高度风速变化研究

利用1981—2014年我国资料齐全的93个高空气象观测站(距离雷达300、600、900 m高度)的探空风资料,按照气象地理区划,借助GIS分析了边界层内不同高度风速及其趋势的时空变化,得到以下结论:300～900 m,东北和华北地区累年平均风速较大,西南和西北地区累年平均风速较小;边界层内各高度同一地区平均风速的月变化趋势基本一致,但各地区季节风速变化不同,同一地区月平均风速的年较差随高度上升而增大;300 m.各地区年平均风速均显著减小:在600和900 m.华北、西北、华中地区年平均风速呈增加趋势,东北地区年平均风速呈减小趋势,但均未通过显著性水平检验;各高度年平均风速空间分布均为东北地区较大,尤其大兴安岭和东北平原地带;从沿海到内陆,由东至西风速逐渐减小;在300 m.全国年平均风速以减小趋势为主;在600 m,全国大部分地区年平均风速呈增加趋势,尤其是中部、西北和华东沿海地区;在900 m高度,全国年平均风速变化趋势呈现由边界向内部的包围态势,中心地区呈增加趋势,边界地区均呈减小趋势,但是通过显著性水平检验的地区不多。     

Changes in Wind Speed and Extremes in Beijing during 1960--2008 Based on Homogenized Observations

Daily observations of wind speed at 12 stations in the Greater Beijing Area during 1960–2008 were homogenized using the Multiple Analysis of Series for Homogenization method. The linear trends in the regional mean annual and seasonal (winter, spring, summer and autumn) wind speed series were-0.26,-0.39,-0.30,-0.12 and-0.22 m s-1 (10 yr)-1 , respectively. Winter showed the greatest magnitude in declining wind speed, followed by spring, autumn and summer. The annual and seasonal frequencies of wind speed extremes (days) also decreased, more prominently for winter than for the other seasons. The declining trends in wind speed and extremes were formed mainly by some rapid declines during the 1970s and 1980s. The maximum declining trend in wind speed occurred at Chaoyang (CY), a station within the central business district (CBD) of Beijing with the highest level of urbanization. The declining trends were in general smaller in magnitude away from the city center, except for the winter case in which the maximum declining trend shifted northeastward to rural Miyun (MY). The influence of urbanization on the annual wind speed was estimated to be about-0.05 m s-1 (10 yr)-1 during 1960–2008, accounting for around one fifth of the regional mean declining trend. The annual and seasonal geostrophic wind speeds around Beijing, based on daily mean sea level pressure (MSLP) from the ERA-40 reanalysis dataset, also exhibited decreasing trends, coincident with the results from site observations. A comparative analysis of the MSLP fields between 1966–1975 and 1992–2001 suggested that the influences of both the winter and summer monsoons on Beijing were weaker in the more recent of the two decades. It is suggested that the bulk of wind in Beijing is influenced considerably by urbanization, while changes in strong winds or wind speed extremes are prone to large-scale climate change in the region.     

数值模拟技术在风电场宏观选址上的应用

现有气象站分布稀疏,难以全面反映潜在大风区域。数值模拟技术通过提高分析区域的空间分辨率,弥补气象站点分布稀疏的缺陷。利用中尺度天气预报模式WRF对吉林省西部地区风能资源进行了数值模拟。结果表明：数值模拟结果反映了实际风速日变化和年变化规律,10 m、50 m、70 m高度模拟值与实际观测值相关系数分别达到0.889、0.862和0.865,均达0.001 的显著水平;模拟结果揭示了地面观测资料未反映出来的潜在大风区。经实际立测风塔观测证实,数值模拟技术可以用于风电场宏观选址。同时揭示了模拟的风速较实际风速大,且模拟风速空间分布差异小于观测的风速,说明现有数值模式模拟的精确度还存在着局限性,风电场微观选址仍依赖于立测风塔进行实地观测。     

复杂下垫面风电场风速数值模拟及误差特征

利用WRF模式分别对沿海及山地条件下风电场风速进行高分辨数值模拟,并对其误差特征进行分析,结果表明:1)WRF模式对复杂地形条件下的风速模拟性能良好,模拟值较好地体现天气尺度的周期变化;2)沿海及山地条件下模拟与观测的误差特征各不相同。模式静态数据未能显现沿海的小岛,并且低估了山地测风塔所在的海拔,导致沿海平均模拟风速偏大,山地平均模拟风速偏小;3)分析不同风向的归一化均方根误差,沿海陆风情况下,下垫面相对复杂,误差明显增大;沿海海风情况下,下垫面均一,误差明显减小;4)仅作单个风电场周边数百平方千米的模拟,采用一台12核的服务器进行WRF模式的并行计算可满足48 h短期预测的时效性。仅仅提高模拟的网格分辨率,并不一定能提升模拟的准确性。     

两种模式在风电场风速预测应用中的对比

利用2011年12月至2012年11月贺兰山风电场测风塔实测资料和同期WRF、BJ-RUC模式预测结果,对2种模式在风速预测中的应用进行对比分析。结果发现,月尺度上,2种模式预测的风速月均值普遍较实测值高,且WRF较BJ-RUC更接近实测值;WRF预测的月平均风速标准差普遍较实测低,而BJ-RUC普遍比实测大;春季WRF预测效果整体上较BJ-RUC好,其它季节WRF预测的月平均风速均方根误差较BJ-RUC的小,但与实测风速的相关性较BJ-RUC与实测风速相关性差。日尺度上,凌晨至中午前后和傍晚至前半夜2个时段,2种模式预测风速普遍比实测值大,而中午至傍晚时分正相反,预测值普遍较实测小。2种模式对〉12 m·s^-1风速预测的均方根误差最小,其次是3~12 m·s^-1,〈3 m·s^-1风速预测的均方根误差最大,但BJ-RUC对3~12 m·s^-1范围风速的变化趋势把握能力较好。WRF和BJ-RUC都普遍低估了1~4 m·s^-1风速段的频次,对5~10 m·s^-1范围频次普遍明显高估,对10 m·s^-1以上风速,WRF预测频次较实测低,而BJ-RUC预测频次则较实测高。BJ-RUC对该区风向的预测能力较WRF好。     

中国1960-2016年风能资源的时空分布特征

基于462个气象观测站1960–2016年共57年的近地面风速日资料,利用克里格空间内插,最小二乘法,相关系数检验和经验正交函数分解(EOF)等方法分析了年均和各个季节中国区域风速及有效风能密度的时空变化特征。研究结果表明:在中国北部和部分沿海地区年平均风速在3 m s-1以上,有效风能密度在75 W m-2以上,而在中国南部地区平均风速和有效风能密度均较小。近五十多年以来,中国区域年均和季节平均风速呈明显下降趋势,北部地区春季递减率最大,沿海地区冬季递减率最大。广东部分地区年平均风速有增大的趋势,西南,华南和华中西部地区年平均风速变化不大。平均风速大的区域,递减率也大。年平均风速和年有效风能密度的主要空间分布模态表现出高度的一致性,均呈现逐年减小趋势。中国风速及风能资源的减小趋势,主要与全球变暖及土地利用变化有关。     

河北地区边界层内不同高度风速变化特征

为了研究城市化进程对风速变化的影响,利用1971-2006年河北省境内邢台、张家口和乐亭3个探空站高空风观测资料和对应地面站风观测资料,统计分析了边界层内距地面10m、300m、600m、900m 4个高度的长期风速变化特征,比较了不同高度风速变化趋势的异同.分析结果表明:3站年和季节平均风速随着距地面高度的增加而变大,但最大的风速垂直递增率出现在从10m到300m之间;各站各高度层月平均风速具有明显的季节变化特征,春季风速最大,夏季较小;在近36年里,3站平均的地面(10m高)年和季节平均风速变化存在显著的减少趋势,300m以上各高度层平均风速一般也降低,但远没有地面明显;不同高度平均风速变化趋势的差异可能主要是由城市化以及台站附近观测环境的改变引起的,这使得地面风速明显减弱;但地面以上各层平均风速同样存在一定减弱现象,说明背景大气环流的变化也是地面风速下降的原因之一.     

中国沿海风能分布特征及其影响因子的数值模拟

利用欧洲中期天气预报中心0.75°×0.75°再分析资料,对中国海岸线两侧相邻区域内的风能、风速进行研究,讨论不同季节、不同区域风能、风速的分布特征;利用WRF(Weather Research Forecast)模式模拟海表面温度上升和城市化发展对中国东部沿海风能的影响。结果表明:1)中国沿海风能的时空分布不均一,季节变化明显。春季渤海湾区域风能明显大于其他三区(华东沿海、东南沿海和南海北部沿海区域)。夏季渤海湾区域风能显著小于其他三区,而华东沿海区域风能稍大。秋季东南沿海和南海北部沿海区域风能较大。冬季沿海四区风能大小接近。一般而言,秋冬季风能较大、春夏季风能较小,夏季风能显著小于冬季。2)不同区域、不同季节风速的年际变化存在明显差异。除冬季东南沿海区域风速有增大趋势外,其他区域各季节风速都呈缓慢减小趋势,但减小幅度很小。3)海表温度升高在不同季节对风速的影响不同。春季渤海湾和山东半岛、北部湾沿海及杭州湾风速随海温升高而增强。夏季海温升高幅度不同,则风速显著变化区域不同,但大部分沿海区域风速随海温升高而增强。秋冬季风速随海表温度升高而增强,影响区域较稳定:秋季东南沿海和华东沿海区域风速增强,冬季渤海湾和南海北部沿海区域风速增强。4)城市化发展增大了地表摩擦力,使得夏秋季登陆我国的热带气旋迅速减弱,沿海风速随之减小。     

Verification of the Weather Research and Forecasting Model when Forecasting Daily Surface Conditions in Southern Alberta

The Weather Research and Forecasting (WRF) model was compared with daily surface observations to verify the accuracy of the WRF model in forecasting surface temperature, pressure, precipitation, wind speed, and direction. Daily forecasts for the following two days were produced at nine locations across southern Alberta, Canada. Model output was verified using station observations to determine the differences in forecast accuracy for each season.

Although there were seasonal differences in the WRF model, the summer season forecasts generally had the greatest accuracy, determined by the lowest root mean square errors, whereas the winter season forecasts were the least accurate. The WRF model generally produced skillful forecasts throughout the year although with a smaller diurnal temperature range than observed. The WRF model forecast the prevailing wind direction more accurately than other directions, but it tended to slightly overestimate precipitation amounts. A sensitivity analysis consisting of three microphysics schemes showed relatively minor differences between simulated precipitation as well as 2?m surface temperatures.