I denna rapport har mätningar från en lidar och mätningar från en meteorologisk mätmast jämförts. En undersökning har även gjorts för vilka atmosfäriska tillstånd som lidarn mäter bra och för vilka förhållanden den mäter mindre bra. Som referens används data från en mätmast, som antas vara korrekta. Platsen för mätningarna är över skog vilket medför mer komplex terräng än över plan mark. Olika filter har utvecklats för de atmosfäriska tillstånd då lidarn mäter sämre, för att filtrera bort de mest extrema förhållandena. Dessa filter filtrerar bort data med för mycket turbulens, låg eller negativ vertikal vinddifferens och liten återspridning. När återspridningen är liten blir antalet mätningar även litet, därför har data med litet antalet mätningar också filtrerats. Lidarn har en inbyggd korrektion för moln, denna har också undersökts och ett filter har utvecklats för data som korrigeras fel. Efter att data har filtrerats visar jämförelser mellan lidarns uppmätta horisontella vindhastighet och mastens uppmätta horisontella vindhastighet en bättre korrelation och ett mindre relativt fel. För högre höjder fås en mindre skillnad i vindhastighet mellan lidarn och masten än för lägre höjder. Jämförelse av turbulensintensitet visar också en bättre korrelation. Antalet data som blivit bortfiltrerat p.g.a. atmosfäriska tillstånd är ca 12 % för 70 m, 96 m och 138 m, för 39 m har 22 % blivit bortfiltrerat. Utifrån filtrerade data har även två olika metoder för att bestämma friktionshastigheten undersökts. Det visade sig att metoderna gav olika resultat. Den ena metoden gav sämre korrelation men bättre 1:1 förhållande medan den andra metoden gav en bättre korrelation men lidarn visade något lägre friktionshastighet än mastens mätningar.

<p>The procedure of determining if a site is suitable for wind power production requiresconvincing statistical data describing the long-term behavior of the average wind speed.This can be achieved by measuring the wind speed for a short time period, e.g. a year,and after that a Measure-Correlate-Predict (MCP) method can be performed. The shorttermmeasured wind data must be used in combination with a long-term referenceseries. This long-term reference series can be global reanalysis data reaching 20 to 30years back in time. In a MCP method different regression methods can be used. Aftercreating a long-term corrected wind data series, it is possible to analyze the conditionsat the investigated site. To be able to study the behavior of different reference series andregression methods, a model was created in MATLAB. As short-term wind speed dataVattenfall Wind Power supplied data from two measuring masts, Ringhals andOskarshamn, with maximum heights of 96 and 100 meters, respectively. From UppsalaUniversity data were supplied from a measuring mast near Marsta with maximummeasurement height of 29 meters.When creating these long-term corrected wind data series there were many methodsavailable. In this Master thesis methods such as Ordinary-Least-Square, Least-Absolute-Deviation and Reduced-Major-Axis regression methods have been used. With eachmethod three reference series were used in combination with the short-termmeasurement data. These were data from NCAR 850 hPa, NCAR 42-meter sigma leveland a confidential source.Regression methods in combination with reference series were studied and the deviationfrom mean wind speed was obtained for each of these cases. Studies were performed onhow the length of the short-term measurement series affected the deviation from themeasured mean wind speed. It was also investigated if the time of the year had anyinfluence on the measurements.The general conclusion drawn after performing the above-mentioned studies was thatthe NCAR 850 hPa wind speed data and the Reduced-Major-Axis regression methodgave the smallest deviation from the measured mean wind speed in most cases. It wasalso concluded that when a short-term measurement series reached 10 to 14 monthsthere was a significant decrease in deviation from the mean wind speed, regardless ofreference series or method used. Calculations from the model regarding seasonaldependence stated that there was a slight dependency on which period of the year ameasurement was performed.</p> / <p>I processen att bedöma om en plats är lämplig för utbyggnad av vindkraft måste detfinnas övertygande statistiska data som beskriver den genomsnittliga vindhastighetenöver en längre tid. Genom att utföra vindhastighetsmätningar på den tänkta platsenunder en kortare tid, exempelvis ett år, och därefter tillämpas en Measure-Correlate-Predict (MCP) metod i kombination med en långtidsreferens, exempelvis en globalmodell som sträcker sig 20 till 30 år bakåt i tiden kan detta göras. I en MCP-metod kanolika typer av regressionsmetoder användas. När en långtidskorrigerad vinddataseriefinns tillgänglig kan dess beteende på den tänkta platsen analyseras. För att kunna göradetta för flera olika typer av referensserier och regressionsmetoder skapades en modell iMATLAB. Två vinddataserier erhölls från Vattenfall Vindkraft. Dessa var Ringhals ochOskarshamn med högsta mäthöjd på 96 respektive 100 meter. En ytterligarevinddataserie erhölls av Uppsala Universitet från en mätmast nära Marsta med högstamäthöjd på 29 meter.Det fanns flera metoder tillgängliga för att skapa de långtidskorrigeradevinddataserierna. I det här examensarbetet har metoderna Ordinary-Least-Square-,Least-Absolute-Deviation- och Reduced-Major-Axis regressioner använts. För varjemetod testades tre referensserier i kombination med de kortare vinddataserierna. Dessavar NCAR 850 hPa vindhastigheter, NCAR 42 meters sigmanivå vindhastigheter ochannan meteorologisk data.Regressionsmetoderna utvärderades genom att avvikelsen från de kortare mätseriernasmedelvindhastigheter beräknades. Det undersöktes också hur längden på användvinddata från de kortare mätserierna påverkade avvikelsen i medelvindhastighet och omdet fanns något säsongsberoende på när under året som mätningen av vinddata vargjord.Slutsatserna från undersökningarna var att NCAR 850 hPa vindhastigheter ochregressionsmetoden Reduced-Major-Axis generellt gav de lägsta avvikelserna frånuppmätt medelvindhastighet. Slutsatser kunde också dras om längden av användmätdata. Det var tydligt att oavsett referensserie och regressionsmetod uppstod enminskningen i avvikelse från medelvindhastigheten mellan 10 till 14 månaders längd påmätserien. Resultat angående säsongsberoende kunde påvisas i form av avvikelsermellan mätningar gjorda under olika tidpunkter på året. Storlek och tecken påavvikelsen berodde på vilken referensserien i kombination med regressionsmetod somanvändes.</p>

Vindkraft för generering av el har under de senaste åren vuxit kraftigt i Sverige och utbyggnaden väntas fortsätta. Ett viktigt steg när nya vindkraftsparker skall byggas är att göra en vindanalys för det aktuella området. Vindanalysen är ett viktigt underlag för att avgöra om en investering i vindkraftverk kommer vara ekonomiskt lönsamt på den aktuella platsen.      Som underlag till vindanalysen sätts vanligen mätutrustning upp i området och vindförhållandena på platsen mäts upp. Att installera och underhålla mätmaster är kostsamt och därför mäts vindarna på ett begränsat antal platser i det intressanta området. Sedan används olika beräkningsprogram för att extrapolera de uppmätta vindresurserna till positioner där mätningar saknas. För närvarande används programmet WAsP som standard av många vindkraftsprojektörer. WAsP:s beräkningsmodell är relativt enkel och tar till exempel inte hänsyn till turbulens som uppkommer då terrängen är kuperad. Som ett alternativ till WAsP har olika CFD-program introducerats på marknaden under senare år. Dessa programs modeller är mer avancerade och de kräver därför längre beräkningstid jämfört med WAsP, men förhoppningen är att de skall ge mer tillförlitliga modelleringsresultat. I denna studie har vindmodelleringar i det linjära modelleringsprogrammet WAsP jämförts med modelleringar i CFD-programmet WindSim. Syftet har varit att undersöka om WAsP ger tillförlitliga modelleringsresultat i svenskt kuperat skogslandskap och om WindSims CFD-beräkningar kan ge en ökad noggrannhet i jämförelse. Prestandan hos respektive program har utvärderats genom att jämföra extrapolerade medelvindar med faktiska mätningar. Vindmätningar har funnits att tillgå från en period av 12 månader från två mätmaster med givare på 60, 80 och 100 meters höjd. Avståndet mellan masterna är cirka 10 kilometer.            Resultaten från studien tyder på att WindSim kan ge en något ökad noggrannhet jämfört med WAsP, men resultaten visar samtidigt att en CFD-modellering inte med automatik ger mer tillförlitliga modelleringsresultat. Studien har visat att resultatet från WindSim är starkt beroende av hur modellen sätts upp och det kan därför vara enklare att göra fel i WindSim jämfört med WAsP. Det blev också tydligt att en modell där den simulerad vindskjuvning (variation av vindhastigheten i höjdled) stämde bra överens med den uppmätta inte behöver betyda att WindSim-modellen gör bra extrapolationer av vindförhållandena från den ena masten till den andra. Vidare visade sig WAsP missbedöma effekter från topografin något och om vindmätningar görs på utmärkande höjder är det sannolikt att WAsP överskattar vindförhållandena i de lågt belägna delarna av terrängen. I WindSim undersöktes två olika modelluppsättningar, en med WindSims skogsmodul där skogen simuleras som 3D objekt och en modell där skogen hanteras med på samma sätt som i WAsP med råhetslängd och nollplansförskjutning. När skogsmodulen användes var det inte möjligt att erhålla en modellerad vindskjuvning som stämde överens med den uppmätta i en neutral atmosfär, vilket är WindSims standardinställning för atmosfärsstabiliteten. I en neutral atmosfär med skogsmodulen överskattades vindhastigheten på låga höjder. Om atmosfären simulerades som stabil i medeltal var det möjligt att få den simulerad vindskjuvning att stämma överens med den uppmätta, men extrapolationerna i horisontalled blev inte bra med denna modell. Om atmosfären skall simuleras som stabil i WindSim tyder resultaten från studien på att vindmätningarna måste delas in efter rådande atmosfärstabilitet för den aktuella tidpunkten för mätningen. Det fungerade inte tillfredställande att använda alla vindmätningar i samma modell och försöka hitta ett passande medelvärde för stabiliteten.  Om vindmätningarna skall delas upp efter rådande stabilitet kommer varje stabilitet kräva en egen modellering vilket betyder att beräkningstiden kommer öka markant. Att simulera skogen i WindSim med en råhetslängd och en nollplansförskjutning visade sig fungera bra. En modellerad vindskjuvning som stämde bra överens med den uppmätta kunde erhållas i en neutral atmosfär och denna modell presterade sammantaget bäst av alla undersökta modeller i den här studien. Det studerade området består övervägande av skog och vindmätningarna som använts är utförda inom skogsområdet. WindSim skogsmodul kan tänkas vara mer användbar och viktig om skog förekommer i begränsade partier och då tänkta vindturbiner inte placeras direkt inom skogsområdet. En förhoppning på CFD-program är att vindmätningar utförda på låg höjd skall kunna användas för att förutse vinden på högre höjder med större noggrannhet jämfört med WAsP. Resultat från den här studien visar dock att det kan vara svårt att uppnå en bra modellerad vindskjuvning i WindSim. Även i WindSim är således viktigt att ha vindmätningar från flera olika höjder för att kunna verifiera modellen mot innan programmet kan förväntas förutse vinden på högre höjder korrekt.    Sammanfattningsvis förefaller en bra inställd WindSim-modell kunna ge en något ökad noggrannhet av extrapolerade vindförhållanden jämfört med WAsP, men om extrapolationer skall göras mellan liknade områden i terrängen, till exempel från en kulle till en annan kulle, är det tveksamt om den lilla ökade noggrannheten ger skäl för den ökade beräkningstiden i WindSim. / An evaluation of wind energy software: a comparison of wind resource calculations made with the software WAsP (linear model) and the CFD software WindSim over a hilly forested area.  Results produced from the wind modeling linear program WAsP were compared with modeling results produced by the CFD program WindSim. The aim was to investigate whether WAsP achieves accurate calculation results over a hilly forested area in Sweden, and if the CFD modeling in WindSim provides more accurate results than WAsP. The performance of each program was evaluated by comparing extrapolated average wind speed data to actual measurements. The study shows that WindSim may achieve an increased accuracy of extrapolated wind conditions compared to WAsP, as well as indicates that a CFD calculation does not automatically provide more reliable extrapolations than linear modeling in WAsP. The accuracy of the WindSim extrapolations was highly dependent on how the model was set up, and hence it may be easier to make errors with WindSim compared to WAsP. A model in WindSim with accurate simulated wind shear did not necessarily mean that the model made good extrapolations of wind conditions horizontally. Furthermore, WAsP was shown to slightly misjudge orographic effects, and when wind measurements are made over hilltops, WAsP most likely overestimates the average wind speed in the lower parts of the terrain.     When a good model was established, WindSim provided slightly more accurate results than WAsP, but if extrapolations are to be made between similar areas in the terrain, for example from one hill to another hill, it is doubtful that the small increase in accuracy gives enough reason for the increased time in calculation required by WindSim.

The procedure of determining if a site is suitable for wind power production requiresconvincing statistical data describing the long-term behavior of the average wind speed.This can be achieved by measuring the wind speed for a short time period, e.g. a year,and after that a Measure-Correlate-Predict (MCP) method can be performed. The shorttermmeasured wind data must be used in combination with a long-term referenceseries. This long-term reference series can be global reanalysis data reaching 20 to 30years back in time. In a MCP method different regression methods can be used. Aftercreating a long-term corrected wind data series, it is possible to analyze the conditionsat the investigated site. To be able to study the behavior of different reference series andregression methods, a model was created in MATLAB. As short-term wind speed dataVattenfall Wind Power supplied data from two measuring masts, Ringhals andOskarshamn, with maximum heights of 96 and 100 meters, respectively. From UppsalaUniversity data were supplied from a measuring mast near Marsta with maximummeasurement height of 29 meters.When creating these long-term corrected wind data series there were many methodsavailable. In this Master thesis methods such as Ordinary-Least-Square, Least-Absolute-Deviation and Reduced-Major-Axis regression methods have been used. With eachmethod three reference series were used in combination with the short-termmeasurement data. These were data from NCAR 850 hPa, NCAR 42-meter sigma leveland a confidential source.Regression methods in combination with reference series were studied and the deviationfrom mean wind speed was obtained for each of these cases. Studies were performed onhow the length of the short-term measurement series affected the deviation from themeasured mean wind speed. It was also investigated if the time of the year had anyinfluence on the measurements.The general conclusion drawn after performing the above-mentioned studies was thatthe NCAR 850 hPa wind speed data and the Reduced-Major-Axis regression methodgave the smallest deviation from the measured mean wind speed in most cases. It wasalso concluded that when a short-term measurement series reached 10 to 14 monthsthere was a significant decrease in deviation from the mean wind speed, regardless ofreference series or method used. Calculations from the model regarding seasonaldependence stated that there was a slight dependency on which period of the year ameasurement was performed. / I processen att bedöma om en plats är lämplig för utbyggnad av vindkraft måste detfinnas övertygande statistiska data som beskriver den genomsnittliga vindhastighetenöver en längre tid. Genom att utföra vindhastighetsmätningar på den tänkta platsenunder en kortare tid, exempelvis ett år, och därefter tillämpas en Measure-Correlate-Predict (MCP) metod i kombination med en långtidsreferens, exempelvis en globalmodell som sträcker sig 20 till 30 år bakåt i tiden kan detta göras. I en MCP-metod kanolika typer av regressionsmetoder användas. När en långtidskorrigerad vinddataseriefinns tillgänglig kan dess beteende på den tänkta platsen analyseras. För att kunna göradetta för flera olika typer av referensserier och regressionsmetoder skapades en modell iMATLAB. Två vinddataserier erhölls från Vattenfall Vindkraft. Dessa var Ringhals ochOskarshamn med högsta mäthöjd på 96 respektive 100 meter. En ytterligarevinddataserie erhölls av Uppsala Universitet från en mätmast nära Marsta med högstamäthöjd på 29 meter.Det fanns flera metoder tillgängliga för att skapa de långtidskorrigeradevinddataserierna. I det här examensarbetet har metoderna Ordinary-Least-Square-,Least-Absolute-Deviation- och Reduced-Major-Axis regressioner använts. För varjemetod testades tre referensserier i kombination med de kortare vinddataserierna. Dessavar NCAR 850 hPa vindhastigheter, NCAR 42 meters sigmanivå vindhastigheter ochannan meteorologisk data.Regressionsmetoderna utvärderades genom att avvikelsen från de kortare mätseriernasmedelvindhastigheter beräknades. Det undersöktes också hur längden på användvinddata från de kortare mätserierna påverkade avvikelsen i medelvindhastighet och omdet fanns något säsongsberoende på när under året som mätningen av vinddata vargjord.Slutsatserna från undersökningarna var att NCAR 850 hPa vindhastigheter ochregressionsmetoden Reduced-Major-Axis generellt gav de lägsta avvikelserna frånuppmätt medelvindhastighet. Slutsatser kunde också dras om längden av användmätdata. Det var tydligt att oavsett referensserie och regressionsmetod uppstod enminskningen i avvikelse från medelvindhastigheten mellan 10 till 14 månaders längd påmätserien. Resultat angående säsongsberoende kunde påvisas i form av avvikelsermellan mätningar gjorda under olika tidpunkter på året. Storlek och tecken påavvikelsen berodde på vilken referensserien i kombination med regressionsmetod somanvändes.