随着人口的增长和社会经济的发展，化石能源的使用不仅对环境造成了影响，其有限性问题也逐渐显露出来。因此，寻找环保的、可持续的替代能源解决方案变得尤为迫切（Algarni et al.，2023; Xia et al.，2023）。可再生能源如太阳能、风能、水能等，因其源源不断的特点和对环境较小的影响，正成为能源领域的重要选项，并以其可持续性和环保性在全球范围内受到了广泛的关注（Kung et al.，2021）。而风能作为一种可再生能源，发电成本预计将从2015年的5.5美分/千瓦时降至2030年的4.1~4.5美分/千瓦时。预计到2030年，风力发电可能成为最经济实惠的新能源发电方式之一，装机容量也将迎来迅速的发展（Sahu et al.，2013; Williams et al.，2017）。

随着风电产业的不断发展，区域风能资源的时空分布对风力发电项目产量的影响受到了越来越多的关注。如国内外许多学者对风能资源的气候特性开展了大量的研究工作（李艳等，2010; Zheng et al.，2013; Chang et al.，2015; 孙玉婷等，2017; 宋超辉等，2019; Soukissian et al.，2021; Tian et al.，2021），揭示了风能资源丰富的地区，为风电机组的宏观选址提供了科学依据和线索。此外，随着近年来气候变化问题的加剧，气候变化对未来风能资源的影响也受到了越来越多的关注。研究表明，未来风能资源的变化存在显著的区域及季节差异（Li et al.，2020; Wu et al.，2021; Zhuo et al.，2022; 张佳等，2023）。上述研究结果为风电项目的前期规划提供了重要的科学依据。但由于风力发电的不稳定性，其产量和经济利润容易受到风能年际变化的影响。因此，深入理解风能的年际变化对于风力发电产量长期的季节预测、进一步提高风力发电量的稳定性至关重要（Bett et al.，2017; Clark et al.，2017; Krakauer and Cohan，2017; Lockwood et al.，2019）。

风能资源存在显著的年际变化，这种年际变化和大气环流异常存在密切联系（Sun and Yan，2012; Berg et al.，2013; Hamlington et al.，2015; Yu et al.，2015，2020; Sherman et al.，2017）。东亚地区位于欧亚大陆东部，其大气环流异常亦存在显著的区域性特征（李丽平等，2015）。而这种局地大气环流异常受多种因素的影响，包括人为因素（如气溶胶排放）和自然变率的影响。如，东亚气溶胶的增加会引起局地大气异常环流，导致不同地区的降水及气温变化（Chen et al.，2018; Dong et al.，2019; 郑彬等，2021）。此外，西北太平洋对流层低层的环流系统和ENSO（El Niño-Southern Oscillation）存在密切联系。在El Niño年，西北太平洋存在反气旋式环流异常，而在La Niña年，西北太平洋存在气旋式环流异常（Wang et al.，2000）。AO（Arctic Oscillation）和西伯利亚高压（SH，Siberian High）是影响东亚中高纬度地区大气环流的重要因子。AO可通过影响东亚大槽，影响冬季风强弱，SH则直接地影响东亚沿岸北风以及海平面气压（Wu and Wang，2002）

既然东亚地区环流异常的年际变化存在显著的区域特征，而风能资源又与大气环流异常存在密切的联系。那么中国近海风能的年际变化是否存在区域性特征?如果存在，那么影响各区域风能资源的因子有哪些呢?这些影响因子又是如何调控中国近海不同区域风能年际变化的呢?气候模态具有较高的可预测性，目前主流气候模式对中国沿海风能的年际变化的预测技巧又是如何?本文将围绕上述问题展开讨论。

1 资料与方法

1.1 资料描述

采用了水平分辨率为0.25°的ERA5逐小时再分析资料（Hersbach et al.，2020）。与ERA-Interim及其他再分析资料相比较，ERA5与地表风观测之间的均方根误差最低、相关系数最高（Olauson，2018; Belmonte Rivas and Stoffelen，2019）。而ERA5的地表风场年际变率与观测的年际变率最为接近（Ramon et al.，2019）。因此，使用了ERA5的100 m高度风场数据以计算风能密度。选用了ERA5的海平面气压、位势高度及风场数据等用于诊断风能的年际变化。

为了揭示中国沿海风能各区域的影响因子，选用了美国国家海洋和大气管理局（NOAA）冬季平均（12月—次年2月的平均值）的AO指数、Niño3指数和Niño4指数。由于本研究关注的是中国沿海风能的年际变化，因此提取了风能的年际变化分量。此外，还选用了英国气象局的HadISST海表温度资料，水平分辨率为1°×1°（Rayner et al.，2003）（表1）。

目前世界上主流气候预测系统包括南京信息工程大学第一代气候预测模式（NUIST-CFS1.0）、欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的SEAS5、德国气象局（Deutscher Wetter Dienst，DWD）的GCFS2.1、欧洲-地中海气候变化中心（Centro Euro-Mediterraneo sui Cambiamenti Climatici，CMCC）的CMCC-SPS3.5和日本气象厅（Japan Meteorological Agency，JMA）的MRI-CPS3等。上述气候预测系统对热带地区海表温度和大气环流具有较高的预测技巧，对中高纬度大气环流亦具有一定的预测能力，被广泛应用于气候预测和气候变化研究中。然而，目前气候模式对风能的预测能力尚不清楚，急需将这些模式应用在实际的场景中，特别是在风能资源预测的实际场景中。因此选用了五个气候预测系统（表2）1993—2016年冬季风场的历史回报数据以评估它们对中国海上风能年际变化的预测技巧。

1.2 分析方法

1.2.1 风能密度的计算

风能密度为气流在单位时间内垂直通过单位面积的风能，它是描述一个地方风能潜力最方便、最有价值的量。风速每时每刻都在变化，瞬时风速值不适合计算风能密度，需用长期风速观测资料才能反映其规律，故采用了平均风能密度的评估方法。平均风能密度与风速的三次方和空气密度成正比，单位为w·m^-2，其中空气密度为1.225 kg·m^-3。平均风能密度的公式如下:

其中:n为时次数量; ρ为空气密度; V为风速大小; Wpd为平均风能密度。

基于风能密度公式，计算了1979—2020年逐小时风能密度，求取逐年冬季平均，进一步采用Butterworth高通滤波方法，将风能密度时间序列中超过5 a的低频分量滤除，仅保留高频部分以得到风能密度的年际分量。

1.2.2 时间序列K-means聚类方法

传统的K-means聚类方法在捕捉时间序列的平滑子空间特征方面表现较弱，经过改进的时间序列K-means（Time Series K-means，TSK-means）聚类方法能够有效地提取时间序列内部的次空间尺度信息，更适合处理具有较高复杂性的时间序列数据（Huang et al.，2016）。使用TSK-means方法将每个网格点标准化后的风能密度年际变化时间序列进行聚类，聚类具体步骤为:

1）选择要分成的聚类簇（K值）。从风能密度数据集中随机选择k个格点作为初始聚类中心。这些格点将成为每个簇的风能年际变化的代表。

2）对于每个聚类簇，计算样本（时间序列）与所有聚类中心之间的欧式距离，以衡量它们的相似程度。并将样本分配到距离最近的聚类中心所代表的簇。

3）对于每个聚类簇，计算簇中所有样本的平均值，将该平均值作为新的聚类中心。

4）重复执行步骤2和步骤3，直到聚类中心不再发生显著变化或达到预定的迭代次数，以确保聚类过程收敛，每个样本都被分配到适当的簇，从而得到最终的聚类结果。

2 结果

2.1 冬季沿海风能年际变化的客观分区

受东亚冬季风影响，中国沿海区域盛行偏北风（图1a），30°N以北地区受西北风控制，气候平均风速约为4.6m/s，而30°N以南地区，受东北风影响，气候平均风速较高，约为8.0 m/s。类似于风速的空间分布，冬季南方海域的风能密度普遍高于北方海域。北方海域的平均风能密度约为503.8 W/m²，随着距离海岸线的增加逐渐增大。相比之下，南方海域风能资源更为丰富，部分地区最大风能密度超过2 000 W/m²。南方海域有3个显著的风能密度高值中心，分别位于台湾海峡、吕宋海峡以及南沙群岛以东的海域。

中国沿海区域的风能密度存在较强的年际变化特征，风能密度较大的地区存在较大的年际变率（图1b）。图1c采用TSK-means方法对中国沿海风能密度的年际变化进行客观分区。首先，通过计算在不同聚类数下，样本与其最近聚类中心之间的距离总和，即聚类误差。我们既不希望聚类结果过于细致，也不希望聚类误差过大，因此聚类数通常选择在聚类误差出现拐点处。在此例中，最佳聚类数确定为4（图1d）。中国沿海风能资源年际变化分为4个显著的聚类区域:北中国海（North China Sea，NCS）、东海（East China Sea，ECS）、南海北部（Northern South China Sea，NSCS）以及南海南部（Southern South China Sea，SSCS）。基于分析的结果，将各区域标准化的区域平均冬季风能密度年际分量定义为风能年际变化指数。

2.2 大尺度环流异常与风能年际变化的关系

由于风能与风速的三次方成正比，而东亚冬季风的年际变化又与大气内部变率（如北极涛动、西伯利亚高压、北大西洋涛动）及外部强迫因子（如ENSO）存在关联（Gong et al.，2001; Wu and Wang，2002; Kim et al.，2014）。因此为了找出中国沿海四个区域风能变化指数的潜在影响因子，将风能指数回归到同期冬季的海温异常场以及海平面气压异常场（图2）。

回归结果显示，NCS风能与热带海温并不存在显著联系（图2a），和极地大部分地区的海平面气压呈正相关关系，与中纬度地区海平面气压呈负相关关系（图2b）。这种异常空间分布与AO负位相的海平面气压场空间分布相似。计算了NCS指数与AO指数的相关系数为-0.39（表3），进一步表明NCS风能和AO存在负相关关系。AO指数回归的环流场（图3a）显示，在AO正（负）位相时，中国东北地区反气旋（气旋）环流异常，其南侧存在东南（西北）风异常，减弱（增强）了NCS地区的气候态风速（图1a），从而减弱（增强）了NCS地区的风能资源。

ECS风能指数和热带中太平洋海温呈负相关关系，与热带西太平洋海温呈正相关（图2c），这和中太平洋型El Niño事件发生时对应的海温异常的空间分布相似，ECS风能指数和Niño4指数的相关为-0.29（表3）。Niño4指数回归的环流场（图3d）显示，当中太平洋型厄尔尼诺（拉尼娜）事件发生时，西北太平洋将出现反气旋（气旋）环流异常，其西北侧的西南风（东北风）与ECS区域气候态风速相反（一致），减弱（增强）了ECS地区的风能。注意到，ECS还和西伯利亚地区海平面气压呈显著的正相关关系（图2d）。将西伯利亚地区（70°~105°E，60°~75°N）的标准化海平面气压定义为SH（Siberian High）指数，SH指数回归的850 hPa风场以及位势高度场（图3b）显示。强（弱）SH年，东亚—西北太平洋区域位势高度负（正）异常存在两个中心，分别位于东北亚和华南地区，其中华南气旋（反气旋）北侧的偏东（西）风与ECS区域气候态风速一致（相反），引起ECS区域风能密度增强（减弱）。综上所述，ECS区域风能年际变化受中太平洋型ENSO和西伯利亚高压影响。

NSCS和SSCS区域风能年际变化均和西太平洋海温呈现正相关关系，和东太平洋海温之间呈显著负相关关系（图2e、g），这和东太平洋型ENSO事件存在联系，这两个区域的风能指数和Niño3指数的相关系数分别为-0.56和-0.53（表3）。NSCS和SSCS区域风能还和菲律宾海的低压系统存在显著的负相关关系。需要说明的是，NSCS和欧亚大陆中纬度地区海平面气压呈正相关关系（图2f），而SSCS则和欧亚高纬度地区的海平面气压呈负相关关系（图2h）。为了揭示东太平洋型ENSO影响NSCS和SSCS区域风能年际变化的机制，将Niño3指数回归到850 hPa风场以及位势高度场（图3c）上，发现当东太平洋型El Niño（La Niña）事件发生时，菲律宾反气旋（气旋）将会偏南，其环流型北侧的西南风（东北风）与南海区域气候态风速相反（一致），导致NSCS和SSCS风能密度减弱（增强）。NSCS和SSCS区域风能指数回归的环流场（图4a、b）也显示这两个区域的风能和东太平洋型ENSO引起的西北太平洋环流异常存在联系。

注：1）表示相关系数通过置信度为90%的显著性检验.

上述结果表明，东部型ENSO可通过菲律宾反气旋（气旋）异常调节NSCS和SSCS区域风能的年际变化。但这两个区域风能年际变化仍存在差异，说明除了共同受东部型ENSO的影响，可能还有其他因子调控两个区域风能的年际变化。滤除Niño3指数的NSCS和SSCS区域风能指数回归的环流场显示，滤去东部型ENSO信号后，菲律宾周围的环流异常显著减弱（图4c、d），进一步说明了东部型ENSO可通过菲律宾气旋（反气旋）调节NSCS、SSCS区域的风能年际变化。注意到，滤除ENSO信号后，NSCS区域风能和大陆高压异常存在联系（图4c），而当该高压异常南移至西北太平洋区域则会增强SSCS区域的风能（图4d）。这说明除了东部型ENSO对NSCS和SSCS区域风能的共同影响外，大陆异常高压南北位置也是影响NSCS和SSCS区域风能年际变化的重要影响因子。

2.3 聚类区域风能年际变化的多模式预测技巧评估

中国冬季沿海100 m风能密度的气候态空间分布（图5）显示，沿海风能密度呈现“南多北少”的空间分布型，南海区域为我国冬季海上风能资源最为丰富的地区，台湾海峡、吕宋海峡、南沙群岛以西海域等区域为风能资源极大值区域（图5a）。5种气候模式都可以预测出我国沿海风能资源“南多北少”的空间分布特征，但是各模式的预测能力存在差异性。对于南方海域，CMCC和JMA模式高估了南海的风能资源（图5b、f），而NUIST和DWD模式则低估了南海的风能资源（图5c、e）。相较其他模式，SEAS5模式的预测结果最接近观测的风能密度空间分布（图5d）。对于北方海域，除SEAS5模式外的其他气候模式均高估了北方海域风能资源。各模式预测的中国冬季近海100 m风能密度的RMSE显示，模式对台湾海峡、吕宋海峡以及南沙群岛以西海域等区域风能资源丰富的区域模拟结果和观测存在较大偏差（图6）。其中，CMCC模式对中国海域风能资源预测误差最大（图6a），而SEAS5模式的预测误差最小（图6c）。

图7展示了冬季中国沿海风能密度年际变化的ACC预测技巧。总体来说，大多数气候模式在南方海域的预测技巧优于北方海域。值得注意的是，在菲律宾以西洋面及台湾地区西南方向海域，5种模式的预测技巧显著低于周围海域。这可能是由于这些区域受地形阻挡和盛行风向的影响，处于背风坡区域，因此风速的年际变化受冬季风影响小，而大尺度气候模式往往对这种小尺度因素影响下的区域风能年际变化预测技巧较差。对于北方海域，各模式的预测技巧存在差异性，CMCC与SEAS5模式对北方海域风能年际变化的预测技巧较高（图7a、c），DWD与JMA模式对黄海海域的预测技巧较高、东海海域的预测技巧较低（图7b、e），而NUIST模式对东海海域预测的技巧较高，对渤海以及黄海海域预测技巧较低（图7d）。

2.4 气候模式对影响中国沿海风能年际变化影响因子的评估

2.2 节的分析指出中国沿海风能和AO、SH及ENSO有关，那么各气候模式对风能年际变化的预测技巧是否来源于其对影响因子的高预测技巧呢?图8为Niño3.4指数回归的ERA5及模式预测的风能密度年际变化的空间分布。结果显示，ENSO正位相可引起南海区域风能年际变化负异常（图8a），这种关系与El Niño（La Niña）引起的菲律宾反气旋（气旋）有关（图9a）。5 种气候模式均可较为准确地再现南海区域风能与ENSO间的关系（图8b—f），同时也可以较好地预测出ENSO对对流层低层环流异常的影响（图9b—f），因此这5种模式均展现出对南海区域风能年际变化较高的预测技巧。

ERA5和模式预测的AO指数回归的风能密度年际变化空间分布（图10）显示，AO可影响中国沿海风能年际变化呈现南北反位相的空间分布型，AO正异常时，黄渤海区域风能负异常、南海区域风能正异常; 反之亦然。尽管5种气候模式均可再现AO引起南海区域风能异常的现象，但不能通过显著性检验（图10b—f）。仅有DWD模式能够捕捉到AO与黄渤海区域风能的关系，其他模式均低估了黄海区域风能与AO的关系。观测资料分析结果（图11a）显示，AO正（负）位相时，高纬度地区呈现一致的位势高度负（正）异常，欧洲、中国东北地区及东北太平洋等中纬度地区，为位势高度正（负）异常。DWD模式可以较好地模拟出AO和北半球中高纬度地区环流异常的关系（图11c），而SEAS5模式并不能预测出AO与中高纬度位势高度异常的关系（图11d），CMCC与NUIST模式对AO和中国东北区域位势高度异常的关系有较好的预测技巧。

3 结论

利用TSK-means聚类方法，将中国冬季沿海风能年际变化分为四个区域，分别为NCS（北中国海）、ECS（东中国海）、NSCS（南海北部）、SSCS（南海南部），研究发现不同海域风能资源年际变化与不同气候模态和大尺度环流间存在联系（图12）。在此基础上，进一步评估了5种国内外主流气候模式对中国沿海风能年际变化的预测技巧，并进一步分析了模式的预测技巧来源，得到以下结论。

1）冬季NCS区域风能年际变化与AO有关。当处于AO正位相时，东北亚地区会存在反气旋环流异常，环流异常在NCS区域东南风异常，减弱了气候态风速（西北风），使得NCS区域风能资源减少; 反之，AO负位相时，东北亚地区出现的气旋式环流异常引起NCS区域风能资源增多。

2）冬季ECS区域风能年际变化与中太平洋型ENSO有关。当中太平洋型拉尼娜发生时，东海区域存在东北风异常，该东北风异常与东海气候态风向一致，使得东海的风能增大; 反之亦然。此外，ECS区域风能还和西伯利亚高压存在联系，强（弱）西伯利亚高压年，下游出现气旋（反气旋）性异常，东中国海位于西伯利亚高压与气旋（反气旋）环流之间，存在偏北风（偏南风）异常，使得ECS区域风能增大（减小）。

3）EP型ENSO可以通过引起菲律宾周围的反气旋（气旋）环流异常，从而影响NSCS和SSCS区域风能资源的年际变化。除了EP型ENSO的影响以外，大陆高压的位置亦可以直接影响NSCS和SSCS区域风能的年际变化。当大陆高压偏北时，NSCS区域风能影响较大; 而当大陆高压偏南时，SSCS区域风能影响较大。

4）相较于北方海域，气候模式普遍对南方海域的风能年际变化具有更高的预测技巧。这种高预测技巧源于气候模式对ENSO及其和东亚地区环流异常的关系具有较好的预测技巧。对于北方海域，各模式间的预测技巧存在较大差异，但是均对AO与北方海域风能的关系存在低估，同时不能较好地模拟出AO和对流层低层大气环流异常的关系，模式对于北方海域风能年际变化预测技巧仍存在进一步改进的空间。

参考文献