利用长时间序列风观测的韦伯参数研究外文翻译资料

利用长时间序列风观测的韦伯参数研究

Isaac Y.F.Lun*，Joseph C.Lam

香港城市大学建工系建筑能源研究小组—83Tat chee avenue，kowloon，hongkong

摘要

计算韦伯密度分布函数的两个参数，用于研究三个不同区域:城市区域，城市中心已扩张的区域以及香港开阔海域，获取并分析长时间序列数据源（1968-1997年30年的逐小时风观测数据），基于这些数据，计算不同区域气象观测站点的形状参数和尺度参数。形状参数从1.63-2.03不等，尺度参数范围在2.76-8.92。城市区域每年的韦伯概率密度函数分布表明，风观测数据可以分为两个不同时段，即 1968-1981和1982-1997.比较三个区域的季节性韦伯分布，区域越开阔，韦伯分布越宽。

关键词：风数据；韦伯分布；风能应用；香港

1. 景区简介

近二十年，许多论文涉及了关于开发适当的统计模型来描述风速频率分布。研究频率分布方法为风能转换系统（WECS）的能量输出的预测提供了一种简便的方法。大量论文【1-10】已经给出韦伯分布的两参数（形状参数k和尺度参数c），发现韦伯分布适用于广泛收集的风数据。

有几种方法可用于计算这两个参数，Stevens和Smulders[1]利用5种不同的方法:矩阵法，能量分布系数法，最大似然法，韦伯概率分布和百分位数估计,获得了k, c的数值。比较这些分析结果表明,用不同方法获得的结论没有显著差异。Gupta[2]在印度5个区域内的年和月韦伯参数的估计研究，显示这两参数在宽范围内各不相同。形状参数在轮毂高度中的应用不需做任何修改，但是才参数的估计值变化很大，从通常遵循的幂律到高达100m。Justus 等[3]将韦伯分布和对数正态分布应用于从美国国家气候中心100多个站点的风速数据研究，总结出韦伯分布的效果最佳。然而，Corotis 等[4]针对风速数据的处理，更倾向于瑞利分布是韦伯分布的一个特例。 Hennessey[5] 发现通过瑞利分布估测WECS的能量输出比通过韦伯分布估测的要低10%。Rehman[6]在沙特阿拉伯10个不同区域研究韦伯参数，两参数在不同站点明显不同，通过韦伯密度函数可较好地模拟风数据。Garia[7]对韦伯分布与对数正态分布做了一个案例研究，表明这两种方法都能较好模拟风数据.特别是韦伯分布提供了一个非常有用的估测潜在风能模型。

在过去，仅针对建设者，桥梁设计师，建筑者和船舶设计者而言，风特性是十分重要的。而如今，风数据分析不仅仅在结构工程领域和环境设计中，为工程师提供极为宝贵的信息。同时也包括了可再生能源的研究。本世纪末，更高的生活标准造成了巨大的能源需求。有限的能源及其需求量不断的增长迫切需要采取措施寻求一个克服能源短缺的方法。最近可再生能源，例如风能，被认为是一种可选择解决能源短缺的方案之一。风观测通常上是由大量观测站点而得。两参数：形状参数k和尺度参数c，在确定大范围内的风特性方面，十分有用，它们能充分地反映有效风和进行风等级评定与风能评估。

本文利用韦伯两参数函数来描述香港近30年来风速频率分布，其目的是提供信息来加深了解无测风数据区域的风速分布，以及3个不同类型区域—（开阔海域（例如海岛），扩张区域（例如城市中心周边）和城市区域，计算参数的差异。

2.韦伯分布

韦伯分布（由瑞典物理学家W. Weibull命名，上世纪30年代，他应用它来研究紧张与疲劳强度）提供了一个近似模拟许多自然现象的概率分布规律，在风荷载研究中，它用于描述某段时间内风速分布。近年来，这种方法在风能应用方面引起最多关注，不仅由于其极好的灵活性和简单性，而且因为它给出一个与实验数据很好拟合的结果。Weibull分布函数（是一个两参数函数），对于风速数学表达式为

f(v)=(k/c)(v/c)^(k-1)exp[-(v/c)^k] （1）

以及累积分布函数为

F(v)=1-exp[-(v/c)^k] （2）

这里v为风速，k为形状参数以及c为尺度参数。进行a double logarithmic transformation, Eq. (2) can be written as双对数变换，方程（2）可以写为

ln{-ln[1-F(v)]}=kln(v)-klnC （3）

绘制ln(v)与ln{-ln［1-F(v)］}图为一直线，直线的斜率为k，Y轴上的截距为-klnC

3．风数据测量的描述

为了更好地理解天气系统，先决条件是有一个充足的天气数据测量源。气象数据和风机供能之间的关系很大程度上依赖于气象观测的质量和数量。

一般认为，不少于30年的气象数据被用于大多数的风相关能源系统设计与分析，这是因为不到30年的短期数据难以反映长年平均的变化。因此，观测时间越长（以年代际计算），越有利于获得定量、有代表性和说服力的结果。

本研究风数据来源于香港气象台（HKO）［11］，香港气象台保存了自1884年以来多个站点的地面气象观测记录。基于这些观测，气象观测数据来自于三个不同的气象站：国王公园（Kinglsquo;s park），中心广场（Central Plaza）和横澜岛（Waglan Island），用自动化仪器记录每分钟间隔的数据，通过电话电路传输至气象台。风数据观测高度是在海平面89.6m处所获得的风数据。

表1：国王公园站逐年的长时间序列形状参数k和尺度参数c.

在国王公园用Munro Mk4杯发电机风速计观测，而在横澜岛和中央广场用Teledyne公司的WS-201风速计观测，观测高度分别为海平面上82.1m和378m。本研究主要分析了国王公园站从1968-1997年30年一套完整的风速数据，考虑到风观测的实用性，用横澜岛和广场中心两个季节（秋季和冬季）的分析结果做对比。基于这些数据，进行统计分析，两参数韦伯分布用来分析于三个不同区域的风观测，借助常用的统计软件根据方程式3计算得到k,c数值。

4．国王公园风数据的分析

表1所示，国王公园站风数据的形状参数和尺度参数计算值。可以看出，在城市区域形状参数变化范围大多数从最低0.99至最高1.87，其平均值为1.35。值得注意的是，这些K参数有一个增加的趋势，特别是在1982年之前，尺度参数最低为1.79,在1977年，发现其最高值为3.71，在1993年，尺度参数的平均值为2.74。自1982年来尺度参数呈上升趋势。为了了解长时间的效果，用30年的风数据分析，表明30年的长时间序列的形状参数和尺度参数分别为1.20和2.64。而长时间序列的参数趋势比个别年份的平均值（1.35和2.74）要更小。这表明风数据非线性特性。

图1.国王公园站1968-1997年这一时段的年韦伯概率密度分布.

图1给出了30年的韦伯概率密度分布，从图中可以看出，这些数据可划分为两个不同的时期：1968-1981年和1982-1997年。第一组在风速约0.5m/s处，趋向于陡坡和狭窄高峰，而第二组在稍高风速处，有一个较宽且平坦的峰值。这表明，1968-1981年的风比1982-1997年的更集中于低风速区（较平静的天气），而在1982-1997年，风速变化范围趋于更宽。表2给出了长时间序列的k和c的月值。k值范围在1.1-1.4，而c数值的变化从低值2.39至最大值3.04，最高c值出现在10月，最低数值出现在1月和12月。表3给出了长时间序列季节k,c值较突出，通常情况下，尺度参数在冬季较低，在夏季和季风期较高。

5.三个区域之间的比较

表4展示了三个不同位置：城市区域（Kinglsquo;s Park），城市中心（Central Plaza）扩张区域，开阔海域（Waglan Island）在秋季与冬季的两参数值。

表2.国王公园站的形状参数k和尺度参数c的月值。

表3.国王公园站的长时间序列的形状参数k与尺度参数c的季度值

表4.三个不同区域两季节的韦伯参数值

可以看出，k,c值横澜岛（位于陆地与太平洋之间）上出现最高，中心广场（Central Plaza）次之，国王公园最低。

表2，表3给出了三个不同位置分别在秋季与冬季的韦伯概率密度分布。横澜岛的秋冬威布尔分布曲线相似，但不同于其他两个站点。这是因为它位于太平洋，比较容易遭遇强风，在秋季观测到的最大风速是25m/s。中心广场在风速为3.75m/s的冬季分布曲线被发现是均匀分布的。在冬季国王公园观测的风速在低风速范围。

6.结论

利用韦伯两参数数值估计来描述（1968-1997）30年风速频率分布，在三个不同位置，计算形状参数K，尺度参数C，并加以验证，得到在城市区域气象站获得的风数据，其韦伯分布两参数自1982年来有增加的趋势。

图2.三个陆地区域秋季的韦伯概率密度分布比较.

图3.三个陆地区域冬季的韦伯概率密度分布比较.

1968-1981年和1982-1997年两个时间段计算的韦伯概率密度函数分布表示，在过去的16年里风速分布的跨度和宽度都有扩展。城市区域和其他两个不同站点的季节性结果比较，两参数值有较大范围。为了建立风数据库，从中获得与风相关的评估的预测结果，充足的风信息和深入了解当地盛行风的条件，本研究仅为陆地开展风力评估初步阶段，利用韦伯参数确定关键要素，为下一步工作提供了基础。

致谢

该工作得到了RGC 竞赛专项研究基金会资助以及L.Y.F城市大学研究奖学金的支持。

参考文献

[1] Stevens MJM, Smulders PT. The estimation of the parameters of the Weibull wind speed distribution for wind energy utilization purposes. Wind Engineering 1979;3(2):132-45.

[2] Gupta BK. Weibull parameters for annual and monthly wind speed distributions for locations in India. Solar Energy 1986;37(6):469-71.

[3] Justus CG, Hargraves WR, Yalcin A. National assessment of potential output from windpowered generators. Journal of Applied Meteorology 1976;15(7):673-8.

[4] Corotis RB, Sigl AB, Klein J. Probability models of wind velocity magnitude and persistence.Solar Energy 1978;20:483-93.

[5] Hennessey Jr. JP. A comparison of the Weibull and Rayleigh distributions for estimating wind power potential. Wind Engineering 1978;2(3):156-64.

[6] Rehman S, Halawani TO, Husain T. Weibull parameters for wind speed distribution in Saudi Arabia. Solar Energy 1994;53(6):473-9.

[7] Garcia A, Torres JL, Prieto E, De Francisco A. Fitting wind speed distributions: a case study.Solar Energy 1998;62(2):139-44.

[8] Justus CG, Hargraves WR, Mikhail A, Graber D. Methods for estimating wind speed frequency distributions. Journal of Applied Meteorology 1978;17(3):350-3.

[9] Takle ES, Brown JM. Note on the use of Weibull statistics to characterize wind-speed data. Journal of Applied Meteorology 1978;17(4):556-9.

[10] Hennessey Jr. JP. Some aspects of wind power statistics. Journal of Applied Meteorology 1977;16(2):119-28.

[11] Hong Kong Observa

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[286819]，资料为PDF文档或Word文档，PDF文档可免费转换为Word