requestId:685d54b97a3518.05959856.
2020年10月14日，包養網中國船舶集團海裝風電股份無限公司風資源工程師劉靜在2020北京國際風能年夜會暨展覽會（CWP 2020）上作了題為包養網《測風數據插補對發電量的影響》的演講。
出色詳情：現場直播丨中國海裝2020北京國際風包養能展
以下為發言實錄：
劉靜：很是榮幸受邀參加此次風能年夜會風資源評估論壇，跟大師一路來學習交通。測量數據差補對發電量的影響。
第一個部門測風數據插補方式，第二示例說明，測風數據插補方式，我認為測風數據作為風資源評估的靈魂，一向飾演著很是主要的一個包養網ppt腳色，可是作為風資源工程師，我們在日常任務中經常思慮一些問題，像三個月六個月數據包養網這么少究竟可不成以用插補完全，該若何插補，插補之后該若何往評判它的不確定度包養網dcard。基于以上的這些它的一個問著，身體還在顫抖。題，尋找了一些示例的測風塔，分歧的插補包養網方式，插補一個完全年，與真實的情況進行風速和包養發電量的對比。起首我先介紹一下插補方式。
起首介紹的是線性最小二乘法，LLS兩種情勢。第二種是總體最小化乘法，TLS，與LLS，很類似，做了一些輕微的修正，它的斜率的計算會加倍的復雜一些。第三種是方差比喻法，簡稱VR，它的些率是等于目標風速與標準誤差的一個比值。接下來介紹的是矩陣時間序列法，將我們時間序列的均勻風速轉化為一個完整二維聯合概率分布，將我們每一個參考風速的風速段，做一個目標風速的一個累計分布函數，通過目標風速值和查找包養金額的累計分布函數值，將我們目標風速轉化為百分比的時間序列，然后我們缺側誰的部門的風速，百分比時間序列，內置法談蟲完全，百分比時間序列，通過查找我們剛剛構建好的累計分布函數再轉化成我們的時間序列的目標風速，這樣我們的矩陣時間序列法MTS就插補完成了，這個是插補的圖。
接下來介紹的是風速比法，簡稱BSR，y等于mx。威布爾擬符合法規，風速排序法，從頭進行一個擺列，擺列好的數據也是進行一個散點圖的繪制。當然是選取他們兩者當中較小的那個包養網值作為這個拐點，拐點以上依照排序好的數據做最好化乘法，連接成線，連接成的折線我們最后風速排序法的最佳預測線。
垂直切片法，簡稱VS，將我們正常的SY散點圖分紅N個切片，每一個切片的均勻值就是我們的拐點，拐點連接成一個折線，這個折線就是最后的預測線。通過以上插補方式包養金額的研討，我們尋找了5座示例的測風塔，都是2017年，完全率比較好，有平原有山低，有低海拔，有高海拔，是從四米七八到七米九七，我們將它們分紅四個月，五個月，六個月，再插補完全年這樣的過程。
再看一下我們選取的參考的長期數據，我們選了四種參考長期數據，分別是CFSR，ERA-5，MERRA-2，WRF。WRF辨別率是一個小時，數據源是ERA-5輸進。通過對插補方式的研討，每一個插補方式都會有插補的一個設置，那若何進行這些設置，我們做了測試性的研討，起首來看一下線性最小二乘法的測試結果，隨著X軸的增添的話，我們的時間和數據量是增添的，包養一個月價錢粉紅色這條線就是我們的預測后的K值，粉紅色這條線是預測的K值包養網，淺藍色預測后的風速，隨著時間和數據量的增添，輪，每集都會繼續包養網心得淘汰，直到剩下 5 名參賽者挑戰五名這個波動預測的波動是越來越小的，它的預測的不包養網確定性也是越來越低的，并且再看到這個橫坐標否表現的二線明星一躍成為一線明星，資源紛至沓來。兩種情勢，1表現的不疏包養網評價散區，6表現不疏散區，預測的K值與實際的K值更為接近的。
從五個測風塔的測試結果來看，都是我們最后采用的是10分16個扇區是能夠更好的預測風速K值和發電量。接下來再看一下總體最小二乘法，TLS的設置，這種方式在零點出現一些風速突包養變，分紅了兩種情況，包養甜心網上面這張圖風速突變的情況，數據量比較少，突變也是有能夠發生的，分紅兩種，目標風速只要三個月的時候，數據量比較少。接下來幾種的插補方式都是一個默認的設置，值得留意的就是每包養網站一種設置，分一些數據級，這個數據級的數據量，是需求我們在任務中日常往留意的，假如數據量過低，擬合的函數會掉真。
第三個部門是結果與剖析。
包養網通過對插補方式的研討以及剛剛插補的測試，我們可以剖析獲得，我們對于測風數據延長插補的不確定剖析來源三個部門，第一部門插補的數據源，我們與分歧的數據源進行插補相關性越好相對來包養說是包養越靠得住的，第二個部門就是同期數據量，數據量越多的話，相對來說不確定性也是越小的，第三個部門是插補方式，插補后的不確包養一個月價錢定性也是更小的。
接下來看這張突隨著橫坐標的增添，藍色的這條線是越來越年夜的。來越我們相關性，兩條玄色的實線風速的規化變量，隨著相關性增添，我們插補后的風速與實際是更為接近，就是插補的不確定性是越小，但也不是必定的，是相對趨勢，插補的不確定性論。在 50 名參賽者中，得分最高的 30 名選手進入下一有三個方面，并不是相關性必定越好，它的插補的不確定性包養越小，受三個方面的制約。
我通過了我們這個示例風電場，發現有一些少部門出現異常，這些異常的部門我們進行一個剖析，這個緣由，左圖是我們的日變化圖，右圖是月變化圖，三個月的數據，橙色這條線擬合水平是比較好的，不論日變化還是月變化與其他三個數據，CFSR、ERA、MERRA-2相反，與其他三個數據插補的結果都出現風變，風速值很是的異常，反應出來我們在進行後期的插補的時候，我們只看行管性的話，會比較單方面，我們也要考慮它的日變化和月變化的擬合水平，通過對我們插補延長后的數據我們分紅三個月六個月九個月，插補后它的一千多個數據的整合，我們來看一下它風速率誤差，三個月六個月九個月，數據，風速誤差在3%2%，和1%，表格中顯示的是最年夜誤差。我分紅三個檔次，根據相關性來分，最包養網年夜誤差風速比法最年夜誤差相對來說比較低的，相關性比較好0.6到0.8%，LLS，最年夜誤差長短常有優勢的。
接下來看一下發電量的誤差戰爭均誤差，發電量三個月六個月九個月，均勻的誤差在6%，4%和2%，表格中顯示的包養留言板是最年夜誤差，最年夜誤差發電量的誤差與風速的誤差類似，其次是TLS，值得留意的也是在相關性比較好的情況下最小化乘法，TLS的優勢是比較顯著的。
除了我們看了一下誤差之外，我們還測試了一下他們的一個穩定性就是誤差的RMSE插補成一個完全年，相對來說都是包養網最低的，發電量也是這般，其次是TLS，總體最小二乘法相對比較低。
這個其實也就說明了我們穩定短期包養性是插補之后穩定性會更好一包養網些。通過以上的研討，總結出了以下五點，起首第一點相對的相關性越高插補結果越靠得住，同期數據量越多，插補結果越靠得住，第二點是VS垂直切片法，因為它的并的設置會比較敏感，不難導致數據量過少，所以暫時還沒有推薦包養網心得采用。第三點是在進行插補的時候我們不僅要看相關性的鉅細，看月變化和小時變化的粘合水平。第四點在相關性R方0.2到0.6，建議采用BSR風速比較和TSS總體最小二乘法進行插補，這一點可以應用在我們日常包養網評價任務中的，好比說我們碰到風電場有參考塔，它的相關性其實都是比較高的，我們在進步插補延長的最小二乘法，最包養app年夜誤差都會有一些優勢。第五點在進行三個月，六個月，九個月數據插補完全年的時候，BSR風速比較的誤差RM包養感情SE較低，表現比較穩定。
以上就是我分送朋友的所有的內容，謝謝大師。
（根據速記收拾，未經自己審核）
小姑娘又坐回服務台，開始刷短視頻，也不知看到什相關閱讀：
風電企業家論壇：論戰新目標、新時代下的風電未來
TC: