风电场风速分布模型研究综述
风电场建模和仿真研究
风电场建模和仿真研究一、本文概述随着全球能源结构的转型和可再生能源的大力发展，风电作为一种清洁、可再生的能源形式，在全球范围内得到了广泛的关注和应用。
风电场作为风电能源的主要载体，其运行效率、经济效益及安全性直接决定了风电产业的健康发展。
因此，对风电场进行精确建模与仿真研究，对于提升风电场的设计水平、优化运行策略、预测和评估风电场的性能具有重要的理论价值和现实意义。
本文旨在全面系统地探讨风电场的建模与仿真技术，通过对风电场各个组成部分的深入分析，构建一个真实反映风电场运行特性的仿真模型。
本文首先对风电场的基本原理和结构进行概述，介绍风电场的主要组成部分及其功能；接着，详细阐述风电场建模的关键技术，包括风力发电机组模型、风电场电气系统模型、风电场控制系统模型等；然后，介绍风电场仿真的基本流程和方法，包括数据收集、模型构建、仿真实验及结果分析等；结合具体案例，展示风电场建模与仿真技术在风电场设计、运行优化和性能评估中的应用。
通过本文的研究，希望能够为风电场的设计、运行和管理提供有益的参考和指导，推动风电产业的可持续发展。
二、风电场建模基础风电场建模是研究风电能转换、风电系统运行及风电场优化布局的重要手段。
建模的准确性直接关系到风电场运行的安全性和经济性。
风电场建模主要基于风电机组的运行特性、风电场的布局、地形地貌、气象条件以及电网接入方式等因素。
在风电场建模过程中，首先需要对风电机组进行单机建模。
这通常涉及风电机组的空气动力学特性、机械动力学特性、电气控制特性等方面的研究。
其中，空气动力学特性主要研究风轮对风能的捕获能力，机械动力学特性关注风电机组在风载荷作用下的动态响应，而电气控制特性则关注风电机组的能量转换和并网控制。
除了单机建模外，风电场建模还需要考虑风电场的整体布局。
风电场的布局直接影响到风能的分布、风电机组之间的相互干扰以及风电场的整体发电效率。
因此，在建模过程中，需要综合考虑地形地貌、风向风速分布、湍流强度等因素，以确保风电场布局的合理性。
weibull分布风速模型基本构成参数及其作用。
在进行深入探讨Weibull分布风速模型基本构成参数及其作用之前，我们先来简单了解一下Weibull分布。
Weibull分布是由瑞典数学家瓦尔德玛·魏布尔于1951年提出的，用来描述风速、风力等自然现象的统计分布。
1. Weibull分布的基本特征Weibull分布是一种连续概率分布，其密度函数为：\[ f(x;\lambda,k) = \frac{k}{\lambda}\left(\frac{x}{\lambda}\right)^{k-1} e^{-(x/\lambda)^k} \]其中，\( x>0 \)，\( \lambda>0 \)为比例参数，\( k>0 \)为形状参数。
Weibull分布的平均值、方差和标准差分别为：\[ \text{E}[X] = \lambda \Gamma(1+\frac{1}{k}) \]\[ \text{Var}[X] = \lambda^2 \left[ \Gamma(1+\frac{2}{k}) -(\Gamma(1+\frac{1}{k}))^2 \right] \]\[ \text{Std}[X] = \lambda \sqrt{\left[ \Gamma(1+\frac{2}{k}) - (\Gamma(1+\frac{1}{k}))^2 \right]} \]其中，\( \Gamma \)为Gamma函数。
2. Weibull分布的构成参数Weibull分布的构成参数包括比例参数\( \lambda \)和形状参数\( k \)。
比例参数\( \lambda \)反映了分布的尺度，它决定了分布的位置，即控制了平均值的大小。
形状参数\( k \)决定了分布的形状，描述了分布的偏斜性。
当\( k>1 \)时，分布呈现右偏态，当\( k<1 \)时，分布呈现左偏态，当\( k=1 \)时，分布呈现对称性。
3. Weibull分布的作用Weibull分布在风能、风电等领域得到了广泛的应用。
风电场中的风速预测研究
风电场中的风速预测研究随着环保意识的提高，可再生能源日益成为我们的重要选择，其中风能是一种无疑的选择。
风能在发电中非常重要，然而当风速变化无常时，这会给风电场带来很大的困难，导致风电场的发电效率下降，甚至无功离线。
因此，风速预测成为风电场运营中的重要问题。
本文旨在介绍风电场中的风速预测以及其研究。
一、风速预测的意义首先，我们需要了解风速预测的意义，以及为什么它是如此重要。
风速的变化对于风电场的发电能力具有重要的影响。
就如同电力系统需要负载预测一样，风电场需要风速预测来制定更好的运营计划。
当风速变化无常时，风力涡轮机的输出功率就会随之波动。
这种波动可以导致电力系统的破坏，甚至损失。
风速预测可以帮助管理者更好地计划维护和调度工作，从而提高风电场的发电能力和健康运行时间。
此外，预测还可以使发电量达到最大值，同时保障发电的可靠性。
二、风速预测的方法现在，我们来看一下风速预测的方法。
可供选择的风速预测方法有很多，其中我们可以通过气象学方法预测风速。
常见的气象学方法是基于大气物理参数的模型，例如，“微风-双参数”和“湍流-三参数”模型。
这些方法通常需要直接测量有关大气物理系统的参数。
此外，还可以使用人工智能进行风速预测，例如使用人工神经网络模型和遗传算法来进行风速预测。
这些模型可以对风速变化进行更好的预测，但是它们需要大量的数据进行学习，因此，合适的数据对于预测的准确性非常重要。
最后，还可以通过现场实时测量数据进行风速预测。
这种方法通常使用现场测量数据进行风速预测的统计分析，比如，使用转速仪器测量风机的由风力涡轮驱动的转速，从而推测出风速。
三、影响风速预测准确性的因素然而，随着风电场规模越来越大，风速预测的难度也随之增加。
因此，我们需要考虑影响预测准确性的因素。
首先，风场的特性对风速预测的准确性有显着影响。
例如，在平原区域，由于地形的平缓，风速的变化要比在山区中更加柔和，因此，预测就更加准确。
在山区中，则需要考虑风向的变化和地形的不规则性。
基于风速特征的风力发电功率预测模型研究
基于风速特征的风力发电功率预测模型研究 概述 风力发电是一种可再生的清洁能源，在全球范围内都得到了广泛的应用。然而，风力发电的可靠性和稳定性常常受到风速的变化影响。因此，建立一个准确的风力发电功率预测模型对于优化风力发电系统的运营和管理至关重要。本文旨在研究基于风速特征的风力发电功率预测模型，以提高风力发电的可靠性和经济性。
一、引言 风力发电是利用风能转化为电能的一种发电方式。风力发电系统主要由风机、变频器、变桨控制系统、电网等构成。在风力发电系统中，风速是影响发电功率的最重要因素。因此，精确预测风速对于优化风力发电系统的运营和管理至关重要。
二、相关研究 在过去的几十年中，许多研究人员已经对风力发电功率预测进行了广泛的研究。这些研究方法主要可以分为统计方法和机器学习方法两大类。
统计方法是一种基于历史数据的预测方法，根据过去的风速数据和发电功率数据建立数学模型预测未来的发电功率。这些方法主要包括基于回归分析、时间序列分析和概率分布等方法。虽然统计方法可以提供一定的预测准确性，但其对复杂系统的建模能力有限，难以处理非线性和多变量间的关系。
机器学习方法则是通过建立数据驱动的模型来预测发电功率。该方法可以利用大量的历史数据进行训练，从而更好地捕捉风速与发电功率之间的关系。常用的机器学习方法包括神经网络、支持向量机和随机森林等。机器学习方法能够处理非线性关系和多变量问题，因此在风力发电功率预测中被广泛应用。
三、基于风速特征的风力发电功率预测模型 基于风速特征的风力发电功率预测模型旨在通过分析风速与发电功率之间的关系，寻找出最佳的预测模型。具体步骤如下：
1. 数据收集和预处理：收集历史风速和发电功率数据，并对数据进行清洗和预处理，如去除缺失值和异常值。
2. 特征提取：通过统计学方法或信号处理方法，提取风速的特征，例如均值、方差、峰度和斜度等。
3. 模型选择和训练：根据提取的风速特征和对应的发电功率数据，选择适合的机器学习方法构建预测模型，并利用历史数据进行训练。
关于风电场风机排布距离和列阵方式及海上风电场的模型.
关于风电场风机排布距离和列阵方式及海上风电场的模型摘要：随着能源需求增长与化石燃料资源日趋枯竭的矛盾日益突出，洁净的可再生能源越来越受到人们的欢迎和重视，风力发电是新能源中最具有经济发展前景的一种发电形式。
目前，在进行风电场风机优化布置模拟计算时，均忽略了风轮的湍流影响，而采用简化风机尾流线性扩张模型，即尾流影响边界随距离线性增大模型。
此外，多数风机尾流模型未考虑风经过风机后的尾流影响区域直径的突然扩大，而一些考虑了该因素的尾流风速预测解析计算公式，则不能满足上游风机后风速与尾流影响区域边界的连续性。
为此，本文推导了一种新的简化风机尾流模型。
研究风电机组尾流效应对风电场输出功率的影响，建立比较全面的风电场输出功率和风速的关系模型，为研究风电场运行优化排布和规划方面的有关问题奠定了基础。
针对问题1，本文考虑尾流效应对风电场组的影响，同时考虑了尾流边界效应模型，确定了速度与功率关系式，从到而确定风电场之间的最佳距离，提出一个完整的模型。
针对问题2，在上述模型的基础上，进一步考虑了风向、风速、迎风角等因素对风电场组效率的影响，经过对数据的处理，我们可以得知有关速度的概率分布f(V),建立速度分布函数；逐渐增加了模型的复杂性，对风电场的模拟更接近现实情况，因此模型模拟得到的结果与问题1相比，结论更灵活易行。
针对问题3，从海上风能资源的分析到建风电场的优势分析，结合海上风电机组的结构形式，分析了不同构建方式的特点并作了相应的比较，最终提出了适合我国东南沿海建立海上风电场的风机布置方式。
关键词：尾流效应、风电、功率特性、水平轴风电场组、一、问题重述：目前我国的风电总装机容量已经达到了世界第一，但我国风电发展的成熟度仍未达到世界前列水平。
按照人均计算的风电装机容量，我国的世界排名为34，为46W/人，而同为总装机容量世界前列的美国、德国和西班牙，这一数据分别为149.8W/人、356.9W/人和463.5W/人；根据陆地面积计算，中国排名为第25位（6.5kW/平方千米）。
风速的数字模型。
在风力发电模拟系统中，风场模拟是一个关键环节，虽然通常认为风场符合Weibull 分布(三参数)，但它并不能很好的反映实际风场;后来提出了四参数混合模型,该模型弥补Weibull 分布的缺点，但其参数的估计计算相当繁琐；针对实验室模拟风场，提出了一种计算简便的风速数学模型，该模型将自然风速分为基本风速、阵风、缓慢变化风速和噪声风速4部分组成。
1、基于Weibull 双参数分布的模拟风场的算法根据实验测出的风速数据，经过假设检验，得出风速r 符合Weibull 双参数分布，其概率密度为k C v k e Cv C k v f )(1)()(--= 其中，k 为形状参数，是一个无因次量;C 为尺度参数，其量纲与速度相同。
与上式等价的风速的分布函数为 k C v e dv v f v F )(01)()(-∞+-==⎰2、风速数学模型 为了较精确地描述风能的随机性和间歇性的特点，风速变化的时空模型原则上通常用以下4 种成分来模拟: 基本风速wb V 、阵风wg V 、缓慢变化风速wr V 和噪声风速wn V2.1 基本风速它在风力机正常运行过程中一直存在，基本上反映了风电场平均风速的变化，风力发电机向系统输送的额定功率的大小也主要由基本风来决 定。
可将风电场测风所得的Weibull 分布参数近似确定，即)11(kR V wb +Γ⨯=一般认为基本风速不随时间变化，因而可以取常数。
b wb K V =2.2 阵 风为描述风速突然变化的特性，可用阵风来模拟，在该时间段内风速具有余弦特性，在电力系统动态稳定分析中，特别是在分析风力发电系对电网电压波动的影响时，通常用它来考核在较大风速变化情况下的动态特性（电压波动特性）。
⎪⎪⎪⎩⎪⎪⎪⎨⎧=+<<⎥⎥⎦⎤⎢⎢⎣⎡⎪⎪⎭⎫ ⎝⎛--gg g g g V T T t T T T t G wg 111max 0 2cos 12π其他其中，ma x G 为阵风峰值；g T 为阵风周期；g T 1为阵风开始时间；t 为时间。
基于空气动力学的风电场风速预测研究
基于空气动力学的风电场风速预测研究近年来，随着全球能源需求的增加以及环保意识的日益提高，绿色能源也受到了越来越多的关注和重视。
其中，风能作为一种无污染、可再生的能源形式，广泛应用于风电场中。
而在风电场的建设与运营过程中，风速的预测则显得尤为重要。
正确准确地预测风速，不仅可以提高风电场的发电效率，还可以促进风电场的可持续发展。
因此，本文基于空气动力学，探究了风电场风速预测的研究。
一、空气动力学基础知识空气动力学是关于空气流动规律的科学研究。
在风电场中，空气动力学理论被广泛应用于风机的设计、风电机组的风电特性研究以及风电场风速预测中。
对于一种流体（如空气）在各种情况下的运动规律，可以用宏观的“流体力学”和微观的“分子运动学”两种方法研究。
由于风电场中的流体为空气，因此主要应用流体力学原理进行研究。
流体力学研究的是流场，流场可用流速场和压力场来描述。
在风电场风速的预测中，主要研究空气流速的场分布，为了更加准确的预测风速，还需研究气温、气压、风向等气象条件对风速的影响。
二、风电场风速预测方法1.数值模拟方法数值模拟方法是风速预测中应用的主要方法，其主要核心原理是运用数值方法对空气流动进行模拟计算，来得到未来某个时间段内的风速分布情况。
数值模拟方法的基本流程如下：首先根据气象条件和模型空间分辨率，建立数学模型；然后运用约化方程、数值方法等来模拟流场；最终根据模拟计算结果，得出未来时间段内的风速分布情况。
2.统计回归方法统计回归方法是另一种常用的风速预测方法，其基础原理是建立一个可以反映气象条件、地形、植被等因素对风速影响的数学回归模型，用模型来预测未来的风速变化趋势。
统计回归方法需要收集大量历史气象数据和风速数据，并进行数据分析和处理，以确定回归模型的具体形式和各个参数。
然后通过不断的模型训练和调整，最终得出精度较高的风速预测方程。
三、影响风速预测精度的因素1.气象条件气象条件是影响风速预测精度的重要因素之一，主要包括气温、气压、相对湿度、降水量等。
风电场短期风速预测方法研究
风电场短期风速预测方法研究风电场短期风速预测方法研究一、引言自然资源的日益枯竭和环境问题的加剧，使可再生能源近年来备受关注，其中风能作为重要的一种可再生能源之一，在全球范围内得到了广泛的应用。
风电场作为利用风能发电的重要设施，其发电效率和稳定性直接关系到风能的利用程度和经济效益。
而风速作为风电场发电量的主要影响因素之一，其准确预测对于风电场的日常运行和经济运营具有重要意义。
二、短期风速预测方法的研究现状目前，针对风速预测存在多种方法，如统计模型、物理模型和人工智能模型等。
统计模型主要利用历史观测数据，通过时间序列分析、回归分析等方法进行预测。
物理模型基于风场的数学模型以及大气环流动力学理论，通过计算机模拟和数值模拟等方法进行预测。
人工智能模型则依赖于神经网络、模糊理论等技术，通过学习和训练建立预测模型。
三、常用的短期风速预测方法及其特点1. 时间序列分析方法时间序列分析方法在风速预测中广泛应用，其特点是简单易懂，模型参数易获取。
基于ARIMA模型的时间序列预测方法通过分析历史风速数据的自相关性和趋势性，预测未来一段时间内的风速。
然而，由于该方法只考虑历史数据本身，对于风速预测的准确性和稳定性有一定局限性。
2. 物理模型方法物理模型方法基于大气风场的数学模型，通过计算机模拟和数值模拟等手段，预测未来一段时间内的风速。
该方法依赖于大气环流动力学理论，准确性较高。
然而，物理模型方法的建立和参数优化较为复杂，对计算机计算能力和数据精度要求较高。
3. 人工智能模型方法人工智能模型方法利用神经网络、模糊理论等技术，通过学习和训练建立预测模型。
该方法具有较强的适应性和自适应能力，能够对风速预测问题中的非线性和不确定性进行较好的处理。
然而，搭建和训练人工智能模型需要大量的数据和计算资源，且对模型参数优化和效果评估存在一定的困难。
四、未来发展方向及建议1. 综合多种模型方法短期风速预测涉及多个因素和变量之间的复杂关联，可以通过综合利用统计模型、物理模型和人工智能模型等不同方法，充分利用各模型的优势和适用范围，提高预测的准确性和稳定性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
风电场风速分布模型研究综述李慧;孙宏斌;张芳【摘要】风速分布模型是用于风电场资源评估、风电场规划与建设以及发电系统可靠性评估等方面不可缺少的数学基础。
本文主要综述了反映中长周期的风速分布特性的数学模型，如伽马分布、对数正态分布、瑞利分布、威布尔分布和Burr分布；并以威布尔分布为例，介绍了常用的各种参数估计方法。
文中分析比较了各种方法的优缺点，并对今后风电场风速分布模型的研究进行了展望。
%The models of wind speed distribution are the important mathematic bases applyingto wind resource as-sessment, planning and building of wind farms, and also for the reliability evaluation of power systems. Firstly, this paper reviews some models of medium-and-long-term wind speed distribution, such as Gamma distribution, Log-normal distribution, Rayleigh distribution, Weibull distribution and Burr distribution. Secondly, on the base of the Weibull distribution, kinds of parameter estimated methods are introduced. Thirdly, the characteristics of various distribution models and estimated algorithms are compared respectively. At the end of this paper the prospects of this research area are put forward.【期刊名称】《电工电能新技术》【年(卷),期】2014(000)008【总页数】5页(P62-66)【关键词】风电场;中长周期;风速概率分布;参数估计【作者】李慧;孙宏斌;张芳【作者单位】北京信息科技大学自动化学院，北京100192; 清华大学电机系，北京100084;清华大学电机系，北京100084;北京信息科技大学自动化学院，北京100192【正文语种】中文【中图分类】TM614随着世界各国对环境保护、节能减排、可持续发展等问题的日益关注，可再生能源发电技术越来越受到人们的重视。
风能作为一种清洁无污染的可再生能源，已经具有与传统常规能源发电竞争的潜力，越来越多的国家把发展风力发电作为改善能源结构和保护生态环境的一种措施。
由于风电具有随机性、波动性和间歇性的特点，使得风电场的输出功率波动很大，当其穿透功率达到一定比例后，将对电网的安全稳定运行带来严重影响［1-3］。
因此，为了优化电网调度，减少旋转备用容量，提高风电穿透功率极限，满足电力市场交易需要，有必要对风电的分布特性进行研究。
体现风电统计特性的一个重要形式是风速的概率分布特性。
按照时间尺度不同，风速分布特性有短、中和长周期之分，而绝大多数研究都涉及中长周期，如年、季或月［4］。
中长周期的风速概率分布模型主要应用于风电场风资源评估、风电场规划与建设、发电系统可靠性评估等，它是从长期统计数据出发，用数学统计模型实现对风况的描述。
中长周期的风速分布一般近似为正偏态分布，风力愈大的地区，风速分布曲线愈平缓，峰值降低右移，即风力大的地区，大风速所占比例也大。
由于地理气候特点的不同，各地域的风速分布规律也呈现多样性。
本文较全面地综述了各种风速概率分布模型的特点，以威布尔分布模型为例，总结了常用参数估计方法的优缺点，并对我国的风电分布特性研究与开发工作提出了一些建议。
目前，用于拟合风速概率分布的模型很多，有伽马分布、对数正态分布、瑞利分布、威布尔分布、Burr分布等，其中双参数威布尔分布模型应用最为广泛。
下面分别对各种分布模型的概率密度函数、累积分布函数以及其优缺点等进行简要介绍。
2.1 伽马(Gamma)分布模型风能开发利用中，最早用于拟合风速分布的模型是伽马分布，它考虑风速作为离散的随机变量。
伽马分布几乎可以拟合欧洲大陆任何地面的风速分布情况［5］，其概率密度函数为［6］式中，v为风速，单位:m/s;k为形状参数，无量纲;c为尺度参数，单位:m/s;Γ为gamma函数。
其数学期望μ和方差σ2与参数之间的关系分别为伽马分布的累积分布函数为［3］式中，Γv/c为不完全gamma函数。
2.2 对数正态(Log-normal)分布模型除伽玛分布以外，早期还常用对数正态分布来拟合风速频率分布，其概率密度函数为［7］式中，v为风速，单位:m/s;c为变量v对数的平均值;k为变量v对数的标准差。
其数学期望μ和方差σ2分别为对数正态分布的累积分布函数为［7］由于对数正态分布能从多方位的角度对风速分布进行描述，消除数据中的异方差和避免数据变化带来的剧烈波动，大体上能说明风能资源分布情形，但它趋近于无穷大，永远不可能与x轴、y轴相交，导致在低风速和高风速情形下的风速频率拟合效果较差，目前不提倡采用该分布模型［8］。
2.3 瑞利(Rayleigh)分布模型瑞利分布也常用来拟合风速分布，它是威布尔分布的一个特例。
得到某一特定地点一年或甚至更长时间内的风速数据之后，瑞利分布能够以适当的精度来描述风速的分布情况。
它所需要的最重要参数是风速的平均值。
当平均风速小于4.5m/s时，瑞利分布的可靠性较差;而当平均风速小于3.6m/s时，瑞利分布根本不适用。
瑞利分布的概率密度函数为［9］式中，v为风速，单位:m/s;c为尺度参数，单位: m/s。
其数学期望μ和方差σ2分别为瑞利分布的累积分布函数为［9］瑞利分布可以合理地描述一些地方风速的特性，但它并不对所有的地点完全适用。
普遍公认按瑞利分布得出的结果与实际情况的误差在10%左右，在缺乏更好的数据情况下，可以使用瑞利分布来估计风能［10］。
2.4 威布尔(Weibull)分布模型威布尔分布模型对不同形状的频率分布有很强的适应性，能较好地描述风速的分布，因其形式简单、计算方便，目前在工程中的应用最为广泛。
其概率密度函数为［11］式中，v为风速，单位:m/s;k为形状参数，无量纲;c为尺度参数，单位:m/s。
其数学期望μ和方差σ2分别为其累积分布函数为［11］k反映分布曲线的峰值情况，若风速数据的方差较小，则k取值很高，分布曲线的形状也比较陡。
当0＜k＜1时，分布的众数为0，分布密度为风速的减函数;当k=1时，分布呈指数形状;当k=2时，便成为瑞利分布;当k=3.5时，分布实际上已经很接近正态分布了。
c反映风电场的平均风速，当c=1时，称为标准Weibull 分布。
值得注意的一点是，威布尔分布仅对普通的风速分布拟合较好，不能拟合某些极端的风速分布［12］。
2.5 Burr分布模型近年来，Burr分布也逐渐成为拟合风速分布的模型，它有较好的拟合效果［13，14］，但是计算量较大，计算费时。
Burr分布的概率密度函数为［13］式中，v为风速，单位:m/s;α为形状参数;β和k为尺度参数，单位:m/s。
其数学期望μ和方差σ2分别为Burr分布的累积分布函数为［3］总之，采用哪种风速概率分布模型，要根据该地区的风资源具体情况而定，因地理气候特点的不同，各地域的风速分布规律也不尽相同。
上述各种风速分布模型，只要确定了相关参数，其具体形式就可以确定出来。
目前，用于参数估计的方法主要有最小二乘法、极大似然法、矩估计、最小逼近法等。
下面以威布尔分布为例，介绍几种常用的参数估计方法。
3.1 最小二乘估计早在1978年Justus等［15］采用最小二乘法估计参数，以误差平方和最小为目标寻找一组数据的最佳函数拟合。
由式(16)可得令a=－k ln c，b=k，x=ln v，则式(21)可转化为y=a +bx的形式。
令式中，n为采样数据样本总数。
对式(22)求各参数的导数，并令导函数为零，求解正则方程组得到参数k和c的值。
文献［16，17］结果表明，采用最小二乘法求解风速概率分布的参数，计算比较方便、简单、易于实现，但是其计算精度不高。
3.2 极大似然法Ram rez等［18］采用极大似然法，根据子样观察值出现的概率最大的原则，求取母体中未知参数的估计值。
由式(16)构造对数似然函数令得到包含参数k和c的方程组，解出k、c值即可。
极大似然法估计虽具有渐近无偏性、一致性、渐进有效性，其计算精度高［19］，但是两个方程均为超越方程，且相当复杂，需利用迭代法经编程求解，其结果对初值十分敏感［20］。
此外，当k值较小时，迭代不易收敛甚至无解［21］。
因此，该法难以作为一个易行、普适的方法予以应用。
3.3 矩估计法刘鹏等［22］采用矩估计法，认为服从威布尔分布的随机变量的各阶矩仍服从威布尔分布，故可用r阶样本矩代替总体r阶矩，求解由所有以未知参数为自变量的矩方程组，便可得到总体未知参数的估计值，此估计值即为参数的矩估计。
双参数威布尔分布的r阶原点距mr为设s为平均风速样本标准差，珋v为平均风速样本均值，则可以由矩估计定义推导出式(26)无法直接求出解析解，可通过数值法计算得到k值。
矩估计的优点在于它的简单性，意义明确，缺点是不能完全利用样本的信息，但是其精度明显高于最小二乘法、最小误差逼近法［23］。
3.4 最小误差逼近法吴学光等［24］采用最小误差逼近法，较准确地反映特定风电场的实际风速分布。
以式(27)为目标函数进行参数寻优式中，fi、pi为第i个风速的威布尔分布概率和实际分布概率;ε为容许误差。
首先假定k值，利用式(25)计算c值，并代入式(13)计算fi，由实际风速数据统计出pi，将二者代入式(27)，然后判断是否成立。
若不成立，如此循环;若成立，则所得的k、c值即为最优估计。
最小误差逼近法一般需编程求解，探求的分布函数可以达到与实测分布在形态上相似，但其结果对于风能特征指标只是理论发电量的计算，计算精度较低［23］。
前文所述的各种风速概率分布模型的简要总结见表1。
常用的参数估计方法的优缺点比较见表2。
大量研究表明，双参数Weibull函数能较好地拟合中长周期(如年或部分月份)风速分布，但是当需要研究更短周期或某些特殊时段的风速概率分布特性时，由于气候变化等随机因素对分布影响明显增强，导致出现两峰甚至三峰分布情况［12］，其规律已很难用双参数Weibull函数准确逼近。