继人类进入现代文明社会以来，创新科技这一永恒主题始终在推动着人类社会的发展。从爱迪生发明的灯泡、马丁·库帕发明的移动电话以及博纳斯·李的互联网发明，无一不见证了人类文明进步的强大推力来自于科技创新。而以下的这组创新科技文章介绍了正在形成或孕育中的一批创新成果，其中包括针对短期或长期的风力预测技术；从天线电信号中获取能量用于手机的充电技术；如何识别人类肢体语言的机器人技术，等等，旨在使读者了解这些信息的同时，能够对我国的本土创新有所助益。
风电被广泛认为是短期内最有机会与矿物燃料竞争的可再生能源。欧盟已经承诺，到2020年，20%的电能来自可再生能源。美国能源部门更希望到2030年风能将提供几乎整个国家的用电。中国近期将风能装机容量目标增至3倍，即到2020年达到100吉瓦（GW）。
但是装机容量并不等同于电力。一台涡轮机组要有其存在的价值，必须要求风力以某种力度持续推动风轮的旋转。有人可能会问，如果不是这样又会如何？此类问题正是关于风力预测的关键所在。而解决这些问题可以帮助投资者决定在哪里建造新型风电场，有助于对电能的产出进行精确的预测。
“风能几乎是免费的，而风电绝不便宜”，这名话在风电领域流传。据全球最大的财经资讯公司――美国“彭博资讯”的调查数据显示，2010年一季度，全球对风电场的投资达到141亿美元。通常，开发商向借款人承诺以稳定的收益来实现融资，这就意味着他们对所在地的未来风力有着可靠的预测。与火电厂或核电站不同的是，每个风电场的发电潜能很大程度上取决于当地的自然环境。
而评估拟建风电场的风力资源的主要工具是MCP分析法（测量、关联、预测），包括将短期风力样本和取自临近机场或气象站的历史数据进行对比。通过统计模型，研究人员根据目标地和相关地之间的不同点，从而绘制出详细的潜在风能点地图。
长期预测――选址
然而，MCP分析法存在三个方面的不确定性。第一，风速计技术问题使得建立一个可靠的风力样本记录存在一定困难；第二，如果风力对于周围地形存在“敏感性”，就会影响目标地和相关地之间的关联性；第三，风力涡轮机组通常比测量塔高很多，显然还要考虑“风切变”因素（一种大气现象，即风速在水平和垂直方向的突然变化）。
究竟是农场还是发电厂？
“风切变”问题在复杂的地形或森林附近会显得较为突出。美国印第安纳州的国家再生能源实验室2009年进行的相关研究发现，50米的落差会导致平均风速超过4千米/小时的变化。由于电能输出取决于风速，即使是微小的变化，也能导致一个风电农场的发电量发生15%的变化。
欧洲一家名为HgCapital的私营投资公司介入了再生能源领域，该公司的汤姆·默利（Tom Murley）认为：缩小MCP预测的误差范围，这对选址的商业可行性来说至关重要。因为在向银行贷款时，需要出示该选址的风力评估报告。而银行则根据所谓的“守恒风”数据决定是否借款，而不是根据实测风力。
为了计算这个数据，研究人员要使用一个统计模型来获得“P90”风力值，即有90%把握的平均风速，其读数越接近，选址就越有吸引力。如果P90风速与平均值的误差在12%～15%之间，银行通常很愿意放款。默利表示，如果误差达到20%或者更高，显然不适合投资。相反，误差范围在7%～10%之间，投资成本可降低0.5～0.75个百分点，投资回报率也更高。
为了给可能选址的地点绘制一个更准确的风速风向图，一些公司开始使用激光和声纳等装置来充实MCP分析法。例如，一家英格兰工程公司SgurrEnergy已经研制出激光雷达，其工作原理是：脉冲激光柱在风中反复被微粒敲打后会发生变形，而通过测量其变形度就可测得风速、风向和风切。该公司表示，激光雷达的使用能将误差范围降低几个百分点，其结果可提升项目回报率约1个百分点。
短期预测――供电
一旦风力涡轮机投入使用，预测的重点就由长期平均值转向短期特定值。这对于那些试图平衡不同电力资源的输电网操作人员来说，风电间歇现象不再是一个抽象的统计指标，而是将此作为是否调控的依据。丹麦国家电网首席电力操作员波尔·莫藤森（Poul Mortensen）表示，丹麦20%的电力来自风能，每秒1米的风速变化能导致全国电力输出产生450兆瓦的变化，相当于一个火电厂的产量。
对于非常短期的预测（不到1个小时），其主要依赖的技术是“持续性预测”，即风速在1小时内保持一致。尽管在过去的10年间风力预测技术有了巨大的发展，但芬兰Poyry能源咨询公司顾问詹姆斯·考克斯（James Cox）认为，持续性预测对短期预测而言依然是一个基准。但对更远期的风力预测就显得有些力不从心了。
为了改善持续预测能力，一些公司开始转向更为科学的数值天气预测（NWP），一种用于全国天气预报的方法，即把大气数值模型转为三维网格（每个网格边长有几千米），结合从感应器和卫星收集的物理数据（压强、温度和湿度等）以模拟大气行为的方程式。而根据风力发电涡轮机组的装机容量，专家可以通过预测某地风速来绘制发电输出功率曲线图。
NWP用于风能预测面临的最大挑战是，不同区域的地形差异以及这些差异导致风力发生的变化。解决这一问题的方法是细化网格，增加用于预测的坐标。在一些实际案例中，有专门根据特殊地形如高山、沿海或不同特征的地区增加预测坐标。目前，美国AWS Truepower公司就使用这种方法来提供风力预测服务。该公司称，对于一家具有平均容量的风电场而言，可以将1小时的预测误差从原来的7.5%降低到4%，将NWP对未来预测误差率从35%降低到14%～22%。莫藤森称：10年来，日预报误差率已经从过去的36%降至目前的18%～20%。
美国第五大太阳能供应商Xcel energy和美国国家大气研究中心(NCAR)的一个联合项目，是以Xcel近2500个风力涡轮机组的数据为基础，他们采用了“嵌套网格”式的配置，组成三个边长标尺分别是30千米、10千米和3.3千米风力发电场。NCAR的大卫·约翰逊（David Johnson）表示，更精确的分析模型可以使他们观察不同的地形，对远期风力预测，目前的技术仍存在局限性，如评估某个风电场内的山坳或溪谷的影响，为每个涡轮机组进行单独的预测。
这种高精度模型显示出了令人期待的结果，尤其是配合风电场的实时观察数据。马里兰大学气象学家丹尼尔·K·达维多夫（Daniel K.Davidoff）称：在更强大的计算机的支持下，模型解决方法的进步会推进风力预测不断取得新的成果。
对远期风力预测目前的技术仍存在局限性
预测的价值
还有一种方法考虑到了每个风电场的不同特征，即通过人工网络从NWP获得的结果和从风电场获得的涡轮数据进行比对，以便对未来进行更精确的预测。但这个方法在实际操作中并不容易，风电场运营人员会认为这些数据具有商业敏感问题。为此，美国航天气象处（AWS）的布鲁斯·贝利（Bruce Bailey）表示，运营人员不愿意提供涡轮数据是提高预测水平的最大障碍。
对于那些将风能并网出售的独立风电场运营人员而言，短期预测是否准确意味着两种迥然不同的结果，一是利润巨大，二是由于不履约造成的损失（赔偿）。然而，更准确的预测有益于电网运营者和他们的客户，因为他们只需保存较少的储煤就足以应对风力的不足。在与NCAR合作的前两年，Xcel期望能节省1000～1200万美元，当然，这最终要体现在费用账单中。一家独立的可再生能源咨询公司加勒德·哈森（GL）的咨询师安德森·加勒德（Andrew Garrad）开玩笑说，随着风能技术的迅猛发展，风电场面临的最大挑战，即它们到底是农场还是发电厂。
资料来源 The Economist
责任编辑 彦 隐