風(fēng)電場測風(fēng)數(shù)據(jù)插補(bǔ)方法研究及 插補(bǔ)結(jié)果偏差分析

于佳鶴，崔 杰，王風(fēng)濤

(北京金風(fēng)科創(chuàng)風(fēng)電設(shè)備有限公司，北京 100176)

0 引言

風(fēng)電場測風(fēng)數(shù)據(jù)是影響風(fēng)電場產(chǎn)能評估的最直接因素[1]。依據(jù)GB/T 18710-2002《風(fēng)電場風(fēng)能資源評估方法》[2]，測風(fēng)塔數(shù)據(jù)需要有1個完整年的測量時間。但實(shí)際情況中，由于測風(fēng)塔儀器損壞、數(shù)據(jù)傳輸故障、結(jié)冰、倒塔等原因，會造成測風(fēng)塔數(shù)據(jù)中存在大量的問題數(shù)據(jù)[3]。因此，為客觀反映風(fēng)電場的風(fēng)資源情況，需對測風(fēng)塔數(shù)據(jù)進(jìn)行清洗然后補(bǔ)全，將測風(fēng)塔數(shù)據(jù)補(bǔ)全至1個完整年。另外，由于測風(fēng)工作占據(jù)了風(fēng)電項(xiàng)目前期階段的大量時間，若能在實(shí)測數(shù)據(jù)測量時間較短的情況下提供合理且快速的將數(shù)據(jù)補(bǔ)全的方法，有助于較快得到完整年的數(shù)據(jù)，從而進(jìn)行風(fēng)電項(xiàng)目資源的初步評估，這將有利于提升風(fēng)電項(xiàng)目的開發(fā)效率[4]。這種將數(shù)據(jù)補(bǔ)全的方法即為插補(bǔ)方法[5-6]，可根據(jù)參考數(shù)據(jù)利用插補(bǔ)方法將目標(biāo)數(shù)據(jù)補(bǔ)全。

本文對數(shù)據(jù)插補(bǔ)的相關(guān)應(yīng)用進(jìn)行了探究，從相關(guān)系數(shù)、測風(fēng)時間、插補(bǔ)算法3個方面進(jìn)行了分析，目的是探究適合做插補(bǔ)的相關(guān)系數(shù)水平；研究了不同測風(fēng)時長及不同測風(fēng)月份時的偏差水平及偏差關(guān)系，在測風(fēng)時長一定的前提下，推薦了最優(yōu)的測風(fēng)月份，并針對不同測風(fēng)數(shù)據(jù)的均方誤差(mean-square error，MSE)值推薦了最優(yōu)插補(bǔ)算法。

1 數(shù)據(jù)收集及插補(bǔ)方法

1.1 數(shù)據(jù)收集

為了評價插補(bǔ)方法的優(yōu)劣，在全國范圍內(nèi)收集滿足有效率要求的450對測風(fēng)塔的樣本數(shù)據(jù)互相作為目標(biāo)塔和參照塔。樣本數(shù)據(jù)需要滿足以下要求：1)每座測風(fēng)塔的樣本數(shù)據(jù)滿足1個完整年，且數(shù)據(jù)有效率滿足GB/T 18710-2002《風(fēng)電場風(fēng)能資源評估方法》的要求；2)每對測風(fēng)塔樣本數(shù)據(jù)同期測量時間滿足1個完整年。

按照既定目標(biāo)對目標(biāo)塔的數(shù)據(jù)進(jìn)行剔除，從而模擬真實(shí)數(shù)據(jù)缺失的案例；使用參照塔數(shù)據(jù)，采用不同的測量-關(guān)聯(lián)-預(yù)測(Measure-Correlate-Predict，MCP)[7]方法對目標(biāo)塔數(shù)據(jù)進(jìn)行插補(bǔ)；然后將插補(bǔ)結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行對比。

1.2 MCP插補(bǔ)方法介紹

本文進(jìn)行對比分析的MCP插補(bǔ)方法有8種算法，包括線性最小二乘(linear least squares，LLS)法、正交最小二乘(total least squares，TLS)法、方差比(variance ratio，VR)法[8]、速度比(bulk speed ratio，BSR)法、威布爾分布擬合(Weibull fit，WBL)法[9]、風(fēng)速排序(speed sort，SS)法[10]、垂直切片(vertical slice，VS)法[11]，以及矩陣時間序列(matrix time series，MTS)法[12]。

1.2.1 線性最小二乘(LLS)法

此算法的原理是在目標(biāo)風(fēng)速與參考風(fēng)速散點(diǎn)基礎(chǔ)上得到線性直線的斜率和截距，LLS法最小化的是數(shù)據(jù)點(diǎn)到最佳擬合線的垂直距離的誤差平方和。

采用LLS法可選的參數(shù)有“扇區(qū)數(shù)量”和“截取風(fēng)速”。如果扇區(qū)數(shù)量大于1，即為分扇區(qū)插補(bǔ)，此時在根據(jù)參考數(shù)據(jù)劃分的扇區(qū)內(nèi)利用LLS法分別對參考風(fēng)速進(jìn)行擬合；如果設(shè)置了截取風(fēng)速，則在直線擬合過程中忽略目標(biāo)風(fēng)速和參考風(fēng)速小于截取風(fēng)速的散點(diǎn)。

1.2.2 正交最小二乘(TLS)法

TLS法是在LLS法的基礎(chǔ)上對偏差的計算方法進(jìn)行了改進(jìn)，使數(shù)據(jù)點(diǎn)到最佳擬合直線的正交距離最小，以此來擬合斜率和截距，從而得到直線方程。

采用TLS法有2個可選的參數(shù)，即“扇區(qū)數(shù)量”和“截取風(fēng)速”。

1.2.3 方差比(VR)法[8]

VR法是一種利用同期數(shù)據(jù)平均值和方差比來表示線性模型的斜率和截距的線性方程。簡單的線性回歸模型預(yù)測的平均風(fēng)速值與實(shí)測的平均風(fēng)速值十分接近，但其預(yù)測的風(fēng)速序列的方差卻小于實(shí)測的風(fēng)速序列的方差，如此可能導(dǎo)致風(fēng)頻分布預(yù)測出現(xiàn)偏差。VR法預(yù)測的風(fēng)速序列與實(shí)測的風(fēng)速序列具有相同的平均值和方差，可以很好地解決上述問題。

采用VR法有2個可選的參數(shù)，即“扇區(qū)數(shù)量”和“截取風(fēng)速”。

1.2.4 速度比(BSR)法

BSR法是一種非常簡單的將目標(biāo)風(fēng)速序列與參考風(fēng)速序列關(guān)聯(lián)起來的算法，這種算法是假設(shè)目標(biāo)風(fēng)速與參考風(fēng)速之間的關(guān)系為y=bx，其中，斜率項(xiàng)b等于目標(biāo)風(fēng)速序列和參考風(fēng)速序列的比值。

采用BSR法有2個可選的參數(shù)，即“扇區(qū)數(shù)量”和“截取風(fēng)速”。

1.2.5 威布爾分布擬合(WBL)法[9]

WBL法致力于建立目標(biāo)風(fēng)速序列的分布參數(shù)與參考風(fēng)速序列的分布參數(shù)之間的線性關(guān)系。該算法適用于目標(biāo)風(fēng)速序列與參考風(fēng)速序列均較好的滿足威布爾分布的情況，但是明顯是非威布爾分布時誤差較大。

采用WBL法只有1個可選的參數(shù)，即“扇區(qū)數(shù)量”。

1.2.6 風(fēng)速排序(SS)法[10]

SS法是在LLS法的基礎(chǔ)上引入了排序的思想，與傳統(tǒng)的線性回歸法不同，SS法將各扇區(qū)中參考風(fēng)速序列與目標(biāo)風(fēng)速序列進(jìn)行獨(dú)立排序，得到排序后的新數(shù)據(jù)序列中目標(biāo)風(fēng)速關(guān)于參考風(fēng)速的分布散點(diǎn)，針對分布散點(diǎn)擬合線性回歸方程。

采用SS法僅有1個可選的參數(shù)，為“扇區(qū)數(shù)量”。

1.2.7 垂直切片(VS)法[11]

VS法是在傳統(tǒng)的線性模型中引入分段的思想，將扇區(qū)中參考風(fēng)速與目標(biāo)風(fēng)速的同期數(shù)據(jù)按照數(shù)據(jù)大小進(jìn)行分組，建立分段線性模型，然后通過細(xì)化數(shù)據(jù)段，提高模型的擬合優(yōu)度。

采用VS法只有1個可選的參數(shù)，為“扇區(qū)數(shù)量”。

1.2.8 矩陣時間序列(MTS)法[12]

MTS法是基于經(jīng)典矩陣法的改造，該算法的目標(biāo)是生成目標(biāo)數(shù)據(jù)的真實(shí)分布，由于無需考慮目標(biāo)風(fēng)速與參考風(fēng)速的相對分布，因此其能得到較好的目標(biāo)風(fēng)速的分布情況，且可以在目標(biāo)風(fēng)速序列與參考風(fēng)速序列相關(guān)性較差的情況下預(yù)測目標(biāo)風(fēng)速序列。相較于大多數(shù)線性MCP方法，這種對目標(biāo)風(fēng)速分布的關(guān)注是MTS法的主要優(yōu)勢，但由于測風(fēng)記錄是以散點(diǎn)的形式保存的，因此該算法在得到連續(xù)型聯(lián)合概率密度分布函數(shù)時會引入擬合的不確定性。

2 評價指標(biāo)與均值檢驗(yàn)

為綜合評價不同插補(bǔ)算法得到的插補(bǔ)結(jié)果的優(yōu)劣，本文采用MSE值、威布爾分布k值[13]、平均風(fēng)速、風(fēng)功率密度[14]、風(fēng)電機(jī)組發(fā)電量這5種不同類型的指標(biāo)作為評價指標(biāo)，并利用評價指標(biāo)構(gòu)建相對偏差及絕對偏差指標(biāo)體系用于結(jié)果分析；最后為驗(yàn)證偏差結(jié)果之間是否存在顯著性差異，對偏差結(jié)果進(jìn)行均值檢驗(yàn)。

2.1 分析評價指標(biāo)

1)MSE值。MSE是預(yù)測數(shù)據(jù)點(diǎn)和真實(shí)數(shù)據(jù)點(diǎn)誤差的平方和的均值，用來檢測模型的預(yù)測值和真實(shí)值之間的偏差；MSE值越大，表明預(yù)測效果越差。MSE的公式為：

式中，m為數(shù)據(jù)量；i為第i個數(shù)據(jù)點(diǎn)；yi為真實(shí)數(shù)據(jù)點(diǎn)；y^i)為預(yù)測數(shù)據(jù)點(diǎn)。

2)威布爾分布k值(下文簡稱“k值”)[13]。k為威布爾分布的形狀參數(shù)，是度量風(fēng)頻分布的指標(biāo)。威布爾分布模型可以很好地模擬風(fēng)速的分布情況，風(fēng)速分布的概率密度函數(shù)f(v)為：

式中，a為尺度參數(shù)；v為風(fēng)速。

3)平均風(fēng)速。平均風(fēng)速是指風(fēng)速序列的平均值，其計算公式為：

式中，μ為平均風(fēng)速；n為樣本量。

4)風(fēng)功率密度[14]。風(fēng)功率密度是用來評價風(fēng)做功能力的指標(biāo)，指單位時間內(nèi)通過單位葉輪面積的空氣動能。風(fēng)功率密度Pv的公式為：

式中，ρ為空氣密度。

5)風(fēng)電機(jī)組發(fā)電量(標(biāo)準(zhǔn)發(fā)電小時數(shù))。利用北京金風(fēng)科創(chuàng)風(fēng)電設(shè)備有限公司生產(chǎn)的GW140/2500風(fēng)電機(jī)組的功率曲線進(jìn)行產(chǎn)能計算，從而可以直觀地反映出插補(bǔ)偏差帶來的發(fā)電量影響。

2.2 均值檢驗(yàn)[15-16]

均值檢驗(yàn)的目的是檢驗(yàn)2個或2個以上總體分布的均值是否存在顯著性差異，以“2個或2個以上獨(dú)立樣本來自的2個或2個以上總體分布的均值無顯著性差異”作為原假設(shè)。當(dāng)樣本組為2組時，采用Welch均值檢驗(yàn)方法；當(dāng)樣本組的組數(shù)超過2組達(dá)到3組及3組以上時，則為多樣本檢驗(yàn)，此時采用Kruskal-Wallis均值檢驗(yàn)方法。

采用Welch均值檢驗(yàn)方法時應(yīng)用的檢驗(yàn)統(tǒng)計量為t統(tǒng)計量，即：

其中，

采用Kruskal-Wallis均值檢驗(yàn)方法時應(yīng)用的統(tǒng)計量為K-W統(tǒng)計量，即：

式中，j為樣本組數(shù)；ni為第i組樣本量；Ri為第i組樣本中的秩總和。

定義均值檢驗(yàn)的顯著水平α=0.05，均值檢驗(yàn)的顯著水平結(jié)果為p。當(dāng)p≤α?xí)r，拒絕原假設(shè)，認(rèn)為樣本數(shù)據(jù)組來自不同的分布，即分布的均值存在顯著性差異。

3 結(jié)果分析

本文就相關(guān)系數(shù)、測風(fēng)時間及插補(bǔ)算法3個部分對測風(fēng)數(shù)據(jù)插補(bǔ)結(jié)果的偏差進(jìn)行分析。

3.1 相關(guān)系數(shù)

相關(guān)系數(shù)分析采用指標(biāo)MSE作為評價標(biāo)準(zhǔn)，MSE是度量整個序列插補(bǔ)效果優(yōu)劣的評價指標(biāo)。通過對測試結(jié)果進(jìn)行分析發(fā)現(xiàn)，樣本數(shù)據(jù)之間相關(guān)系數(shù)的平方R2與MSE之間的線性相關(guān)系數(shù)為-0.55，屬于中度線性相關(guān)；這意味著若樣本數(shù)據(jù)之間的R2越大，則MSE的值就越小，即說明插補(bǔ)的結(jié)果越優(yōu)。

利用R2與MSE的數(shù)據(jù)建立線性模型，即：

所有插補(bǔ)結(jié)果的MSE平均水平約為3.5，與之對應(yīng)的R2約為0.65。因此就MSE而言，如果插補(bǔ)的結(jié)果要達(dá)到平均水平，R2至少應(yīng)在0.65以上。

根據(jù)相關(guān)系數(shù)分析結(jié)果來選擇用于測風(fēng)時間和插補(bǔ)算法分析的測試數(shù)據(jù)。

3.2 測風(fēng)時間

通過對測風(fēng)時長的主要評價指標(biāo)進(jìn)行相對偏差分析，并對主要評價指標(biāo)的相對偏差值進(jìn)行均值檢驗(yàn)，可得出不同測風(fēng)時長時各主要評價指標(biāo)的相對偏差值之間的關(guān)系；其次是對測風(fēng)時長的MSE及主要評價指標(biāo)進(jìn)行絕對偏差分析，并且對MSE及主要評價指標(biāo)的絕對偏差值進(jìn)行均值檢驗(yàn)，可得出不同測風(fēng)時長的MSE及主要評價指標(biāo)的絕對偏差均值的具體數(shù)值；最后對相同測風(fēng)時長的不同測風(fēng)月份的相對偏差、MSE和絕對偏差進(jìn)行分析并進(jìn)行均值檢驗(yàn)，得出在測風(fēng)時長一定的情況下的最優(yōu)測風(fēng)月份。

3.2.1 相對偏差分析

不同測風(fēng)時長時各主要評價指標(biāo)的相對偏差分析結(jié)果如表1及圖1所示。表中數(shù)據(jù)均為對應(yīng)測風(fēng)時長下各主要評價指標(biāo)的相對偏差測試結(jié)果的均值。

對表1中各主要評價指標(biāo)的相對偏差值進(jìn)行均值檢驗(yàn)。檢驗(yàn)結(jié)果表明，全年的主要評價指標(biāo)相對偏差值的均值檢驗(yàn)結(jié)果p均為零，意味著測風(fēng)時長不同會導(dǎo)致全年的主要評價指標(biāo)相對偏差值的均值結(jié)果不同；插補(bǔ)部分的主要評價指標(biāo)相對偏差值的均值檢驗(yàn)結(jié)果p均為1，意味著測風(fēng)時長不同不會導(dǎo)致插補(bǔ)部分的主要評價指標(biāo)相對偏差值均值結(jié)果的不同。

表1 不同測風(fēng)時長時主要評價指標(biāo)的相對偏差值Table 1 Relative deviation value of main evaluation indexes with different wind measurement duration

圖1 不同測風(fēng)時長時主要評價指標(biāo)的相對偏差值對比Fig. 1 Comparation of relative deviation of main evaluation indexes with different wind measurement duration

從圖1及表1的數(shù)據(jù)結(jié)果來看，對于全年的主要評價指標(biāo)相對偏差值來說，測風(fēng)時長越長，全年的主要評價指標(biāo)相對偏差值越小；但就插補(bǔ)部分的主要評價指標(biāo)相對偏差值而言，并不是測風(fēng)時長越長，其主要評價指標(biāo)相對偏差值就越小，而是在測風(fēng)時長為4個月左右時，插補(bǔ)部分的主要評價指標(biāo)相對偏差值較小。

3.2.2MSE及絕對偏差分析

為進(jìn)行各測風(fēng)時長之間各主要評價指標(biāo)絕對偏差的對比，絕對偏差僅計算全年的絕對偏差，因此以下分析所采用的絕對偏差全部為全年的絕對偏差。不同測風(fēng)時長時MSE及主要評價指標(biāo)的絕對偏差分析結(jié)果如表2所示。表中除MSE所對應(yīng)的數(shù)據(jù)之外，其他數(shù)據(jù)均為對應(yīng)測風(fēng)時長下主要評價指標(biāo)絕對偏差測試結(jié)果的均值。

對表2中MSE及主要評價指標(biāo)的絕對偏差值進(jìn)行均值檢驗(yàn)。檢驗(yàn)結(jié)果表明，MSE及主要評價指標(biāo)絕對偏差值的均值檢驗(yàn)結(jié)果p均為零，意味著不同測風(fēng)時長的MSE及主要評價指標(biāo)絕對偏差值序列之間有顯著性差異，測風(fēng)時長不同會導(dǎo)致MSE及主要評價指標(biāo)絕對偏差值均值的結(jié)果不同。

表2 不同測風(fēng)時長時MSE及主要評價指標(biāo)的 絕對偏差值Table 2 Absolute deviation of MSE and evaluation main indexes with different wind measurement duration

從表2中的結(jié)果可以看出，測風(fēng)時長越長，各主要評價指標(biāo)絕對偏差值越小，但MSE均值略有不同。圖2為MSE值的分布及其均值曲線的組合圖形。

圖2中的小提琴圖反映了MSE值的分布情況，其值參考左縱軸。從圖中可以看出，MSE值大多集中在數(shù)值較小的區(qū)域，只有個別數(shù)值較大。查看個別MSE數(shù)值較大時的情況是：測風(fēng)時間較短，設(shè)置的扇區(qū)多數(shù)是12或16個扇區(qū)，插補(bǔ)多應(yīng)用的是MTS法，這樣會導(dǎo)致模型訓(xùn)練時的訓(xùn)練數(shù)據(jù)較少，得到的模型不具有代表性，因此插補(bǔ)序列值與真實(shí)值偏差較大。

圖2 MSE值的分布及其均值曲線Fig. 2 Distribution of MSE value and its mean value curve

圖2中的折線圖反映了MSE均值的情況，其值參考右縱軸，折線圖中每個點(diǎn)對應(yīng)的是表2中的MSE均值。從圖中可以看出，在測風(fēng)時長小于4個月時，測風(fēng)時長越長，MSE均值越小；而測風(fēng)時長在4～7個月之間時，MSE均值穩(wěn)定在一定水平；測風(fēng)時長在7～11個月之間時，隨著測風(fēng)時長的增加，MSE均值逐漸減小。另外，測風(fēng)時長從1個月延長至2個月時，MSE均值下降的幅度很大；直到測風(fēng)時長為4個月時，MSE均值一直在下降，但下降的幅度較小；測風(fēng)時長為4個月之后，MSE均值總體下降的程度很小。因此，根據(jù)對MSE的分析結(jié)果，測風(fēng)時長至少為2個月，若有條件最好為4個月。

3.2.3 偏差分析及最優(yōu)測風(fēng)月份推薦

對相同測風(fēng)時長的不同測風(fēng)月份的相對偏差、MSE及絕對偏差進(jìn)行均值檢驗(yàn)，判斷相同測風(fēng)時長的不同測風(fēng)月份的偏差結(jié)果之間是否存在顯著性差異。檢驗(yàn)結(jié)果表明，當(dāng)測風(fēng)時長為1、7、8、9、10、11個月時，不同測風(fēng)月份的偏差結(jié)果之間無顯著性差異，說明這幾個測風(fēng)時長下測風(fēng)月份對偏差結(jié)果無影響；當(dāng)測風(fēng)時長為2、3、4、5、6個月時，不同測風(fēng)月份的偏差結(jié)果之間存在顯著性差異，說明這幾個測風(fēng)時長下測風(fēng)月份不同會導(dǎo)致偏差結(jié)果的不同。

雖然相同測風(fēng)時長的不同測風(fēng)月份的偏差結(jié)果之間有的存在顯著性差異，有的不存在顯著性差異，但根據(jù)最終的全部偏差結(jié)果可以進(jìn)行相同測風(fēng)時長條件下最優(yōu)測風(fēng)月份的推薦。

最優(yōu)測風(fēng)月份推薦采用全部偏差的結(jié)果，包括相對偏差、MSE及絕對偏差的結(jié)果。對各種偏差進(jìn)行標(biāo)準(zhǔn)化處理，然后對相同測風(fēng)月份的偏差求和，取標(biāo)準(zhǔn)化后各偏差之和最小的測風(fēng)月份為此測風(fēng)時長下的最優(yōu)測風(fēng)月份。對每個測風(fēng)時長的偏差數(shù)據(jù)進(jìn)行上述處理，可以得出不同測風(fēng)時長下的最優(yōu)測風(fēng)月份，具體如表3所示。

表3 不同測風(fēng)時長對應(yīng)的最優(yōu)測風(fēng)月份Table 3 Optimal wind measurement month corresponding to different wind measurement duration

3.3 插補(bǔ)算法

插補(bǔ)算法分析的目的是根據(jù)數(shù)據(jù)的測風(fēng)時長推薦最優(yōu)算法，以及根據(jù)數(shù)據(jù)的最優(yōu)測風(fēng)月份推薦最優(yōu)算法。MSE是度量整個序列插補(bǔ)結(jié)果優(yōu)劣的標(biāo)準(zhǔn)，因此在進(jìn)行算法推薦時，僅采用MSE的結(jié)果進(jìn)行插補(bǔ)算法推薦。

3.3.1 測風(fēng)時長相同

對相同測風(fēng)時長下采用不同算法的MSE結(jié)果進(jìn)行均值檢驗(yàn)。檢驗(yàn)結(jié)果表明，當(dāng)測風(fēng)時長為1、7、8、9、10、11個月時，不同算法的MSE值之間無顯著性差異，這說明采用不同算法對MSE值無影響；當(dāng)測風(fēng)時長為2、3、4、5、6個月時，不同算法的MSE值之間存在顯著性差異，即相同測風(fēng)時長下采用不同插補(bǔ)算法得到的插補(bǔ)結(jié)果的MSE值不同。

即便相同測風(fēng)時長下采用不同算法的MSE值的均值檢驗(yàn)結(jié)果之間有的存在顯著性差異，有的不存在顯著性差異，但根據(jù)最終的全部MSE值可以進(jìn)行最優(yōu)插補(bǔ)算法的推薦。

對相同測風(fēng)時長下采用不同算法的MSE值進(jìn)行分析，針對每個測風(fēng)時長的最優(yōu)插補(bǔ)算法進(jìn)行推薦，推薦算法的結(jié)果如表4所示。

表4 每個測風(fēng)時長下的最優(yōu)插補(bǔ)算法結(jié)果Table 4 Results of optimal interpolation algorithm for each wind measurement duration

3.3.2 測風(fēng)月份相同

對相同測風(fēng)月份下采用不同算法的MSE值進(jìn)行均值檢驗(yàn)。檢驗(yàn)結(jié)果表明，相同測風(fēng)月份下采用不同算法的MSE值之間存在顯著性差異，意味著就MSE指標(biāo)而言，測風(fēng)月份相同時，不同插補(bǔ)算法得到的插補(bǔ)結(jié)果的MSE值不同。

對不同測風(fēng)時長下，相同測風(fēng)月份采用不同算法的MSE值進(jìn)行分析，并針對不同測風(fēng)時長時每個測風(fēng)月份進(jìn)行最優(yōu)插補(bǔ)算法推薦，推薦結(jié)果如表5～表15所示。

表5 相同測風(fēng)月份(測風(fēng)時長為1個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 5 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 1 month)

表6 相同測風(fēng)月份(測風(fēng)時長為2個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 6 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 2 months)

表7 相同測風(fēng)月份(測風(fēng)時長為3個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 7 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 3 months)

表8 相同測風(fēng)月份(測風(fēng)時長為4個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 8 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 4 months)

表9 相同測風(fēng)月份(測風(fēng)時長為5個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 9 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 5 months)

表10 相同測風(fēng)月份(測風(fēng)時長為6個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 10 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 6 months)

表11 相同測風(fēng)月份(測風(fēng)時長為7個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 11 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 7 months)

表12 相同測風(fēng)月份(測風(fēng)時長為8個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 12 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 8 months)

表13 相同測風(fēng)月份(測風(fēng)時長為9個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 13 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 9 months)

表14 相同測風(fēng)月份(測風(fēng)時長為10個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 14 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 10 months)

表15 相同測風(fēng)月份(測風(fēng)時長為11個月) 最優(yōu)插補(bǔ)算法的結(jié)果Table 15 Results of optimal interpolation algorithm of the same wind measurement month (wind measurement duration is 11 months)

綜合表5～ 表15的推薦插補(bǔ)算法整體結(jié)果來看，推薦的插補(bǔ)算法多數(shù)為LLS算法，采用“扇區(qū)數(shù)量為12或16個，截取風(fēng)速為零”的這種設(shè)置。

4 結(jié)論

本文對風(fēng)電場測風(fēng)數(shù)據(jù)的插補(bǔ)方法進(jìn)行了探究，并對插補(bǔ)結(jié)果偏差進(jìn)行了分析，從相關(guān)系數(shù)、測風(fēng)時間、插補(bǔ)算法3個方面得到以下結(jié)論：

1)對測風(fēng)數(shù)據(jù)進(jìn)行插補(bǔ)時，R2取值至少在0.65以上，插補(bǔ)的結(jié)果才能達(dá)到平均水平。

2)測風(fēng)時長越長，全年的主要評價指標(biāo)的相對偏差值越小。如果進(jìn)行短期測風(fēng)，建議測風(fēng)時長至少要為2個月；若有條件，測風(fēng)時長最好延長至4個月。

3)工業(yè)應(yīng)用中，測風(fēng)時長一般為3～4個月，因此測風(fēng)月份最好集中在秋季，即9、10、11月，此時測風(fēng)數(shù)據(jù)的代表性最好。

4)不管是相同測風(fēng)時長的最優(yōu)插補(bǔ)算法推薦，還是相同測風(fēng)月份的最優(yōu)插補(bǔ)算法推薦，推薦的插補(bǔ)算法多為分扇區(qū)的LLS算法。