气象研究与预报模型及基于威布尔分布的风能资源评估在印度沿海站点技术经济评估中的应用

《Sustainable Energy Technologies and Assessments》：Weather research and forecasting model and weibull-based wind resource assessment for Techno-Economic evaluation of coastal sites in India

　　

摘要
精确表征沿海风能资源对于可靠的风能规划与技术经济决策至关重要。本研究使用 Weather Research and Forecasting（WRF）模型评估了 Dhanuskodi、Gopalpur 和 Visakhapatnam 三个地点的风能资源潜力。模型性能通过季节性和昼夜变化、统计验证、空间分析以及 Weibull 分布拟合进行评估。模拟成功再现了风速的时序和季节特征。其尺度参数与形状参数与观测值吻合良好，百分比误差低于 7%，证实了该模型表征风速频率特征的能力。技术经济评估显示，风机性能与项目经济性存在显著的空间差异。Dhanuskodi 被确认为最具潜力的地点，容量系数为 0.45–0.57，平准化能源成本（LCOE）为 0.0226–0.0285 美元/千瓦时。敏感性分析表明，资本成本与贴现率是 LCOE 的主要驱动因素，而运维成本与风机寿命也对经济性产生重要影响。GE 1.7–100 在所有考察地点表现出一致的性价比优势。考虑实际系统损失后，LCOE 增加了约 19–20%，从而提供了更贴近现实的成本估算。研究结果通过促进可持续、经济可行且切实可行的风电开发，支持了可持续发展目标 7（经济适用的清洁能源）。
引言
随着全球社区日益向可再生能源转型以应对气候变化并促进可持续发展，风能已成为最具前景的清洁能源之一。其在大规模低碳电力生产方面的能力使其成为全球清洁能源转型的核心组成部分[1]。过去十年间，全球累计风电装机容量实现了快速增长，从 2013 年的约 300,000 MW 上升至 2024 年的超过 1,130,000 MW，详见补充材料图 S1，这反映了向风电发电的全球性加速转型[2]。
印度一直是这一全球增长的重要贡献者，其风电装机容量多年来稳步扩大，截至 2026 年 6 月 30 日累计装机容量达到 58,136.89 MW，详见新与可再生能源部报告[3]。分年度已装机容量情况详见补充材料图 S2。
然而，风电项目的成功部署严重依赖于对当地风特性的精确评估，通常称为风资源评估（WRA）。精确的 WRA 构成了确定风电场可行性、性能和经济性的基础，可确保项目兼具成本效益与能源效率[4]。
风能已成为全球向低碳和可持续能源体系转型的重要组成部分。然而，风能资源的时空变异性为可靠的风能开发带来了重大挑战，尤其在沿海地区。风的行为受运行于多空间和时间尺度的复杂大气过程所支配。这些过程在沿海环境中尤为显著，那里海陆热力差异产生的昼夜变化以及诸如海风等的中尺度环流[5]。在印度这样气候多样的国家，季节性的季风变化、大气稳定性以及复杂地形会进一步影响这些相互作用，从而为风能资源表征和发电量评估引入额外不确定性。因此，准确模拟沿海风特性对于可靠的风电评估、风机选型和风电场规划至关重要[6]。
传统 WRA 主要依赖配备风速仪和风标的测风塔。这些观测越来越多地被卫星观测、再分析数据集以及 SODAR 和 LIDAR 等遥感技术所补充[4]。尽管有这些进展，风速（WS）的准确表征仍然困难，因为风本质上具有非线性和非平稳性，并强烈受大气和地形条件影响。因此，Weibull、Gumbel、反向 Weibull 和广义 Pareto 等统计概率分布被广泛用于表征风速频率分布[[7], [8], [9], [10]]。在这些方法中，Weibull 分布因其能够表征 WS 分布并便于估计风能密度（WPD）、容量系数（CF）和发电量而被广泛采用。
多项研究证明了统计方法在风能资源表征方面的有效性。El-Bshah 等人[11]报告，在 Mokha 地区，Weibull 导出的风特性与观测风特性吻合极佳，R2 为 0.9984，RMSE 为 0.0632，并随后评估了风机的适用性。Sumair 等人[12]使用巴基斯坦 5 个地点的多年度观测数据，比较了传统 Weibull 参数估计技术与组合线性化矩方法。Khlaifat 等人[13]在澳大利亚新南威尔士州的 4 个站点比较了 Rayleigh、Weibull、Gamma 和对数正态分布，发现 Weibull 分布提供了最佳的整体拟合。类似地，Sumair 等人[14]报告，在巴基斯坦 6 个沿海地点，Weibull 分布优于 Rayleigh 和对数正态分布，并使用年发电量和经济指标进一步评估了风机性能。此外，Sumair 等人[15]表明，基于特定场地的风切变模型比传统 1/7 次方律能提供更真实的风电评估，后者倾向于低估风电潜力。
尽管统计方法对于长期风能资源表征十分有用，但仅依赖历史观测的方法在表征快速时间变化、极端事件以及局地对流过程方面可能存在局限。这些局限性在沿海环境中尤为重要，那里海陆相互作用、大气稳定性以及中尺度环流在相对较短的时间尺度上可显著改变风况。因此，仅凭统计方法可能无法充分解析出引起短期风变异性的物理过程。将统计 WRA 技术与基于物理的大气模型相结合，可以为同时表征沿海风能资源的时序与空间变异性提供更全面的框架。
数值天气预报（NWP）模型，尤其是 WRF 模型，为跨多种空间和时间尺度模拟大气过程提供了有效的框架。WRF 模型具有灵活的域配置、多种物理参数化选项，以及将粗分辨率再分析数据动态降尺度至更精细空间尺度的能力[[16], [17]]。这类高分辨率模拟能够更好地表征中尺度和局地对流过程，包括海风环流、地形诱导的流场变化和边界层动力学，这对沿海风能应用至关重要。然而，WRF 导出的风场精度高度依赖于模型配置，特别是水平网格分辨率和物理参数化方案的选择[18]。具体而言，行星边界层（PBL）和地表层方案可显著影响近地表动量传输，进而影响模拟的 10 米高度风速，而微物理、陆表和辐射等其他参数化也可能造成模型不确定性。
尽管 WRF 越来越多地被用于 WRA，但其在印度沿海地区的表现仍相对缺乏研究。现有研究通常聚焦长期平均风特性，而对高分辨率 WRF 模拟再现短期变化的能力——包括与沿海中尺度过程相关的昼夜海风循环——关注有限。此外，系统性评估沿海风模拟对备选 PBL 和地表层配置方案的敏感性以及由此产生的风能资源指标不确定性仍较为缺乏。这些建模不确定性对风机性能和平准化能源成本（LCOE）等技术经济指标的影响也需要进一步研究。
另一个重要挑战是高时空分辨率的全年 WRF 模拟所带来的计算成本，特别是在考虑多种物理配置和嵌套网格时。一种能够充分表征年风能资源统计特征的、计算高效的方案，将对实际 WRA 大有助益。代表性时期模拟提供了一种潜在方案，在保留关键季节和气象特征的同时减少计算需求。然而，其适用性应与全年模拟进行对照评估，而非先验假定，特别是在年际变化显著的季风影响型沿海地区。
综合而言，现有沿海风能研究留下了三项本研究旨在弥补的具体空白。首先，印度沿海地区的数值天气预报模型验证通常依赖长期季节或月平均值（如[[5], [18]]，因此 WRF 在该地区的短期海风尺度技能——支配风机日内出力的过程——基本尚未被量化。其次，报告 LCOE 的技术经济风能资源研究（如[[19], [20]）通常使用统计或再分析导出的风气候而非动态降尺度的 NWP 输出，因此 NWP 模型技能及其季节偏差如何传导至 LCOE 估计仍基本未被研究。第三，据我们所知，尚无已发表研究将经过验证的轮毂高度 WRF 风能资源评估与印度沿海站点的集成式风机级 LCOE 评估相结合。本研究使用 Dhanuskodi、Gopalpur 和 Visakhapatnam 作为跨越多种风能气候的代表性沿海地点，共同应对上述三项空白。
基于上述空白，本研究旨在：
评估 WRF 模型预测印度沿海潜在风电场风能资源的准确性。
在建模框架内系统评估模拟 WS 对 PBL 和地表层方案变化的敏感性。
考虑模型精度与计算时间之间的权衡。
通过对驱动电力输出的风能资源评估估计最优风电选型的 LCOE，整合风电系统的技术经济分析。
对关键参数（贴现率、运维成本、风机寿命等）和 WS 偏差关于 LCOE 进行敏感性分析。
小章节
研究区
Dhanuskodi（S01）、Gopalpur（S02）和 Visakhapatnam（S03）是印度东海岸的三个沿海地点，各自拥有不同的风能资源潜力。Dhanuskodi 位于泰米尔纳德邦东南端，靠近孟加拉湾，具有平坦的沿海地形和低海拔特征，属于热带海洋性气候，温度、湿度持续偏高并伴有强烈的沿海风，常受季风和气旋影响，因而非常适合风能开发。
方法
本研究采用的方法如图 1 所示，该图给出了研究过程的综合流程图，并以清晰的分步形式呈现了分析中所涉及的程序。
参数化方案敏感性分析
WRF 模拟采用一组物理参数化方案以真实表征大气过程。补充材料表 T2 列出了本研究所考虑的多种物理参数化方案。模拟 1 采用 ACM2 PBL [39] 方案，结合修订版 MM5 [40] 地表层方案；模拟 2 使用 MYJ PBL [41] 方案，搭配 Eta 相似性 [41] 地表层方案；模拟 3 则采用 MYNN2 PBL [42] 方案。
结论
本研究利用 WRF 模型，并辅以统计验证、空间分析和 Weibull 分布拟合，对 Dhanuskodi、Gopalpur 和 Visakhapatnam 三个沿海地点进行了全面的风能资源评估。季节性时间序列比较表明，WRF 模型有效地捕捉了三个站点的风特性时间演变、昼夜变化和季节特征。本研究得出以下结论：
1. Weibull 分布分析
CRediT 作者贡献声明
Mohan Narayan Gupta：撰写——初稿、验证、形式化分析、数据整理、概念化。Debashis Paul：撰写——审阅与编辑、软件、方法。Jaya Singh：撰写——审阅与编辑。Harendra Kumar Yadav：软件、撰写——审阅与编辑。Jahar Sarkar：撰写——审阅与编辑、监督。Arnab Sarkar：撰写——审阅与编辑、监督、资金获取。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
作者感谢 Bordas 教授和 C. Ley 教授的宝贵贡献。通过资助编号 R&D/GE-SERB (P) Mech/23-24/02/464，MNG 和 AS 感谢 ANRF 在 SERB-FIRE 项目下的财务支持。MNG 同时感谢卢森堡大学提供的奖学金以推动风能气候建模研究。此外，第一作者感谢 Vipul Tiwari、Ashwin Chitravanshi、Vivek Kumar 和 Vaibhav Aggarwal 提供的协助。
Mohan Narayan Gupta|Debashis Paul|Jaya Singh|Harendra Kumar Yadav|Jahar Sarkar|Arnab Sarkar