影响平均时间周期的因素分析

风数据的平均时间周期长短直接影响风资源评估的诸多关键特性。平均时间周期对两个站点风数据之间的相关性有显著影响。通常，风数据记录的是以10min或1h为周期的平均风速。如果两个站点距离很近，那么这样短的平均时间周期基本可以同步记录大气过程（如天气前锋或气旋等)。但是对于间隔50～100km的两个站点来说，共同的中尺度和天气尺度的大气特征的时间尺度都在6h以上。小尺度的大气特征可能在不同时间分别经过两个站点，也可能根本就不经过任何一个站点。此时，两个站点的风数据相关性取决于平均时间周期长短、两个站点的距离和其他天气特性。

可以通过绘制相关性系数随平均时间周期的变化曲线来研究这一效应，如图5-1所示。可见，当平均时间周期很短时（＜1天)，两个站点风数据的相关性系数随其增大而迅速提高，但提高的速度不断降低。当平均时间周期提高到7天以上时，相关系数的提高就不是特别明显了。参考站点与测风塔间的距离对风数据的相关性有着显著的影响，尤其当平均时间周期很短时（＜1天)影响特别突出。

从天气现象同期的角度出发，应该选择较长的平均时间周期，以实现更高的相关性。但因为风能与风速的三次方关系，较长的平均时间周期将直接影响对风能的估计。随着平均时间周期的延长，风速中的峰值将被消减或被平均掉，而这些峰值风速对风能的影响是三次方关系，因此降低了对风能的估计。平均时间周期的这两个效应使我们必须在做MCP分析时予以权衡。

这一效应可以通过绘制风功率密度对平均时间周期的变化曲线来表示，如图5-2和图5-3所示。图5-3中，分别对位于内蒙古西部、山东和云南的三个测风塔数据进行分析，分别代表3个迥异的气候特征。

当平均时间周期在1～12h区间时，风功率密度随平均时间的变化成显著的线性关系，如图5-2（左)所示。Colin Sheppard在其硕士毕业论文^[53]中对多个风数据进行分析，得出了类似的结论。

用1h平均时间周期的风功率密度分别对三个风数据进行标准化（见图5-2（右))后，可以更清晰地看到平均时间周期对风功率密度的显著影响。当平均时间周期从1h增加到12h，风功率密度降低了约10%，这是很显著的。

如果平均时间周期拓展到24h，曲线的线性度有所下降，但还可近似为线性关系，如图5-3（左)所示。1～24h的时间尺度正好是典型中尺度气象的范畴。

图5-1 相关性系数随平均时间周期（左)及其对数（右)变化曲线（其中长期参考数据为NCAR再分析数据，情形1与测风塔的距离约130km；情形2与测风塔距离约11km)(www.xing528.com)

图5-2 风功率密度随平均时间周期变化曲线（左图为1～12h平均时间周期区间；右图为左图标准化后的曲线)

当平均时间周期小于1h或大于1天时，曲线明显不再遵循线性关系，如图5-3（右)所示。当平均时间周期超过5天后，风功率密度变化就不那么显著了。月平均风速的风功率密度可能比10min平均风速的风功率密度小50%。

图5-3 风功率密度随平均时间周期变化曲线（左图为1～24h，右图为10min～30天（720h)的平均时间周期区间)

可以通过研究特定风场的风功率密度与平均时间周期的变化规律来改进MCP模型的精度。比如用12h平均时间周期进行MCP预测，以提高两个风数据的相关性。然后通过简单的线性关系推导到1h（甚至更短)平均时间周期的风功率密度，或许可以提高发电量预测的准确度。

不同的威布尔参数估计方法对平均时间周期的敏感度是不同的，比如等能量密度法就特别敏感，而最大似然法则差得多。