0 引言

我国风能资源地区分为4类，高、中风速占可利用风能资源总量的26%，低风速占可利用风能资源总量的50%，低风速地区风能利用潜力巨大[1]。低风速资源地区多为城市近郊，具有建筑物形式复杂、湍流强度大的特征，该类地区的风电项目建设依赖于风资源评估结果[2]。当前有基于统计规律和基于数值模拟的风资源评估方法[3]。乔颖[4]根据有限的实测数据用诊断模式构建高精度模型，利用数值模拟给出风资源分布信息，表明对于地形平坦区域，可采用线性模型（以WAsP为代表）。Herran[5]的研究表明，中、小区域风资源评估更多采用数理统计方法，需要大量实测数据。杨迎超[6]的研究指出，风能数据统计的平均时段应为10 min。Ciaran Cooney[7]对某风电场进行风能资源评估，并根据16个方位的风能参数绘制发电量玫瑰图以指导风力机安装位置的选择，结果表明，以风向方位计算的风力机发电量更贴合风力机实际出力状况。众多学者更多的着眼于利用历史数据与有限实测数据进行风资源评估方面的研究，而通过大量实测数据进行风资源实时评估以及风力机功率预测的研究较少。

本文以ZephIR Lidar与测风塔对呼和浩特地区的风资源进行实时监测，对风资源数据以10 min为平均时段进行分析，计算风资源参数，作为评估依据。利用某S翼型小型风力机，计算其风力机特性功率曲线，模拟各个方位的风力机平均功率，并进行风力机功率测试，与模拟数据进行对比，分析ZephIR Lidar测风系统对风资源评估与风力机功率预测的作用。

1 实验设备及实验方案

1.1 实验设备

风资源实时监测实验在内蒙古工业大学新能源试验示范基地进行，该地区地势平坦，具有少量建筑，其监测数据能够显示出城市近郊的风资源实际分布状况。实验采用两组测风设备进行测量，并将测量数据进行对比。

(1)加强税种规范管理。要督促检查已发布实施的土地增值税、耕地占用税、印花税、车船税、城镇土地使用税、契税、城市维护建设税等税种的管理规程落实情况，不断提高财产行为税的规范化管理水平。

第一组是ZephIR Lidar，其现场如图1所示。

AID expression is induced by the activation of NF-κB caused by the H. pylori-induced inflammation in gastric epithelium cells. Additionally, TP53 mutations are induced by AID-producing gastric epithelium cells, which play an important role in stomach carcinogenesis.

ZephIR Lidar是一种激光雷达，采用遥感远距离测风技术，由光学收发机测量多个固定距离的三维相对风速[8]。测风原理是依赖于风携带的天然气溶胶散射形成的多普勒现象，气溶胶反射激光，模拟信号在100 MHz采样，并用快速傅里叶变换转换为 200 KHz的功率谱[9]，[10]。

  

图1 ZephIR Lidar测风系统Fig.1 System of the ZephIR Lidar wind measurement

实验所用ZephIR Lidar由一个锥角为30.6°到天顶的连续波激光器组成，以光通量为1.55 lm的红外激光进行采样测量。测风系统对不同高度风资源的采样频率为1 Hz/s，每层高度采样离散点数为50个，能够捕捉到1 s内风切变和湍流强度变化，在10 m高度，有效采样长度为0.77 m，精确测量水平风速、垂直风速、风向、风切变和湍流强度。其测风是基于假定激光雷达光束扫射范围内气流是水平均匀流动的，但是复杂地形下近地面气流有上升或下沉现象[11]。BingÖl在研究中指出，复杂地形下激光雷达的观测误差量级为10%[12]。

ZephIR Lidar的采样长度（径向速度）VLOS为

为研究区域风资源情况，本文利用WAsP OWC Wizard工具，导入风力机安装地区ZephIR Lidar按时间序列风速风向的原始数据，建立10 m风资源的风图谱 （包括风向玫瑰图与风速频率分布曲线），为计算风力机发电量提供依据[14]。风谱图如图6所示。

 

式中：u为水平风速；w为垂直风速；θ为瞬时方位角；θd为风向；φ为激光与地面的夹角。

第二组是风杯式风速传感器，型号为YGCFS。安装高度分别为8 m和10 m，为了与激光雷达所测数据进行对比，本文选择10 m高度处数据。其结构以及搭建的测风塔如图2所示。

  

图2 风杯式风速仪及测风塔Fig.2 Cup anemometers and anemometer tower

YGC-FS风速传感器的启动风速≤0.3 m/s，测量范围0～70 m/s， 测量精度为±（0.3+0.03V）m/s（V为来流风速）。

最后，利用DH3820采集器实现对所有测点数据的同步采集，采样频率为10 Hz。采集以前，对测风设备进行调试，以确保设备采集数据的精确性。图3为DH3820采集器。

何北以陪何西相亲为名，让自己心安理得地又一次以“老妈生病”为由请了一次假。他们超市的人都知道何北妈妈是老年版林黛玉，动不动就住院，可何北他妈妈压根就不在北京，在深圳给公司卖命呢。何北开车带着何西上花市去买百合，俩人正逛呢，接到何东电话，要陪何西相亲，说已把权筝送回家了。

  

图3 DH3820数据采集系统Fig.3 DH3820 data acquisition system

1.2 实验方案

利用ZephIR Lidar-测风塔对呼和浩特地区的风资源进行实时监测。其中，测风塔风信号采集利用有线传输，通过DH3820采集器转化为电信号进入计算机数据采集控制模块，ZephIR Lidar风信号采集利用无线传输方式。测风实验工作原理如图4所示。

  

图4 风资源实时观测实验原理Fig.4 Principle of wind resource real-time observation

用于风能资源评估的参数包括风向、风速、湍流强度及室外温度。对采集到的数据进行MATLAB处理和分析，这些数据首先用来分析与描述该地区一年内现场的风况。现场记录的风速范围、方向和分布是考虑小型风力机安装以及发电量计算的重要因素，这些数据可以用来进行未来风力发电机组的现场分析，特别是城市环境风资源的分析。

2 测试结果分析

2.1 ZephIR Lidar-测风塔对比

因此，风电项目建设时，应考虑当地气候与地形的影响，对项目建设地点进行实时风资源评估优于单独依靠历史数据。

 

式中：N为10 min内采样样本总数；Xi为采样样本。

风力机设计风速为10 m/s，采用Wilson方法在MATLAB中对风力机进行优化设计，叶稍损失与升阻比作为影响条件，设计目标为确定风力机的年输出功率最大。根据叶素理论，将风机叶片分成若干个叶素，计算每一个叶素的局部风能利用系数dCp并使之达到最大，从而使整个叶片的风能利用系数Cp达到最大，利用Cp值计算不同风速下的风力机输出功率，计算结果如图7所示。

 

式中：k为形状参数；c为尺度参数；v为风速。

ZephIR Lidar与测风塔以2017年5月1-15日为周期进行数据对比，利用MATLAB对两组设备采集的数据进行拟合处理，结果如图5所示。

  

图5 测风塔与激光雷达数据拟合Fig.5 Data fitting of anemometer tower and Lidar

经拟合得出，其相关系数为0.92，因此，认为ZephIR Lidar的数据是真实可靠的，且与测风塔数据呈极强的正相关性。因此，ZephIR Lidar测得的该地区一年内的风数据可以作为评价风资源的依据。

现在让我们将目光转向现象之“物”。形上之“物”在开出天然现象之“物”的过程中，使天然现象之“物”具有“德”。《五十一章》曰：“道生之，德畜之，物形之，势成之……故道生之，德畜之：长之、育之、亭之、毒之、养之、覆之。”罗安宪说：“老子之所谓‘德’，其实就是后代之所谓‘性’。德者，得于道者也。”对于天地、万物而言，“道”是外在的，但同时，“道”以“德”的形式内贯于天地、万物，天地、万物便以“德”体现着“道”。“德”是天地、万物的本性，而“德畜”就是本性的发动。天地、万物因不同的“德”呈现出不同的形态，具有了不同的质料，并在形势、环境之下不断展开自身。

2.2 风资源实时评估

风速是决定风力机输出功率的主导因素，也是风资源评估的重要参数，风速具有波动性、不稳定性和不可控性。风速的Weibull分布用来估计每个风速在1 a中出现的频率、计算年发电量并预测容量因子。Weibull分布曲线表示风速概率分布，Weibull分布特性能够有效地衡量观测地区的风能资源分布情况[13]，其表达式为

 

通常情况下，0.8≤｜R｜≤1.00， 即两变量呈现极强相关性。拟合所得相关系数的绝对值越大，说明ZephIR Lidar测量值与测风塔测量值之间的线性相关性越大，ZephIR Lidar测量值与测风塔测量值的变化趋势越接近，测量精确度越高。

其中，形状参数k用来决定年平均风速变化范围，k值越大，说明风速波动越小，越适合风力发电；尺度参数c用来决定风频曲线的峰值大小。基于Weibull分布，可计算平均风速、平均风功率密度、有效风功率密度、可利用小时数等体现风能资源状况的风能特征指标。

全部患者均行手术治疗，手术均根据患者的病情制定详细的治疗方案，手术均能够顺利实施。手术过程中应有效预防患者发生急性肾衰伤，合理控制患者的血压，针对合并高血压基础疾病的患者，应给予降压治疗，同时，手术过程中应密切观察患者的血压变化情况，必要时可使用去甲肾上腺素，使患者的肾脏血流量得以改变，并能够使肾小球过滤率得到增加，进而使患者的尿量得以增加，降低患者发生急性肾衰伤的概率。应密切对患者的体液进行管理，避免患者体液输出过多，同时，应避免患者患者体液增加，体液增加能够使患者发生急性肾衰伤的概率得到增加。手术过程中应注意对患者的心脏进行保护，并使用激素等药物降低患者发生急性肾衰伤的概率。

  

图6 呼和浩特市实时观测风谱图Fig.6 Real time observation wind spectrum of Hohhot

为提高预测风速数据的能力，并计算长期风速，观测风速应与历史风资源数据进行相关性计算，呼和浩特地区典型气象年平均风速为4.72m/s，主导风向为西北风，本文所测数据与中国气象数据集中的呼和浩特市典型气象年数据有差异。原因有以下两点：实时评估与典型气象年的气候存在差异；实测地点与气象站地形存在差异，包括相对中心高度的不同。

 

从风谱图中可以看出，该地区的主导风向为北风，主导风向上的风能密度高达141 W/m2，平均风速为3.67 m/s，可利用小时数占总观测时长的49.9%，可以判定该地区为三类可利用风能地区。 其观测风速为0～16 m/s，风速集中在2～6 m/s，形状参数k=1.31，尺度参数c=4.0，则 Weibull分布函数为

采样时间段内，对两组实验数据以10 min为节点做加权平均值并将其作为对比分析值。

2000国家大地坐标系(CGCS2000，China Geodetic Coordinate System 2000)是中国自主建立、适应现代空间技术发展趋势的地心坐标系。按照国务院推广使用2000国家大地坐标系的要求，明确于2018年6月底前全面完成国土资源空间数据向2000国家大地坐标系转换工作，并使用2000国家大地坐标系[1-2]。原有的国土资源空间数据大多采用1980西安坐标系、1954年北京坐标系或其它地方坐标系，为保证国土资源大数据的统一管理，促进全国自然资源大数据信息化工作的顺利开展，全国很多县市都陆续开展了国土资源空间数据2000国家大地坐标系转换工作。

3 风力机功率预测与对比

基于风力机的功率输出特性，以及风力机工作地点的风速数据，可以进行风力机平均功率的计算。王晓静[15]的研究指出，某S翼型相对厚度较大，对粗糙度不敏感性较好，且翼型叶片表现出来的气动性更加优良，可以满足风力机结构强度的要求且能够更好地适应野外风沙环境。本文采用某S翼型，对1.5 kW小型风力机进行功率预测与测试对比。

企业成本控制中，对于成本动因的选择需要坚持成本效益原则，并根据具体动因数据的获取方式和难度等合理的选择成本动因。同时成本动因选择的是否合理与机场资源成本分配结果具有直接的关系，所以在成本动因的选择中，需要坚持以成本动因的全面分析为导向，提升作业成本法的作用和意义。

3.1 风力机平均功率预测

数据处理后，通过相关系数反映测风塔数据与ZephIR Lidar数据的相关性。

  

图7 风轮输出功率随风速变化曲线Fig.7 Curve of wind turbine output power varies with wind speed

由图7可知：当风速为4～14 m/s时，风力机的输出功率随着风速的增大而线性增大；当风速为14～18 m/s时，由于风速过大，风力机风轮出现了失速现象，风力机的输出功率呈现下降趋势。

将呼和浩特市的实际观测风资源数据按风向分类，并分别计算16个方位各自的Weibull频率分布拟合曲线，结合功率特性曲线，求解某S翼型1.5 kW风力机在10 m/s设计风速下的平均功率。

四足机器人(quadruped robot，QR)属于足式机器人，相对于履带式和轮式机器人，具有机动性好、环境破坏程度小、主动隔振等优点，应用前景良好。该型机器人涉及力学、机械学、生物学、计算机、人工智能等多学科，相关技术一直是国内外机器人领域研究的热点之一。以美国卡耐基梅隆大学的波士顿动力实验室为代表，2005年发布了Big Dog大狗机器人，又先后推出了如Alpha Dog、Little Dog、Cheetah等产品，引起行业内的广泛关注。

2.降低开发商开发被动房的增量成本是能否有效激励开发商开发被动房的关键因素。开发商本质上仍然是利益的追逐者，除了关注被动房的增量成本外，对于政府给予的被动房的税费减免、贷款优惠与土地优先出让等优惠政策同样也会有效提高开发商开发被动房的意愿。

 

式中：P（v）为风力机功率特性曲线的函数表达式；f（v）为 Weibull分布函数。

3.2 风力机功率测试

通过风资源实时评估可得实验地区的主导风向为北风，为避免复杂障碍物影响风资源，降低风力机出力，实验时选取主导风向上障碍物稀疏地区进行风力机安装，安装高度为10 m。该风力机输出三项交流电，采用离网型风力机发电测试系统，利用DH5902数据采集器将实时电压、电流信号转化为数字信号传输到电脑中，结合DH3820采集同时间的风速、风向，利用MATLAB对数据每10 min进行平均处理，计算整理16个风向的平均功率[16]，结果如图8所示。

  

图8 风力机功率预测与测试对比Fig.8 Power prediction and test comparison of wind turbines

由图8可知，基于激光雷达测风系统的风力机功率预测与实际测试结果的波动趋势基本相同，最大误差产生在方位9，误差为15.7%，其余方位误差值均在10%以内，经MATLAB数据拟合，相关因子为0.917 3，说明预测结果与实际测试结果高度相关。在主导风向方位上，风力机的平均功率达到最大值，实测值为290.056 W。该结果表明，基于ZephIR Lidar测风系统可有效预测风力机输出功率。

4 结论

利用ZephIR Lidar-测风塔测风系统对呼和浩特市的风资源进行实时观测，利用WAsP软件计算风资源参数，并进行风资源实时评估；采用数值模拟方法，利用MATLAB对某S翼型进行了10 m/s设计风速下功率特性曲线拟合；基于ZephIR Lidar测风系统进行风力机功率预测，并与实测结果进行了对比，得出以下结论。

①ZephIR Lidar实时观测风数据与测风塔观测风数据在较长周期内的相关因子达到0.92，呈现极强的正相关性，表明了ZephIR Lidar观测数据的可靠性。

②根据ZephIR Lidar实时观测结果对项目建设地点进行实时风资源评估优于单独依靠历史数据，呼和浩特市近郊地区的主导风向为北风，平均风速为3.67 m/s，属于低风速地区。

③ZephIR Lidar测风系统可有效预测风力机的输出功率，对风力机安装位置的选择具有指导意义。

综上所述，随着素质教育的大力推行，小学语文教师在开展语文阅读教学的过程中，应该引导小学生进行合作学习，以此来激发他们学习语文的热情，推动他们的全面发展，培养小学生的合作和竞争意识，促进其积极思考。除此之外，还可以在其他学科的教学中应用合作学习模式，最大限度地发挥出教师的引导作用，从而有利于提升课堂教学效率。

参考文献：

[1]Jiang H，Wang J，Wu J，et al.Comparison of numerical methods and metaheuristic optimization algorithms for estimating parameters for wind energy potential assessmentin low wind regions [J].Renewable&Sustainable Energy Reviews，2017，69：1199-1217.

[2]Ricciardelli F，Polimeno S.Some characteristics of the wind flow in the lower urban boundary layer[J].Journal of Wind Engineering and Industrial Aerodynamics，2006，94（11）：815-832.

[3]靳晶新，叶林，吴丹曼，等.风能资源评估方法综述[J].电力建设，2017，38（4）：1-8.

[4]乔颖，李剑楠，陈钊.风资源分布的实时估计方法研究[J].中国科技论文，2016，11（23）：2633-2639.

[5]Herran D S，Dai H，Fujimori S，et al.Global assessment of onshore wind power resources considering the distance to urban areas[J].Energy Policy，2016，91：75-86.

[6]杨迎超，刘宏昭，原大宁，等.测风数据处理与风资源评估[J].太阳能学报，2012，33（10）：1661-1666.

[7]Cooney C，Byrne R，Lyons W，et al.Performance characterisation of a commercial-scale wind turbine operating in an urban environment，using real data[J].Energy for Sustainable Development，2017，36：44-54.

[8]Hsuan C Y，Tasi Y S，Ke J H，et al.Validation and measurements of floating Lidar for nearshore wind resource assessment application [J].Energy Procedia，2014，61：1699-1702.

[9]Smith D A，Michael H，Coffey A S，et al.Wind Lidar evaluation at the Danish wind test site in Høvsøre[J].Wind Energy，2010，9（1-2）：87-93.

[10]Hasager CB，Peña A，Mikkelsen T，et al.12 MW horns rev experimen[J].Thérapie，2012，60（4）：351-354.

[11]李军，胡非.复杂地形下激光雷达测风误差的修正[J].可再生能源，2017，35（5）：727-733.

[12]BingÖl F.Complex terrain and wind Lidars[D].Roskilde：Risφ National Laboratory for Sustainable Energy，2010.

[13]谢今范，刘玉英，于莉，等.二参数Weibull分布在风能资源参数长年代订正中的应用探讨[J].太阳能学报，2015，36（11）：2830-2836.

[14]代元军，汪建文，温彩凤，等.利用WAsP软件对风力机发电量的预测[J].可再生能源，2011，29（1）：103-106.

[15]王晓静，贺玲丽，汪建文，等.小型水平轴风力机翼型气动分析与叶片设计 [J].可再生能源，2017，35（4）：535-540.

[16]王欢.中小型风力发电机耐久性测试方法与实验研究[D].呼和浩特：内蒙古工业大学，2015.