编辑推荐：
在风能研究中，风速数据时间分辨率影响风能密度（WPD）评估。研究人员开展 “检测和校准全球陆上风能评估中不同时间尺度的偏差” 研究，发现粗时间分辨率会低估 WPD，提出校准方法，可减少评估不确定性，助力碳中和政策制定。
近年来，风能作为重要的可再生能源，在全球能源转型中扮演着关键角色。随着全球对清洁能源需求的激增，风能的开发和利用成为各国实现碳中和目标的重要途径。据全球风能理事会数据，2023 年全球陆上和海上风电装机量达到创纪录的 117GW，但要实现联合国气候变化大会和可持续发展目标，到 2030 年每年至少需要将增长速度提升至 320GW 。
在风能评估中，风能密度（Wind Power Density，WPD）是衡量某地区风能潜力的关键指标，它与风速的立方成正比，能标准化地比较不同地区的风能资源，为风能评估和资源分类提供量化基础 。然而，目前风能评估存在诸多问题。其中，风速数据的时间分辨率（Δt）对 WPD 评估影响显著。高分辨率数据虽能准确捕捉风速变化，但获取困难且处理成本高；实际应用中常依赖日均值或月均值等粗分辨率数据，这会导致对 WPD 的严重低估 。比如，美国博尔德一座风塔的测量显示，月平均风速相较于小时测量值，可能低估总风能达 48%；欧洲中期天气预报中心（ECMWF）的第五代全球气候大气再分析（ERA5）的日风速数据，相较于小时估计值，会低估全球海上风能 10 - 30% 。此外，大部分研究集中在区域分析，缺乏全球尺度的研究，而全球层面的研究对国际政策制定至关重要 。
为解决这些问题，南京大学的研究人员联合美国科罗拉多大学等机构开展了相关研究 。研究成果发表在《Nature Communications》上，为风能评估和政策制定提供了重要依据。
研究人员使用了多种风速数据源，包括高分辨率观测数据、气候再分析数据（ERA5、美国国家环境预测中心 / 国家大气研究中心（NCEP/NCAR）和 NCEP - 美国能源部（NCEP - DOE）的再分析数据集）以及耦合模式比较计划第六阶段（CMIP6）的气候模型模拟数据 。通过对不同时间分辨率风速数据的分析，研究人员发现了 WPD 与 Δt 之间的关系 。
粗时间分辨率对 WPD 的低估
研究人员选取加拿大南部一个农村站点进行分析，该站点有高分辨率风速观测数据，能代表多种风况 。2021 年 5 月该站点的小时观测数据显示风速波动频繁，阵风超 15m-1，标准差为 3.9m-1；而日数据平滑了这些变化，标准差降至 2.9m-1，强阵风频率和强度降低 。在 ERA5 再分析数据中也有类似现象，该站点 1 小时数据标准差为 3.2m-1，日数据降至 2.6m-1 。这种平滑效应消除了高频变化，抑制了高风速的百分位数，导致该站点 WPD 估计值观测数据低估 24.5%，ERA5 再分析数据低估 18.3% 。
从全球范围看，观测数据显示 WPD（日）和 WPD（1 小时）空间模式一致，但粗 Δt 导致显著低估 。平均而言，WPD（日）比 WPD（1 小时）低估 35.6%，多数站点相对偏差在 20 - 40% 。高 WPD 区域（如北欧、美国中部、中亚和澳大利亚西南部）偏差较低，低 WPD 区域（如南欧、美国东部、巴西、中东、东亚和澳大利亚北部）偏差可达 60% 。ERA5 再分析数据同样突出了不同区域的模式，全球陆地地区 ERA5 小时和日数据的 WPD 平均偏差约为 20%，热带和山区等风速较低地区偏差超 60% 。这表明 Δt 对 WPD 的影响在强风环境中较弱，在弱风环境中较强 。此外，Δt 还显著影响实际发电量（AEP）计算，以通用电气 GE 1.5s 风力涡轮机为例，日风速数据和小时风速数据计算出的 AEP 差异明显 。
WPD 衰减与时间分辨率的内在依赖关系
为探究不同 Δt 风速数据下 WPD 计算差异的原因，研究人员以加拿大南部农村站点为例，对风速数据进行威布尔概率密度函数（PDF）拟合 。小时风速序列拟合效果良好，形状参数 k = 1.93，尺度参数 c = 6.53 。但随着 Δt 变粗，风速分布变窄，高风速尾部缩短，k 值增加，c 值减小，分布趋向正态 。日或更粗 Δt 的风速数据无法用威布尔分布准确表示，k 值超过理论阈值 3.04 。
研究人员通过全球观测数据计算不同 Δt 值下的 WPD，发现 WPD 与 Δt 的关系符合指数函数 WPD (Δt)=a exp (-bΔt) 。a 代表理论最大 WPD（与最精细 Δt 相关），b 量化 WPD 随 Δt 增加的下降速率 。6 小时 Δt 可使 WPD 降至 WPDmax的约 80 - 90%，日平均在某些情况下可低至 WPDmax的 55% 。a 与 WPD (1 小时) 呈强正相关，可将 WPD (1 小时) 视为理论最大 WPD 的合理近似 。a 和 b、b 和 WPD (1 小时) 之间存在显著负相关 。低 a 和 WPD (1 小时) 的区域 b 值大，WPD 随 Δt 变粗下降更陡峭；高 a 和 WPD (1 小时) 的区域下降则不明显 。全球范围内，参数 a 和 b 的空间分布呈现明显区域模式，多数站点（>95.8%）指数拟合良好，决定系数（R2）超过 0.7 。高 a 区域（如北欧、美国中部等）b 值低，低 a 区域（如南欧、美国东部等）b 值高 。且这种 WPD 与 Δt 的衰减关系在观测数据和 ERA5 再分析数据中均存在，表明这是风速分布的内在属性，而非站点特定属性 。
跨时间尺度 WPD 偏差的校准
基于 a 和 b 之间的稳健关系，研究人员提出校准系数 K (Δt - 1 小时)，用于量化 WPD (Δt) 与 WPD (1 小时) 之间的相对偏差，使不同 Δt 值的 WPD 估计与 WPD (1 小时) 对齐 。全球 K (日 - 1 小时) 分布显示，低 K 值区域对应高风能区域，高 K 值区域多在相对平坦的内陆地区 。ERA5 再分析数据得出的 K (日 - 1 小时) 与观测数据吻合良好，支持了校准方法在不同数据集上的适用性 。
统计分析表明，WPD (日) 与 K (日 - 1 小时) 呈中度但显著的负相关 。低 WPD (日) 区域 K 值高，多数站点 WPD (日) 在 10 - 400W/m2之间，校准使用 K 值 1.5 - 2 较为合适 。研究人员还按 WPD 水平对 K 值进行分类，生成 1°×1° 分辨率的全球网格化 K 值数据集，方便在实际应用中对特定位置的 WPD 进行校正 。此外，还推导了 6 小时和 3 小时分辨率的校准系数 K (Δt - 1 小时)，在不同分辨率下 K 与 WPD 均保持显著负相关，验证了校准方法的稳健性 。
对未来风能评估的意义
研究以 CMIP6 中的地球系统模型（EC - Earth3）为例，展示了使用粗分辨率风速数据评估未来风能潜力的不确定性以及校准系数 K 的作用 。在共享社会经济路径 585（SSP585）情景下，EC - Earth3 模型的日风速数据显示，到 2100 年全球平均陆上 WPD (日) 预计约为 120W/m2 。但 3 小时风速数据表明，WPD (日) 相较于 WPD (3 小时) 存在显著低估，全球陆地未来 WPD 平均偏差为 - 30.7%，与历史观测数据偏差相近 。应用校准系数 K (日 - 3 小时) 显著改善了 WPD 估计，校准后的 WPD (3 小时) 相对偏差减小，平均偏差从 - 30.7% 降至 - 15.0% 。应用 K (日 - 1 小时) 后，全球平均陆上 WPD 增加到 > 150W/m2，相较于日数据提升了 25% 。
研究还发现，虽然 Δt 对全球陆上 WPD 趋势估计影响较小，但会影响主要风向评估，而主要风向对风力涡轮机对齐和风电场设计至关重要 。提高未来风况预测能力需要增强模拟能力，包括更好地描述边界层过程、使用高分辨率模型、区域降尺度和先进机器学习技术等 。
在研究方法上，研究人员使用了多源风速数据，包括来自美国国家气候数据中心（NCDC）的高时间分辨率风速观测数据、多种气候再分析数据集以及 CMIP6 中的模型模拟数据 。利用稳定性校正的对数风廓线公式从 10m 风速外推到轮毂高度（100m）风速 。计算 WPD 时采用统计方法，以通用电气 GE 1.5s 风力涡轮机为例估计实际发电量（AEP） 。通过对风速数据进行威布尔分布拟合探究风速分布特征，定义并计算校准系数 K 以校正 WPD 偏差 。
综上所述，该研究揭示了粗时间分辨率风速数据会导致 WPD 估计出现显著偏差，且这种偏差在低风速地区更为严重 。WPD 随 Δt 的衰减遵循指数关系，这是风速分布的内在属性 。研究提出的校准系数 K 能有效减少 WPD 评估中的不确定性，在高分辨率数据不可用时，可利用粗分辨率数据集进行准确评估，降低计算成本 。这一研究成果为全球风能资源规划、政策制定以及能源转型提供了重要参考，有助于推动可持续能源发展 。
