【摘要】　近十年来国内装机容量增长迅猛，部分风电场实际发电利用小时数明显低于设计水平或厂家保证的水平。特别针对国内的复杂山地风电场，发电量不达设计值有两大主因，第一是设计阶段的风流场建模错误，第二是运行阶段的风机性能劣化。本文主要结合SCADA数据分析与风电场建模方法，准确判断发电量低的根本原因，创新性地实现功率曲线量化对标，并探索风电机组性能监督方法和发电量提升手段。

关键词】流场整定，功率曲线量化对标，SCADA，数据交叉对比，理论发电小时数提升

01、流场整定

首先，我们需要明确哪些因素可能导致复杂山地风电场设计阶段的风流数据模拟产生错误：1）测风时间不足，2）测风塔选址不具备代表性，3）风流场建模模型选择不合理，4）微观选址点位变动后未能重新进行流场建模。因此，在进行后评估工作之前，需要先进行流场整定工作，其目的在于获得风电场真实的风流特性图谱，进而得到每台机组真实的理论发电量数值，从而为SCADA功率曲线导出的理论发电量对标奠定基础。

为了好地考虑复杂山地对风流场[1]的影响，我们采用借助计算流体力学（CFD）技术计算流体的特性。描述流体运动的方程是质量和动量守恒方程（Navier-Stokes 方程）。三维瞬时 Navier-Stokes 方程的一般形式（笛卡尔张量形式）由方程（1）给出：

连为方程（2）：

瞬时风一

随变量，通常将瞬时风速分解为平均风速（独立于时间变化）与随机分量（随时间变化很快）。因此瞬时风速可以写成如下方程（3）：

把方程（3）入

程（1）与方程（2），并对时间进行积分，就可以得到如下方程（4）：

本文采用计算流体

（CFD）软件对相关项目进行评估及分析。它求解雷诺平均方程与质量平均方程。对于不可压缩稳态流体，方程（2）将变为方程（5），方程（4）将变为方程（6）如下所示：

湍流部分则借助湍粘的概念进行参数化。此方法建立在雷诺应力项与平均风速梯度成正比的假设之上，如方程（7）所示：

湍流粘性等于湍流长度与速度尺度的乘积，而后两者都是湍流的特征尺度。湍流的速度尺度由湍流动能的平方根给出，如方程（8）所示：

湍流动能则是由传输方程

）给出，如下：

湍流动能产生项和耗散项别

达如方程（10）与方程（11）：

边界条件是由软件自动生成例

入口边界条件在垂直方向上被划分为三个不同区域以充分考虑大气边界层的结构。第一层从地表到高度 hs ，为表面层，风廓线特征遵循对数法则。过渡层，高度从 hs 到 hbl ，为 Eckman 层。在更高的区域中，地理风条件被应用。湍流动能是一个常量，根据入口处定义的粗糙度进行计算。计算区域的底层的边界条件为具有粗糙度赋值的墙壁类型，粗糙度的影响是由处在障碍物范围内的网格中的吸收井项来模拟的。对称条件被应用于计算区域的侧面，其含义是没有风流和标量通量穿过边界。顶面边界条件为 Neumann 条件：所有变量在 Z 方向上的导数均为零。出口边界条件为压力条件。

02、流场整定过程中的网格生成机

网格自动生成技术采用结构化网格对个空间进行离散化，并对特定区域（即绘图区域）处进行网格加密，网格单元维度的扩展以及长宽比受到控制，以避免收敛的不稳定性。特别值得注意的是，本文采用的CFD计算方法会根据不同的来风方向重新生成网格，可以使网格与来风方向正交化本文采用的网格分辨率为水平方向25米，垂直方向5米。

在数值求解方面，MIGAL-S求解器以在整个计算区域上在每个迭代循环上同时求解风速分量和压强，也就是通常所说的耦合求解器。这种方法要求更强大的存储容量，但具有显著加速收敛的优点。

全部的离散方程由一个矩阵系统来表示，为ILU(0)类型的不完全LU分解的对象。为了改进求解的稳健性，进行了一个预处理来增大主对角线上的项。一个GMRES类型的预解算子也被用于该过程。

此外，MIGAL-S求解器使用了多重网格解技术。这种方式实现在不同疏密的网格中陆续求解方程（从最细致的到最粗的网格），这样使得收敛最慢的误差的低频分量收敛更快。

针对所求解问题的类型，测试表明V型循环比W循环在遍历网格时能够更快地收敛。而疏密程度不同的网格的层数则自动由MIGAL-S求解器进行计算。[2]

03、流场整定结果

通过对比主导风向的后

流图谱可以清晰地看到可研阶段在风速和发电量上的差异。

用整定后的图谱，结合专业CFD软件，可以重新计算

的理论发电小时数。就一个国内20MW风电场而言，其各台机组实际上网电量均远远低于可研值，本文对其进行了流场整定，整定前后的结果如表1所示：

非常明显，机点位（T1,T5,T8）正好处于差异很大位

那实际发电量低于可研水平的主要原因是设计阶段建模误差过大造成的。然而，其他点位在整定前后的理论电量差异均小于3%，这说明这些点位的实际发电量低的原因则是因为风机性能表现低于厂家的保证水平。

以上例子的情况在国内已经建成的机组中非常普遍，因此，为了获得准确风机性能评估结果，本文在接下来的章节探讨了利用SCADA数据进行风机性能曲线评估的方法和结果。

04、单台机组SCADA数据分析方法

本文采用的SCADA分析方法先将各台风机逐10分钟的SCADA数导入专业的SCADA智能分析软件，从而得到每一个风机数据点的状态分类：正常，超发，降级，限电，部分限电，停机，部分停机。然后只针对正常的数据点拟合SCADA功率曲线。

得到功率曲线拟合结果后，图3清晰地展示了一个SCADA功率曲线明显

保证水平的情况；更近一步，针对明显具有功率曲线劣化的情况，本文继续利用数据交叉比对功能，对功率-风速数据散点进行时间尺度着色：在图4，图5中发现功率曲线具有明显地随时间变化的趋势，这就可以帮助运维人员立即发现功率曲线劣化趋势，及时采取措施。[3]

特别值得一提的是，通过专业的SCADA分析软件，本文在进行功率曲线拟

，

同点位，不同时间段的空气密度差异进行了校正，从而得到IEC标准下的SCADA功率曲线，使得下一步的对标具备可比性和科学性。

05、功率曲线对标

上一章节介绍了对于单台机组功率曲线拟合的方法，这一章节，我们来

针对全场所有风机进行率曲线对标排名，从而合理制定检修优先级。

针对国内某30MW风电场（配备15台额定功率2000KW的同一国产厂家的机组），我们首先对全部5台风电进行数据点分类筛查和功率曲线拟合，从而得到15条SCADA功率曲线。但是，我们遇到的问题是无法进行每台机组之间的功率曲线比较。如图7所示，我们甚至很难分辨不同机组之间的功率曲线孰优孰劣。

就此，本文创造性地提出功率曲线对标方法，即通过给15台功率曲线输入相同的风资源水平，再结合专

D软件，分别得到其理论发电小时数。结果如图8所示，可以明显看到WT12，WT04，WT06，WT14，WT05机组的功率曲线比厂家功率曲线明显偏差，导致在理论小时数上的损失达到100-300小时。

另一方面，针对每一个问题机组点位，本文利用CFD软件重新外推后的风速分别结合SCADA功率曲线和厂

线，得到由于性能劣化带来的发电量损失量化指标。

值得一提的是，如果只单纯地看上网电量水平，以上问题机组中的WT14机组在全场高居第一。而这只是因为该机组

风资源优越造成的，如果不进行细致的分析，必将严重误导运维人员对于检修优先级的判断。

06、结论

本文从实际出发，切实解决风电场实际上网电量低于设计值的问题。通过对于设计阶段和运行阶段的全面分析，找准一台机组的键问题，为复杂山地风电场运维提供策略支持。本文采用的方法均为目前世界领先的前沿思路，也必将对国内发电机组的运维水平全面提高大有裨益。

参考文献：

【1】 Tony Burton,风能技术,科学出版社，12-13

【2】Tromeur E., Puygrnier . and Sanquer S., Investigation and validation of wake model combinations for large wind farm modelling in neutral atmospheric boundary layers，Wind Europe Summit， 27-29 September，2016，Journal of Physics: Conference Series 749 (2016) 012007 doi:10.1088/1742-6596/749/1/012007.

【3】 Scott Wylie, Alex Woodward, Stephane Sanquer and Cyrille Vezza, The Use of Computational Fluid Dynamics to Post-Process Wind Speed Data in Complex Terrain, Wind Europe Workshop 2017

-END-