面向中国电力系统建模的逐时气候预测与可再生能源发电数据集：填补气候模型与能源规划间的关键空白

《Scientific Data》：An hourly climate projection and renewable energy generation dataset for power system modeling in China

本刊推荐：为解决全球气候模型(GCM)输出时间分辨率不足(日尺度)而电力系统模型需逐时数据的矛盾，研究人员开发了基于类比降尺度方法(extended analog method)的中国逐时气候预测与可再生能源(风能、太阳能光伏(PV))发电数据集(2021-2060)。该数据集整合了5个GCMs(GFDL-ESM4, IPSL-CM6A-LR等)与4个SSPs(SSP1-2.6, SSP2-4.5等)，确保了多变量物理一致性，支持中国能源转型路径下电力系统可靠性、灵活性及规划研究，为评估气候变化对能源系统影响提供了关键数据桥梁。

　　

随着全球能源系统向低碳化加速转型，风电、光伏等可变可再生能源(VRE)的占比迅速提升。这使得电力供应与气象条件的关联性日益紧密——风速、太阳辐射直接决定可再生能源出力，而气温又显著影响空调、电采暖等电力负荷。未来电力供需平衡将越来越受到天气气候变化的制约。因此，电力系统规划者必须充分考虑气候变化的影响，以确保能源转型路径的可靠性与经济性。

然而，一个关键的技术瓶颈横亘在气候科学与能源工程之间：支撑长期能源规划所需的高时间分辨率气候数据严重缺失。目前，评估未来气候的主流工具——全球气候模型(GCMs)——通常仅能提供日平均或更粗时间尺度的输出结果，难以捕捉可再生能源出力和电力负荷的日内剧烈波动（如傍晚光伏骤降带来的晚高峰压力）。尽管再分析数据集（如ERA5）能提供历史逐时数据，却无法反映未来的气候不确定性。如何将低时间分辨率的气候预测“加工”成能满足电力系统逐时模拟需求的高分辨率数据，同时保持不同气象变量（温度、湿度、风速、辐射等）之间的物理协调性，成为一项紧迫的挑战。

针对这一难题，发表于《Scientific Data》的一项研究给出了重要解决方案。由清华大学陈瑞杰、卢宗祥、乔英与美国约翰斯·霍普金斯大学Benjamin F. Hobbs、Yury Dvorkin等学者合作，研发并发布了首个面向中国电力系统建模的逐时气候预测与可再生能源发电数据集。该研究创新性地采用了一种改进的类比降尺度方法（扩展类比法），将来自ISIMIP3b计划的5个GCMs在4种共享社会经济路径（SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5-8.5）下的日尺度气候预测（2021-2060年）降尺度至逐时分辨率（空间分辨率0.5°），并在此基础上模拟了全国范围的风电和光伏发电时间序列。该数据集并非提供精确的天气预报，而是生成物理可信的、反映未来气候可能演变轨迹的系列情景，为在深度气候不确定性下进行稳健的能源系统分析提供了关键数据支撑。

关键技术方法概览

本研究的技术路线主要包括两大核心环节：气候预测的降尺度处理和可再生能源发电的模拟。首先，采用扩展类比法进行降尺度：针对每个未来目标日，算法会在历史参考数据集（WFDE5，1979-2019年逐时数据）中寻找气象学上最相似的三天序列（前一天、当天、后一天），并利用找到的历史相似日的逐时变化廓线来分解未来日的日均值，从而生成逐时数据。此法相较于传统单日类比法，显著改善了日际连续性，减少了相邻日之间的不连续跳跃。其次，可再生能源发电模拟：基于降尺度后的逐时气象数据，利用物理公式计算每个网格点的风电和光伏发电容量因子(CF)。风电计算考虑了轮毂高度风速转换（使用ERA5数据计算的时变风切变指数）、空气密度修正、风机功率曲线和低温停机效应，并针对不同风资源区选用四种风机类型。光伏发电计算则考虑了太阳辐射、组件温度（与环境温度、风速、辐射相关）以及直流到交流的转换效率。最后，综合考虑土地利用类型、坡度、自然保护区和海拔等地理空间约束，将网格级发电量加权聚合至省级和国家级，生成可直接用于电力系统模型的可再生能源发电时间序列。

数据记录

生成的数据集通过Zenodo平台公开发布，包含20个独立项目（对应5个GCM×4个SSP组合），每个项目提供NetCDF格式的逐时气候变量（比湿(huss)、短波辐射(rsds)、气温(tas)、风速(sfcwind)、气压(ps)）和MAT格式的风电、光伏发电时间序列文件，覆盖2021-2060年，分为四个十年期（2021-2030, 2031-2040, 2041-2050, 2051-2060）。

技术验证

1. 气象变量验证

通过将2007-2019年WFDE5日数据降尺度结果与原始逐时观测数据对比，验证降尺度方法的准确性。计算了皮尔逊相关系数，结果显示除风速（因其日内变异性更强，相关系数约0.77）外，其他变量（比湿、辐射、温度、气压）的相关系数均高于0.97，表明降尺度数据能很好地再现逐时变率。多变量两样本Kolmogorov-Smirnov (K-S)检验的p值均接近1，证实了降尺度数据各变量间的联合分布与参考数据高度一致，保持了物理协调性。

2. 可再生能源发电验证

在国家聚合层面，比较了基于降尺度数据与参考数据计算的风电、光伏发电时间序列。扩展类比法在相关系数、平均绝对误差(MAE)、爬坡率MAE和日际连续性MAE上均优于传统类比法，特别是在改善日际连续性方面效果显著，这对电力系统灵活性分析至关重要。风电和光伏发电的联合分布与温度（与负荷密切相关）的核密度估计轮廓线高度重合，表明降尺度数据准确保持了可再生能源发电与温度敏感型负荷之间的并发变化关系，这对于评估电力供需平衡至关重要。

将本研究基于WFDE5历史数据（1979-2019）生成的省级可再生能源发电持续时间曲线与已有的8760小时数据集进行对比。光伏发电的持续时间曲线几乎完全重叠，而风电存在一定差异，主要源于输入气象数据（WFDE5/ERA5 vs MERRA-2）和风机选型的不同。分析显示，本数据集在代表中国风资源特性方面可能更具优势。

3. 不确定性讨论

研究还量化了三个主要不确定性来源：

• •
  输入数据不确定性（GCMs和SSPs）：不同GCM和SSP对同一气象变量的预测存在显著差异。比湿和气温呈现一致的长期增长趋势，且从SSP126到SSP585增幅加大（温度在SSP585下至2060年升温约3°C）。而太阳辐射和风速的变化幅度较小但不确定性更大，不同模型和情景下增减趋势不一，没有一致模式。
  
• •
  降尺度过程不确定性（时间窗口选择）：类比搜索的日序(DOY)窗口大小影响降尺度效果。窗口过小则候选日不足，过大则引入非季节性信息增加误差。通过敏感性分析，最终选择N=12天作为最优窗口。
  
• •
  可再生能源发电不确定性（风切变指数）：计算风电时，将近地面风速转换至轮毂高度风速所使用的风切变指数若采用时间不变值（如1/7），会显著扭曲风电出力的日内廓线。本研究采用基于ERA5数据计算的时变风切变指数，更真实地反映了风资源的日夜和季节变化，有效减少了模拟偏差。
  

研究结论与意义

本研究成功构建并验证了一个覆盖中国全域、具有高时间分辨率（逐时）、多模型（5个GCMs）、多情景（4个SSPs）、物理一致且面向未来的气候预测与可再生能源发电数据集。其核心价值在于弥合了粗分辨率气候预测与精细尺度电力系统建模之间的鸿沟。所采用的扩展类比降尺度方法在保持变量间物理协调性和改善时间序列连续性方面表现出色。对数据集进行的全面技术验证表明，其能够准确再现关键气象要素和可再生能源发电的统计特性，包括其变率、持续性和联合分布。

该数据集的发布具有重要的科学意义和实用价值：它为评估气候变化背景下中国可再生能源资源潜力、电力系统供电可靠性、系统灵活性需求以及优化能源转型路径提供了不可或缺的基础数据。通过提供一系列物理可信的未来气候情景，支持研究人员和规划者进行基于集合的稳健决策分析，识别在不同气候演化路径下依然可靠的电力系统规划方案。此外，数据集完全公开，并附有开源代码，极大促进了数据的可重复使用性和在能源建模社区中的广泛应用，为推动中国乃至全球面向气候韧性的能源系统研究奠定了坚实的数据基础。