基于CMIP6多模式集合的未來中國風功率預估

摘要 實現我國2060年“碳中和”目標，需要大力發展包括風能在內的清潔能源，然而氣候變化給未來風資源利用帶來較大的不確定性。本文利用人工神經網絡（Artificial Neural Network，ANN）算法對16個CMIP6氣候模式風速數據進行逐一訂正，在此基礎上預估21世紀30、60年代以及21世紀末這3個不同年代在低（SSP1-2.6）和高（SSP5-8.5）排放情景下中國風功率較當代的變化。結果表明，ANN算法使CMIP6氣候模式均方根誤差平均降低（39.93％±9.57％），并使多模式集合平均與觀測的相關系數從0.56增加到0.83，更好地再現了中國當代風速的空間分布和季節變化。在此基礎上，預估的21世紀60年代（2050—2064年）風功率密度在兩種情景下分別減少了（1.01±0.94） W·m-2（2.62％±2.27％）和（1.11±1.45） W·m-2（1.90％±2.51％）。時間上，春季作為風能密度最大的季節，兩種排放情景下風功率分別減少了（1.16±1.14） W·m-2和（1.43±1.58） W·m-2。空間上，中國東南部風功率密度在SSP1-2.6情景下降（0.56±0.53） W·m-2，而SSP5-8.5情景下上升（0.40±0.29） W·m-2。近期（2025—2039年）全國平均風功率密度在兩種情景下分別減少了（0.52±0.83） W·m-2和（0.54±1.02） W·m-2，而長期（2085—2099年）風功率密度分別減小了（0.98±1.17） W·m-2和（1.83±1.17） W·m-2。利用極度梯度提升（XGB）算法訂正CMIP6數據的預估變化量級偏小但趨勢一致，表明隨著全球變暖幅度的增加，我國風功率降低的趨勢將更加顯著。

關鍵詞CMIP6;風功率密度;人工神經網絡;集合預估;不確定性

為緩解化石能源燃燒排放二氧化碳造成的溫室效應，傳統能源結構必須改革升級以促進清潔低碳能源的發展。風能作為清潔環保的可再生能源之一，分布廣泛且蘊量巨大，具有化石能源無法比擬的優勢（Bilgen et al.，2004;Kaygusuz，2009）。《全球能源回顧2021》（https：／／www.iea.org／reports／global-energy-review-2021）顯示，風能是可再生能源發電量中最大的增長點，相比2020年增幅約17％，以風能等為代表的可再生能源正在成為新一輪國際競爭的熱點。在我國，發展風力發電有利于平衡能源供需矛盾、實現可持續發展（Kumar et al.，2016;Dai et al.，2018），更是對實現“碳中和”目標具有十分重要的現實意義（周原冰等，2022）。近年來，中國風力發電量在總發電中的占比逐年上升，目前已成為我國第三大能源（艾琳，2018）。截至2021年底，我國風電并網裝機容量突破3×108 kW，連續12 a穩居世界第一。

然而，與常規能源相比，風電間歇性、可變性的特點造成了風電比較強的波動性和隨機性，風電并網必然會給電力系統帶來巨大沖擊，影響電能質量（Albadi and El-Saadany，2009;Pastora et al.，2009）。此外，風速的長期變化也為風能行業的規劃布局帶來了一定挑戰。觀測表明，中國近年來地表風速持續減小，且存在較大的區域和季節差異。例如，Guo et al.（2011）分析了1969—2005年中國近地面風速變化，發現平均風速每年下降0.018 m·s-1，其中春季下降最大約0.021 m·s-1。Fu et al.（2011）利用597個氣象站觀測資料分析中國1961—2007年風速時空變化特征，發現約有81％臺站的風速表現出下降趨勢。Zhang et al.（2019）利用多套再分析資料和臺站觀測資料，發現1958—2015年中國近地面風速每10 a減小約0.109 m·s-1，而且高風速區域的下降趨勢比低風速區域更加明顯（Zha et al.，2017a）。Zha et al.（2017b）發現中國東部平原風速以每10 a約0.19 m·s-1的速度下降，而青藏高原的下降速率達到了每10 a大概0.24 m·s-1（You et al.，2014）。另外，也有研究表明了近些年風速一定程度的恢復（Zeng et al.，2019）。除了風本身的特性外，對應技術水平相對較低也一定程度上限制了風力發電的發展（丁湘躍，2014;郭夢雪，2018），特別是風速及風功率的準確預測技術，對風電場和電力系統的穩定運行有著重要意義。

我國提出的2060年前實現“碳中和”目標為風能發展提供了新機遇，也對未來風速和風功率變化的預估提出了迫切需求。當前，未來氣候變化的研究主要采取特定排放情景下的多模式集合預估，特別是利用由世界氣候研究計劃發起的國際耦合模式比較計劃（CMIP）數據（吳波和辛曉歌，2019;張麗霞等，2019;周天軍等，2021）。目前，CMIP計劃已進行到第六代（CMIP6），是該計劃實施以來提供全球氣候模式數據最豐富的一次（周天軍等，2019），并已經在氣溫（Luo et al.，2020;Zhou et al.，2020;蔣文好和陳活潑，2021;You et al.，2021）、降水（Chen et al.，2020;Xin et al.，2020;Xu et al.，2021）等變量的預估中廣泛應用。在未來風能預估方面，Carvalho et al.（2021）對比了CMIP6兩個排放情景結果，發現到21世紀末，歐洲地區風能相比當代有所下降，且高排放情景比低排放情景的下降趨勢更顯著。基于同樣的數據，Martinez and Iglesias（2022）對北美風能資源中長期演變進行了預估研究，發現高排放情景下21世紀末北美風能相比當代將減少15％。Akinsanola et al.（2021）利用CMIP6多模式集合數據預估了西非地區風能變化，發現到21世紀末幾內亞灣地區風速相比當代將增加70％，而薩赫勒地區風速相比當代將顯著下降。在中國，Wu et al.（2020）對24個CMIP6全球氣候模式進行評估，發現多模式集合能合理再現中國地表風速的空間分布特征，但大多數模式模擬的地表風速在冬季達到最大，與觀測數據中春季最大的特征不符，且氣候模式不能得到觀測的風速減小趨勢。Deng et al.（2021）評估了30個CMIP6全球氣候模式對中國地表風速的模擬性能，發現大多數模式可以再現平均風速的空間特征，但普遍存在高估風速量級且低估風速下降趨勢的問題。上述研究表明對未來風能的預估需要減小氣候模式對風速的模擬偏差。

近年來，人工神經網絡（Artificial Neural Network，ANN）算法已被證明適用于近地面風速的校正及預測研究。Sfetsos（2002）提出一種基于ANN的逐時平均風速時間序列預測方法，利用10 min的數據進行多步預測并在兩個獨立數據集上進行測試，發現該方法產生的均方根誤差（RMSE）比傳統方法低4倍。Erasmo and Cadenas（2010）利用混合ANN算法對墨西哥三個地區的風速進行預測，都表現出比單個模型更高的預測精度，均方誤差減小了約10倍。黃鳳新等（2013）利用一種基于極值處理的滾動ANN算法，對我國某風電場的模式預報風速進行訂正，得出70 m處1 h、12 h、24 h時間步長下相對RMSE平均值分別減少了16.59％、12.11％、11.61％。因此，本文將利用ANN算法對CMIP6多模式模擬的近地面風速進行訂正。在此基礎上，利用多模式集合評估當代（2000—2014年）風功率密度，預估我國風功率密度在近期（2025—2039年）、中期（2050—2064年）和長期（2085—2099年）的變化趨勢，并對比SSP1-2.6和SSP5-8.5兩種排放情景下未來風功率密度在季節和區域尺度的變化差異。

1 資料和方法

1.1 觀測數據

本文選用CN05.1高質量的網格化10 m風速逐日觀測數據集。該數據集利用全國2 400余個氣象站的觀測資料，使用距平逼近法，由氣候場和距平場分別插值后得到（吳佳和高學杰，2013）。該數據集被認為經過質量控制和均一化處理，提供了包括日平均尺度的風速、氣溫、降水量等在內的7個變量，空間分辨率為0.25°×0.25°。此數據集已經得到充分驗證和應用（Xu et al.，2009;Wu et al.，2017）。本文選擇2000—2014年CN05.1日平均風速數據，并將其雙線性插值到1°×1°網格中。

1.2 CMIP6數據

本研究選擇的全球氣候模式資料為CMIP6中16個氣候模式模擬的2000—2014年逐日風速數據，以及兩個共享社會經濟路徑情景SSP1-2.6和SSP5-8.5下2015—2100年逐日風速數據。SSP1-2.6和SSP5-8.5是CMIP6基于CMIP5中RCP2.6和RCP8.5情景的升級，增加了對社會經濟發展方面的考慮。SSP1-2.6情景下人為排放顯著減少，對應溫室氣體濃度增長比較緩慢，到2100年輻射強迫約為2.6 W·m-2。而SSP5-8.5對應無氣候變化政策干預的基線情景，特點是溫室氣體排放和濃度不斷增加，到2100年輻射強迫為8.5 W·m-2（Meinshausen et al.，2009;O’Neill et al.，2016）。表1列舉了所選擇的16個氣候模式的信息，不同模式的水平分辨率不同。選擇模式在中國地區的數據，將16個氣候模式的10 m風速統一雙線性插值到1°×1°網格中，時間分辨率為1 d。在模式評估、校正和優選的基礎上，采用不同模式的算術平均來表征多模式集合平均。已有研究表明，多模式集合預估可以有效訂正單個模式帶來的偏差（智協飛等，2020;周海等，2022）。

1.3 人工神經網絡（ANN）和極度梯度提升（XGB）算法

ANN是一種基于數據驅動的算法，通過對大量歷史記錄進行分析，構建輸入和輸出變量之間的經驗關系（Rumelhart et al.，1986;Zhou et al.，2021）。本研究利用ANN算法，對每一個CMIP6模式，基于模式與觀測一一對應的歷史時期數據分別建立模型。在模型構建中，ANN以2000—2009年各格點位置的逐日模擬風速、對應月、觀測的海拔高度和植被類型四個變量作為輸入，同時期對應格點的觀測風速數據作為輸出，以80％、20％分為訓練和測試集，訓練得到ANN模型（一共16個獨立ANN），再分別利用2010—2014年的觀測作為獨立驗證。在對各模式歷史風速訂正的基礎上，對未來SSP1-2.6和SSP5-8.5情景下的風速進行訂正，以減小對未來風速預估的偏差。為了對比ANN算法的訂正效果，我們還使用XGB算法對CMIP6多模式數據進行訂正。XGB是由Chen and Guestrin（2016）提出的一種迭代的回歸樹算法，通過擬合前一棵樹的殘差提升精度，是一種改進后的梯度提升集成學習模型。本研究也對每一個CMIP6模式的數據分別進行XGB訂正，并對比基于ANN算法訂正的不同情景下風速和風功率的集合預估結果。

1.4 風功率計算

本文所使用的觀測和模式數據均是近地面風速，而風機一般裝在距地面70～100 m的高度。為了更準確評估風資源，將訂正后的近地面風速按照下面的風速廓線公式（靳全和蘇春，2010;徐寶清等，2014）外推至70 m高度：

式中：v2是h2高度的風速;v1是h1高度的風速;本研究中h2=70 m，h1=10 m;a為風切變指數，前人研究表明地表粗糙度、下墊面等因素對風切變指數影響很大（彭懷午等，2010;龔璽等，2018）。本文選擇前人廣泛使用的a=1／7作為風切變指數（Breslow and Sailor，2002;Yoder et al.，2014;Al-Hinai et al.，2021）。

風功率密度（WD）是單位時間內垂直通過單位截面積的風能，其表達式為：

式中：ρ為空氣密度（單位：kg·m-3）;v為70 m風速（單位：m·s-1）。

空氣密度（ρ）通過MERRA-2提供的比濕、氣壓、溫度數據計算得到2000—2014年逐小時密度數據，再將其平均至1 a的日數據，使密度呈現逐日變化。

式中：P為氣壓（Pa）;R為干空氣氣體常數;T為絕對溫度（K）。由于CMIP6模式普遍缺少逐小時氣候數據，用2000—2014年平均MERRA-2空氣密度，保留各格點的逐日變化信息，結合未來風速計算風功率的變化。

2 結果分析

2.1 模式評估

圖1顯示了中國地表風速的空間分布。風速的平均值一般為2～5 m·s-1，高值主要位于北方（內蒙古）、西南（西藏）和東部沿海地區，低值主要位于中東部內陸地區。與觀測數據相比，CMIP6模式原始模擬風速平均偏高23.52％，模式與觀測之間的RMSE達到2.10 m·s-1，且模式間的差別較大，對應RMSE的范圍是1.73～2.90 m·s-1（圖2d）。用ANN算法校正后，模式風速與觀測的RMSE平均下降了（39.93％±9.57％;圖2d），模式間的差別顯著減小，RMSE的范圍是1.17～1.25 m·s-1，表明ANN顯著降低了CMIP6氣候模式對風速的模擬偏差，這一改進對每一個模式都很顯著（圖2e）。相比這16個模式的原始數據，ANN修正后模擬與觀測的RMSE降低了28.43％～57.01％，其中改善最大的模式為FGOALS-g3，最小的是CMCC-ESM2（圖2e）。同時，ANN改善了模擬的空間分布特征（圖2a），模式與觀測的平均相關系數（R）從0.56變為0.77，提高了38％。為了進一步減小預估偏差，我們剔除R值異常的兩個模式（Rlt;0.40）（圖2a），最終用ANN修正的14個CMIP6模式開展集合預估。利用ANN修正后，多模式集合平均風速呈現出與觀測非常接近的月變化特征（圖3a）。在空間上，多模式集合平均基本上抓住了北方、西南和東部沿海的風速高值區（圖3b），且與觀測的相關系數R達到0.83，高于任何單一模式與觀測的R（0.75～0.81），表明多模式集合能更好地描述我國風速的空間分布特征。為了驗證ANN算法的合理性，我們進一步對比了XGB算法對風速的訂正。利用XGB修正后，模擬風與觀測風的空間相關系數達到了0.96（圖2a），但是RMSE僅下降了（29.26％±11.63％）（圖2d）。由于ANN和XGB兩種算法對CMIP6數據訂正效果各有所長，我們對基于ANN訂正的預估結果進行了詳細描述，并與XGB訂正結果進行對比。

2.2 當代風功率密度

利用式（1），外推得到中國地區2000—2014年70 m年均風速為3.61 m·s-1，進一步得到年均風功率密度為39.73 W·m-2（圖4a）。空間上，風功率密度呈現出北方大南方小，沿海大內陸小的特征，較大值出現在內蒙古北部、新疆、西藏以及東部沿海地區，最大約156.56 W·m-2，東南地區內陸城市風功率密度均比較小，不超過30 W·m-2。進一步把中國分成東北、東南、西北和西南四個區域（圖4a），對應風功率密度分別為33.09 W·m-2、26.25 W·m-2、32.17 W·m-2和41.38 W·m-2。季節上，春季風功率密度最大，平均為38.55 W·m-2，冬季次之，平均為27.30 W·m-2。

2.3 未來風功率密度

氣候變暖背景下，中國地表風速和風功率密度呈整體下降趨勢（圖5）。從空間分布看，到2050—2064年，SSP1-2.6和SSP5-8.5情景下中國分別有95.17％（圖5a）和83.44％的區域風速減小（圖5a、5b）。但風速下降幅度有限，絕對值不超過0.30 m·s-1，對應風功率密度的變化幅度不超過5 W·m-2（圖5e、5f）。不同情景下風速和風功率密度變化的空間分布有一定差異。在SSP1-2.6情景下，地表風速呈整體下降趨勢，特別是在中國西部地區和東北三省（圖5a）。在SSP5-8.5情景下，中國西部和東北地區風速減小，但東南部表現出大范圍風速增加（圖5b）。從區域平均來看，SSP1-2.6情景下到2060年中國各區域風功率均減小（圖4b）。SSP5-8.5情景下西南和西北風功率降幅比SSP1-2.6情景更大，而東南地區風功率增加（0.40±0.29） W·m-2，表明該情景下未來東部地區風電場建設收益將有一定增加，這對風電產業的布局或許是有利的。

從季節變化看，中國全年風速呈現出冬春大夏秋小的特征（圖3a）。進一步分析春季和冬季的未來風功率密度變化（圖6）發現，兩種排放情景下春季的風功率密度變化的空間分布（圖6a、6b）與全年平均變化（圖5e、5f）具有高度的相似性，尤其是在SSP5-8.5情景下。在冬季，兩種排放情景下風功率密度的降幅相比春季有所減弱（圖6c、6d）。SSP1-2.6情景下中國北方風功率密度略有增加（lt;1 W·m-2），其他地區的變化則與春季類似但幅度有所減小。SSP5-8.5情景下，除了西南地區風功率密度顯著減小外，42.75％的格點上風功率顯著增加，說明在高排放情景下冬季的風能資源可能會增加，該情景下未來風能的冬春季差異可能有所減小。

進一步對比了ANN和XGB不同算法訂正的中國地區風功率在近期（2025—2039年）、中期（2050—2064年）和長期（2085—2099年）的變化趨勢（圖7）。ANN訂正結果到21世紀30年代，SSP1-2.6情景下風功率密度平均下降（0.52±0.83） W·m-2，與SSP5-8.5情景的下降（0.54±1.52） W·m-2幅度接近。到21世紀60年代，兩種情景下風功率密度分別減少了（1.01±0.94） W·m-2和（1.11±1.45） W·m-2。到21世紀90年代，風功率密度在兩種情景下分別減小了（0.98±1.17） W·m-2和（1.83±1.17） W·m-2。基于XGB訂正結果的風功率密度減弱幅度小于ANN算法，但呈現出相似的變化趨勢。21世紀30年代，兩種情景下風功率密度分別減少了（0.27±0.59） W·m-2和（0.23±0.63） W·m-2;到21世紀60年代，分別減少了（0.60±0.91） W·m-2和（0.56±1.04） W·m-2;但到了21世紀90年代，SSP5-8.5情景下降了（0.90±1.20） W·m-2，顯著高于SSP1-2.6的（0.55±1.20） W·m-2。對比發現，中國地區風功率在近期內下降的幅度較小，這可能與全球增暖的幅度較小有關。到中期時，隨著全球溫升幅度增加，兩個情景下中國地表風速都顯著降低。而到21世紀末，由于SSP1-2.6情景下21世紀60年代之后溫度變化較小，對應中國地表風速變化與21世紀60年代差別不大;但在SSP5-8.5情景下，全球溫度仍快速上升，對應中國風功率密度降幅進一步擴大。

3 總結與討論

本研究利用ANN和XGB算法有效訂正了全球氣候模式模擬中國地區風速的系統偏差，降低了模擬與觀測的RMSE。在此基礎上，CMIP6多模式集合預估顯示到2060年前后，中國平均地表風速減小，對應風功率密度降低。預估結果在不同排放情景和不同未來時期呈現一定差異。在SSP1-2.6低排放情景下，中國各區域的風功率密度均呈顯著降低趨勢，而在SSP5-8.5高排放情景下，盡管全國平均風功率密度仍然降低，但在東南地區風功率有小幅增加趨勢。相比當代，到21世紀30年代中國風功率密度降幅較小。隨著全球增暖幅度的上升，到21世紀60年代我國風功率密度將顯著降低。而到21世紀末，低排放情景下風功率密度與21世紀60年代相當，高排放情景下風功率密度則進一步降低。

預估的風功率變化與近年來觀測到的風速減弱趨勢一致（Shi et al.，2015;Zhang et al.，2019）。Jiang et al.（2010）指出，中國年均風速逐漸減小的最主要原因在于季風環流的減弱。同時，城市化、土地利用等人類強迫也會導致風速的減小（趙宗慈等，2016）。Xu et al.（2006）研究發現中國過去幾十年里，近地面風速的變化與溫度呈現負相關關系，因此在未來增溫情景下，中國地表風速可能會進一步減弱。這一變化與未來海陸溫度差異減弱（Dai et al.，2013）和北極放大效應導致氣溫經向梯度減弱（Luo et al.，2018）有關。然而，在整體減弱的背景下，未來中國地表風速變化呈現出一定的空間異質性。例如，Zhu et al.（2021）在預估極端氣候變化時發現，隨著變暖幅度升高中國的濕潤程度也在加強，但是連續干旱日指數在長江和珠江流域顯著增加，可能造成SSP5-8.5高排放情景下該地區風速不降反增。

本研究對中國未來風資源的預估結論與前人研究是一致的。例如，Deng et al.（2021）發現到21世紀中期，中國年均風速在SSP1-2.6和SSP5-8.5情景下分別減少0.005 m·s-1 和0.007 m·s-1。江瀅等（2010）利用3個全球氣候模式預估發現，中國21世紀中期（2046—2065年）風功率密度較21世紀初（1981—2000年）下降2.16 W·m-2，且不同模式間差異較大（從-0.01到-5.50W·m-2）。Gao et al.（2019）利用5個區域氣候模式數據預估2050年中國地區風功率密度，發現在SSP2-4.5和SSP5-8.5排放情景下風功率密度相比當代減少了3％～4％，區域變化范圍為-14％～14％。與前人研究相比本文利用ANN和XGB算法分別對氣候模式數據訂正后，顯著減小了模式間的差異（圖2d），獲得了更準確的季節分布，提高了預估風功率變化的顯著性（圖5）。此外，本文對比了不同排放情景（SSP1-2.6和SSP5-8.5）和不同時段（近期、中期和長期）我國風功率密度的變化，為未來風資源規劃和利用提供了更全面的科學參考。

本研究也存在一些不足。本文僅考慮了SSP1-2.6和SSP5-8.5兩個排放情景，缺乏對更多排放情景（如SSP2-4.5和SSP3-7.0）的對比，以明確中國未來風速和風功率變化更多的可能趨勢。其次，由于缺乏足夠空間代表性的探空數據，本文使用前人研究中廣泛采用的風速外推公式及風切變指數來計算70 m高度風速。在未來研究中，這一公式及其關鍵參數在中國地區的時空代表性還需要結合觀測進行校驗。再次，受限于氣候模式空間分辨率的設置，我們在統一插值時選擇了較粗的1°×1°網格，這對于精細化的風能選址是不夠的。未來需要進一步結合區域模式對多模式預估的風速變化進行動力降尺度，從而獲得風功率變化的精細格局。

當前，我國風力發電主要集中在北方，特別是內蒙古和新疆等地。在“碳中和”目標驅動下，未來中國更有可能處于SSP1-2.6低排放情景，該情景下內蒙古和新疆等大風區在2060年時風功率密度變化較小。因此，未來風速減小的趨勢對我國風能資源利用的影響比較有限。而在SSP5-8.5高排放情景下中國東南部風功率密度增加，可以提高經濟發達地區風能布局的效益，在一定程度上緩解我國能源生產和消費地區不匹配的問題。盡管如此，不同排放情景的預估表明，某些區域（如西南和華北地區）未來風功率呈顯著減小趨勢，可能不適合當地風能的擴張。因此，分區域、分季節、全方位因地制宜開發風能可以有效保障中國未來清潔能源的調度和利用。

參考文獻（References）

艾琳，2018.我國第三大能源：風電知多少？［J］.綠色中國，15（4）：40-43. Ai L，2018.How much do you know about wind power，the third largest energy source in China？［J］.Green China，15（4）：40-43.（in Chinese）.

Akinsanola A A，Ogunjobi K，Abolude A T，et al.，2021.Projected changes in wind speed and wind energy potential over West Africa in CMIP6 models［J］.Environ Res Lett，16（4）：044033.doi：10.1088／1748-9326／abed7a.

Al-Hinai A，Charabi Y，Aghay Kaboli S H，2021.Offshore wind energy resource assessment across the territory of Oman：a spatial-temporal data analysis［J］.Sustainability，13（5）.doi：10.3390／su13052862.

Albadi M，El-Saadany E，2009.Overview of wind power intermittency impacts on power systems［J］.Electr Power Syst Res，80（6）：627-632.

Bilgen S，Kaygusuz K，Sari A，2004.Renewable energy for a clean and sustainable future［J］.Energy Sources，26：1119-1129.doi：10.1080／00908310490441421.

Breslow P B，Sailor D J，2002.Vulnerability of wind power resources to climate change in the continental United States［J］.Renew Energy，27（4）：585-598.doi：10.1016／S0960-1481（01）00110-0.

Carvalho D，Rocha A，Costoya X，et al.，2021.Wind energy resource over Europe under CMIP6 future climate projections：What changes from CMIP5 to CMIP6［J］.Renew Sust Energ Rev，151（111594）.doi：10.1016／j.rser.2021.111594

Chen T，Guestrin C，2016.Xgboost：a scalable tree boosting System ［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco，USA.

Chen Z，Zhou T，Zhang L，et al.2020.Global land monsoon precipitation changes in CMIP6 projections ［J］.Geophys Res Lett，47（14）：e2019GL086902.doi：10.1029／2019GL086902.

Dai A G，Li H M，Sun Y，et al.，2013.The relative roles of upper and lower tropospheric thermal contrasts and tropical influences in driving Asian summer monsoons［J］.J Geophys Res Atmos，118（13）：7024-7045.

Dai J，Yang X，Wen L，2018.Development of wind power industry in China：a comprehensive assessment［J］.Ren Sust Energ Rev，97：156-164.doi：10.1016／j.rser.2018.08.044

Deng H，Hua W，Fan G Z，2021.Evaluation and projection of near-surface wind speed over China based on CMIP6 models［J］.Atmosphere，12（8）.doi：10.3390／atmos12081062.

丁湘躍，2014.探究分析風能發電的現狀和未來發展趨勢［J］.價值工程，33（18）：56-57. Ding X Y，2014.Current situation and development trend of wind power generation［J］.Value Eng，33（18）：56-57.doi：10.14018／j.cnki.cn13-1085／n.2014.18.408.（in Chinese）.

Erasmo，Cadenas，2010.Wind speed forecasting in three different regions of Mexico，using a hybrid ARIMA-ANN model［J］.Renew Energy，35（12）：2732-2738.doi：10.1016／j.renene.2010.04.022.

Fu G B，Yu J J，Zhang Y C，et al.，2011.Temporal variation of wind speed in China for 1961—2007［J］.Theor Appl Climatol，104（3）：313-324.doi：10.1007／s00704-010-0348-x.

Gao Y，Ma S X，Wang T，2019.The impact of climate change on wind power abundance and variability in China［J］.Energy，189：116215.doi：10.1016／j.energy.2019.116215.

龔璽，朱蓉，李澤椿，2018.我國不同下墊面的近地層風切變指數研究［J］.氣象，44（9）：1160-1168. Gong X，Zhu R，Li Z C，2018.Study of near-surface wind shear exponents of different regions in China［J］.Meteor Mon，44（9）：1160-1168.doi：10.7519／j.issn.1000-0526.2018.09.004.（in Chinese）.

Guo H，Xu M，Hu Q，2011.Changes in near-surface wind speed in China：1969—2005［J］.Int J Climatol，31（3）：349-358.

郭夢雪，2018.中國風能發展現狀和展望［C］／／2018供熱工程建設與高效運行研討會論文集.杭州：477-479. Guo M X，2018.Current situation and prospects of wind energy development in China ［C］／／Heating Engineering Construction and Efficient Operation Seminar.Hangzhou：477-479.（in Chinese）.

黃鳳新，劉壽東，祝贏，等，2013.基于滾動極值處理的BP神經網絡方法的WRF模式預報風速訂正［J］.科學技術與工程，13（7）：1768-1772. Huang F X，Liu S D，Zhu Y，et al.，2013.Application of BP neural network based on rolling extremal management in revising wind speed forecasting of WRF model［J］.Sci Technol Eng，13（7）：1768-1772.doi：10.3969／j.issn.1671-1815.2013.07.012.（in Chinese）.

蔣文好，陳活潑，2021.CMIP6模式對亞洲中高緯區極端溫度變化的模擬及預估［J］.大氣科學學報，44（4）：592-603. Jiang W H，Chen H P，2021.Assessment and projection of changes in temperature extremes over the mid-high latitudes of Asia based on CMIP6 models［J］.Trans Atmos Sci，44（4）：592-603.doi：10.13878／j.cnki.dqkxxb.20210203001.（in Chinese）.

Jiang Y，Luo Y，Zhao Z C，et al.，2010.Changes in wind speed over China during 1956—2004［J］.Theor Appl Climatol，99（3）：421-430.doi：10.1007／s00704-009-0152-7.

江瀅，羅勇，趙宗慈，2010.中國未來風功率密度變化預估［J］.資源科學，32（4）：640-649. Jiang Y，Luo Y，Zhao Z C，2010.Projection of wind power density in China in the 21st century by climate models［J］.Resour Sci，32（4）：640-649.（in Chinese）.

靳全，蘇春，2010.基于冪律過程和改進參數估計方法的風電場風能評估［J］.中國電機工程學報，30（35）：107-111. Jin Q，Su C，2010.Wind energy assessment of wind farms based on power-law process and modified parameter estimation method［J］.Proc CSEE，30（35）：107-111.doi：10.13334／j.0258-8013.pcsee.2010.35.019.（in Chinese）.

Kaygusuz K，2009.Wind power for a clean and sustainable energy future［J］.Energy Sources B Econ Plan Policy，4（1）：122-133.

Kumar Y，Ringenberg J，Depuru S S，et al.，2016.Wind energy：trends and enabling technologies［J］.Renew Sustain Energy Rev，53：209-224.

Luo D H，chen X D，dai A G，et al.，2018.Changes in atmospheric blocking circulations linked with winter Arctic warming：a new perspective［J］.J Climate，31（18）：7661-7678.

Luo N，Guo Y，Gao Z，et al.2020.Assessment of CMIP6 and CMIP5 model performance for extreme temperature in China ［J］.Atmospheric and Oceanic Science Letters，13（6）：589-597.doi：10.1080／16742834.2020.1808430.

Martinez A，Iglesias G，2022.Climate change impacts on wind energy resources in North America based on the CMIP6 projections［J］.Sci Total Environ，806（Pt 2）：150580.doi：10.1016／j.scitotenv.2021.150580.

Meinshausen M，Meinshausen N，Hare W，et al.，2009.Greenhouse-gas emission targets for limiting global warming to 2 degrees C［J］.Nature，458（7242）：1158-1162.doi：10.1038／nature08017.

O’Neill B C，Tebaldi C，van Vuuren D P，et al.，2016.The scenario model intercomparison project （ScenarioMIP） for CMIP6［J］.Geosci Model Dev，9（9）：3461-3482.doi：10.5194／gmd-9-3461-2016.

Pastora Saraiva Leao R，Luiz Marcelo Antunes F，Greison M Lourenco T，et al.，2009.A comprehensive overview on wind power integration to the power grid［J］.IEEE Lat Am Trans，7（6）：620-629.doi：10.1109／TLA.2009.5419358.

彭懷午，馮長青，包紫光，2010.風資源評價中風切變指數的研究［J］.可再生能源，28（1）：21-23，28. Peng H W，Feng C Q，Bao Z G，2010.Study on the wind shear exponent for wind resource assessment［J］.Renew Energy Resour，28（1）：21-23，28.doi：10.13941／j.cnki.21-1469／tk.2010.01.005.（in Chinese）.

Rumelhart D E，Hinton G E，Williams R J，1986.Learning representations by back-propagating errors［J］.Nature，323（6088）：533-536.doi：10.1038／323533a0.

Sfetsos A，2002.A novel approach for the forecasting of mean hourly wind speed time series［J］.Renew Energy，27（2）：163-174.doi：10.1016／S0960-1481（01）00193-8.

Shi P J，Zhang G F，Kong F，et al.，2015.Wind speed change regionalization in China （1961—2012）［J］.Adv Clim Change Res，6（2）：151-158.

吳波，辛曉歌，2019.CMIP6年代際氣候預測計劃（DCPP）概況與評述［J］.氣候變化研究進展，15（5）：476-480. Wu B，Xin X G，2019.Short commentary on CMIP6 decadal climate prediction project（DCPP）［J］.Clim Change Res，15（5）：476-480.doi：10.12006／j.issn.1673-1719.2019.089.（in Chinese）.

吳佳，高學杰，2013.一套格點化的中國區域逐日觀測資料及與其它資料的對比［J］.地球物理學報，56（4）：1102-1111. Wu J，Gao X，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu J，Gao X J，Giorgi F，et al.，2017.Changes of effective temperature and cold／hot days in late decades over China based on a high resolution gridded observation dataset［J］.Int J Climatol，37：788-800.doi：10.1002／joc.5038.

Wu J，Shi Y，Xu Y，2020.Evaluation and projection of surface wind speed over China based on CMIP6 GCMs［J］.J Geophys Res Atmos，125（22）：e2020JD033611.doi：10.1029／2020JD033611.

Xin X G，Wu T W，Zhang J，et al.，2020.Comparison of CMIP6 and CMIP5 simulations of precipitation in China and the East Asian summer monsoon［J］.Int J Climatol，40（15）：6423-6440.

徐寶清，吳婷婷，李文慧，2014.風能風切變指數計算方法的比選研究［J］.農業工程學報，30（16）：188-194. Xu B Q，Wu T T，Li W H，2014.Screening of calculation methods for wind shear exponent［J］.Trans Chin Soc Agric Eng，30（16）：188-194.doi：10.3969／j.issn.1002-6819.2014.16.025.（in Chinese）.

Xu H W，Chen H P，Wang H J，2021.Future changes in precipitation extremes across China based on CMIP6 models［J］.Int J Climatol，42（1）：635-651.doi：10.1002／joc.7264.

Xu M，Chang C P，Fu C，et al.，2006.Steady decline of east Asian monsoon winds，1969—2000：evidence from direct ground measurements of wind speed［J］.J Geophys，111（D24）.doi：10.1029／2006JD007337.

Xu Y，Gao X J，Shen Y，et al.，2009.A daily temperature dataset over China and its application in validating a RCM simulation［J］.Adv Atmos Sci，26（4）：763-772.doi：10.1007／s00376-009-9029-z.

Yoder M，Hering A S，Navidi W C，et al.，2014.Short-term forecasting of categorical changes in wind power with Markov chain models［J］.Wind Energy，17（9）：1425-1439.

You Q L，Fraedrich K，Min J，et al.，2014.Observed surface wind speed in the Tibetan Plateau since 1980 and its physical causes［J］.Int J Climatol，34（6）：1873-1882.doi：10.1002／joc.3807.

You Q L，Cai Z Y，Wu F Y，et al.，2021.Temperature dataset of CMIP6 models over China：evaluation，trend and uncertainty［J］.Climate Dyn，57（1）：17-35.doi：10.1007／s00382-021-05691-2.

Zeng Z Z，Ziegler A D，Searchinger T，et al.，2019.A reversal in global terrestrial stilling and its implications for wind energy production［J］.Nat Clim Change，9（12）：979-985.doi：10.1038／s41558-019-0622-6.

Zha J L，Wu J，Zhao D M，2017a.Effects of land use and cover change on the near-surface wind speed over China in the last 30 years［J］.Prog Phys Geogr Earth Environ，41（1）：46-67.doi：10.1177／0309133316663097.

Zha J L，Wu J，Zhao D M，et al.，2017b.Changes of the probabilities in different ranges of near-surface wind speed in China during the period for 1970—2011［J］.J Wind Eng Ind Aerodyn，169：156-167.doi：10.1016／j.jweia.2017.07.019.

張麗霞，陳曉龍，辛曉歌，2019.CMIP6情景模式比較計劃（ScenarioMIP）概況與評述［J］.氣候變化研究進展，15（5）：519-525. Zhang L X，Chen X L，Xin X G，2019.Short commentary on CMIP6 scenario model intercomparison project（ScenarioMIP）［J］.Clim Change Res，15（5）：519-525.doi：10.12006／j.issn.1673-1719.2019.082.（in Chinese）.

Zhang R H，Zhang S Y，Luo J L，et al.，2019.Analysis of near-surface wind speed change in China during 1958—2015［J］.Theor Appl Climatol，137（3）：2785-2801.doi：10.1007／s00704-019-02769-0.

趙宗慈，羅勇，江瀅，等，2016.近50年中國風速減小的可能原因［J］.氣象科技進展，6（3）：106-109. Zhao Z C，Luo Y，Jiang Y，et al.，2016.Possible reasons of wind speed decline in China for the last 50 years［J］.Adv Meteorol Sci Technol，6（3）：106-109.doi：10.3969／j.issn.2095-1973.2016.03.014.（in Chinese）.

智協飛，王田，季焱，2020.基于深度學習的中國地面氣溫的多模式集成預報研究［J］.大氣科學學報，43（3）：435-446. Zhi X F，Wang T，Ji Y，2020.Multimodel ensemble forecasts of surface air temperature over China based on deep learning approach［J］.Trans Atmos Sci，43（3）：435-446.doi：10.13878／j.cnki.dqkxxb.20200219003.（in Chinese）.

周海，秦昊，吉璐瑩，等，2022.地面氣象要素多模式集成預報研究進展［J］.大氣科學學報，45（6）：815-825. Zhou H，Qin H，Ji L Y，et al.，2022.Research progresses of multimodel ensemble forecast of surface meteorological elements［J］.Trans Atmos Sci，45（6）：815-825.（in Chinese）.

Zhou H，Yue X，Lei Y D，et al.，2021.Large contributions of diffuse radiation to global gross primary productivity during 1981—2015［J］.Glob Biogeochem Cycles，35（8）：e2021GB006957.doi：10.1029／2021gb006957.

周天軍，鄒立維，陳曉龍，2019.第六次國際耦合模式比較計劃（CMIP6）評述［J］.氣候變化研究進展，15（5）：445-456. Zhou T J，Zou L W，Chen X L，2019.Commentary on the coupled model intercomparison project phase 6 （CMIP6）［J］.Clim Change Res，15（5）：445-456.doi：10.12006／j.issn.1673-1719.2019.193.（in Chinese）.

Zhou T J，Chen Z M，Zou L W，et al.，2020.Development of climate and earth system models in China：past achievements and new CMIP6 results［J］.J Meteorol Res，34（1）：1-19.doi：10.1007／s13351-020-9164-0.

周天軍，陳梓明，陳曉龍，等，2021.IPCC AR6報告解讀：未來的全球氣候：基于情景的預估和近期信息［J］.氣候變化研究進展，17（6）：652-663.Zhou T J，Chen Z M，Chen X L，et al.，2021.Interpreting IPCC AR6：future global climate based on projection under scenarios and on near-term information［J］.Clim Change Res，17（6）：652-663.doi：10.12006／j.issn.1673-1719.2021.239.（in Chinese）.

周原冰，楊方，余瀟瀟，等，2022.中國能源電力碳中和實現路徑及實施關鍵問題［J］.中國電力，55（5）：1-11. Zhou Y B，Yang F，Yu X X，et al.，2022.Realization pathways and key problems of carbon neutrality in China’s energy and power system［J］.Electr Power，55（5）：1-11.（in Chinese）.

Zhu X，Lee S Y，Wen X H，et al.，2021.Extreme climate changes over three major river basins in China as seen in CMIP5 and CMIP6［J］.Climate Dyn，57（3）：1187-1205.doi：10.1007／s00382-021-05767-z.

·ARTICLE·

Estimation of future wind power density in China based on ensemble CMIP6 simulations

ZHANG Jia1，YUE Xu1，TIAN Chenguang1，ZHOU Hao2，CAO Yang2，TANG Jinping1

1Jiangsu key Laboratory of Atmospheric Environment Monitoring and Pollution Control／Collaborative Innovation Center of Atmospheric Environmental Technology／School of Environmental Science and Engineering，Nanjing University of Information Science ＆ Technology （NUIST），Nanjing 210044，China;

2Climate Change Research Center，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract To achieve China’s national target of carbon neutrality by 2060，significant development of clean energy such as wind power is required.However，future usage of wind resources is subject to large uncertainties due to climate change.This study utilizes the Artificial Neural Network （ANN） method to calibrate the simulated surface wind speed from 16 CMIP6 climate models and then projects changes in wind power density in China for the 2030s，2060s，and 2100s under low （SSP1-2.6） and high （SSP5-8.5） emission scenarios relative to the present day （2000—2014）.The results show that the ANN，on average，reduces the root mean square error of the CMIP6 climate models by （39.93％±9.57％） and increases the correlation coefficient from 0.56 to 0.83 between the multi-model ensemble mean simulations and observations.This suggests that the ANN-based calibration can better replicate the spatial distribution and seasonal variation of surface wind in China at the present day.The ensemble projected wind power density by the 2060s （2050—2064） is，on average，reduced by （1.01±0.94） W·m-2 （2.62％±2.27％） and （1.11±1.45） W·m-2 （1.90％±2.51％） relative to the present day under the two scenarios，respectively.For the temporal variation，the wind power density is reduced by （1.16±1.14） W·m-2 and （1.43±1.58） W·m-2 under the two emission scenarios in spring，the largest season for wind power.For the spatial variation，wind power density in southeastern China decreases by （0.56±0.53） W·m-2 under the SSP1-2.6 scenario but increases by （0.40±0.29） W·m-2 under the SSP5-8.5 scenario.In the near term （2025—2039），the national average wind power density is projected to reduce by （0.52±0.83） W·m-2 and （0.54±1.12） W·m-2 relative to the present day under the two scenarios.In the long term （2085—2099），the wind power density is projected to decrease by （0.98±1.17） W·m-2 and （1.83±1.17） W·m-2.The correction of CMIP6 data using the eXtreme Gradient Boosting （XGB） method shows smaller projection magnitudes but similar tendencies.This suggests that the decreasing trend of wind power density in China becomes more significant with strengthened global warming.

Keywords CMIP6;wind power density;Artificial Neural Network;ensemble projection;uncertainty

doi：10.13878／j.cnki.dqkxxb.20221017008

（責任編輯：袁東敏）