《ENERGY CONVERSION AND MANAGEMENT》：Wind energy potential assessment for China using long short-term memory-delta and spatial–temporal optimization
编辑推荐：
摘要为应对气候变化，全球向可再生能源的转型正在加速推进。然而，以往研究并未充分考量生态成本、土地可用性以及气候风险对风电发展的制约因素。同时，目前也缺乏有效的综合框架与系统方法来进行空间优化。为弥补这一不足，本研究通过将新的长短期记忆-差分模型与多目标优化相结合，构建了一种用于风
摘要
为应对气候变化，全球向可再生能源的转型正在加速推进。然而，以往研究并未充分考量生态成本、土地可用性以及气候风险对风电发展的制约因素。同时，目前也缺乏有效的综合框架与系统方法来进行空间优化。为弥补这一不足，本研究通过将新的长短期记忆-差分模型与多目标优化相结合，构建了一种用于风电开发的智能评估框架。该模型能够通过动态学习时间相关的预测误差，并借助差分机制修正输出结果，从而减少长期误差的积累。研究以中国2030年碳达峰目标为实验对象，选取全国367个城市作为分析对象对这一框架进行了验证。结果表明，所提出的模型提升了时间序列预测的准确性，整体误差平均降低了12%。在2025年至2030年间，该多目标优化方案可实现年均风电发电量1.4894万亿千瓦时，年均二氧化碳减排量可达940.13百万吨。相比中国的2030年碳达峰目标，按此规划的风电装机容量理论上可覆盖可再生能源缺口的大约85.5%。此外，本研究还提供了中国完整的省级电力碳排放因子数据集。所提出的智能风能评估框架为推动中国实现双碳目标以及全球低碳发展提供了优化思路。
引言
鉴于全球变暖对人类福祉构成的日益严峻威胁，以及《巴黎协定》中关于将全球气温上升控制在2℃以下的国际共识，人们对可再生能源的需求不断上升[1]。在美国、欧洲和中国等主要经济体中，风电已被视为关键的发展方向[2]。越来越多的研究表明，中国在减缓全球气候变化方面发挥着至关重要的作用[3]。如果能够实现碳中和，中国的努力有望使全球变暖程度降低约0.40–0.48℃[4]。作为世界上最大的碳排放国，中国虽然仅占全球人口的18%，但其二氧化碳排放量却占全球总量的28%[5]。近年来，中国不断加强自身的国家自主贡献力度，明确承诺在2030年前实现碳排放达峰，并在可再生能源领域推出了一系列重大政策与举措[6]。2024年，中国政府发布了《关于大力推动可再生能源替代的指导意见》，旨在到2030年将全国可再生能源消费量提升至15亿吨标准煤当量以上[7]。尽管中国已在原定2030年的时间表前六年就实现了1200吉瓦的风电和太阳能装机容量目标，但日益加剧的地缘政治紧张局势以及全球不确定性的上升，可能会增加未来能源政策发展的不确定性[8]。对可再生能源潜力的科学预测有助于推动中国及世界各国更顺利地实现能源转型。
作为最具前景的可再生能源之一，风电是减少碳排放、降低对传统化石燃料依赖的有效手段[9]。与天然气、燃煤发电等可调度能源相比，风电受天气条件影响较大，因此被归类为依赖天气的可再生能源[10]。然而，中国各地复杂的气候状况、不同的经济发展水平以及多样的生态特征，使得风能潜力的区域划分并不清晰。这就需要通过精确的时空建模，来优化未来不同区域的风能开发布局。
以往对风能潜力的评估主要集中在气候变化带来的挑战上，而对于植被碳储量的损失以及不同地区的电力需求模式则关注不足[11]。相应的空间优化工作则往往侧重于土地使用问题，而忽视了区域间的气候差异性[12]。这两方面的研究目前仍然相互独立，缺乏一个综合的联合优化框架。此外，风电场还会对生态环境产生显著的直接和间接影响[13]，比如土地用途的变化会破坏生态系统，进而导致植被碳储量减少[14]。由于全球电力需求的增长速度超过了整体能源消耗的增长速度，而中国又占据了很大比例[6]，风电发展面临着需求快速增长与土地资源日益紧张的双重压力。因此，迫切需要一种综合性的评估与优化框架，能够同时兼顾气候差异性、生态成本以及地区特定的电力需求，从而在保障电力供应的同时，尽量减少风电场建设所带来的负面生态影响。
随着人工智能技术的快速发展，其在风能潜力预测中的应用越来越重要。在这方面，机器学习和深度学习技术提升了风能预测的准确性[15]。然而，传统的机器学习和深度学习预测模型在处理非线性动态关系和时间依赖性方面仍存在局限，尤其是在捕捉长期依赖关系和气候波动方面[16]。在风能预测领域，这一难题尤为突出，因为风能资源极易受到气象和环境变化的影响，而与风相关的时间序列数据往往具有随机性、非线性和非平稳性特征[17]。此外，预测误差在较长的预测周期内可能会不断累积并放大，这对模型的稳定性和可靠性提出了更高要求[18]。
为解决长期预测不稳定、生态成本考虑不足以及风能规划中缺乏综合空间优化等问题，本研究构建了一个集成框架（见图1），用于在中国2030年碳达峰目标的背景下，准确量化风能潜力、碳减排效益以及最优的风电开发方案。研究提出了一种新的长短期记忆-差分模型，通过基于差分的动态修正方式，减少长期预测中的误差积累。以中国367个城市作为分析单元，该研究通过时间序列分析方法预测了截至2030年的风能资源、植被碳储量、可用土地面积以及电力需求情况，并将该模型的性能与八种人工智能模型进行了对比。为进一步验证该模型的通用性和可靠性，研究还将情景模拟扩展到了其他18个国家，并将其结果与耦合模式比较项目第六阶段的相关预测结果进行了对比。此外，研究还利用八种回归模型构建了中国省级电力碳排放因子数据集，以填补区域数据缺口。最后，通过结合多目标优化与混合整数线性规划方法，对城市级别的风电场选址进行了优化。
章节节选
方法
本部分主要内容包括地理空间数据的提取、风电密度计算，以及LSTM-Delta模型的详细实现方法。
结果与讨论
本部分探讨了模型的评估方法、碳排放因子的估算结果，以及风电开发的多目标优化成果。
结论
本研究运用LSTM-Delta模型以及多种机器学习和深度学习算法，对风速、温度、NDVI值、电力消耗量以及土地覆盖类型等关键环境变量进行了时间序列预测分析，以降低预测误差。这些预测结果覆盖了直到2030年的时间段，为后续的风能开发优化提供了高精度且稳定的数据支持。研究结果表明，LSTM-Delta模型具有更高的
CRediT作者贡献说明
高俊尧：撰写——初稿、方法论、研究实施、数据整理。黄伟清：撰写——审阅与编辑、项目管理、资金获取、概念构思。杨爱东：撰写——审阅与编辑、结果验证、形式化分析。钱宇：监督工作、资源协调、资金获取。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。
致谢
本研究得到了广东省重大科技计划项目（项目编号：2023TQ07L102）以及广东省教育厅重大科学研究平台与项目计划（项目编号：2022ZDZX1030）的支持。
高俊尧|黄伟清|杨爱东|钱宇
中国广东省东莞市523808，东莞理工学院环境与土木工程学院，城市生命线工程智能防灾应急技术广东省重点实验室
