大气再分析资料在中国近海的风资源特征和适用性分析

杜梦蛟 邓浩 文仁强 易侃 张皓

1 中国长江三峡集团有限公司科学技术研究院，北京 101100

2 中国电力工程顾问集团西南电力设计院有限公司，成都 610056

1 引言

能源危机已成为人类共同面临的世界性难题之一，日趋严重的化石能源枯竭、气候变暖、环境恶化等使人们认识到发展可再生能源的重要性和紧迫性。在能源转型背景下，风能已成为全世界发展最快的清洁能源。随着陆地可利用风资源逐渐减少，许多国家把目光转向海上风电的开发。与陆地相比，海上风能具有安全无污染、湍流强度弱、储量大、分布广、不占用土地资源等优点（郑崇伟等, 2014;Li et al., 2020）。

风资源评估是确定区域风资源储量、风电场选址、风力发电机组选型和机组排布方案的前提。许多理论研究和工程建设中常使用气象台站、测风塔或其他观测资料进行风能资源评估，例如Arslan et al.（2020）对土耳其的季节特征研究中使用了气象站10 m风速观测数据。而许多研究（孟昭翰等,1991；薛桁等, 2001；毛慧琴等, 2005；陈飞等,2008；杨丽芬等, 2011）也基于台站或测风塔资料探讨了国内不同区域风能资源的时空变化。虽然基于气象站或测风塔实测的风资源评估在数据准确性和结果可靠性上具有一定优势，但其也具有明显的局限性。新建测风塔或气象站需要耗费大量的人力、物力（李泽椿等, 2007; 罗勇等, 2020）；如果发生仪器故障或极端天气时常导致观测数据在时间上难以满足连续完整年的标准（GB/T 18710-2002），该问题在海上风资源评估中尤为明显，这已成为制约海上资源评估准确性和工程收益的重要因素。

作为大气科学领域极其重要的资料源，大气再分析资料是应用资料同化技术将雷达卫星、飞机船舶和台站观测等资料与数值预报产品融合而来的时空完整的历史天气数据（赵天保等, 2010）。与传统的台站、海上船舶或浮标观测数据相比，再分析数据除了具有易获取、成本低等优点，还具有较高的时空分辨率，因此被广泛应用于风能开发利用研究。许多研究均表明，再分析数据在风资源评估中可以在一定程度上对测风数据进行插补、订正和替代（冯双磊等, 2009; 许昌等, 2017; 刘霄等, 2017）。此外，目前常规测风设备无法实现对三维风场的整体观测，而再分析数据可以对近地层风场整体分布特征进行模拟和刻画（赵彦厂等, 2008; 刘汉武等,2016）。

由于数值模式框架、观测资料收集以及数据同化技术和均一化处理等过程还有待改进，因此再分析模拟的风场仍然具有一定偏差。刘汉武等（2016）研究表明ERA-40（ECMWF Reanalysis-40）、ERA-interm（ECMWF Reanalysis-interm）和NCEP（National Centers for Environmental Prediction）再分析数据都较难模拟出近50年来中国各区域风速显著减小的变化趋势以及季节变化特征。吕润清和李响（2021）也指出ERA5再分析数据与观测数据在一致性及误差方面存在较为显著的时空差异，且该数据在夏季的适用性低于其他季节。除了时间变化上的误差，再分析数据集的准确性和可信度也存在显著的区域差异（Bengtsson et al., 2007; 谢潇等,2011）。就风场而言，Kim et al.（2018）对CFSR、ERA-Interim、MERRA、MERRA-2在韩国西南海域某风场的适用性分析表明MERRA-2性能最好，ERA-Interim性能最差。在我国环渤海区域，陈艳春等（2017）认为JRA-55和ERA-Interim两套资料的适用性优于CFSR、NCEP/NCAR和NCEP/DOE。Song et al.（2015）也针对ERA-interim风场在中国近海的适用性指出其在黄海和东海区域与浮标观测结果接近。申华羽等（2019）基于5个测风塔数据对ERA-Interim和NCEP/NCAR再分析在中国东南近海的偏差分析显示NCEP/NCAR的10 m风适用性更好。旷芳芳等（2015）应用浮标观测资料则指出CFSR再分析资料在台湾海峡比ERA-Interim更接近观测。

从已有的研究不难发现，再分析风场数据在中国近海的适用性存在差异已基本得到共识，但很少有研究关注最新的ERA5和目前在风能开发应用中使用较多的MERRA2与CFSR再分析数据的具体差异，同时很少有研究关注了再分析对风能的再现能力。因此，本文将基于上述三种再分析数据集对我国近海风能资源特征进行统计分析，为近海风能资源的开发和利用提供参考；并在此基础上结合实测数据，指出不同再分析数据应用于中国近海风能的适用性。

2 数据和方法

2.1 数据介绍

本文所使用的数据包括13个海洋测站和3个测风塔实测测数据，以及2000～2019年ERA5、MERRA2和CFSR再分析10 m逐时风场数据。受限于观测条件和数据缺测等原因，昌邑、如东、沙扒测风塔分别仅包含2019年1月1日至2019年08月19日、2019年8月8日至2019年12月31日和2019年1月1日至2019年08月1日的逐日100 m风速，而海洋测站包含2019年逐时10 m风速。各观测站点名称（简称）、经纬度等信息见表1。便于研究，本文按四大海域划分中国近海：渤海（37°N以北，124.5°E以西）、黄海（31°N～37°N，123.5°E以西）、东海（21.5°N～31°N，123°E以西）、南海（17.5°N以北，106.5°E以西），区域划分概况和实测站点位置分布可见图1。3种再分析资料的详细信息见表2。

图1 研究区域概况和观测数据位置分布（空心圈为海洋观测站，实心圈为测风塔，填色表示海拔高度）Fig. 1 Overview of the study area and the location distribution of the observation data, in which the hollow circles are ocean stations and the solid circles are wind towers, the shaded indicate the altitude

表1 实测站点信息Table 1 The information of observed data

表2 3种再分析数据信息Table 2 The information of three reanalysis data

2.2 风资源特征分析方法

常用的海上风机轮毂高度在100 m附近，因此本文使用幂律将10 m风速统一推导到100 m高度：

其中，Z表示高度，Z10、Z100分别为10、100 m，U10、U100分别为10、100 m高度处的风速，α为风切变指数，本文取1/7（Akinsanola et al., 2021）。

风能密度（WPD）为空气在单位时间内流经单位截面垂直气流的动能，计算公式为

其中，w为风能密度，m为空气质量（单位：kg），v为风速（单位：m/s），ρ为空气密度（单位：kg/m3），这里取标准大气海平面空气密度为1.225 kg/m3。

由于风机只有风速达到切入风速时才能发电，而风速超过切出风速时为了避免风机损坏将停止发电，参考前人研究（Ma et al., 2017）与市场主流型号风机的载荷设计，定义fEW为有效风时速（EW）出现的频率，其计算公式为

其中，t为3～25 m/s有效风速出现的时次，T为总时次。

为了衡量风资源的稳定性，定义变异系数（CV）和月变化指数（Monthly Variability Index，MVI）（Wen et al., 2021）:

其中，Cv为变异系数，σw为逐时风能密度的标准差，为平均风能密度；IMVI为月变化指数，wmax为最丰富月份的风能密度，wmin为最贫乏月份的风能密度，aw为多年平均的风能密度。CV或MVI数值越小，代表风能稳定性越好，越有利于风能开发。

3 结果分析

3.1 不同再分析数据在中国近海的风资源特征

对中国近海四大海域100 m高度风速概率特征进行了统计，结果如图2所示。整体上，3种再分析风速概率分布存在南北海域差异，即在东海、南海小于9 m/s的风速概率比渤海、黄海大；此外，ERA5再分析在整个近海的低风速（＜6 m/s）概率都比CFSR和MERRA2再分析大，说明ERA5风速相对较弱。具体的，ERA5、CFSR和MERRA2再分析在渤海（图2a）的最大（小）风速分别为30.59（0.0004）、39.70（0.004）、40.83（0.12）m/s，概率最大风速（概率）分别为3.1 m/s（2.1%）、6.5 m/s（1.1%）、7.8 m/s（0.9%）；黄海（图2b）最大（小）风速分别为29.66（0.001）、40.49（0.004）、43.53（0.15）m/s，概率最大风速（概率）分别为3 m/s（2.2%）、7.1 m/s（1.1%）、8 m/s（1.1%）；东海（图2c）最大（小）风速分别为44.59（0）、80.31（0）、66.72（0.11）m/s，概率最大风速（概率）分别为1.9 m/s（3.0%）、6.6 m/s（0.94%）、5.2 m/s（1.4%）；而南海（图2d）最大（小）风速分别为44.64（0）、82.63（0.004）、66.71（0.10）m/s，概率最大风速（概率）分别为1.9（2.2%）、7.0（1.0%）、6.2（1.2%）m/s。

图2 2000～2019年中国近海（a）渤海（b）黄海、（c）东海和（d）南海海域100 m高度风速单个概率分布统计。黑色、红色和蓝色实线分别代表ERA5、CFSR和MERRA2再分析资料Fig. 2 Probability statistics of wind speed at 100 m height in (a) Bohai Sea (b) Yellow Sea, (c) East China Sea, and (d) South China Sea of China from 2000 to 2019. The black, red, and blue solid lines in the figure represent ERA5, CFSR, and MERRA2 reanalysis data respectively

3种再分析在中国近海有效风时的空间分布（图3）显示江浙和海南以东海域的EW较长，而台湾海峡西南由于存在风速大于风机切出风速的情况，EW较短。EW量级上近海多数区域介于0.84～0.95，近岸部分区域低于0.8。此外，ERA5、CFSR和MERRA2在中国近海的EW分布还具有差异性，例如ERA5再分析近海EW比近岸低，而MERRA2在江苏沿海以北区域的EW依次高于CFSR和ERA5。

图3 2000～2019年基于（a）ERA5、（b）CFSR和（c）MERRA2再分析数据的中国近海有效风时（EW）的空间分布Fig. 3 The spatial distribution of EW (effective hour of wind speed) based on (a) ERA5, (b) CFSR, and (c) MERRA2 in China offshore from 2000 to 2019

图4给出了3种再分析在中国近海的WPD特征，可以看出100 m高度的WPD均超过200 W m-2，说明中国海上风能潜力巨大。不同再分析也展现出较大的差异，其中ERA5（图4a）中WPD的空间分布的最值中心为台湾海峡中部的2253.34 W m-2。MERRA29（图4c）的WPD在中国近海的分布特征与ERA5相似，但量级ERA5大。此外，参照董旭光等（2019）研究结果中山东沿海100 m高度WPD都大于600 W m-2，说明MERRA2对黄海风能量级的再现能力较好，而ERA5可能低估了近岸WPD。CFSR（图4b）在台湾海峡的WPD。CFSR的WPD在海南岛西部海域和整个东海区域风能密度都较高（＞1200 W m-2），渤海和南海的风能密度达到600 W m-2，风能密度最小的黄海和部分省近海也超过200 W m-2。这可能与CFSR所使用的数值模式、同化数据或同化方法的差异造成风速模拟偏高有关（旷芳芳等, 2015）。

图4 2000～2019年基于（a）ERA5、（b）CFSR和（c）MERRA2再分析数据的中国近海风能密度（WPD）的空间分布Fig. 4 The spatial distribution of WPD (Wind Power Density) based on (a) ERA5, (b) CFSR, and (c) MERRA2 in China offshore from 2000 to 2019

在风能资源的开发中，除了风能资源的丰富程度之外，其稳定性也是较为关键的因素。衡量风能稳定性的日变异系数CV如图5，ERA5（图5a）在中国近海的CV分布具有南北差异，福建以北的近海区域CV值较高（＞1.3），对应风能波动性较大——其中浙江北部区域波动最大；相比之下，台湾海峡（CV＜1.0）因常年风速较大，逐日变化小，风能稳定性较高。与ERA5类似，CFSR（图5b）的CV分布也展现出南小北大的分布差异。而MERRA2（图5c）在中国近海的CV区域差异大，其中浙江沿海CV最大（大于4），而最小的台湾海峡CV只有1.03。基于3种再分析CV空间分布的共同点说明，我国台湾海峡以南海域的风能稳定性相比其它海域而言更优，可能更适宜连片式的大范围、大规模并网风电开发。

图5 2000～2019年基于（a）ERA5、（b）CFSR和（c）MERRA2再分析数据的中国近海风能变异系数（CV）的空间分布Fig. 5 The spatial distribution of CV (Coefficient of Variation) based on (a) ERA5, (b) CFSR, and (c) MERRA2 in China offshore from 2000 to 2019

我国近海风能资源存在明显的季节差异（孙稚权等, 2016），从3种再分析MVI的分布（图6）可知整体上中国近海偏南海域的季节性变化比北方大，对比图5、6可知，各再分析风能的日变异和月变化表现出了南北差异，可能与中国南方海域风速受南海季风进退影响有关（Wen et al., 2021）。ERA5（图6a）在渤海、黄海和东海的MVI指数较小，而南海较大；同时ERA5能更好反映复杂地形对风速的影响，在珠江口、杭州湾和长江入海口地区的MVI指数超过0.4。广东沿海、台湾西部和山东—江苏沿海是CFSR在中国近海的MVI相对大值区，除外的其他区域月变化指数低于0.2。MERRA2在中国近海的MVI变化最不明显，福建以北的海域MVI低于0.2，且多数区域低于0.1，而南海大部分地区MVI也介于0.1～0.2。

图6 2000～2019年基于（a）ERA5、（b）CFSR和（c）MERRA2再分析数据的中国近海风能月变化指数（MVI）的空间分布Fig. 6 The spatial distribution of MVI (Monthly Variability Index) based on (a) ERA5, (b) CFSR, and (c) MERRA2 in China offshore from 2000 to 2019

3.2 不同再分析数据在中国近海的适用性分析

不同再分析数据在中国近海的风资源特征分析表明在数据之间和海域之间均存在一定差异。为此，我们利用中国近海的观测（13个海洋气象站和3个测风塔）资料进行对比，探讨其适用性，为不同再分析在风资源评估中的应用潜力和价值提供参考。

Weibull模型在风能开发中有广泛应用，基于双参数Weibull分布和极大似然估计法（王文新等,2021），本文计算了不同观测点风速概率分布的形状因子k和尺度因子c（图7），并计算了相应的概率和累积概率分布（图略）。双参数Weibull拟合k值对概率曲线的基本形状起决定作用，k越小风速概率分布范围越广，而尺度参数c则对概率曲线起放大缩小作用。从图7可知中国近海不同站点或测风塔实测风速概率分布差异较大，其中k介于1.37～3.34，c介于4.03～11.86。虽然所有再分析都高（低）估了海洋站（测风塔）实测k，但CFSR相对实测k值的偏差更小。此外，再分析几乎都高估了实测c，而ERA5相对更接近各个站点尺度参数。3种再分析资料与18站实测k、c偏差的均值分别为0.17和1.67，说明多数情况下再分析k、c与实测能较好对应，即再分析数据与多数实测资料的风速概率分布拟合较好，表明其具备一定刻画实际风能特征的能力。

图7 2019年中国近海13个海洋气象站和3个测风塔处实测（黑色）、ERA5（蓝色）、CFSR（红色）和MERRA2（紫色）威布尔拟合形状参数k和尺度参数cFig. 7 The shape parameter k and scale parameter c of Weibull distribution at 13 ocean stations and three wind towers in offshore China in 2019,where black, blue, red, and purple represent measured, ERA5, CFSR and MERRA2, respectively

图8为2019年各站点实测与再分析日风能密度时间序列的对比，图9为不同站点处的相关系数，偏差和均方根误差，单一再分析在再现不同站点的WPD时具有一致性。由于不同站点或测风塔存在区域差异，因此实测风能密度存在明显的差异，例如DSN站点处平均WPD仅为44.38 W/m2，而NJI站点却达到1074.24 W/m2。除了量级差异外，各观测点风能波动性也有差异，其中DSN站点处风能最稳定，而DCN站点处风能日波动最剧烈。虽然ERA5、CFSR和MERRA2再分析资料与测风塔相关系数较差（介于－0.14～0.32），但都与海洋观测站风能密度较吻合，其中ERA5与海洋观测站的相关系数更高（介于0.62～0.81），这一方面可能源于10 m风速以幂律简单外推至测风塔所在的100 m高度时产生的误差，另一方面可能源于测风塔数据本身缺乏海洋台站公开发布时采取的质量控制和误差订正，导致再分析数据与测风塔数据之间差异较大。ERA5再分析在多个实测站点处低估WPD（符合图4相关结论），但其相对观测的整体误差最小；CFSR和MERRA2再分析表现出整体高估，其中CFSR比MERRA2偏离更大，尤其是在BSG、DCN、DSN 3处站点，CFSR尽管与测风观测均表现出较为明显的日变化变化（相关性较好），但对于风速模拟偏大，导致均方根误差明显大于MERRA2和ERA5。总体而言，ERA5与多数站点实测WPD的相关性更大，偏离程度更小，其在中国近海的性能相较CFSR和MERRA2再分析更好。

图8 2019年中国近海13个海洋气象站和3个测风塔处实测（黑色）、ERA5（蓝色）、CFSR（红色）和MERRA2（绿色）再分析100 m高度日风能密度时间序列Fig. 8 Time series of measured (black), ERA5 (blue), CFSR (red), and MERRA2 (green) reanalysis of 100-m WPD at 13 ocean stations and three wind towers in offshore China in 2019

图9 2019年中国近海13个海洋气象站和3个测风塔100 m实测风能与ERA5（蓝色）、CFSR（红色）和MERRA2（绿色）再分析（a）相关系数、（b）偏差和（c）均方根误差（RMSE）Fig. 9 (a) The correlation coefficient, (b) bias, and (c) root mean square error (RMSE) between reanalysis data and measured 100-m WPD at 13 ocean stations and three wind towers in offshore China in 2019, where ERA5 (blue), CFSR (red) and MERRA2 (green) are in blue, red, and green,respectively

表3给出了3种再分析在各个站点的EW，平均WPD和CV，从结果中可见，再分析几乎都高估了EW和WPD，尤其对XCS、XMD和DSN站点EW的高估最严重；而WPD则除了LYG、SSN和ZHI站点外，均存在高估情况。整体而言，ERA5相对CFSR和MERRA2的偏差更小。3种再分析波动性（CV）都较实测偏小，其中3种再分析在不同站点的偏差表现各有优劣。综合各指标显示ERA5整体性能较优，但需注意MERRA2在再现渤海和南海的风能日变异性、CFSR在刻画黄海的EW、WPD以及东海黄海的CV时有一定优势。

表3 ERA5、CFSR和MERRA2再分析与各实测点EW、WPD和CV的对比Table 3 Comparison of ERA5, CFSR, and MERRA2 reanalysis with measured EW, WPD, and CV

4 总结与讨论

本文从风速概率分布、有效风时，风能密度、风能稳定性（日变异、月变化和年变化）的角度分析了ERA5、CFSR和MERRA2 3种再分析资料在中国近海100 m高度的风资源特征，并基于2019年13个海洋观测站逐时10 m风速和3座测风塔100 m日风速讨论了不同再分析在中国近海的适用性。

整体而言，ERA5比CFSR和MERRA2的性能更优，但MERRA2在再现渤海和南海的风能波动以及CFSR在刻画黄海的EW、WPD和东海黄海的CV时具有一定优势。具体结论如下：

（1）风速概率统计显示2000～2019年ERA5、CFSR、MERRA2在中国南方近海（东海、南海）的弱风概率都比北方（渤海、黄海）大；ERA5在四大海域小于6 m/s累积概率高于CFSR和MERRA2。ERA5、CFSR、MERRA2再分析都显示中国近海的EW较高（介于0.84～0.95），其中台湾海峡相对较低；3种再分析的WPD在空间上呈“低高低”分布，其中台湾海峡及周边区域是风能密度高值中心，而WPD量级上CFSR最大值依次高于MERRA2和ERA5。风能稳定性方面，ERA5和CFSR的日变异呈南小北大空间分布，而MERRA2波动较大（日变异系数介于1.03～4）；整体上，3种再分析显示中国南方海域的风能月变化比北方大，但CFSR显示渤海黄海也存在一些月变化较大区域。

（2）适用性评估显示3种再分析与多数站点实测风速概率和累积概率分布较吻合，整体上CFSR（ERA5）与各实测的形状因子（尺度因子）更接近实测。相关分析和偏离性分析表明ERA5、CFSR、MERRA2与测风塔实测相关系数较差，但与海洋观测站相关性较高；ERA5（CFSR和MERRA2）低（高）估了实测WPD量级，同时3种再分析中ERA5整体相关性更大、偏离程度更小。

上述结论可为中国近海的风能资源评估、风能资源开发选址和再分析数据的使用提供一定的参考，例如ERA5再分析数据可应用于我国大部分海域，尤其适用于目前海上风电开发、建设较为集中的地形相对复杂的近海海域。但本文还存在许多可以改进的地方, 例如风切变指数是随着时间、粗糙度和地形等因子的改变而动态变化的，因此将站点10 m风速外推时取风切变为常数可能对结果造成一定的误差。同时适用性分析中南海区域实测样本偏少，而且16个测站空间位置分布不均，站点代表性不完全统一可能会影响适用性分析结论。

致谢感谢国家科技资源共享服务平台—国家海洋科学数据中心（http://mds.nmdis.org.cn/[2022-12-31])提供数据支撑。感谢中国三峡新能源（集团）股份有限公司提供数据支撑。