海上风能资源观测与评估研究进展
李正泉1,2, 宋丽莉2*,*, 马浩1, 冯涛1, 王阔1
1.浙江省气候中心,浙江 杭州 310017
2.中国气象局 风能太阳能资源中心,北京 100081
宋丽莉(1963-),女,山东乳山人,研究员,主要从事工程气象研究.E-mail:songll@cma.gov.cn

作者简介:李正泉(1978-),男,安徽宿州人,高级工程师,主要从事气候与生态资源评估.E-mail:lzq110119@163.com

摘要

风能资源观测评估是风电开发建设的前提基础,海上风电投资成本巨大,更需准确评估风能资源以减少风电投资风险。从传统气象站观测到多平台遥感探测,从简单数理统计到耦合模式数值模拟,观测数据的丰富和技术方法的成熟,使得海上风能资源评估的可靠性越来越高。站位资料匮乏、遥感资料丰富是海上风场观测数据特点。运用多尺度耦合模式,同化多源遥感探测资料和站位观测资料,以多方式技术融合形式开展海上风能资源评估,是区域风能资源评估方法的主流发展方向。风电场风能资源评估应着重注意观测数据质量、数据插补订正、重现期风速推算及风能参数长年代修正等方式方法的选择,这些因素可直接影响未来风电场运行效益。

关键词: 风场观测; 资源评估; 风能; 遥感; 数值模拟
中图分类号:P732 文献标志码:A 文章编号:1001-8166(2016)08-0800-11
Review of Methodologies for Offshore Wind Resource Observation and Assessment
Li Zhengquan1,2, Song Lili2,*, Ma Hao1, Feng Tao1, Wang Kuo1
1. Zhejiang Climate Center,Hangzhou 310017, China
2. Wind and Solar Energy Resources Center, China Meteorological Administration, Beijing 100081, China
Corresponding author:Song Lili (1963- ), female, Rushan City, Shandong Province, Professor. Research areas include engineering meteorology.E-mail:songll@cma.gov.cn
Abstract

Observation and assessment of wind resources is a prerequisite for wind farm construction. Due to the investment cost of offshore wind farm is very expensive, more accurate assessment of wind resources is needed to reduce their investment risks. From traditional field observation to multi-platform remote sensing and from ordinary mathematical statistics to coupled numerical model simulation, abundant offshore wind data and evolving assessment methods make the results of offshore wind resource assessment more and more reliable. Poor station observations and rich remote sensing data are distinct characteristics of offshore wind data. Technology integration of applying multi-scale coupled models to assimilate multi-source remote sensing and station data is a mainstream development direction of offshore wind resource assessment methods. The wind resource assessment for offshore wind farm should focus on data quality and method selections of data interpolation, wind speed calculation of return period and wind energy parameters adjusted for a long term condition because these factors can significantly affect the operating efficiency of future wind farm.

Keyword: Wind observation; Resource assessment; Wind energy; Remote sensing; Numerical simulation.
1 引言

开发利用风能已成为世界各国增加清洁能源供应、减少温室气体排放的重要举措。近几十年风力发电在世界范围内迅速发展, 2015年全球风电累计装机量超越核电, 成为清洁能源开发主流形式[1]。全球海域风能资源十分丰富, 欧洲近海可提供7倍于欧盟自身消费的风能[2], 美国近海风能可满足本土4倍的能源需求[3], 中国近海5~50 m水深线以内的风能技术开发量约达500 GW[4]。前阶段海上风电投资成本高、技术难度大, 制约了近海风电大规模发展。近些年大型风机的出现及投资成本的下降, 促使了海上风电快速发展。2011— 2015年全球海上风电装机量约以每年30%的增速在递增[1]。EY(Ernst & Young Global Limited Entity)研究预测2020年海上风电平准化成本可能降至100€ /MWh, 届时欧洲海上风电总量将达23.5 GW、亚洲总量将达35 GW[5], 预计2030年中国海上风电总量将达30 GW[6]

风能资源观测与评估是制定风电发展规划和实施风电场工程建设的首要前提[7, 8] 。气象站、浮标站、测风塔、声波雷达和激光雷达等站位观测[4, 9, 10], 星载微波散射计、辐射计、高度计和多孔径雷达等遥感探测[11~14], 以及船只走航等均可获取海上风场信息。站位观测不受天气海况影响, 可逐时连续监测风况, 观测值精准可信, 是海上风能资源评估所需的宝贵站点数据[15]。卫星遥感探测依据海表面重力毛细波后向散射信号反演海面风况, 是获取宏观海面风场的有效手段[16]。尽管卫星遥感风场在风速反演上还存在较大误差, 但卫星探测覆盖面广且资料使用成本低, 可为海上风能资源普查和详查提供较陆域多一种的选择方式。利用站位观测或遥感探测风场资料, 采用数理统计方式便可开展海上风能资源评估[17, 18], 除此之外, 数值模式模拟亦是风能资源评估的一种主要形式[8, 19]。数值模式可输出比站位观测覆盖面广、比卫星探测时间连续性强的模拟风场, 在表征风场时空分布方面具有很大优势。但数值模式涉及初始边界条件选取、嵌套方式设定、过程参数调试等, 模拟过程受诸多因素影响, 其模拟风场需经过观测数据的效果检验方可使用[15, 20]。尽可能利用可获取的风场信息, 选用合适的风能资源评估方法, 最大限度地降低风能资源评估的不确定性, 有助于降低海上风电投资风险[5, 19]。本文回顾了近几十年海上风场资料的获取方式及风能资源的评估方法和发展趋势, 并对风能资源评估中的不确定性进行了讨论分析, 意为海上风能资源观测与评估等相关研究提供参考。

2 海上风场站位观测
2.1 常规测风

海上站位测风的常规手段主要是布设浮标、建造测风塔或是在孤立小型岛屿上建立气象站, 对海上风况进行连续观测, 此类观测数据准确度高。浮标与气象站多为单层观测、测风高度一般在10 m左右, 仅适于近海面风场的统计分析, 较难满足海上风电开发实际需求。垂直风廓线测量对风电场建设非常重要, 风电机组选型中的一些参数指标(如轮毂高度风速和大气湍流强度等)直接源于风廓线测量数据的计算分析。建造测风塔布设多层观测是获取垂直风廓线的常见方式, 因受结构稳定性、建设成本和地方法规等多因素约束, 测风塔建设高度通常会受到一定限制, 如美国的测风塔一般在60 m左右[21], 我国的测风塔多在50~120 m。随着海上风机向大型化发展, 风机轮毂高度已达80~100 m, 叶片旋转直径达80 m甚至更大, 风机运转高度已超出了一般测风塔的观测范围[1]。为探测更高层风况, 站位测风的遥测技术越来越受到重视。

2.2 激光雷达测风

声雷达、微波雷达和激光雷达是获取垂直风廓线的先进测风设备[4, 15]。激光雷达以激光器为光源向大气发射激光脉冲, 接收大气中粒子后向散射信号, 通过分析发射激光的径向多普勒频移反演风速。激光雷达测风数据质量一般不会受天气状况影响, 但在高强度大气湍流时段需对其测风数据加以控制, 降水会影响其垂直风测量效果和水平风测量准度, 气溶胶颗粒浓度亦会影响激光雷达的有效测风高度, 颗粒物浓度越大, 其有效测风高度越高[22]。因激光雷达特殊的数据采样方式, 其在40 m以下的近地面层往往存在测风“ 盲区” (即无数据或数据不可靠)[21]。现今激光雷达测风技术日益成熟, 风速测量精度可控制在0.1 m/s, 风向测量精度可控制在2° , 有效测风高度可达200 m甚至更高[23]。与海上测风塔相比, 激光雷达测风高度更高且测风成本较低(仅为海上风塔建造成本的40%~60%), 更具便携性(如Windcube-V2重量仅为45 kg)和可移动性优势, 已逐渐成为海上站位测风的一种新趋势。在修订的国际风电标准(IEC61400-12-1)中也已增加了激光雷达观测的测风方式[24]

3 海上风场卫星探测

站位测风所代表的观测区狭小且观测成本高昂, 海上站位观测十分稀少, 很难获取宏观风场空间分布信息。随着星载微波遥感技术不断发展, 快速获取全球近海面风场的能力逐渐增强。在1987— 2004年, 遥感卫星每6 h完成全球洋面的扫描面积从20%上升至70%左右[16]。目前用于海面风场探测的星载传感器主要有微波散射计、微波辐射计、微波高度计和合成孔径雷达等。

3.1 微波散射计

星载微波散射计发展至今, 经历了多个发展阶段, 其功能和测量精度不断提高, 按探测频段分为Ku波段散射计和C波段散射计。已成功发射并使用的星载微波散射计主要有:欧洲的SCAT和ASCAT、美国的SeaWinds和RapidSCAT以及印度的OSCAT等(表1)。星载微波散射计能够测量的海面风速范围为3~30 m/s, 误差为± 2 m/s, 风向测量范围为0° ~360° , 误差为± 20° , 被公认为是目前迅速获取大面积海面风场的最理想的卫星传感器[11, 25], 其遥感风场资料已被广泛应用于宏观海域风能资源评估。

3.2 微波辐射计

自SMMR微波辐射计实现对全球海面风速测量后, 到目前已有十余台微波辐射计在轨运行。尽管微波辐射计的成像像元不如散射计的空间分辨率精细, 但微波辐射计在海面风场探测中仍具有自身优势。一是载有微波辐射计的卫星较多, 因此对同一海区的扫描周期短、观测频次高; 二是微波辐射计的观测资料时序长、数据连续性好, 如SSM/I系列的辐射计风场资料, 迄今为止已达到28年。目前较多使用的辐射计风场资料有SSM/I, SSMIS, AMSR-E和WindSat等(表1)。孙强等[13]研究表明:在非降水条件下, 微波辐射计风速测量性能与微波散射计基本处于同一水平, 但在高风速段微波辐射计具有一定优势; AMSR-E和WindSat测风性能较优, 而SSM/I和SSMIS性能较差。

表1 主要散射计与辐射计遥感风场资料 Table 1 Remote sensing wind data of main scatterometers and radiometers
3.3 微波高度计

微波高度计是遥感探测海面风场的另一种重要方式, 其探测优势在于沿轨水平空间分辨率高于微波辐射计和散射计, 测风精度也优于辐射计和散射计[12, 26], 但高度计只能进行星下点探测且重复扫描周期较长, 多在10 d以上。1992年以前微波高度计探测多采用单频波段, 对海面风场探测性能较差, TOPEX双频高度计的出现, 才使得高度计的风场探测能力有了实质性进展。现今载有双频高度计正在服役的卫星有Janson-2, GFO和HY-2等(表2)。

表2 主要高度计和合成孔径雷达遥感风场资料 Table 2 Remote sensing wind data of main altimeters and synthetic aperture radars
3.4 合成孔径雷达

星载散射计和辐射计的成像像元较粗, 陆地回波效应会造成这些传感器在离岸近海区(尤其是离岸50 km以内海域)的风场探测失真[13, 25]。星载合成孔径雷达(Synthetic Aperture Radar, SAR)的出现, 弥补了这一缺陷, 助推了近海风场的高分辨率探测。迄今为止已有ERS-1/2, Envisat, JERS-1, ALOS, Radarsat-1/2和TerraSAR等多颗卫星搭载了SAR传感器(表2)。SAR影像空间分辨率可达百米级, 风场反演技术也十分成熟, 已发展出CMOD4, CMOD5和CMOD-IFR2等多种经典的风场风速反演模式[27, 28], 十分适合近海风速空间分布研究。可是, SAR扫描周期长, 影像样本量少, 尤其是低纬度海域影像样本更是缺乏, 这是因为SAR影像刈幅宽度窄, 纬度越低, 极轨卫星在同一海域的扫描次数越少。

3.5 多星风场资料整合

遥感探测获得的海面风场是卫星升降轨过程的瞬时海面风况, 对于同一海区, 卫星升降轨时间相对固定。在风速日变化明显的海域, 单颗卫星探测难以获取合理的日平均风速[29]。整合多星探测(不同升降轨时间)以提高同海域卫星探测频次和风场样本量, 可改善卫星探测风场的可信度。如美国物理海洋学分布式档案中心(PODAAC)推出的CCMP(Cross-Calibrated Multi-Platform)卫星风场, 其同化整合了10余种系列的卫星探测数据, 风场产品精准度高于任何一种单星风场产品[16]。另外, 遥感探测风场的资料整合, 还可扩展海面风场研究范围, 如Hasager等[18]利用SAR近海风场探测数据填补QuikSCAT与ASCAT在离岸近海的探测空白, 给出了北欧全海域的年平均风速与风功率密度空间分布。

4 海上风能资源评估

风能资源评估涉及的评价指标(参数)主要有风速、风功率密度、风能频率分布、风向与风能方位分布、风切变及湍流强度等[4, 7, 9]。在不同的风能资源评估阶段(普查、详查、风电场微观选址), 所侧重使用的评价指标不同, 对风场数据资料的选取也有所区别[8, 15, 19]。在普查阶段主要是摸清一个国家或地区的风能资源宏观分布, 常选用可反映长期风况特征的面源风场资料(如再分析数据风场或遥感风场等)或利用中尺度数值模式模拟, 开展长年平均风速与风功率密度的空间统计分析, 空间分辨率多在10 km左右[8, 19]。在风能资源详查阶段, 一般需要给出风能参数(风速、风功率密度、主导风向等)在区域内更高时空分辨率的分布形式, 以满足风电发展规划的制定要求, 空间分辨率多在1 km左右, 这一阶段通常需要站位测风资料与遥感测风资料并用, 中尺度数值模式与小尺度数值模式相结合[15, 30]。对于风电场微观选址的风能资源评估, 因涉及风电机组选型、风机布局设计、风电场投资成本分析等, 因此对测风数据的精准可靠性要求更高、对各类风能参数的时空分辨率要求更为精细, 需要现场原位观测的风廓线数据(如测风塔观测), 观测周期应在1 a以上, 数据有效完整率需达90%以上[7], 风能参数的空间模拟应选用小尺度或微尺度数值模式, 分辨率设置多在100 m级别甚至是10 m级别[8]。下面按海上风能资源评估类型— — 区域评估与站位评估, 对海上风能资源评估方式和发展趋势作以介绍。

4.1 区域风能资源评估

区域风能资源评估的主要任务是获取平均气候态的风能资源空间分布, 长时序风场资料和数值模式模拟是区域风能资源评估的数据基础与技术手段。

4.1.1 再分析资料

全球再分析资料时序长(多在40 a以上)且连续性好, 适合区域风能资源长期变化研究。美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)所提供的全球再分析资料目前最为流行通用, 在不同时期它们提供的海洋风场产品空间分辨率有所差异, 多在0.25° ~2.5° 。Zheng等[31]利用再分析资料研究了全球海表面风的年际变化趋势; Pryor等[32]分析了波罗的海年平均风速与风能密度的趋势变化, 并分析了气候变化对欧洲风能资源所产生的影响; Jin等[33]对中国近海风能资源的年际变化及空间分布进行了评估分析; 而后又有研究者对比分析了NCEP与ECMWF 2种再分析资料在中国近海的年平均风速变化差异[34]。近期ECMWF新推出了空间分辨率为0.125° × 0.125° 的ERA-Interim全球范围风场数据, 这将更有助于区域风能资源中长期的时空变化研究。

4.1.2 卫星风场资料

丹麦Risø 于2004年启动了Sat-wind研究计划, 目的是验证卫星探测资料应用于海上风能资源评估的可行性[35]。此后, 卫星资料用于海上风能评估的研究大量出现, 以微波散射计和SAR资料的应用居多。在巴西[36]、地中海[25]、北欧[37]、加拿大[38]、中国[39]等区域海区和全球海域[40]的风能资源调查评估中, QuikSCAT风场资料被广泛使用。Hasager等[18]还使用ASCAT风场资料, 制作了北欧近海面年平均风速与风功率密度空间分布, 并结合其他遥感风场对该海域的风能资源进行了评估分析。SAR风场探测虽然也像微波散射计一样受陆地回波影响, 但SAR成像像元空间分辨率精细, 数据失真区仅限于离岸0~2 km区域, 十分适合近海风能资源调查评估。目前, SAR风场已应用于欧洲[14]、加拿大[41]、美国[42]、中国[43]和日本[27]等近海风能资源评估。在低纬度海区SAR影像样本较少, 难以满足风能资源评估的样本量要求, Badger等[44]建议使用风型分类法开展评估, 以弥补风场样本不足的缺陷。基于遥感风场的风能资源评估, 尽管在风能参数量值估算上仍存在一定缺陷, 但风场空间分布格局的评估结论具有很高可信度, 尤为适合区域风能资源的普查或详查。目前, 虽尚未出现关于遥感风场风能资源评估的相关规范, 但有一种共识, 即“ 使用卫星风场样本越多, 评估结果可信度越高” , 多源遥感探测资料的整合有助于减少遥感风场评估的不确定性[45]

4.1.3 数值模式模拟

对于站位观测稀缺的海域, 应用数值模式开展区域风能资源评估是一种行之有效的方法, 数值模拟可获得高分辨率、多高度层的风能资源空间分布。分辨率精细的小尺度数值模式, 常用于风电场微观选址和风机布排设计, 一般分为线性理论模型(WAsP, WindPro, WindFarm等)和流体力学模型(WindSim, WindMap, Meteodyn-WT等)2类。对于平坦均匀的下垫面, 线性理论模型风场模拟效果较为理想, 但对于特征复杂的下垫面, 流体力学模型的推算结果会更为准确[4, 15, 19]。因小尺度模式较难捕捉中尺度海陆风、低层急流风等大气运动过程, 在离岸近海风场模拟中会产生较大误差, 这是因为非稳态大气迫使低层气流在海陆交界调和, 至离岸5~10 km以外海区才可达到平衡[46]。Bergströ m等[47]研究表明, 小尺度模式对离岸近海风速往往过高估计, 远海风速误差仅为± 3%的WAsP模式, 在海岸区风速误差却可达10%~20%。可见, 除受小尺度过程作用外, 影响局地风场的因素还有来自更大区域的天气过程, 这就需要结合中尺度模式加以解决[48]。中尺度模式(如KAMM, MASS, MM5, WRF等)能够有效捕捉大中尺度环流过程, 适合宏观区域风能资源普查或详查[8, 15], 空间分辨率多在数公里以上。考虑海域下垫面平坦均一, 大气在水平方向上的运动尺度远远大于垂直方向上的运动尺度, 亦有研究者将中尺度模式的空间分辨率提高至更高水平[49]。中尺度模式对局地小尺度过程无法处理, 且边界层湍流运动参数化的简化方式在强湍流活动区也难以适用, 在地形复杂、小尺度过程活跃的近海岸区, 中尺度模式亦存在较多不确定性[8, 50]。将中尺度与小尺度模式结合在一起嵌套使用, 是海上风能资源数值模拟技术的发展趋势。利用中尺度MASS与小尺度WindMap的耦合模式系统(MesoMap), 美国可再生能源实验室(National Renewable Energy Laboratory, NREL)通过对近海风速的模拟分析, 制作了水平分辨率为200 m× 200 m的美国近海90 m高度处的风能资源分布图[51]; Tammelin等[52]使用中尺度AROME模式结果驱动小尺度WAsP模式, 模拟输出了水平分辨率为250 m× 250 m的芬兰陆域及近海的50~150 m多个高度层的年平均风速分布; Waewsak等[53]利用中尺度MC2与小尺度MS-Micro的耦合模式, 模拟分析了泰国湾垂直高度层40~120 m、水平分辨率为200 m× 200 m的年平均风速与风功率密度空间分布, 并应用于泰国湾的风电发展规划制定。相关研究证实:中小尺度耦合模式的风场模拟效果优于中尺度或小尺度模式的单独使用, 尤其是在近海岸区, 其优势表现更为突出[50, 54], 但耦合模式有一缺点, 即其模拟运算量非常巨大, 对计算机的运力要求很高。近年来, 在提高耦合模式运算效率方面亦出现了较多研究, 如多作业管理并行运算[55]和天气分型的典型日模拟方式[56, 57]等。

4.1.4 模式资料同化融合

运用数值模式同化融合遥感探测资料和站位观测资料, 有助于提高数值模式风场模拟精度, 减少海上风能资源评估不确定性。Fernandes等[58]使用全球再分析资料作为WRF模式初始条件, 运用QuikSCAT卫星风场和浮标实测数据对WRF模式中间运算结果诊断修正, 将修正结果再返回模式运算, 由此开展了欧洲北海风速模拟, 其研究结果显示同化观测与探测数据可使WRF模式的风速模拟精度提高5%。对于资料数据的同化融合过程, Chang等[59]指出:对于非原位观测数据的模式引入, 应注意所引入的数据质量, 高质量数据可提高数值模式模拟精度, 而劣质数据反而会影响数值模式的模拟效果。多源遥感风场整合、观测风场数据同化以及多尺度数值模式耦合, 这3种技术方法均有益于减少海上风能资源评估中的不确定性。由此而言, 运用多尺度耦合模式, 同化融合高质量的多源遥感探测资料和站位观测资料, 以多方式技术融合形式开展风能资源评估, 这将是海上区域风能资源评估技术与方法的未来主流发展方向。

4.2 站位风能资源评估

站位风能资源评估多是指利用场内测风塔等站位观测数据, 采用数理统计方法对风电场风速、风功率密度、风能频率分布、风向与风能方位分布、风切变及湍流强度等各项风能参数进行计算分析, 这些参数的评估结果可直接影响风电场风能资源利用效率和将来风电场的运行效益[4, 15]

4.2.1 观测数据插补订正

高质量的观测数据是准确计算站位风能参数的关键基础。测风塔等站位观测执行1~2 a观测周期后, 通常就需开展站位风能资源评估。关于站位各项风能参数的计算方式与方法, 在相关行业规范及国家与地方标准中都给出了明确要求, 如我国的QX/T74-2007[60]和GB/T18710— 2002[7]等, 在此不作叙述。在工程实践中, 风能参数计算产生不确定性的主要原因是站位观测数据的质量。仪器遭受雷击、出现故障等会导致观测数据缺失或误测, 为保障观测数据的连续完整性, 常需对缺测和无效数据进行数据插补订正。若用于插补订正的“ 参照数据” 选择不当, 则会对风能参数计算结果的准确性产生较大影响。试验研究表明, 若以夏季“ 参照数据” 建立的风速订正关系进行冬季时段缺测数据的风速订正, 可导致被订正时段的平均风功率密度误差达20%以上, 在季风气候明显区域的复杂地形上, 这一误差甚至可达50%以上[61]。因此, 缺测数据的插补订正, 应选取与缺测时段对应、主导风向相同、相关性显著的测点数据作为缺测插补的参照数据, 这一点应给予充分重视。

4.2.2 风能参数长年代修正

场内测风塔等站位观测周期短, 无法取得年际风速的长期变化, 这对于运行期长达20 a左右的风电场而言, 仅有这种短期风能参数的计算显然是不够的, 还需对场内风能资源的长期状况进行推算分析。通常做法是利用场内短期站点与临近长期站点(在此称为参考站)两者的观测关系, 对风电场长年代风能资源平均状况进行推算。在该方面的推算方法中, 观测相关预测(Measure-Correlate-Predict, MCP)方法[62]使用最为常见, 它以参考站长期观测资料作为自变量, 场内短期观测资料作为因变量, 获得两站点同期配对风速的统计关系后, 推算场内长年代风能资源平均状况。MCP回归统计关系通常是基于16个风向方位建立, 即每个风向方位对应一个统计方程。但在实际应用中, 很难在每个风向方位上都能获得显著性的风速统计关系。《风电场气象观测及资料审核、订正技术规范》提出了MCP方法的一种简便方式, 即直接利用日平均风速样本建立统计关系, 该方式在操作上十分方便, 亦可获取较为可靠的统计关系[60]。威布尔参数订正是长年代风能资源推算的另一种方法, 它依据场内短期站点与参考站点两者同期观测的风能Weibull(A, K)参数比值, 推算场内风能资源的长年代平均状况[63]。关于选取何种方式确定威布尔参数, 已有较多研究开展, 其中最大似然法最为常用。Chang[64]对最大似然法、矩量法、经验图形法以及风能模式因子法等多种威布尔参数的估算方式进行了综述。Dong等[65]还提出了威布尔参数估算的3种智能算法, 包括粒子群优化算法、差分进化算法和遗传算法等。

4.2.3 重现期风速推算

强风是威胁海上风电场安全运营的一个重要因素, 尤其是在台风(飓风)活动区域, 量化风电场遭受极端风速的风险概率是风能资源评估中不可缺少的内容, 极端风速阈值分析和重现期最大风速分析是研究该类事件的2种方法。在风电场工程建设中, 50年一遇最大风速的推算最为常见。通常做法是:先建立场内站点与参考站点两者同期大风样本数据的相关关系, 再结合参考站历年最大风速的极值函数拟合值进行推算。研究显示大风样本的选取方式会影响重现期的最大风速推算值[66], 多推荐以日最大风速或5日最大风速作为样本数据[30, 67]。另外, 采用国际风电机组标准(IEC61400-2)中所推荐的简便方法也可进行重现期最大风速推算, 当风速频率Weibull分布的形状参数K值在1.65~2.00时, 50年一遇的最大风速可定为年平均风速的5倍[68], 但该方式是否适合于我国海域, 目前尚不明确。有关极端风速的推算方法, Wang等[69]进行了相关评述, Ishihara等[70]比较了蒙特卡罗(Monte Carlo, MC)模拟方式和MCP方式对不同气候区极端风速概率分布的描述能力, 研究结果显示:MC方法在热带气旋区表现较好, 在温带气旋区其效果较差, 而MCP方法较适用于混合气候区。我国海域南北跨度约40个纬度, 气候背景多样, 风电场区重现期最大风速和极端风速值的推算不应局限于单一方式和算法, 需开展多方法对比分析, 这对于台风活动区未来风电场的安全运营尤为重要。

4.3 风能资源评估不确定因素

海上风能资源评估的可靠性并非仅取决于观测数据质量和数值模拟技术, 其不确定性还与许多因素有关。如在MCP方式的风能参数计算中就有14种误差源[71]; 在数值模式模拟中, 初始边界条件选取、物理过程参数化、嵌套方式及分辨率设置等也均会引入不确定性误差源。在诸多不确定性的因素中, 风速长期变化是风能资源评估总不确定性的主要因素, 也是风电投资风险分析中最不稳定的一个因素[15]。虽然, 使用长年代观测或探测历史资料可获取研究区风速长期变化, 但这种以历史数据获得的评估结果并不能充分代表未来风能资源变化趋势, 尤其是在当今全球气候变化的大背景下。近地层大气环流发生实质性变化将会对区域风能资源的量值和空间分布产生影响, 了解和认知未来气候变化对风能资源的影响十分必要[72]。通过对全球气候模式(General Circulation Model, GCM)预估结果的降尺度模拟, Kjellstrom等[73]和Gonç alves等[74]研究显示, 在未来气候变化情景下, 欧洲北部区域冬季的风能密度和地中海区域夏季的风能密度存在潜在增加趋势, 欧洲东南部区域的风能密度呈减小趋势, 部分区域的风能密度减少量可能会高达20%。由于GCM模式预估数据本身还存在着很大不确定性, 尤其是其风速预估趋势远不如温度预估结果可信。因此, 这种降尺度的未来情景预估目前还只能作为一种参考, 尚不能直接用于海上风电的投资风险分析。

4.4 我国海上风能资源评估简述

在20世纪80~90年代, 我国已开始了全国范围的风能资源调查与评估工作, 但评估区域集中在陆域, 海域范围的研究十分稀少。2007年中国气象局使用加拿大风能资源数值模拟软件(the Wind Energy Simulation Toolkit, WEST), 首次系统性地模拟分析了我国近海风能资源空间分布, 并制作了水平分辨率为5 km× 5 km、垂直高度层为10, 50, 70和110 m的风能图谱[75]。与此同时, 张秀芝等[76]基于岛屿气象站、船舶、浮标、测风塔及石油平台的实测风资料, 绘制了我国近海30 m高度层水平分辨率1° × 1° 的年平均风速与风功率密度分布图。尔后, 周荣卫等[77]利用中国气象局自主研发的WERAS/CMA风能资源数值模拟系统, 进一步模拟分析了我国近海1 km× 1 km水平分辨率多个高度层的风能资源空间分布, 并估算了近海风能资源的开发潜力。近些年, 亦有较多研究者使用再分析资料(如NCEP和ECMWF再分析资料[33, 34])或遥感风场(如QuikSCAT[39, 78]和SAR[43]等)对我国海域风能资源进行了评估分析, Zheng等[79]还给出了我国海域年平均风速、风能密度、有效风速频率、大风频率等多个风能参数的空间分布和风能资源储量。总体来说, 在我国海上风能资源的区域性评估方面, 已形成了基于站位观测资料、再分析资料、遥感资料和数值模拟等多种技术手段的评估方式, 为海上风能资源的开发利用奠定了良好基础, 但目前较为不足的是:缺乏对多种技术手段的融合使用和对各类风场资料的综合利用, 亦尚未出现百米级高分辨率的全国海域风能资源图谱。发展可融合多源遥感探测资料和站位观测资料的多尺度耦合数值模式, 进一步提高数值模式的空间分辨率以及风能参数模拟计算的精准度, 将是我国海上风能资源区域性评估研究的主要任务。另一方面, 在海上风电场的站位风能资源评估中, 国内使用较多的是测风塔观测数据, 激光雷达等新技术的站位测风数据使用较少, 对于风电场风能资源的长年代估算, 亦缺乏气候变化对未来风能资源的影响分析, 加强站位新技术测风的评估方法研究及气候变化对风电场效益影响的评估分析, 将是站位风能资源评估的重要需求。

5 结 语

海陆下垫面属性不同, 风场信息获取方式有所差别, 站位观测资料缺乏、遥感探测资料丰富是海上风场数据特点。卫星遥感探测是海上有别于陆域的宏观风场信息获取的重要方式, 星载散射计、辐射计、高度计和合成孔径雷达等均可探测海面风况, 整合多卫星平台风场探测资料, 有助于增加海上风场信息量、降低遥感风场风能资源评估的不确定性。

数值模式模拟是海上风能资源评估的有效手段。近海岸区域地形复杂、下垫面特征多样, 局地风场受中小尺度动力热力过程双重影响, 单一的中尺度模式或小尺度模式均难以获得高信度模拟效果, 多尺度耦合模式有助于提高目标风场的模拟分辨率和模拟精度。运用多尺度耦合模式, 同化多源遥感探测资料和站位观测资料, 以多方式技术融合形式开展海上风能资源评估, 是区域风能资源评估未来发展的主流方向。

风电场的站位风能资源评估应着重关注观测数据质量、数据插补订正、重现期风速推算及风能参数长年代修正等方式方法的选择, 这些因素涉及风电场规划设计、风机选型以及未来风电场的安全运营及发电收益, 其中:风速长期变化分析及预估是现今风能资源评估中最不确定的一个因素。

The authors have declared that no competing interests exist.

参考文献
[1] GWEC. Global Wind Report-2015[M]. Brussels: Global Wind Energy Council, 2016: 8-53. [本文引用:3]
[2] EEA. Europe’s Onshore and Offshore Wind Energy Potential[M]. Copenhagen: European Environment Agency, 2009: 18-25. [本文引用:1]
[3] Musial W, Ram B. Large Scale Offshore Wind Power in the United States: Assessment of Opportunities and Barriers[M]. Colorado: National Renewable Energy Laboratory, 2010: 53-68. [本文引用:1]
[4] Song Lili, Zhou Rongwei, Yang Zhenbin, et al. Meteorological technology application and development in wind energy resources utilization[J]. Engineering Sciences, 2012, 14(9): 96-101.
[宋丽莉, 周荣卫, 杨振斌, . 风能资源开发利用的气象技术应用和发展[J]. 中国工程科学, 2012, 14(9): 96-101. ] [本文引用:6]
[5] Alexis G, Frank M, Cyrus F, et al. Offshore Wind in Europe: Walking the Tightrope to Success[M]. UK: Ernst & Young Global Limited Entity, 2015: 7-12. [本文引用:2]
[6] GWEC. Global Wind Report-2012[M]. Brussels: Global Wind Energy Council, 2013: 30-33. [本文引用:1]
[7] Shi Pengfei, Zhu Ruizhao, Lou Huiying, et al. Methodology of Wind Energy Resource Assessment for Wind Farm: GB/T18710-2002[S]. Beijing: General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, 2002.
[施鹏飞, 朱瑞兆, 娄慧英, . 风电场风能资源评估方法: GB/T18710-2002[S]. 北京: 国家质量监督检验检疫总局, 2002. ] [本文引用:4]
[8] Li Zechun, Zhu Rong, He Xiaofeng, et al. Study on the assessment technology of wind energy resource[J]. Acta Meteorologica Sinica, 2007, 65(5): 708-717.
[李泽椿, 朱蓉, 何晓凤, . 风能资源评估技术方法研究[J]. 气象学报, 2007, 65(5): 708-717. ] [本文引用:7]
[9] Wind and Solar Energy Resources Center. Assessment of Wind Energy Resources in China[M]. Beijing: China Meteorological Press, 2010: 125-151.
[中国气象局风能太阳能资源评估中心. 中国风能资源评估[M]. 北京: 气象出版社, 2010: 125-151. ] [本文引用:2]
[10] Yang Zhongen, Li Zhengquan. Wind Energy Resource in Zhejiang Province[M]. Beijing: China Meteorological Press, 2013: 35-58.
[杨忠恩, 李正泉. 浙江省风能资源[M]. 北京: 气象出版社, 2013: 35-58. ] [本文引用:1]
[11] Zhong Jian, Huang Sixun, Zhang Liang. Research on the development of surface wind retrieval from microwave scatterometer[J]. Scientia Meteorologica Sinica, 2010, 30(1): 137-142.
[钟剑, 黄思训, 张亮. 星载微波散射计资料反演海面风场进展研究[J]. 气象科学, 2010, 30(1): 137-142. ] [本文引用:2]
[12] Jiang Zhuhui, Huang Sixun, Liu Gang, et al. Research on the development of surface wind speed retrieval from satellite radar altimeter[J]. Marine Science Bulletin, 2011, 30(5): 588-594.
[姜祝辉, 黄思训, 刘刚, . 星载雷达高度计反演海面风速进展[J]. 海洋通报, 2011, 30(5): 588-594. ] [本文引用:1]
[13] Sun Qiang, Daren. Analysis on the performance of microwave radiometer on monitoring sea surface wind under non-precipitation conditions[J]. Remote Sensing Technology and Application, 2016, 31(1): 109-118.
[孙强, 吕达仁. 非降水条件下微波辐射计海面风遥感产品性能分析[J]. 遥感技术与应用, 2016, 31(1): 109-118. ] [本文引用:2]
[14] Hasager C B, Badger M. SAR-based wind resource statistics in the Balticsea[J]. Remote Sensing, 2011, 3(12): 117-144. [本文引用:2]
[15] Laura C S, Vicente D C. Floating Offshore Wind Farms[M]. Switzerland : Springer International Publishing, 2016: 121-141. [本文引用:9]
[16] Atlas R, Hoffman R N, Ardizzone J V, et al. A cross-calibrated, multiplatform ocean surface wind velocity product for meteorological and oceanographic applications[J]. Bulletin of the American Meteorological Society, 2011, 92(2): 157-174. [本文引用:3]
[17] Archer C L, Jacobson M Z. Evaluation of global wind power[J]. Journal of Geophysical Research Atmospheres, 2005, 110(D12): 1 147-1 148. [本文引用:1]
[18] Hasager C B, Mouche A, Badger M, et al. Offshore wind climatology based on synergetic use of Envisat ASAR, ASCAT and QuikSCAT[J]. Remote Sensing of Environment, 2015, 156: 247-263. [本文引用:3]
[19] Sempreviva A M, Barthelmie R J, Pryor S C. Review of methodologies for offshore wind resource assessment in European seas[J]. Surveys in Geophysics, 2008, 29(6): 471-497. [本文引用:5]
[20] Carvalho D, Rocha A, Gomez G M, et al. Comparison of reanalyzed, analyzed, satellite-retrieved and NWP modelled winds with buoy data along the Iberian Peninsula coast[J]. Remote Sensing of Environment, 2013, 152: 480-492. [本文引用:1]
[21] Matthew L A, Michael E R, Julie K L. Performance of a wind profiling lidar in the region of wind turbine rotor disks[J]. Journal of Atmospheric and Oceanic Technology, 2012, 29(3): 347-355. [本文引用:2]
[22] Gomes L, Mallet M, Roger J C, et al. Effects of the physical and optical properties of urban aerosols measured during the Capitoul summer campaign on the local direct radiative forcing[J]. Meteorology and Atmospheric Physics, 2008, 102(3): 289-306. [本文引用:1]
[23] Hsuan C, Tasi Y, Ke J, et al. Validation and measurements of floating lidar for near shore wind resource assessment application[J]. Energy Procedia, 2014, 61: 1 699-1 702. [本文引用:1]
[24] IEC. Power Performance Measurements of Electricity Producing Wind Turbines: IEC61400-12-1, Revision Edition[S]. Switzerland : International Electrotechnical Commission, 2010. [本文引用:1]
[25] Furevik B R, Sempreviva A M, Cavaleri L, et al. Eight years of wind measurements from scatterometer for wind resource mapping in the Mediterranean Sea[J]. Wind Energy, 2011, 14(3): 355-372. [本文引用:3]
[26] Remy F, Parouty S. Antarcticice sheet and radar altimetry: A review[J]. Remote Sensing, 2009, 1: 1 212-1 239. [本文引用:1]
[27] Takeyama Y, Ohsawa T, Kozai K, et al. Comparison of geophysical model functions for SAR wind speed retrieval in Japanese Coastal waters[J]. Remote Sensing, 2013, 5(4): 1 956-1 973. [本文引用:2]
[28] Zhang Lei, Shi Hanqing, Long Zhiyong, et al. Overview of the ocean wind retrieval from space-borne SAR images[J]. Marine Science Bulletin, 2012, 31(6): 713-720.
[张雷, 石汉青, 龙智勇, . 星载合成孔径雷达图像反演海面风场方法综述[J]. 海洋通报, 2012, 31(6): 713-720. ] [本文引用:1]
[29] Ricciardulli L, Wentz F. Challenges of integrating multiple scatterometer observations into a climate data record: The effect of diurnal variability[C]∥International Ocean Vector Wind Science Team, Kona, Hawaii, 2013. [本文引用:1]
[30] China Meteorological Administration. Survey and Assessment of National Wind Energy Resources[M]. Beijing: China Meteorological Press, 2014: 80-90.
[中国气象局. 全国风能资源详查和评价报告[M]. 北京: 气象出版社, 2014: 80-90. ] [本文引用:2]
[31] Zheng Chongwei, Zhou Lin, Huang Chaofan, et al. The long-term trend of the sea surface wind speed and the wave height (wind wave, swell, mixed wave) in global ocean during the last 44 a[J]. Acta Oceanologica Sinica, 2013, 32(10): 1-4. [本文引用:1]
[32] Pryor S C, Barthelmie R J. Long term trends in near surface flow over the Baltic[J]. International Journal of Climatology, 2003, 23(3): 271-289. [本文引用:1]
[33] Jin S L, Feng S L, Wang B, et al. Assessment of offshore wind resource in China using CFSR data[J]. Advanced Materials Research, 2015, 1 070: 303-308. [本文引用:2]
[34] Li Zhengquan, Xiao Jingjing, Zhang Yuhui, et al. Variation analysis of sea surface wind over China seas using global wind products[J]. Marine Environment Science, 2016, 35(4): 587-593.
[李正泉, 肖晶晶, 张育慧, . 基于全球风场产品中国海表面风速变化分析[J]. 海洋环境科学, 2016, 35(4): 587-593. ] [本文引用:2]
[35] Hasager C B, Astmp P, Nielsen M, et al. Sat-wind Project Final Report[R]. Denmark: Ris-National Laboratory, 2007. [本文引用:1]
[36] Pimenta F, Kempton W, Garvine R. Combining meteorological stations and satellite data to evaluate the offshore wind power resource of Southeastern Brazil[J]. Renewable Energy, 2008, 33(11): 2 375-2 387. [本文引用:1]
[37] Karagali I, Peña A, Badger M, et al. Wind characteristics in the North and Baltic Seas from the QuikSCAT satellite[J]. Wind Energy, 2014, 17(1): 123-140. [本文引用:1]
[38] Nghiem S V, Leshkevich G A, Stiles B W. Wind fields over the Great Lakes measured by the SeaWinds scatterometer on the QuikSCAT satellite[J]. Journal of Great Lakes Research, 2004, 30(1): 148-165. [本文引用:1]
[39] Jiang D, Zhuang D F, Huang Y H, et al. Evaluating the spatio-temporal variation of China’s offshore wind resources based on remotely sensed wind field data[J]. Renewable and Sustainable Energy Reviews, 2013, 24: 142-148. [本文引用:2]
[40] Capps S B, Zender C S. Estimated global ocean wind power potential from QuikSCAT observations, accounting for turbine characteristics and siting[J]. Journal of Geophysical Research, 2010, 115: 1 063-1 075. [本文引用:1]
[41] Beaucage P, Bernier M, Lafrance G, et al. Regional mapping of the offshore wind resource: Towards a significant contribution from space-borne synthetic aperture radars[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2008, 1(1): 48-56. [本文引用:1]
[42] Monaldo F M, Li X F, Pichel W G, et al. Ocean wind speed climatology from space borne SAR imagery[J]. Bulletin of the American Meteorological Society, 2014, 95(4): 565-569. [本文引用:1]
[43] Chang Rui, Zhu Rong, Zhou Rongwei, et al. An application of high resolution SAR wind retrievals to offshore wind resources assessment in China[J]. Acta Meteorologica Sinica, 2014, 72(3): 606-613.
[常蕊, 朱蓉, 周荣卫. 高分辨率合成孔径雷达卫星反演风场资料在中国近海风能资源评估中的应用研究[J]. 气象学报, 2014, 72(3): 606-613. ] [本文引用:2]
[44] Badger M, Badger J, Nielsen M, et al. Wind class sampling of satellite SAR imagery for offshore wind resource mapping[J]. Journal of Applied Meteorology and Climatology, 2010, 49(12): 2 474-2 491. [本文引用:1]
[45] Barthelmie R J, Pryor S C. Can satellite sampling of offshore wind speeds realistically represent wind speed distributions[J]. Journal of Applied Meteorology, 2003, 42(1): 83-94. [本文引用:1]
[46] Barthelmie R J. Modelling and measurements of coastal wind speeds[M]∥Majumdar S K, Miller E W, Panah A I, eds. Renewable Energy: Trends and Prospects. Easton: Pennsylvania Academy of Science, 2001: 961-975. [本文引用:1]
[47] Bergström H, Barthelmie R J. Offshore boundary-layer modelling[C]∥Proceedings of the Global Windpower Conference. Paris, 2002. [本文引用:1]
[48] Nunalee C G, Basu S. Mesoscale modeling of coastal low-level jets: Implications for offshore wind resource estimation[J]. Wind Energy, 2014, 17: 1 199-1 216. [本文引用:1]
[49] Hahmann A N, Vincent C L, Pena A, et al. Wind climate estimation using WRF model output: Method and model sensitivities over the sea[J]. International Journal of Climatology, 2015, 35(12): 3 422-3 439. [本文引用:1]
[50] Carvalho D, Rocha A, Santos C S, et al. Wind resource modeling in complex terrain using different mesoscale-microscale coupling techniques[J]. Applied Energy, 2013, 108(8): 493-504. [本文引用:2]
[51] Schwartz M, Heimiller D, Haymes S, et al. Assessment of Offshore Wind Energy Resources for the United States[M]. Colorado: National Renewable Energy Laboratory, 2010: 1-23. [本文引用:1]
[52] Tammelin B, Vihma T, Atlaskin E, et al. Production of the Finnish wind atlas[J]. Wind Energy, 2013, 16(1): 19-35. [本文引用:1]
[53] Waewsak J, Land ry M, Gagnon Y. Offshore wind power potential of the Gulf of Thailand [J]. Renewable Energy, 2015, 81: 609-626, doi: DOI:10.1016/j.renene.2015.03.069. [本文引用:1]
[54] Badger J, Frank H, Andrea N, et al. Wind climate estimation based on mesoscale and microscale modeling: Statistical dynamical downscaling for wind energy applications[J]. Journal of Applied Meteorology & Climatology, 2014, 53(8): 1 901-1 919. [本文引用:1]
[55] Zhang Xiaowei, Li Zhengquan, Yang Zhongen, et al. Application of multi-job management mode to numerical simulation for wind energy resource[J]. Journal of Applied Meteorological Science, 2010, 21(6): 747-753.
[张小伟, 李正泉, 杨忠恩, . 多作业管理方式在风能资源数值模拟中的应用[J]. 应用气象学报, 2010, 21(6): 747-753. ] [本文引用:1]
[56] Zhu Rong, He Xiaofeng, Zhou Rongwei, et al. Assessment method of numerical simulation for regional wind energy resources[J]. Wind Energy, 2010, 4: 50-54.
[朱蓉, 何晓凤, 周荣卫, . 区域风能资源的数值模拟评估方法[J]. 风能, 2010, 4: 50-54. ] [本文引用:1]
[57] He Xiaofeng, Zhou Rongwei, Zhu Rong. Study of classification method for the wind energy resource numerical simulation assessment[J]. Acta Meteorological Sinica, 2015, 73(5): 975-984.
[何晓凤, 周荣卫, 朱蓉. 风能资源数值模拟评估的分型方法研究[J]. 气象学报, 2015, 73(5): 975-984. ] [本文引用:1]
[58] Fernand es M, Costa P, Estanqueiro A. Improving offshore wind resource assessments using a data assimilation technique[C]∥European Offshore Wind Conference & Exhibition. Amsterdam, 2011. [本文引用:1]
[59] Chang R, Zhu R, Badge M, et al. Offshore wind resources assessment from multiple satellite data and WRF modeling over South China Sea[J]. Remote Sensing, 2015, 7(1): 467-487. [本文引用:1]
[60] Song Lili, Yongping, Qian Guangming, et al. Regulations for Data Inspection and Correction of Wind Farm Meteorological Observation: QX/T74-2007[S]. Beijing: China Meteorological Administration, 2007.
[宋丽莉, 吕勇平, 钱光明, . 风电场气象观测及资料审核、订正技术规范: QX/T74-2007[S]. 北京: 中国气象局, 2007. ] [本文引用:2]
[61] Song Lili, Huang Haohui, Zhi Shiqun, et al. Precision control in measurement and calculation of wind energy resource over wind power facilities[J]. Meteorological Monthly, 2009, 35(3): 73-80.
[宋丽莉, 黄浩辉, 植石群, . 风电场风能资源测量与计算的精度控制[J]. 气象, 2009, 35(3): 73-80. ] [本文引用:1]
[62] Rogers A, Rogers J, Manwell J F. Comparison of the performance of four measure-correlate-predict algorithms[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2005, 93: 243-264. [本文引用:1]
[63] Lavagnini A, Sempreviva A M, Barthelmie R J. Estimating wind energy potential offshore in Mediterranean areas[J]. Wind Energy, 2003, 6: 23-34. [本文引用:1]
[64] Chang T P. Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application[J]. Applied Energy, 2011, 88(1): 272-282. [本文引用:1]
[65] Dong Y, Wang J, Jiang H, et al. Intelligent optimized wind resource assessment and wind turbines selection in Huitengxile of Inner Mongolia, China[J]. Applied Energy, 2013, 109(2): 239-253. [本文引用:1]
[66] Li Hongxiu, Ren Peng, Zhu Ruizhao. Discussion on maximum wind speed in wind energy resource assessment[C]∥The Fourth Asian Wind Energy Conference. Beijing, 2007.
[李鸿秀, 任鹏, 朱瑞兆. 关于风能资源评估中最大风速的探讨[C]∥第四届亚洲风能大会暨国际风能设备展览会议. 北京, 2007. ] [本文引用:1]
[67] Hu Jinhua, Wang Xiangming. A method for estimating the extreme 10min average and 3s wind speed with a recurrence period of 50 years at the difference height in a wind farm[J]. Journal of Applied Meteorological Science, 2009, 20(1): 108-113.
[呼津华, 王相明. 风电场不同高度的50 年一遇最大和极大风速估算[J]. 应用气象学报, 2009, 20(1): 108-113. ] [本文引用:1]
[68] IEC. Safety of Small Wind Turbine Generator Systems: IEC61400-2-2001[S]. Switzerland : International Electrotechnical Commission, 2001. [本文引用:1]
[69] Wang J, Qin S, Jin S, et al. Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources[J]. Renewable and Sustainable Energy Reviews, 2015, 42: 26-42, doi: DOI:10.1016/j.roser.2014.01.065. [本文引用:1]
[70] Ishihara T, Yamaguchi A. Prediction of the extreme wind speed in the mixed climate region by using Monte Carlo simulation and measure-correlate-predict method[J]. Wind Energy, 2015, 18(1): 171-186. [本文引用:1]
[71] Lackner M A, Rogers A L, Manwell J F. Uncertainty analysis in MCP-based wind resource assessment and energy production estimation[J]. Journal of Solar Energy Engineering, 2008, 130(3), doi: DOI:10.1115/1.2931499. [本文引用:1]
[72] Wen Min, Zhang Renhe, Yang Zhenbin. Rational development and utilization of climate resources[J]. Advances in Earth Science, 2004, 19(6): 896-902.
[温敏, 张人禾, 杨振斌. 气候资源的合理开发利用[J]. 地球科学进展, 2004, 19(6): 896-902. ] [本文引用:1]
[73] Kjellstrom E, Nikulin G, Hansson U, et al. 21st century changes in the European climate: Uncertainties derived from an ensemble of regional climate model simulations[J]. Tellus A, 2011, 63: 24-40, doi: DOI:10.1111/j.1600-08/0.2010.00475x. [本文引用:1]
[74] Gonçalves A M, Barrera E A, Baldasano J, et al. Modelling wind resources in climate change scenarios in complex terrains[J]. Renewable Energy, 2015, 76: 670-678, doi: DOI:10.1016/j.renene.2014.11.066. [本文引用:1]
[75] Zhang De, Zhu Rong, Luo Yong, et al. Application of Wind Energy Simulation Toolkit (WEST) to wind energy numerical simulation of China[J]. Plateau Meteorology, 2008, 27(1): 202-207.
[张德, 朱蓉, 罗勇, . 风能资源数值模式系统WEST在中国风能数值模拟中的应用[J]. 高原气象, 2008, 27(1): 202-207. ] [本文引用:1]
[76] Zhang Xiuzhi, Richard B, Zhu Rong, et al. Guidebook on Offshore Wind Farm Development in China[M]. Beijing: China Meteorological Press, 2010: 3-35.
[张秀芝, Richard B, 朱蓉, 等. 中国近海风电场开发指南[M]. 北京: 气象出版社, 2014: 80-90. ] [本文引用:1]
[77] Zhou Rongwei, He Xiaofeng, Zhu Rong, et al. Numerical simulation of the development potential of wind energy resources over China’s offshore areas[J]. Resources Science, 2010, 32(8): 1 434-1 443.
[周荣卫, 何晓凤, 朱蓉, . 中国近海风能资源开发潜力数值模拟[J]. 资源科学, 2010, 32(8): 1 434-1 443. ] [本文引用:1]
[78] Xu Jingwei, Zhang Xiuzhi, Luo Yong, et al. The validation analysis of QuikSCAT wind speed and the wind distribution in China’s offshore areas[J]. Acta Oceanologica Sinica, 2013, 35(6): 76-86.
[徐经纬, 张秀芝, 罗勇, . QuikSCAT卫星遥感风场可靠性分析及其揭示的中国近海风速分布[J]. 海洋学报, 2013, 35(6): 76-86. ] [本文引用:1]
[79] Zheng C W, Pan J. Assessment of the global ocean wind energy resource[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 382-391, doi: DOI:10.1016/j.reser.2014.01.065. [本文引用:1]