发电量是影响风电度电成本的敏感因素，所以做得一手精准的风资源评估与发电量计算，是每一个风资源工程师的梦想。而偏偏风资源评估是一个复杂的过程，任何一个环节的误差，往往会导致发电量评估结果出现较大的偏差。比如，在中低风速风场，0.2m/s的风速评估误差，会导致150h的发电量差异，反映到度电成本，便是3分钱左右，直接影响到竞价报价。
在发电量评估过程中，最重要的就是输入可靠的数据。这也不难理解为什么测风数据和地形图使用风险量化被远景能源提到重要“议事日程”。
先看测风塔数据标准化处理。在很多领域，人们愿意相信“老把式”，这是因为经验对于复杂事项的评估相当重要。中国风电经历了快速发展的“黄金十年”,但很多工程上的做法还未来得及闭环验证就形成了“经验”，不同工程师的“经验”对同一个项目测风数据的处理都不尽相同。
远景能源组织业内十余位风资源工程师对某项目进行的盲评测试也说明了这一点。不同风资源工程师对于该项目的测风塔风速数据处理的偏差达到0.2m/s至0.3m/s，有些风险到了不可接受的程度。
而格林威治平台则将测风塔数据纳入了标准化管理，包括原始数据、数据质量筛选、数据修正、数据插补和数据长期订正等诸多环节，并对其产生的风险进行了量化呈现。比如对于典型的风电场项目，通常要求测风塔能够有一整年以上的测风数据。如果数据不足整年，工程师常见的做法是，利用与中尺度数据的相关性插补到一整年，在计算发电量时，再考虑一些不确定性折减系数。
那么，不同时间长度的测风数据对风资源评估到底有多大影响？为做好这一风险量化分析，远景能源选取了1000座测风时长满一整年且整年数据有效性超过95%的测风塔，分别抠除每一个测风塔1至11个月的数据，模拟测量时间较短的场景。采用中尺度数据对其进行插补延长处理，得到该塔12个月的风速数据，再与原有12个月风速数据进行比较，通过分析其误差水平，看不同时长测风塔数据的评估结果与其真实的风速数据的差异。
(图注：ME：误差均值；MAE：误差绝对值均值；RMSE：均方根误差)
由上图可见，随着测风时长的增加，各样本的误差汇总结果越来越集中，虽然整体样本评估结果的平均值没有因为测风时长的变化而变化，但最终得到的完整年风速与真实的完整年风速之间的误差波动越来越小。在典型情况下，3个月、6个月、9个月数据插补得到的完整年风速的均方根误差分别为8%、6%、3%。
例如，用3个月数据推算的风资源结果为5.5m/s的风速，按照远景能源的风险量化结果，在P90的置信水平，偏差达到±0.7m/s。这个结论给出了量化的数据，支持项目决策。
再看地形图标准化处理。在项目初期，往往没有测绘图，风资源评估只能采用ASTER/SRTM等卫星高程数据。基于格林威治平台，远景能源选取全国不同的地形条件，用不同地图源分别对1：2000测绘的8个项目进行了对比评估风险设计，并以1：2000建模结果为基准，比较了不同地图对发电量结果的影响。
上图表明， ASTER和SRTM地图在山地项目的表现误差较大，最大发电量误差接近10%，只有在某些地形相对平坦的项目，发电量误差水平才可能小于2%。
为什么会这样呢？通过详细甄别，远景能源发现在这些项目中，机位与测风塔处的测绘图地形特征与卫星地图地形特征存在显著的差异。在下面的例子里，一个普通的小山包，在卫星地图上就是一条等高线，而在测绘图中它却显得十分陡峭，挡住了1/4的扇区。
为了解决这个问题，远景能源采用超分辨率算法，使用多重卷积神经网络来映射卫星地图和测绘图特征间的关系。在神经网络的训练过程中，团队使用了超算中心GPU节点阵列来进行加速，从而快速有效地提高了卫星图的准确性。
上图是针对同一个项目中相同的两个机位点在不同地形图下计算的发电量结果，在T007机位采用SRTM、格林威治超分辨率地形图与测绘图的相对误差分别为2.1%、1.1%，而T008机位采用SRTM、格林威治超分辨率地形图与测图的相对误差分别为7.01%、3.2%。由此可见，机位处于地形相对简单的T007处，SRTM和格林威治超分辨率地形图的表现与测绘图的差异并不大，但当机位处于T008这种相对复杂的地形，格林威治超分辨地形图可以降低50%的误差，进而减小了由地形图带来的发电量评估风险。
需要说明的是，即使通过超分辨率算法，卫星图与实际地形图仍然有误差。在实际项目中，如果只能采用卫星地图，一定要对其进行充分的甄别，尤其要对机位、测风塔处的地形特征与实际情况进行对照纠偏，进而提升地形图质量，以提高评估的有效性。
（特别预告：远景能源还将讨论流场模型与发电量计算中的风险，请持续关注）
