【摘要】：通过测风数据与长期参考数据的同期（或重合)部分来研究MCP预测值的不确定性，那么同期数据的长度就显得至关重要了。通常，MCP预测的长期平均风速的标准差随着同期数据长度的增加而降低。如果MCP模型正确地模拟了实测风数据和长期参考风数据的关系，那么标准差应该随着同期数据长度的二次方根成比例下降。当同期数据长度超过6000h后，MCP标准差才逐渐开始稳定。
通过测风数据与长期参考数据的同期（或重合)部分来研究MCP预测值的不确定性，那么同期数据的长度就显得至关重要了。Anthony L。Rogers等人[61]对此做了较好的分析和阐述。Anthony L。Rogers等人对12组风数据进行了分析，其中6组为在海上，6组在陆地上。每组风数据都包括实测风数据和多年长期参考风数据，然后测量每组数据的MCP预测值的标准差，如图5-13所示。
通常，MCP预测的长期平均风速的标准差随着同期数据长度的增加而降低。如果MCP模型正确地模拟了实测风数据和长期参考风数据的关系，那么标准差应该随着同期数据长度的二次方根成比例下降。但是没有模拟到的季节和长期变化可能对结果产生影响。
当同期数据长度超过6000h（约8个月)后，MCP标准差才逐渐开始稳定。因此，即使有相关性非常好的长期参考风数据，测风塔实测风数据也不宜短于8个月，否则MCP预测值的不确定性将非常大，何况获得相关性非常好的长期参考风数据并非易事。
另外，陆地风数据的MCP不确定性一般高于海上风数据，这是由于陆地的地形地貌对风流的扰动远大于海洋表面。(www.xing528.com)
图5-13 分别对6组陆地风数据和6组海上风数据进行MCP分析，并测量标准化的平均风速的标准差（标准偏差/平均风速)[61]
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
