美国未来风能资源与成本不确定性分析

《Wind Energy》：An Analysis of Future Wind Energy Resources and Cost Uncertainties Across the United States

　　

风能是一种日益增长的能源发电方式，依赖于复杂的全球大气和地球系统过程。自20世纪80年代以来，已有证据表明北美陆地上空平均风速有所下降，且多个模型预测平均风速将继续下降。与此同时，美国风能系统成本自2010年左右以来持续下降，这一趋势也被预测将持续。这些未来预测存在相当大的不确定性，对风能资源和系统成本的定量估算差异很大。为研究这一问题，研究人员运行了风能模型，结合可能的未来系统成本、涡轮机设计以及来自多个降尺度地球系统模型（ESM）的气象输入，覆盖美国本土（CONUS）。从2000–2019年到2040–2059年，年均发电量（AEP）的变化在德克萨斯州南部可高达+10%，在爱荷华州可低至?20%。较大的涡轮机和适度的系统成本降低可以抵消风能资源的最大预测下降，但风能资源变化程度以及系统成本可降低幅度仍存在很大不确定性。方差分析（ANOVA）显示，在中西部的几个州，未来风能资源的不确定性对风能成本的影响几乎与未来系统成本的不确定性相当。

**论文解读：美国未来风能资源与成本不确定性的综合分析**

**研究背景与问题提出**

风能作为一种清洁能源，在全球能源转型中扮演着重要角色。美国自21世纪初以来，风电装机容量快速增长，截至2025年初，运营中的风电机组装机容量达152 GW，超过75,000台单机。风能系统成本自2010年以来持续下降，推动了风电部署，这一趋势预计将持续至本世纪中叶。然而，现有对未来风能成本的预测大多假设风能资源保持不变，这一假设存在重大局限。实际上，自20世纪80年代以来，北美陆地上空平均风速出现下降（即“陆地静风”现象），且多个地球系统模型（ESM）预测这一趋势至少将持续至21世纪中叶。尽管有证据表明2010年后风速有所恢复，但部分研究认为这仅是数十年尺度海洋-大气振荡的短期逆转，未来仍可能重新下降。此外，不同ESM对风能资源变化的预测存在显著差异，且历史观测数据与再分析数据之间也存在不一致性，导致风能资源未来变化的不确定性极高。与此同时，风能系统成本的不确定性同样巨大，不同技术路径（保守、中等、先进）下的成本下降幅度差异显著。因此，亟需系统评估风能资源与系统成本的不确定性如何共同演化，以及这种演化对风能平准化能源成本（LCOE）的潜在影响。本研究基于美国能源部2024年年度技术基线（ATB）和多个降尺度ESM，旨在量化风能资源与系统成本不确定性对LCOE的相对贡献，为风能行业规划提供科学依据。该论文发表于《Wind Energy》。

**研究开展内容与主要结论**

研究人员通过模拟美国本土（CONUS）全境不同风能资源情景、涡轮机设计和ATB经济情景的组合，分析了从2000–2019年到2040–2059年风能资源变化与系统成本降低的协同演化。研究得出以下主要结论：风能资源变化对年均发电量（AEP）的影响因区域和ESM模型而异——德克萨斯州南部最高可增加10%，而爱荷华州最低可减少20%。较大的涡轮机（如低比功率、高轮毂高度的T4型）和适度的系统成本降低（如ATB中等情景）能够抵消最极端的风能资源下降，但即使在爱荷华州最坏情况下，系统成本降低仍可使LCOE下降约7%。方差分析（ANOVA）显示，在爱荷华等中西部州，未来风能资源的不确定性对LCOE变化的贡献可达40%，几乎与ATB经济情景的不确定性相当。涡轮机技术的差异贡献约10%–20%，而各因素之间的交互作用贡献极小（不超过3%）。研究意义在于，揭示了风能资源不确定性在区域层面可能显著影响风电经济性，尤其是在现有风电密集部署的中西部区域，从而为风能行业适应策略（如部分或全面换型改造）提供了量化依据。

**主要关键技术方法**

本研究采用以下关键方法：（1）风能资源情景构建：基于两种历史风能资源数据集（WIND Toolkit和HRRR）以及四个经Sup3rCC（一种生成式机器学习降尺度方法）降尺度至4 km、逐小时分辨率的ESM（EC-Earth3-CC、GFDL-CM4、MPI-ESM1.2-HR、TaiESM1）数据，所有ESM均采用SSP2-4.5排放路径，并通过分位数增量映射进行双偏差校正。（2）风能系统模型：使用系统顾问模型（SAM）模拟四种ATB 2030年代表性涡轮机（T1–T4）在全美每个风资源像元上的逐时发电性能，并采用可再生能源潜力模型（reV）进行大规模并行计算，总计超过7.17亿次年度逐时模拟。（3）不确定性量化：采用方差分析（ANOVA）将LCOE变化的总方差分解为风能资源、涡轮机技术和ATB经济情景三个主因素及其交互项，计算各因素的方差贡献分数。

**研究结果**

**3.1 风能资源变化对AEP的影响**

通过四个降尺度ESM（FWR1–FWR4）对比分析，以T3涡轮机（最接近2022年市场平均机组）为例，研究了未来风能资源变化对AEP的影响。结果显示，FWR4（基于TaiESM1）仅预测了微小变化，与历史情景的变异幅度相当；而其他三个情景（FWR1–FWR3）在美国本土大部分区域预测了显著下降，尤其是在中西部至东南部大片区域。但在德克萨斯州南部等少数区域，多个情景（三个或更多）一致预测AEP增加超过2%。这些结果与Martinez和Iglesias（2022）基于五个ESM集合的研究一致，表明不同ESM集合间的结果具有一致性。所有未来情景均基于同一CMIP6 SSP2-4.5路径并使用相同的降尺度和风电建模框架，因此风能资源响应差异主要源于不同ESM的物理过程及其对未来大气环流变化表征的差异。

**3.2 风能资源与系统成本协同演化：德克萨斯州南部案例**

针对德克萨斯州南部一个AEP一致增加超过2%的区域（取决于ESM），研究人员展示了AEP变化（+6%至+10%）与ATB中等情景下系统成本降低及损失改善的协同演化。尽管未来资源增加，但容量因子和LCOE估计值仍落在历史情景（HWR1和HWR2）的范围内，表明历史资源不确定性与未来信号相当。此外，ATB资本支出因供应链压力在2023年短暂上升后持续下降，导致所有情景下LCOE在2023年短暂上升后于2050年前持续下降。

**3.3 风能资源与系统成本协同演化：爱荷华州案例**

针对爱荷华州一个AEP一致下降超过2%的区域（三个ESM一致），AEP下降幅度从?1%（FWR3）到?20%（FWR1）不等。尽管资源恶化，ATB中等情景下的技术经济改进（如容量因子提高、成本降低）足以抵消风速下降，使LCOE仍整体下降（例如，T3涡轮机在FWR1情景下LCOE下降7%）。在ATB保守情景下，LCOE甚至可能上升；而在ATB先进情景下，LCOE下降幅度更大。研究人员还发现，较大涡轮机（如T4）在几乎所有资源下降情景下均能比小涡轮机（T1）捕获更多能量，且低比功率、高轮毂高度的涡轮机受资源下降影响更小。T4在爱荷华州最极端低风速情景（FWR1）下于2050s达到与T1和T3相当的LCOE，表明此类涡轮机可能成为应对未来资源下降的经济可行方案。

**3.4 不确定性来源的方差分析**

采用ANOVA比较风能资源（WR）、涡轮机技术（T）和ATB经济情景（E）三个主因素对LCOE变化的方差贡献。结果显示，多数州中风能资源贡献的方差极小，但中西部的几个州（如爱荷华州）风能资源因素贡献可达40%，几乎与ATB经济情景相当。涡轮机技术贡献10%–20%，交互项贡献不超过3%。这表明，在特定区域，风能资源不确定性对风电成本的影响与系统成本不确定性同等重要。

**讨论与结论**

研究人员指出，这些结果印证了Veers等（2019）提出的“风能科学重大挑战”中关于风能资源区域强度受气候变化影响可能引发选址和盈利问题的观点。未来风能资源变化因ESM和区域差异巨大，但在中西部现有风电密集区，至少三个ESM一致预测了显著变化。在爱荷华州等州，风能资源对LCOE变化的贡献几乎与系统成本降低相当，这是一个重要发现。对于美国风电行业，研究提出关键问题：风电场所有者和规划者如何应对风能资源不确定性？现有项目通常规划30年寿命，其间部分换型改造（更换叶片和传动系统）可显著增加AEP，这可能成为适应资源变化的可行策略。然而，如果资源变化超出预期，或设计约束限制叶片长度，则可能影响盈利能力。完全换型（使用现代定制涡轮机）可能是更彻底的解决方案。研究还建议未来结合更精细的尾流模型、场地特定布局、土地约束和政策激励，以及考虑动态电价和储能的时间序列金融模型，以揭示LCOE指标无法捕捉的细微影响。此外，当前分析基于2024年ATB，而2025年美国风电行业面临监管和供应链变化，可能使未来超出ATB情景范围，须谨慎看待定量结果。最终，研究人员呼吁气象学家与能源系统研究者合作，提升对风能资源变化驱动因素的理解，以确保融资结构合理反映风能资源风险。

**研究结论部分翻译**：在本工作中，研究人员对美国本土未来风能资源与技术经济情景的协同演化进行了分析。研究发现，基于不同ESM来源和空间区域，美国本土陆上风能资源变化的可能影响差异显著。全国大部分地区预测的风能资源变化影响极小，历史风能资源评估可能足以用于未来分析。最大影响出现在中西部，该区域预测的风能资源变化可能对涡轮机性能和电厂经济性产生显著的负面影响。然而，在其他区域如德克萨斯州南部，模型结果显示资源增加。这些变化对涡轮机运行策略和成本的潜在影响可能很大，可能需要风能行业采取适应策略。研究人员建议气象学家和能源系统研究者合作，以提升对气候不确定性驱动因素及其可能后果的集体理解。