2019年10月21-24日，2019北京国际风能大会暨展览会（CWP2019）在北京隆重召开，大会主题“风电助力‘十四五’能源高质量发展：绿色、低碳、可持续”。自2008年首次在北京举办以来，已连续举办11届，成为北京金秋十月国内外风电行业争相参与的年度盛会。
以下为发言内容：
王允：好，谢谢。各位专家同仁，非常荣幸今天有这个机会跟大家分析一个我在最近工作岗位上，最后半年到一年一个新的发现，这个名字叫做风电场资产运行期的发电量评估，这个前边为了要加这么多定语呢？就是为了跟咱们前期绿地项目，前期的这样一个测风，然后分析数据，然后再建模，然后再折减这样去分开来说这个事情。首先是的自我介绍，我在中广核风电待了五年，在金风科技国内营销风电研究院待了两年，现在最近这一两年在中广核负责收并购项目的技术尽调的一些管理。今天我分享的内容是标准的三段论，我提出问题，讨论方法，实践案例，最后有一些探讨。
第一个就是场景，当这个项目有一个项目实际运行了以后，它每年的发电量很显然会跟我们前期风资源工程师做的结果会有很大的差别，这个时候就会有说有人解释说是小风年，这个小风年是会造成非常大的影响，但是这个小风年到底做做大贡献，所有没有其他因素，贡献了有哪些？这是第一个场景所出现的一个问题。第二个是我个人在实际工作过程当中，在我的职责范围内一个事情，包括了已经投运风电场资产，这个资产如果是需要做一些收并购或者股权投资，对于这样的一个风电场资产它真正的发电能力要给出一个准确的评价，那么如果这个时候如果一个风电场它已经运行了一年或者十年，这么长的时间，出去我们再用建模分析，再去折减是一整套流程去算，这个不确定度到底有多少这个还是存在疑问的，那么导致说收购方和售卖方会有很大的一个差异，比方说我已经发到2300，那你凭什么说你折那么多，折到1900讨论这个事。
第三种情况实际上就是国外也一直在说，我们同样的一个项目，同样的测风数据，大家也同样都用WT软件，结果出来可能会有一个很大的差异，那么这个时候实际客观标准答案在哪里？这是第三个场景。
刚才的场景里面所蕴含的困难点，实际上风能是风速的三次方，所以说大小风年波动如果是达到20%或者30%也是一个实际情况中会出现的一个状况，那么不同的人或者单位去算一个同样的项目，因为我们要经过很多部的一个工作，比方数据的质量控制、插补分析、长期订正、尾流折减系数，经过这一系列的动作以后，那么每一步方法论处理一个经验订正都会影响到这个结果，就会造成很大的差异。对于上面的这几个问题有一个什么样比较好的解决办法？因为它已经投产，投产以后的后评估实际上我们大家可能会比较熟悉，IEC61400—12的系列和26的系列，那么12的系列是整个风机功率曲线，26是风机基本上发电可利用率，但是这个要求是要把风速先通过极端函数然后回归到一个正常风速SCADA上面的风速是否污染的，那么这个工作是比较大，大家有一点尴尬就是说，它这个标准实际上着眼点是一个风机的尺度，它并没有着眼于风电场和长历史周期，那么这个时候有个问题，就是风场风速真实的值对我们运行风电场电量评价到底重不重要？
下面是这样的，我拿出来一个时间序列，大家都用这个，橙色是风电场实际发电量，那么我们很可以看到，因为这个我放的序列是风速，就是说我放的不是功率密度，所以说看的不是线性正比，但是如果这个蓝色的曲线我换一个功率密度，那它应该是一个非常的一个相关关系。那么这个时候实际上是我今年在七八月份看到了opneoa相关的资料，它运行的一个评价分析，这样开源的一个代码库是从一个项目来的，这个项目是美国为了评价美国各个设计咨询单位计算机发电量准确性所用的，实际上他们这一套方法很简单，就是把横坐标，是他们的风速，纵坐标是他们的一个产量，也就是说我一个风电场每个月的产量和我这个月所对应到的其他气象数据，我就做这么一个散点图。那么在非常理想的情况下，我每个月风速变化带来我的产量变化，是一个绝对的相关关系，就是一个很简单的算法。他们的代码里面还会再用吗？蒙特卡洛方法的计算一个不确定度的范围，这个跟前期实际上计算不确定度是一样的，那么在它网页上给出来的案例，他们用三个再分析的资料，R2是0.92以上，那么三个数据来源生成的结果是有会有1%的差距，也就是说两千多瓦时一个风场，它三个序列给出来的值相差可能就是20个小时。
但是我在用这个方法的时候实际上遇到了一些问题，在我们国家很多地区尤其是复杂山地项目，我没办法找出来这么好的相关，是因为给我的相关月平均，已经颗粒度到月了，我这放的散点，它R2值就0.65，比方说这个右下该这个图的例子，那么常用是这些，这些我们可以看到这个大概是50多公里，然后这个大概在30公里左右，这是我们目前用到的。那么我找了一套数据，这个数据是5公里，这个不是一个纯粹中尺度的仿真，实际上是专门定性的，就是你在评估你模型预测未来的气象模型，未来预报天气准的不准的时候，你要看你这个模型，你能不能预报出来过去的暴雨，所以它就是用这样的一个模型跟这样一个原理构建了过去全球5公里分辨率人口长时间序列。
我找了一个案例，我这边给出几个省份的表现情况，有个别表现原本就比较好，比方辽宁0.9，但是拿到以后可能会表现更好，这张图只是示意，坐标不是一个完全固定的纵坐标，所以可能就是象征性的，这个是有提升的。那么具体数字是这样，同样有四个项目，我们用这三个我们常见的，去看了一下，他们相关有个别的很低0.1，但是这里面表现比较稳定是这个，大概是到0.66到0.89左右，但是即使这样的一个相关，如果我们能用跟高分辨率时间序列的话，那么它的R2能够上身到0.93或者0.95，到这样量级，那么到这个量级的话，实际上我这样子用简单线性得到这样一个隐形风电场，它真正的一个发电能力，我已经是非常有信心了。
那么在讲完这个实际案例以后下面跟大家讨论一个事情，这是一张非常简单的散点图，它可以看到这边有几个红色的点在这个图上，这个红色的点远远偏离了中间相关的点，这是我们可以找到，这个风场就在这个月份发生了很异常的事情，导致它出现了这些散点。也就是说如果我们拿到一个风场发电量的序列，那么我们可以用这一套方法很快找到这些风电场在哪个月出现了什么问题，如果我把颗粒度放到星期，那么我们可以快速定焦到一年52个星期，哪个星期出问题。另外一个应用就是技改的一个分析，因为我们这样的一个方法，能够比较快速简单得到一个准确的结果，那么我们技改现在有时候探讨就会说，那我改一半机组，那么同样的方法另一半机足不改，我们再去做对比，那这个实际上也不是一个很好的解决方案，那么如果有了这样一个方法，技改前用这个方法来计算这个值，技改后的一段时间内，我们得到另外一个准确判断值，技改的效率就会很好分析出来，那么我这边就是说今天想跟大家分享，我们风资源评价是科学的工种，在里面肯定是有一个相对的标准答案，也就是说不完全以人的意志为转移，这个东西只是一个客观数字，然后有时候客观答案在那边一个评价，所以这也是我今天想跟大家分析的原因。那么对于我开头提到的三个场景，那么现在的情况下，我们能够去看项目公司上报的这个发电量它到底是不是完全由小风年引起的，那么第二种情况就是大家坐下来，我这个电量也是一个客观数据得到的客观结果，我不偏袒任何一方，我是第三方出来的结论，这样是一个比较客观的，那么第三种情况就是说，我在去做后评估的时候，这样很快能够看到前期做的结果跟实际投产以后有多大的影响，今天的分享就到这里，谢谢大家。
宋军：谢谢允哥，两个问题吧！
男1：我想问一下这张图，目前来看可能是跟区域相关度比较大，第一种是云南和湖北的细数明显差一些，CFSR是湖北差一些，选的这四个厂区本身的地形差异大概是什么原因？谢谢。
王允：谢谢，我从两个方面回答这个问题，不同来源对于中国不同地区会有一些差异的。第二个事情就是因为这些再分析的空间分辨率相对来说是比较粗的，有可能这个地方刚好在这个点，离再分析的隔点比较近，如果刚好在55公里，55×55，刚好在四个点的中间，可能代表性不会特别好，会存在这种现象。这上面四个案例，坦白说以建成收购的项目在去做买卖的项目来对来说比较少，并没有挑选任何的案例，谢谢。
男2：美国例子里头有没有涉及到气风气电的百分比？如果涉及到怎么还原呢？
王允：它散点图，这就是他们运行异常的点，包括限电或者是气风或者运维，它会把这些散点去掉，明显不合理的散点会把他们它们识别出来再去掉。第二个问题是这个事情是这样一个情况，第一个当然如果我们有记录，我也做了比方说北方的两个项目，那两个项目我会问对方要一个每个月限电比例，如果是管理工作比较好的风电厂那么他能够提供这个数值，如果把这个限电比例跟原来发电量弥补回去的话，相关性会提高到一个非常合理的水平，这样的一个方法相对来说比较简单，如果限电统计的非常不准，可能会质疑那个月会出现更多的问题，这个值会有一些偏差，我个人理解这样，谢谢。
女3：您好，想问一下作为中广核你们尽调业务，这方面您个人体会最主要的一点是哪一方面？另外您在这方面有没有什么心得或者是自己非常擅长想跟大家分享一下。
王允：分享工作的事情，尽调这个事情个人实际上今天在这边跟大家分享这个事情，但是并不代表我在我们公司或者是什么强推这一套事情，呼吁大家有这么一个很好简单应用的方法也希望大家自己去对比试验一下，希望这一套将来可能在一些场合发挥作用，并不是说我所代表的公司是这样尽调的一个思路，那么坦白说业内做的最多还是对于投产风电还是一个建模的方法，这是第一个。第二个事情我个人觉得尽调比科研或者是前面的设计要更严肃一点，因为它扮演的是业主工程师的角色，这样尽职的程度可能心血花费的很多，也非常感激在我工作过程中合作过的尽调单位。特别想分享的就上面的感谢，谢谢。
