基于ERA5和机器学习的新型西班牙风能资源建模方法及其在SHIRENDA数据库构建中的应用

本研究针对全球能源转型背景下区域风能资源评估精度不足的问题，提出结合ERA5气象数据与梯度提升（GB）算法的虚拟电厂（VPP）建模方法，构建了西班牙NUTS 3级高分辨率风能容量因子（CF）数据库SHIRENDA_Wind（1990-2020）。结果显示模型RMSE<0.18、R>0.75，揭示了风能资源的显著时空变异性和北大西洋涛动（NAO）的调控作用，为可再生能源系统优化提供了关键数据支撑。

　　

随着全球能源系统加速脱碳，准确评估风能资源的时空分布成为优化能源结构的关键。然而现有数据库存在两大瓶颈：复杂地形区风速估算偏差显著，以及传统物理模型对技术参数依赖性强导致误差高达80%。尤其在欧洲南部多山区域如西班牙，风电场分布与地形特征紧密关联，现有基于MERRA再分析的EMHIRES、Ninja等数据库难以满足区域级分析需求。

西班牙研究团队在《Sustainable Energy Technologies and Assessments》发表研究，创新性地将ERA5高分辨率气象数据与机器学习结合，开发了基于虚拟电厂（VPP）的梯度提升（GB）模型。该方法仅需短期实际装机容量和发电数据，即可构建覆盖西班牙35个NUTS 3行政区、时间跨度30年（1990-2020）的SHIRENDA_Wind数据库，空间分辨率较现有资源提升10倍。

关键技术包括：1）采用模型输入平均（MIA）区域化方法，将区域内所有风电场聚合为单一VPP；2）通过特征重要性分析筛选关键气象变量（10m/100m风速W₁₀/W₁₀₀、850hPa风场u₈₅₀/v₈₅₀及风速空间标准差W_100sd）；3）利用西班牙输电运营商（REE）2014-2020年实际发电数据训练模型；4）基于GMTED2010地形数据计算地形复杂度因子（OCF）评估模型性能。

研究结果方面：

1. 模型性能验证：NUTS 3级CF估算RMSE均值0.10（范围0.07-0.18），全国聚合误差仅0.031，显著优于EMHIRES（RMSE 2536 MWh）和C3S（偏差-1549 MWh）。复杂地形区域误差随OCF升高而增大，但装机容量超1GW区域误差稳定在0.1以下。

2. 时空变异性：

• 时间维度：30年平均CF为0.253，但年际波动达23%（0.23-0.29），冬季CF变异系数高达30%。2013年出现峰值（0.29），2017年达低谷（0.23）。
• 空间格局：西北部（ES112/ES111）和东北部（ES22/ES243）CF超0.30，直布罗陀海峡区域春季资源突出。夏季风场空间相关性最低（去相关长度280km），反映局地热力环流主导。

1. NAO调控机制：冬季CF与NAO呈显著负相关（r<-0.6），极端负相位年（如2013年）使中南部CF增加40%，而正相位年导致西南部下降20%。这种非对称响应与地形对西风带的调制作用有关，直布罗陀区域因局地环流呈现非线性特征。

该研究首次实现机器学习与VPP在区域风能建模中的耦合，突破传统方法对风机技术参数的依赖。构建的SHIRENDA_Wind数据库为欧洲能源系统三方面提供支撑：1）量化风能"干旱"事件风险；2）优化高比例可再生能源电网调度；3）揭示风光互补潜力（西南部NAO负相位期风电增发可补偿光伏衰减）。未来可扩展至全球复杂地形区，为《巴黎协定》实施提供数据基石。