Welcome to visit Advances in New and Renewable Energy!

Assessment of Wind Resources at the Gobi Desert Wind Farm Clusters with Consideration of Atmospheric Stability

  • Jianke LI 1 ,
  • Shulin YANG 2 ,
  • Xuewu SONG 1 ,
  • Qiang WANG , 2, ,
  • Haiming QIN 1 ,
  • Kun LUO 2 ,
  • Pu ZHANG 1 ,
  • Jianren FAN 2 ,
  • Di SONG 1
Expand
  • 1. China Shipbuilding Offshore Wind Power Co. Ltd., Chongqing 401121, China
  • 2. College of Energy Engineering, Zhejiang University, Hangzhou 310027, China

Received date: 2024-02-27

  Revised date: 2024-04-17

  Online published: 2024-12-31

Copyright

版权所有 © 《新能源进展》编辑部

Abstract

The Gobi desert wind farm cluster is characterized by large diurnal temperature differences, susceptibility to atmospheric stability, and a lack of representative wind measurement data. It is urgent to assess the wind resource characteristics of the Gobi desert wind farm. This study focused on the wind farm in Inner Mongolia's Alxa League, which was under construction then. Weather research and forecasting models were utilized for numerical simulation. Wind measurement data was employed to validate the model's accuracy, emphasizing the spatial and temporal distribution characteristics of atmospheric stability and its impact on wind speed. The research indicates that wind speed and wind power density in the region are higher from November to May of the following year, particularly affected by the northwest monsoon, with a sharp decrease in wind power accompanying the passage of cold waves. The proportion of neutral atmospheric conditions peaks in winter, and wind speeds are optimal under neutral conditions. Compared to flat terrain, mountainous regions exhibit a significant decrease in the proportion of strongly stable and strongly unstable atmospheric states, with a corresponding increase in the proportion of neutral atmospheric stability. Specifically, the proportion of neutral atmospheric conditions in mountainous regions during winter can reach 48.4%, providing theoretical and technical support for the micro-site selection of the Gobi desert wind farm cluster.

Cite this article

Jianke LI , Shulin YANG , Xuewu SONG , Qiang WANG , Haiming QIN , Kun LUO , Pu ZHANG , Jianren FAN , Di SONG . Assessment of Wind Resources at the Gobi Desert Wind Farm Clusters with Consideration of Atmospheric Stability[J]. Advances in New and Renewable Energy, 2024 , 12(6) : 717 -724 . DOI: 10.3969/j.issn.2095-560X.2024.06.012

0 引言

我国是全球最大的风电市场,截至2023年第三季度,全国风电新增装机容量达到33.5 GW,其中陆上风电32 GW,海上风电0.14 GW[1]。随着陆上风电新增装机需求逐年递增,陆上风电建设项目呈现出规模大和周期短的特点。“沙戈荒”风电基地成为我国陆上风电发展的主战场,该区域的风资源评估也成为风能领域研究的热点和难点。
风资源评估主要依赖现场观测技术和数值模拟技术。现场观测技术依靠在指定站点安装测风设备进行实地观测获取风速和风向数据[2],是最直接有效的评估方法。然而,“沙戈荒”区域存在缺乏测风数据的问题,无法依赖有限的测风数据准确描绘整个风电场区域的风资源特征;同时,测风塔的建设和维护成本较高,且需要长期观测才能得到可靠的结果。数值模拟技术基于气象学原理和数值方法,利用物理模型对风场进行模拟和预测[3],可以获得全面、连续的风资源图谱,使得模拟技术可以更好地适应不同地区和不同规模风电场的评估需求。因此,传统测风塔的评估结果在时间上和空间上都存在局限性。在短平快的项目需求下,很多待开发区域都缺少测风塔或测风塔不具代表性,这种情形下通过有限测风数据与数值模拟技术相结合的方法来进行风资源评估成为“沙戈荒”区域风资源评估的有效手段。
随着计算机技术的发展,中尺度数值天气预报(numerical weather prediction, NWP)模式因其能高效真实地再现大气运动过程,成为基于数值模拟方法进行风资源评估的先进手段。其中,由美国国家大气研究中心和国家环境预测中心等多家机构共同开发的新一代中尺度天气研究与预报(weather research and forecasting, WRF)模式已广泛应用于该领域研究。王强等[4]将WRF模拟数据与平坦及复杂山地测风塔实测数据进行对比,验证了WRF模式在华北地区平坦地形和复杂山地区域风资源评估的准确性。朱金华等[5]采用WRF/CALMET进行风资源评估,并将模拟结果与气象站、测风塔的数据进行对比,其相关系数大于0.8,证实了模型的可靠性。黄俊辉等[6]将江苏省测风塔实测数据与WRF模拟数据对比,发现两者风速的相关系数最高可达0.82,验证了其在近海地区风资源评估的准确性。由此可见,WRF模式在多种地形特征的风资源评估均展现出较高的可靠性,具有巨大的应用价值。
目前,风资源评估研究主要集中在风速和风功率密度等研究[7,8,9]。然而,针对考虑大气稳定度的风速和风功率评估的研究却鲜有。大气稳定度通过影响垂直湍动能交换、风切变甚至中尺度大气运动,对风资源评估结果产生重要影响,从而影响风力机输出功率[10]。HAN等[11,12]通过对山地风电场数据定量分析,探讨了大气稳定度对等效风速的影响,结果发现在不稳定条件下风力机等效风速降幅可达5%。张宇[13]分析了不同大气稳定度对风力机尾流的影响,结果显示尾流强度随着大气稳定度变化而变化,两者呈现出一定的相关性。马晓梅等[14]利用美国某地4年实测数据探究了大气稳定度与风功率密度的关联性,研究表明大气状态越稳定,风功率密度越大。由上述研究可知,大气稳定度不仅会影响风资源的时空分布,还会影响风电场发电量评估的准确性。因此,深入探究考虑大气稳定度的风资源评估十分关键。
本文以我国待开发且具代表性的内蒙古阿拉善盟“沙戈荒”风电基地为研究对象,采用WRF模式进行风资源数值模拟,利用现场测风数据验证模式的准确性,并获得典型位置的“虚拟测风塔”数据,对其进行风资源特征分析;重点探究该基地的大气稳定状态的分布,并对其风资源特征、地形以及大气稳定度进行综合分析,可为“沙戈荒”风电场微观选址提供理论依据和技术支撑。

1 数值模式及评估指标

1.1 “沙戈荒”风电基地及测风数据

内蒙古阿拉善盟东南部待开发的两处风电基地预计总装机容量4 000 MW。该区域位于内陆高原,地貌以沙漠戈壁为主,周围丘陵相连。其中,北部风电场北临罕乌拉山、东临巴彦乌拉山,沿山脉分布走向狭长分布,西部区域沿罕乌拉山西北-东南向分布,东部区域处在罕乌拉山与巴彦乌拉山之间,沿东北-西南向分布,西北高东南低,总面积940 km2,海拔1 150~1 400 m;南部风电场北接贺兰山脉余脉,并由贺兰山余脉走势将风电场区域分割为东西两片,西高东低,总面积780 km2,海拔1 250~1 600 m。测风数据分别来自1822# 和1823# 测风塔,记录了2017年7月至2018年7月间隔为10 min的测风数据,包括10、30、70、90 m四个测风高度。

1.2 WRF模式配置方案

基于WRF模式(Version 4.5)开展风资源模拟研究,模拟区域中心点为39.205°E、106.238°N,采用三层嵌套网格设计,最外层D01分辨率为9 km,网格数为150 × 150;D02分辨率为3 km,网格数为175 × 181,包覆了两个风电场及测风塔;最内层采用了两个1 km的嵌套网格D03、D04分别覆盖两处待开发风电场,网格数分别为151 × 94、70 × 90,如图1所示。待开发风电场可选风力机轮毂高度为110 m,风轮直径为193 m。为了进行准确的风电基地微观选址,需重点关注风力机风轮旋转高度范围的风资源分布,本文重点关注300 m以下的垂直高度层[15]。在垂直方向上,共设置65个网格高度层。为了更加准确地解析风电场运行高度范围的大气分布,300 m以下设置了30个网格高度层。
Fig. 1 Geographic distribution and topographical features of the Gobi desert wind farm, along with the three nested domain in WRF model

图1 “沙戈荒”风电基地地理分布、地形特征及WRF模式的三层嵌套区域

在大气物理参数化方面,大气边界层真实地形下的风电场运行涉及动量输运、风剪切效应和地形强迫等物理过程,这些过程决定了下垫面与大气之间的能量交换。因此,本文采用能够准确描述风电场对大气边界层影响的MYNN2行星边界层参数化方案[16]。地表参数化方案选用MYNN。其他方案根据中国西北的气象特征分别进行选择:陆面模型采用Noah,长波辐射采用RRTM,短波辐射采用Dudhia,积云参数化采用Kain-Fritsch(在D02~D04嵌套区域关闭积云参数化方案),微物理过程采用WSM6,如表1所示。
Table 1 The configuration of the physical parameterization schemes in WRF model

表1 WRF模式的相关大气物理参数化方案设置

嵌套区域 分辨率/km 网格数 行星边界层 地表参数化 长波辐射 短波辐射 积云参数化 陆面模型 微物理过程
D01 9 150 × 150 MYNN2 MYNN RRTM Dudhia KF Noah WSM6
D02 3 175 × 181 MYNN2 MYNN RRTM Dudhia Noah WSM6
D03 1 151 × 94 MYNN2 MYNN RRTM Dudhia Noah WSM6
D04 1 70 × 90 MYNN2 MYNN RRTM Dudhia Noah WSM6

1.3 评估指标

通常采用平均偏差(mean bias error, EMB)、均方根误差(root mean square error, ERMS)、一致度(index of agreement, IA)等指标进行模型验证。
EMB表征模拟值与观测值之间的平均误差:
式中:vs,ii时刻的模拟风速;vo,ii时刻的观测风速;n为风速测点时刻的总数。
ERMS表征数值模式模拟结果与测风观测值之间的误差,其计算公式如下:
ERMS仅关注误差本身的大小,其值越小,表示预测模型的准确性越高。
IA是一种用于评估数值模式准确性的统计指标。其计算公式如下:
式中:vs,avg为所有时刻模拟风速的平均值;vo,avg为所有时刻观测风速的平均值。IA可以衡量模拟值与测风观测值之间的一致程度,考虑了预测值与观测值相对于观测值平均值的偏差,而不仅仅关注误差的绝对大小。这使得IA更具有鲁棒性,能够更好地评估模型的准确性。IA的取值范围为0~1,值越接近1,表示模拟值与测风观测值之间的一致性越高,准确性越好。

1.4 大气稳定度及其分类

大气稳定度是指在大气边界层中空气垂直运动的趋势。在不稳定的大气中,空气垂直运动的趋势很强;而在稳定的大气中,大气环境会抑制空气的垂直运动。大气稳定度会对大气物理过程产生显著影响,进一步影响风速、风向、温度、气压等气象要素。因此,在风资源评估过程需要考虑其影响。
大气稳定度的分级方法有多种,其中莫宁-奥布霍夫长度表征地表附近大气边界层中的浮力与剪切湍流之比,能较好地反映大气的稳定性,在风能领域特别是风廓线的表征上应用广泛。莫宁-奥布霍夫长度定义为[17]
式中:K为冯卡门常数,取0.4;g为重力加速度; 为摩擦风速; 为大气边界层湍流温度标度;T为潜热温度。GRYNING等[18]根据莫宁-奥布霍夫长度理论与实测数据对比将大气稳定度分为7级。为了保证每个稳定度区间有足够的样本进行风资源分析,本文将分级标准简化为5级,详见表2。采用莫宁-奥布霍夫长度的倒数1/L进行分析,同样按上述标准计算出1/L的分级标准。
Table 2 The classification of atmospheric stability

表2 大气稳定度分级

大气稳定度分级 L/m (1/L)/m-1
强不稳定 -100 < L < 0 1/L < -0.01
不稳定 -200 < L ≤ -100 -0.01 ≤ 1/L < -0.005
中性 |L| ≥ 200 -0.005 ≤ 1/L < 0.005
稳定 100 < L ≤ 200 0.005 ≤ 1/L < 0.01
强稳定 0 < L ≤ 100 1/L ≥ 0.01

2 结果与讨论

2.1 WRF模式验证分析

风资源评估结果应用于风电场微观选址,选取具有代表性的风力机轮毂高度风速进行验证分析。选取两座测风塔90 m高度的风速序列对WRF模拟的结果进行验证,具体结果见表3
Table 3 The metrics of the comparison of simulated wind speed from WRF model and measured wind speed from tower

表3 WRF模拟风速与测风塔风速对比验证指标

测风塔 年均观测风速/(m/s) 年均模拟风速/(m/s) EMB/(m/s) ERMS/(m/s) IA
1822# 6.80 6.96 0.16 2.97 0.81
1823# 6.90 6.84 -0.06 3.06 0.80
根据年均风速偏差,1822# 测风塔模拟结果与测风结果的相对偏差为2.28%,1823# 测风塔为0.86%,满足工程上相对偏差小于5%的要求。依据一致度,两座测风塔的模拟结果与测风结果一致度均达到0.8以上。因此,本文采用的WRF模式能对目标风电场区域的风资源情况进行较好地模拟,所获得的数据可用于对“沙戈荒”风电基地进行风资源评估。

2.2 风资源评估

为了进行详细的风资源评估,首先根据目标风电场区域分布特点选定虚拟测风塔位置。对于D03区域,风电场呈狭长分布,且中间有多个不连续区域,应考虑对各独立区域设立虚拟测风塔;对于较大范围的区域,应结合110 m高度年均风速分布情况分别设立虚拟测风塔。综合考虑,在D03区域风电场共设立6个虚拟测风塔。对于D04区域,风电场呈“d”形分布,且场区中间有山脉分布,应考虑在山脉的两侧分别设立测风塔;对“d”形伸出去的狭长地带应考虑设立虚拟测风塔。结合110 m高度年均风速云图的速度分布情况,在D04风电场内共设立3个虚拟测风塔。具体分布如图2所示。
Fig. 2 Layout of virtual wind measurement towers in D03 region (a) and D04 region (b) with wind speed and wind direction diagrams

图2 D03区域(a)和D04区域(b)虚拟测风塔布置及风速、风向示意图

2.2.1 风速和风功率密度
风速和风功率密度是评估风资源特性最重要的指标之一。风功率密度包含了风速分布和空气密度分布的综合影响,是反映风电场风能资源的综合指标。对于D03风电场,1# 和5# 虚拟测风塔的风功率密度较大,这是由于靠近北部山脉海拔较高,风功率密度较大。进一步,统计该区域6处虚拟测风塔110 m高度年均风速与年平均风功率密度,见表4。根据《风电场工程风能资源测量与评估技术规范》(NB/T 31147-2018)[19],D03风电场靠近北部山脉地区2#、3#、4#、5# 测风塔的风功率密度等级为1级至2级,偏南地区风速较小的1#、6# 测风塔所在区域的风功率密度等级为D-3级至1级。综合来看,D03区域的风电场风功率等级为1级。对于D04区域,由于主导风向为WNW,且场区西部为高耸的山脊,西部区域的风功率情况要优于东部。统计该区域3处虚拟测风塔110 m高度年均风速与年均风功率密度,见表4。根据上述行业标准[19],D04风电场全场风功率密度等级为2级。
Table 4 The annual average wind speed and wind power density at 110 m height in D03 and D04 regions

表4 D03、D04区域110 m高度年均风速、风功率密度

虚拟测风塔 年均风速/(m/s) 年均风功率密度/(W/m2)
D03 1# 6.39 253.8
D03 2# 6.81 308.2
D03 3# 6.43 280.0
D03 4# 6.02 280.2
D03 5# 6.19 301.0
D03 6# 5.65 251.2
D04 1# 7.03 385.8
D04 2# 6.93 338.1
D04 3# 7.52 366.4
除年均风速、风功率外,了解月均风速、风功率的变化有助于分析风资源的季节变化特性。图3展示了D03 2# 和D04 1# 测风塔的月均风速和风功率变化曲线。由图可见,D03区域冬春季的11月至次年5月的风功率情况较好,其中12月和2月会有两次明显的风功率下降。D04区域冬春季的11月至次年5月的风功率情况较好,其中12月、2月和3月会有两次明显的风功率下降。因此,D03、D04区域的风资源呈现明显的季节性变化,冬春季的11月至次年5月的风功率情况较好,这与内蒙古地区冬季至次年春季为大风期的历史统计相符。而期间12月、2月出现的风功率骤降的情况,与冬季西北地区寒潮过境后冷高压迫使气流下沉形成的晴空无云、风速减小且气温持续偏低的现象相吻合[20]
Fig. 3 Monthly average wind speed and wind power density of virtual wind measurement towers D03 2# and D04 1#

图3 D03 2#、D04 1# 虚拟测风塔月均风速及风功率变化

2.2.2 风向玫瑰图和风能玫瑰图
风向玫瑰图和风能玫瑰图是风能资源评估中常用的评估方法,可以确定风电场的主导风向,并为风力机的微观选址提供依据。在风能开发过程中,准确了解并利用主导风向对于风电场的布局和发电效率至关重要。D03区域和D04区域年均风速分布和虚拟测风塔的风向和风能玫瑰图如图2所示。
D03风电场区域的风向主要受到山势影响,北部山脉阻挡了北向来风,东部山脉阻挡了东南季风,同时由于D03地处西北,受西北季风影响较大。在风电场的西部区域,以2# 虚拟测风塔为例,WNW风向在风向玫瑰图中占比14.5%,在风能玫瑰图中占比22.5%,是西部地区的主导风向。在风电场的东部和南部区域,由于北部山脉与东部山脉构成了东北-西南向的峡谷,其主导风向为NE;以5# 虚拟测风塔为例,NE风向在风向玫瑰图中占比14.8%,W风向在风向玫瑰图中占比12.7%,结合风能玫瑰图,NE风向占据了38.3%的风能,W风向仅占13.2%,主导风向仍为NE。D04风电场区域主要受西北季风影响,整个风电场区域的主导风向均为WNW,3处虚拟测风塔WNW风向在风向玫瑰中占比均在17%左右,在风能玫瑰中占比均在30%左右。同时,D04区域的北部有南北分布的山脉,东南方向也有山脉阻挡,东南季风转为东北向来风,风电场的ENE来风占比也较高;但由风能玫瑰图可知其东北向来风的风能密度并不高。综合考虑,整个D04区域风电场的主导风向为WNW。

2.3 大气稳定度分布

2.3.1 全年大气稳定度分布
根据模拟结果统计了D03区域和D04区域风电场各虚拟测风塔位置全年的大气稳定状态分布。由表5可以发现,D03风电场区域各虚拟测风塔处不同大气稳定状态占比分布接近。强稳定状态占比最多,达46%;强不稳定状态占比次之,为31.5%;中性状态占比约13%,稳定和不稳定状态占比4%~5%。对于D04风电场,1# 和2# 虚拟测风塔不同大气稳定度状态占比分布情况接近,强稳定状态占比最多,达37%;强不稳定状态占比次之,为28.5%;中性状态占比约22%,稳定和不稳定状态占比6%~6.5%。3# 虚拟测风塔不同大气稳定度状态占比分布有显著差异,中性状态占比显著增大,达到34%,稳定和不稳定状态占比也有所提高,强稳定和强不稳定状态占比下降约7%~10%。这主要是由于3# 虚拟测风塔位于海拔较高的山坡区域(图4),地形加速效应抑制了大气在垂直方向的波动,从而容易形成中性大气状态。综上所述,平坦地形区域强稳定的大气状态占比最高,强不稳定的大气状态占比次之,中性状态占比较小;在山地地区,中性状态的占比会升高,强稳定和强不稳定的大气状态占比均有一定程度下降。因此,在进行微观选址时,应优先考虑山坡上游或山顶等中性大气状态占比更高的区域进行布机。
Table 5 Proportion of atmospheric stability states throughout the year at each virtual wind measurement tower

表5 各虚拟测风塔全年大气稳定状态占比

虚拟测风塔 状态占比/%
强不稳定 不稳定 中性 稳定 强稳定
D03 1# 32.3 5.3 11.3 3.9 47.3
D03 2# 30.5 5.2 14.5 5.3 44.5
D03 3# 31.1 5.1 13.1 4.1 46.6
D03 4# 31.8 4.7 12.8 4.7 46.0
D03 5# 30.0 5.0 15.7 4.5 44.8
D03 6# 33.2 4.2 11.6 3.9 47.2
D04 1# 27.8 6.1 22.2 5.9 38.0
D04 2# 29.2 6.6 21.6 6.4 36.2
D04 3# 19.6 9.5 34.0 7.5 29.4
Fig. 4 Topographic map of D04 region

图4 D04区域地形图

2.3.2 大气稳定度的季节分布
大气稳定度受温度的影响较大,在不同的季节会有较大的差别,因此有必要对不同季节的大气稳定度展开分析。接下来,分别选取D03风电场区域的2#、6# 虚拟测风塔(高风速区和低风速区)和D04区域的1#、3# 虚拟测风塔(山坡下游地区和山坡上游/山顶地区)为代表,进行该区域大气稳定性的季度分布分析。
图5可知,对于D03风电场2#、6# 虚拟测风塔,二者大气稳定状态分布相近,高风速区6# 虚拟测风塔相较低风速区2# 虚拟测风塔中性大气状态占比略大,相应强稳定和强不稳定大气状态占比略有下降,即风速增加会增加中性大气占比。对于D04地区山坡下游1# 虚拟测风塔,强稳定大气状态占比在秋季最大,达到了42.6%,夏季最小,仅有32.1%;强不稳定大气状态的占比在夏季最大可达36.7%,冬季最小仅有16.5%;中性大气状态的占比在冬季占比最大可达31.9%。总体而言,春、夏、秋三个季节受强稳定和强不稳定大气状态控制,两者占比之和约70%,冬季中性大气状态占比显著增加,强稳定和强不稳定大气状态占比下降到53.3%。对于D04区域,山坡上游/山顶3# 测风塔的中性大气状态占比相较1# 虚拟测风塔显著增加,相应强稳定和强不稳定大气状态占比显著下降。
Fig. 5 Seasonal variation in the distribution of atmospheric stability states for virtual wind measurement towers D03 2#, 6# and D04 1#, 3#

图5 D03 2#、6#,D04 1#、3# 虚拟测风塔大气稳定状态分布季节变化

图6展示了风速与大气稳定度的关系。由图可见,中性大气状态下风速均值最大,强稳定大气下风速相较强不稳定大气下的风速均值更高。因此,中性大气状态占比越大,风速情况越好。此外,D03区域的2# 测风塔与D04区域的3# 测风塔的中性大气占比均高于低风速区域的测风塔,这也证实了中性大气状态下风速情况更好。结合上文季节性分析,强稳定大气状态占比在秋冬季最大;强不稳定大气状态的占比在夏季最大;中性大气占比在冬季占比最大。因此,冬季风资源特性最佳,风电基地在冬季运行过程尽可能提升风力机的风能利用效率,从而获得更大的年发电量。
Fig. 6 Boxplot of wind speed at 110 m height for virtual wind measurement towers D03 2# and D04 1# under varying atmospheric stability conditions

图6 D03 2#、D04 1# 虚拟测风塔110 m高度风速随大气稳定状态变化箱线图

3 结论

采用WRF模式对缺少测风数据的“沙戈荒”风电基地进行了数值模拟,利用现场测风数据验证了模式的准确性,并获得了代表性虚拟测风塔的风数据,重点开展了考虑大气稳定度的风资源特性评估。主要结论如下:
(1)WRF模式模拟的风速与测风塔实测风速一致度均在0.8以上,表明WRF模式具备“沙戈荒”风电基地风资源评估的能力,可为该区域风资源评估提供可靠的技术支撑。
(2)内蒙古阿拉善盟“沙戈荒”地区的风速、风功率呈显著季节性变化。冬春季11月至次年5月风功率较高,在12月、2月会出现风功率骤降情况,这主要是由于寒潮过境后,冷高压系统迫使气流下沉,进而使风速减小和气温降低。
(3)内蒙古阿拉善盟“沙戈荒”地区平坦区域的强稳定大气占比最多、强不稳定大气次之、中性状态最少;在山地地区,中性大气占比最高、强稳定和强不稳定大气状态占比下降。此外,中性大气状态的占比在冬季最大,且中性条件下风速最大。因此,应优先考虑山坡上游或山顶等中性大气状态占比更高的区域进行布机。
[1]
GWEC. Global wind report 2023[R]. GWEC, 2023. [2023-12-21].

[2]
ZHANG M H.Wind resource assessment and micro-siting: science and engineering[M]. Singapore: John Wiley & Sons Singapore Pte. Ltd., 2015.

[3]
AL-YAHYAI S, CHARABI Y, GASTLI A.Review of the use of numerical weather prediction (NWP) models for wind energy assessment[J]. Renewable and sustainable energy reviews, 2010, 14(9): 3192-3198. DOI: 10.1016/j.rser.2010.07.001.

[4]
王强, 罗坤, 吴春雷, 等. 耦合风电场参数化模型的天气预报模式对风资源的评估和验证[J]. 浙江大学学报(工学版), 2019, 53(8): 1572-1581. DOI: 10.3785/j.issn.1008-973X.2019.08.016.

[5]
朱金华, 张淑君, 许昌, 等. 基于WRF/CALMET模式的江苏沿海风能资源评估[J]. 三峡大学学报(自然科学版), 2016, 38(1): 62-65, 77. DOI: 10.13393/j.cnki.issn.1672-948X.2016.01.013.

[6]
黄俊辉, 孙文涛, 李辰, 等. 基于WRF模式的海上风能资源特性分析及评价[J]. 太阳能学报, 2021, 42(7): 278-283. DOI: 10.19912/j.0254-0096.tynxb.2017-1077.

[7]
乐可定, 郁冶, 王异成, 等. 海气边界层内风电场尾流及功率特性的中尺度数值模拟研究[J]. 海洋预报, 2023, 40(6): 33-40. DOI: 10.11737/j.issn.1003-0239.2023.06.004.

[8]
穆延非, 王强, 罗坤, 等. 基于中尺度WRF模式的海上风电场尾流影响评估[J]. 中国电机工程学报, 2022, 42(S1): 193-203. DOI: 10.13334/j.0258-8013.pcsee.220792.

[9]
王姝, 刘树华, 陈建洲, 等. 使用WRF-Fitch对湖区风电场风力发电机尾流效应特征的数值模拟[J]. 北京大学学报(自然科学版), 2018, 54(3): 605-615. DOI: 10.13209/j.0479-8023.2017.187.

[10]
KIM D Y, KIM Y H, KIM B S.Changes in wind turbine power characteristics and annual energy production due to atmospheric stability, turbulence intensity, and wind shear[J]. Energy, 2021, 214: 119051. DOI: 10.1016/j.energy.2020.119051.

[11]
HAN X X, LIU D Y, XU C, et al.Atmospheric stability and topography effects on wind turbine performance and wake properties in complex terrain[J]. Renewable energy, 2018, 126: 640-651. DOI: 10.1016/j.renene.2018.03.048.

[12]
韩星星, 许昌, SHEN W Z, 等. 大气稳定度对山地风力机功率影响研究[J]. 工程热物理学报, 2021, 42(7): 1733-1742.

[13]
张宇. 单列风电机组尾流优化模型的研究及应用[J]. 水电能源科学, 2017, 35(8): 160-164.

[14]
马晓梅, 王博, 刘永前. 一种基于大气稳定度的风资源评估方法[J]. 可再生能源, 2020, 38(1): 47-52. DOI: 10.3969/j.issn.1671-5292.2020.01.010.

[15]
WANG Q, LUO K, WU C L, et al.Inter-farm cluster interaction of the operational and planned offshore wind power base[J]. Journal of cleaner production, 2023, 396: 136529. DOI: 10.1016/j.jclepro.2023.136529.

[16]
OTERO-CASAL C, PATLAKAS P, PRÓSPER M A, et al. Development of a high-resolution wind forecast system based on the WRF model and a hybrid Kalman-Bayesian filter[J]. Energies, 2019, 12(16): 3050. DOI: 10.3390/en12163050.

[17]
STULL R B.An introduction to boundary layer meteorology[M]. Dordrecht: Springer, 1988. DOI: 10.1007/978-94-009-3027-8.

[18]
GRYNING S E, BATCHVAROVA E, BRÜMMER B, et al. On the extension of the wind profile over homogeneous terrain beyond the surface boundary layer[J]. Boundary-layer meteorology, 2007, 124(2): 251-268. DOI: 10.1007/s10546-007-9166-9.

[19]
国家能源局. 风电场工程风能资源测量与评估技术规范: NB/T 31147-2018[S]. 北京: 中国水利水电出版社, 2018.

[20]
郑婷婷, 单小雨, 马继涛, 等. 寒潮天气对风电运行和功率预测的影响分析[J]. 内蒙古电力技术, 2023, 41(4): 8-12. DOI: 10.19929/j.cnki.nmgdljs.2023.0048.

Outlines

/