在风电开发中,风电场场址选择是其中一个重要环节,包括宏观选址和微观选址。宏观选址工作在前期的规划阶段进行,是指在一个较大的地区内,通过对若干场址的风能资源和气象、地形、交通条件等其它建设条件的分析和对比,确定风电场建设地点的过程。在宏观选址中,风能资源是最重要的考察因素,风电场建设的经济效益在很大程度上取决于风电场的风能资源,所以准确、有效的风能资源评估是宏观选址的前提。同时,宏观选址阶段风能资源评估中计算出来的反映风电场长期水平的风速数据,也是后续微观选址的基础。本文从不同角度对风电场宏观选址阶段的风能资源评估方法展开研究,取得如下成果:代表年法是我国普遍采用的风电场风能资源评估方法。论文采用8个气象站20年间的逐小时风速和风向数据从长期平均风速、平均风功率密度等四个方面对代表年风能资源评估方法的误差以及各种参数对误差的影响进行了系统的分析。为了进一步提高代表年法的准确性,提出了改进代表年风资源评估法。在相关方法方面,采用简化主轴线性回归法,由于简化主轴法假设自变量和因变量都存在误差,更符合实际情况;在数据订正方面,采用风向相关和风速相关相结合的数据订正方法,充分考虑了风速的季节变动。算例仿真表明:改进算法整体减小了评估误差,在某些算例中可将长期平均风速相对误差降低40.8%。基于神经网络的风能资源评估方法的基本出发点是利用神经网络的非线性拟合能力,建立风电场和参考气象站风速之间的非线性关系。针对神经网络法容易陷入局部最优解的问题,提出了基于自适应粒子群优化神经网络的风能资源评估方法。将神经网络训练得到的权值和阈值作为自适应粒子群的一个位置信息再进行训练,利用粒子群算法在收敛阶段的精英学习策略,改善全局搜索能力。仿真结果表明:经过自适应粒子群优化后的算法具有更小的误差,最大可将逐小时风速相对误差减小11.26%,同时使其相关系数提高23.2%。从风速的概率分布角度出发,提出了一种基于离散随机变量联合概率分布的风资源评估算法。算法中将风电场和参考气象站的逐小时风速看作是离散随机变量,利用离散随机变量的联合分布律和条件分布律来计算风电场长期风速的概率特性。由于该方法不需要预先假设风速的概率分布模型,因此适用范围更广。仿真结果表明:离散变量联合概率分布法的性能优于传统线性回归法。在风资源评估中,风向也是一个重要的因素,风向对于风力发电机组在风电场中的布局排列起到关键作用。一般情况下,对风向的预测都是独立于风速预测的。论文对比分析了线性回归法、矩阵法和直接法三类风向预测方法,采用Chi-square拟合度作为误差评价指标,分析结果表明:矩阵法的误差最小,Chi-square拟合度均在0.04以下,但只能获得各风向区间风向出现的频率,直接法的误差大于矩阵法,而线性回归法的误差最大,该结论可为实际应用提供参考。以韩国为例分析了气候变化对风电出力和五十年一遇最大风速的影响,分析发现风电场生命周期内的风速变化可能明显改变风电场风资源条件和风电出力。当前根据历史观测数据进行风电场风资源评估的方法,未能考虑未来气候变化的影响,存在误差。为了减小气候变化对风能资源评估的影响,提出了全寿命周期风能资源评估思路,即评估时充分考虑未来风速的变化。在这一思路下,提出采用类风指数法和灰色理论相结合的方法对年发电量的评估结果进行修正。仿真结果表明修正后的结果更加接近真实值。