气候变化背景下全球风电供电能力研究

冯双磊 ,  王伟胜 ,  王铮 ,  宋宗朋 ,  杨晴 ,  王勃

Engineering ›› 2025, Vol. 51 ›› Issue (8) : 86 -97.

PDF (3924KB)
Engineering ›› 2025, Vol. 51 ›› Issue (8) : 86 -97. DOI: 10.1016/j.eng.2024.09.018
研究论文

气候变化背景下全球风电供电能力研究

作者信息 +

Global Wind-Power Generation Capacity in the Context of Climate Change

Author information +
文章历史 +
PDF (4017K)

摘要

构建高比例可再生能源电力系统是实现全球能源绿色低碳转型的重要举措。本研究聚焦显著影响高比例可再生能源电力系统供电能力的风电低出力问题，基于第六次耦合气候模式比较计划（CMIP6）数据集，构建了风电低出力过程预估模型，并基于该模型，探明了全球各大区域未来风电低出力过程的变化趋势。结果表明，除北美地区外，全球各主要区域未来风电低出力过程在发生频次和持续时长上均呈现明显增长趋势，其中东亚和南美地区最为显著，北美洲未见显著变化。到2060年，东亚和南美洲的年低出力总天数最高分别达到13天和5天、低出力最长持续时长分别达到5天和2天。在风电成为主力供电电源的背景下，低出力现象可能导致电力系统发生电力/电量供应短缺，进而引发大规模停电事件。因此，在构建高比例可再生能源电力系统时，需高度重视该问题。本研究为高比例可再生能源电力系统供电风险和灵活调节电源配置提供了基础依据。

Abstract

Establishing power systems with a high share of renewable energy sources is a pivotal step toward achieving a globally sustainable transition to green and low-carbon energy. This study focuses on low-output wind power that affects the generation capacity of power systems with a high share of renewable energy sources. Utilizing the Coupled Model Intercomparison Project Phase 6 datasets, a predictive model for low-output wind power was employed to investigate regional trends worldwide. The frequency and duration of low-output wind-power events exhibited increasing trends globally, particularly in East Asia and South America, but not in North America. By 2060, the annual total days with low-output wind power in East Asia and South America could rise to 13 and 5 d, and the maximum continuous duration of low-output wind power could reach 5 and 2 d, respectively. As wind power becomes a primary electricity source, such low output could lead to shortages in energy supply within the power system, triggering large-scale power outages. This issue calls for critical attention when establishing power systems with a high share of renewable energy sources. The conclusions provide a basis for analyzing power supply risks and configuring flexible power sources for scenarios with a high share of renewable energy.

关键词

气候变化 / 风力发电 / 风电低出力 / CMIP6数据 / 低出力趋势

Key words

Climate change / Wind generation / Low-output wind power / Coupled Model Intercomparison Project Phase 6 datasets / Trends of low-output wind power

引用本文

引用格式 ▾
冯双磊,王伟胜,王铮,宋宗朋,杨晴,王勃. 气候变化背景下全球风电供电能力研究[J]. 工程（英文）, 2025, 51(8): 86-97 DOI:10.1016/j.eng.2024.09.018

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

能源绿色低碳转型已成为世界各国的普遍共识[1‒2]，构建高比例可再生能源电力系统，并发展绿色电力替代传统能源，是实现节能减排的具体举措[3]。截至2023年12月，全球风电装机容量已达到1.02 TW [4]，预计这一数字将呈指数级增长，到2030年将超过11 TW [5]。随着风电等可再生能源装机占比的持续增加，高比例可再生能源电力系统的天气依赖性不断增强[6‒8]，长时间无风或低风速等天气现象引发的风电低出力过程，可能导致这些电力系统出现电力/电量短缺。这种现象可能会显著影响系统的供电能力，导致类似2021年2月美国得克萨斯州的切负荷和电价飙升事件发生[9]。此类事件直接影响高比例可再生能源电力系统安全稳定运行和可靠供电能力[10‒12]，进而对全球能源绿色低碳转型带来挑战，因此研究风电低出力过程的变化规律具有重要意义。

当前针对风电低出力过程的研究相对有限，最早可追溯至20世纪70年代对美国加利福尼亚州风电供电可靠性的研究[13]，随后进一步拓展至对美国中西部地区风电的分析[14]。自《巴黎协定》[1]达成共识后，世界各国开始大力开发其可再生能源资源。德国政府[15‒16]和媒体[17‒18]较早关注到低出力风电问题，推动了其初步定义的形成[19]，并促进了对此类现象更广泛的研究。当前研究主要聚焦于对历史风电低出力事件的分析，根据所采用基础数据的不同，大体可将其分为三类。第一类是基于观测风速数据的分析[20‒21]，即使用预先定义的低风速阈值，专门研究有限时空观测范围内的风速序列。然而，此类方法的主要局限在于空间覆盖不足、时间序列长度有限，以及由局地气候导致的单点风速与区域风电出力映射关系的不确定性。有限的空间覆盖使这些研究无法涵盖广泛的潜在开发区域，从而降低了其研究结果的普遍适用性。虽然扩展风电开发区域与低输出事件之间关系的建模[22]可以部分解决空间覆盖问题，但因时间数据不足导致的信息丢失问题仍未得到解决。

第二类研究旨在解决第一类研究中的局地气候带来的单点风速与区域风电出力的映射不确定性扩大问题，其基于风电出力数据开展研究，风电出力序列通过风电机组实测风速转换得到[23‒26]或直接测量得到，通过设定低出力阈值来实现风电低出力过程发生频次和持续时长的研究[27]，但此类方法在解决空间覆盖不足和时间跨度不够的挑战方面仍然存在不足。

第三类研究聚焦低出力过程研究存在的时空不足问题，基于历史风速再分析数据[28‒29]，构建了一个再分析风速与风电出力的转化模型，获取网格化的风电出力序列。这种方法[30‒33]有助于研究风电低出力事件发生频次及持续时长，包括发现了低出力事件频次分布的类泊松过程[34]、厚尾特征[35]，以及其他规律[36‒37]，对我们认知风电低出力过程具有重要作用。

综上可以看出，当前的研究主要聚焦于历史低出力事件，对未来低出力过程的探究较少，而在当前全球气候变化背景下，风能资源的波动特征已发生了变化，且特征日趋明显，历史风电低出力过程的变化规律无法指导高比例可再生能源电力系统的构建。

本研究聚焦于气候变化引起的风电低出力过程变化趋势，基于第六次耦合气候模式比较计划（CMIP6）数据集[38‒39]，通过分析风电出力水平与风速统计排序之间的映射关系，构建了风电低出力过程预测模型。利用该模型，解析了东亚、西欧及北美等全球主要风电开发区未来风电低出力过程的变化规律。研究旨在揭示气候变化背景下风能资源的演变动态，支撑从传统化石能源向清洁可持续风电的稳定可靠转型。

2 建模和验证

未来风能资源的变化特征是分析风电低出力过程的基础。本研究主要基于CMIP6数据，提出了一种基于分位数的映射模型，用以建立风电出力与风速水平之间的统计关系。

2.1 CMIP6数据简介

CMIP模式数据是当前学术界与工程领域分析未来风能资源变化普遍采用的数据集，共包含30余套不同的气候预测模式。然而，针对风电低出力过程的研究要求数据时间分辨率最好达到小时级，至少不应低于日分辨率。因此，本研究选用最新CMIP6阶段的9套数据集，具体信息如表1所示。这些数据均为日分辨率，风速高度为10 m。每种数据集均基于三种共享社会经济路径情景进行分析，即低排放（SSP126）、中等排放（SSP245）和高排放（SSP585）。

2.2 统计关系模型

假定将风电出力序列中低于Tpower的部分定义为低出力过程，按照升序方式对一段时间内的风电出力样本数据进行排列，以Tpower为分位点，计算排序序列中小于该分位点的样本占比情况，即

b=Pi≤T power n,∀i∈n,Pi≤Pi+1

式中，b为风电低出力过程的占比；Pi为第i时刻的风电出力；n为样本总量。为了确保结果的稳定性和准确性，样本覆盖时长不少于一年。

获得风电低出力过程的占比b之后，选取与风电序列相对应的区域或点位以及在相同时段内的CMIP6预报风速序列vi，应确保CMIP6风速的覆盖时段和样本数量与风电出力序列Pi完全一致。如果风电出力为区域总加序列，由于风速的不可加性，此时的预报风速需通过各点位CMIP6风速加权得到，即

vi=∑j=1mSj⋅vi,j∑j=1mSj

式中，vi为计算得到的区域风速；Sj为第j座风电场的装机容量；m为区域内风电场的总数量；vi,j为第i时刻、第j风电场的CMIP6预报风速。

将风电出力序列Pi与风速序列vi对齐后，同样按照升序方式对风速序列vi进行排列，提取第b占比分位点处的风速值：

Twind=vkk=n⋅b

式中，Twind为反映风电低出力过程的CMIP6预报风速阈值，依据该阈值对未来不同时期的风速进行分析，即可获得未来风电低出力过程的变化情况。其中，vk∈vi，满足vi≤vi+1。

于是，未来风电低出力过程挖掘模型的构建步骤如下：

（1）处理得到正常运行状态下的风电出力序列Pi，并对其进行归一化处理和升序排列；

（2）提取与风电出力序列Pi相同时段内、相同地理位置的CMIP6预报风速序列vi，并对其进行升序排列。若Pi为区域风电总出力，则预报风速序列vi通过公式（2）加权得到；

（3）根据分析需要，合理确定风电低出力的阈值Tpower；

（4）根据公式（1），结合归一化处理和升序排列后的风电出力序列Pi，计算风电低出力过程的占比b；

（5）根据得到的低出力占比b，采用公式（3），结合CMIP6预报风速序列vi，计算低出力对应的CMIP6预报风速阈值Twind；

（6）根据风速阈值Twind，分析未来风电低出力过程的变量规律。

2.3 模型验证

为了验证精度，模型采用中国主要地区的CMIP6预报风速数据和实际发电功率数据进行测试。建模数据的时段为2020年1月1日至12月31日。建模数据中的风电出力序列按天取平均，以使CMIP6日分辨率与风电出力15 min分辨率对齐。该日平均出力序列（即区域汇总出力）通过式（2）转换为区域风速序列。

为了尽可能准确分析未来风电低出力过程的变化特点，针对9套模式的CMIP6数据集，分别验证其对2020年中国主要区域风电低出力过程的模拟精度。将出力低于装机容量10%的输出（即同时率低于0.1）设定为风电低出力过程，故Tpower=0.1。随后，针对图1区域风电日均出力样本应用公式（1），计算得到b=1.639%。将b=1.639%带入公式（3），并引入区域风速序列，计算得到不同模式的低风速阈值，如表2所示。

根据表2中的低风速阈值，对2021年1月1日至12月31日相同区域的风电低出力情况进行测试。与建模数据一致，风电出力数据按照装机容量进行归一化，并按天进行平均；CMIP6风速数据按公式（2）进行加权处理。依据低风速阈值计算低出力占比的方法如下：

b'=vi≤T wind n,∀i∈n,vi≤vi+1

采用上述公式，计算得到2021年1月1日至12月31日低风速占比情况，如表3所示。若Tpower=0.1，按照公式（1），该区域同期风电低出力过程实际占比为1.1%。若低风速测试占比与实际占比相差在±0.6%以内，可认为通过统计检验。由于未来碳排放场景不确定，因此在验证各模式对风电低出力过程的模拟能力时，只要其中一种排放场景对风电低出力过程的模拟与实际低出力过程相吻合，即认为该模式的可靠性满足要求，各模式低出力过程的模拟能力结论如表3所示。

由表3可以看出，AWI-CM-1-1-MR模式和NorESM2-LM模式对风电低出力过程的模拟能力较差，不纳入后续相关分析。本研究引入7套CMIP6数据集，将同期7个模式预报风速取平均，以保证分析稳健并覆盖多情景。以中排放场景为例，将日均风电出力序列和区域加权风速序列按时间对齐，最终得到366条样本数据，如图1所示。

为了确保研究结果的可靠性，同样采取单一模式的验证方法，验证7套模式平均风速对风电低出力过程的模拟能力，具体方法不再累述。同样设定出力低于装机容量的10%（即同时率低于0.1）为风电低出力过程的条件，基于2020年样本计算得到的低风速阈值为Twind=2.74 m⋅s-1。以此阈值对2021年1月1日至12月31日相同区域的风速序列进行检测，测得低风速占比为1.1%。该结果与根据公式（1）计算得到的实际风电低出力过程占比Tpower =0.1（即1.1%）完全一致，验证了本文所构建的低出力过程分析模型准确可靠，可用于未来风电低出力过程的有效评估。

3 风电低出力过程未来变化趋势

利用低出力过程挖掘模型，以2020年1月1日至12月31日我国主要地区的风电出力和CMIP6数据，挖掘得到低出力过程对应的日均区域平均低风速阈值，结果如表4所示。

由于欧洲、北美洲、南美洲、大洋洲及非洲等地区的风电出力数据不足，本研究将中国主要区域所得低风速阈值（表2）直接套用于上述地区。此外，由于具体风能资源开发场址信息缺失，且未来开发潜力存在不确定性，本研究在计算区域日平均风速时，对区域内所有格点取平均值并赋予等权重。

3.1 东亚

东亚的结果见图2至图4。

在低排放情景下，东亚地区风电低出力事件的总天数与单次最长持续天数均呈波动上升趋势（图2）。低出力总天数从2021年的约4天增加至2060年的约13天；单次最长持续天数则从2天上升至约5天。

中排放情景下，低出力事件总天数同样呈现波动上升趋势（图3），由2021年的约4天增加至2060年的约8天，2051年出现持续6天的连续低出力过程；最长持续天数变化不大。

高排放情景下，低出力事件总天数与事件最长持续天数均呈波动上升趋势（图4）。总天数由2021年的约10天增至2060年的约13天；最长持续天数升至约5天。

对比图2至图4可见，除中排放情景下的最长持续天数外，东亚年低出力事件总天数与单次最长持续天数均呈增加趋势，在低排放情景下尤为显著。

3.2 欧洲

到2060年，欧洲预计不会出现大规模低出力事件；然而，当采用3.1  m⋅s-1低风速阈值时，相对低风速占比正上升（图5）。

在高排放情景下，欧洲日平均风速低于3.1 m⋅s-1的年总天数将从2021年的约0天增至2060年的约1天（图5）。低出力天数预计在2047年达到峰值，即2天。其他排放情景呈现类似趋势。

3.3 北美洲

结果表明，到2060年北美洲预计不会出现显著低出力事件。与东亚和欧洲相反，北美洲低风速时段占比正在下降，这在以3.0  m⋅s-1为低风速阈值时尤为明显（图6）。

在低排放情景下，北美洲日平均风速低于3.0 m⋅s-1的年总天数预计从2021年的约6天降至2060年的约1天（图6）。但该数字在2033年短暂升至16天，低风速事件的最大持续天数到2060年降至约1天。其他排放情景呈现类似趋势。

3.4 南美洲

南美洲结果见图7至图9。

在低排放情景下，南美洲风电低出力事件的年总天数和事件最大持续天数均呈缓慢上升趋势（图7）。年低出力事件天数从2021年的约0天增至2060年的约4天，最大持续天数从2021年的约0天增至2060年的约2天。

在中等排放情景下，南美洲低出力事件年总天数和事件最大持续天数变化甚微（图8）。具体而言，2021—2060年间年低出力事件天数主要在0~1天之间波动，2050年略增至2天。

在高排放情景下，南美洲低出力事件的年累计天数及最长持续时间均呈缓慢上升趋势（图9）。具体而言，年累计低出力事件天数预计由2021年的约0天增至2060年的约5天；同时，此类事件的最长持续时间预计由2021年的约0天增至2060年的约2天。

综上，无论排放情景如何，南美洲风电低出力事件均将发展，在高排放情景下，这种影响更为显著。

3.5 大洋洲

到2060年，大洋洲预计不会出现显著低出力事件，该区域相对低风速比例也呈下降趋势，这在以3.5  m⋅s-1为低风速阈值时尤为明显（图10）。

低排放情景下，大洋洲日均风速低于3.5  m⋅s-1的年累计天数预计由2021年的0天增至2060年的约6 天（图10）。低出力日峰值出现在2043年与2047年，达11天；最长持续时间由2021年的约1天增至2060年的约3天，峰值在2047年与2052年达4天。其他排放情景趋势类似。

3.6 非洲

2060年前，非洲预计不会出现低出力事件；然而，与其他区域类似，非洲相对低风速比例呈上升趋势，以3.0  m⋅s-1为低风速阈值时尤为明显（图11）。

低排放情景下，非洲日均风速低于3.0  m⋅s-1的年累计天数预计由2021年的约0天增至2060年的约3天（图11）。峰值出现在2028年，达6天；最长持续时间由2021年的约0天增至2060年的约2天。其他排放情景趋势类似。

3.7 全球整体情况

通过分析全球主要地区低出力风电的变化，我们确定了预计年度低出力事件天数总量的变化斜率（即每10年低出力事件天数的变化，见图12）。

此外，逐年分析了单次低出力事件最大持续天数的变化斜率，如图13所示。

分析了全球陆域在不同排放情景下年度低出力事件天数总量与年度单次低出力事件最大天数的平均变化斜率，见表5。

由表5可见，全球陆地风电低出力事件天数总体呈上升趋势；其中，低排放情景增幅最显著，每十年增加0.5天，中排放情景增幅最缓，每十年仅增加0.04天。但从单次风电低出力事件最长持续时间看，仅低排放情景出现增长，中、高排放情景均呈降低趋势。

4 结论

全球能源绿色低碳可持续发展已成为普遍共识。为此，世界上主要国家正大力推进风电与光伏发电，旨在2060年前实现可再生能源对化石能源的广泛替代，使风电、光伏发电等成为电力系统的主要电力来源。本文聚焦未来风电低出力过程的变化规律，构建了基于CMIP6数据集的分析模型，以支撑高比例可再生能源电力系统的稳定运行。

研究结果表明，未来东亚和南美洲的风电低出力现象的发生频次和单次最长持续天数均呈增长趋势；至2060年，东亚年度低出力过程总天数预计达到约13天，单次最长持续天数约5天，对供电保障构成显著挑战。北美洲在2060年前预计不会出现低出力过程，且出力较低时段的占比呈下降趋势。欧洲、大洋洲（含澳大利亚）及非洲在2060年前虽未出现明显的低出力事件，但整体出力较低过程的占比持续上升，其中，大洋洲的较低出力年度总天数可达约11天，单次最长持续约4天。在高排放情景下，风电低出力过程的加剧将更为显著。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

agreement Paris. Report. New York City: United Nations; 2015.
[2]

The sustainable development goals report 2022. Report. New York City: United Nations; 2022. . 10.18356/9789210018098
[3]

Renewable energy market update—May 2022. Report. Paris: International Energy Agency; 2022. . 10.1787/faf30e5a-en
[4]

Global wind report 2024. Report. Brussels: Global Wind Energy Council; 2024.
[5]

Renewables 2023. Report. Paris: International Energy Agency; 2024.
[6]

change Climate 2021 : the physical science basis. Report. Geneva: Intergovernmental Panel on Climate Change; 2021.
[7]

De Felice M, Busch S, Kanellopoulos K, Kavvadias K, Hidalgo Gonzalez I. Power system flexibility in a variable climate. Report. Belgium: JRC Publications Repository; 2020.
[8]

Severe impact resilience: considerations and recommendations. Report. Westerville: North American Electrical Reliability Corporation; 2012.
[9]

Wang W, Lin W, He G, Shi W, Feng S. Enlightenment of 2021 Texas blackout to the renewable energy development in China. Proc CSEE 2021;41（12):4033‒43. Chinese.
[10]

Russo MA, Carvalho D, Martins N, Monteiro A. Future perspectives for wind and solar electricity production under high-resolution climate change scenarios. J Cleaner Prod 2023;404:1‒9. . 10.1016/j.jclepro.2023.136997
[11]

Costoya X, Castro M, Carvalho D, Gomez-Gesteira M. Assessing the complementarity of future hybrid wind and solar photovoltaic energy resources for North America. Renew Sustain Energy Rev 2023;173:113101. . 10.1016/j.rser.2022.113101
[12]

Costoya X, Castro M, Carvalho D, Arguile-Perez B, Gomez-Gesteira M. Combining offshore wind and solar photovoltaic energy to stabilize energy supply under climate change scenarios: a case study on the western Iberian Peninsula. Renew Sustain Energy Rev 2022;157:112037. . 10.1016/j.rser.2021.112037
[13]

Kahn E. The reliability of distributed wind generators. Elec Power Syst Res 1979;2:1‒14. . 10.1016/0378-7796(79)90021-x
[14]

Archer CL, Jacobson M. Supplying baseload power and reducing transmission requirements by interconnecting wind farms. J Appl Meteorol Climatol 2007;46:1701‒17. . 10.1175/2007JAMC1538.1
[15]

2019a Plenarprotokoll 19/98 Stenografischer Bericht 98. Report. Berlin: Deutscher Bundestag; 2019. German. . 10.15358/9783800661282-66
[16]

2019b Unterrichtung durch die Bundesregierung Zweiter Fortschrittsbericht zur Energiewende 2019 Drucksache 19/10760 19. Report. Berlin: Deutscher Bundestag; 2019. German. . 10.1021/ed031p525
[17]

Die Dunkelflaute bringt Deutschlands Stromversorgung ans Limit. Report. Bonn: Die Welt; 2019. German.
[18]

In der kalten Dunkelflaute racht sich die Energiewende. Report. Bonn: Die Welt; 2019. German.
[19]

Sicherstellung der Stromversorgung bei Dunkelflauten. Report. Berlin: Deutscher Bundestag; 2019. German.
[20]

Leahy PG, McKeogh EJ. Persistence of low wind speed conditions and implications for wind power variability. Wind Energy 2013;13:575‒86. . 10.1002/we.1509
[21]

Patlakas P, Galanis G, Diamantis D, Kallos G. Low wind speed events: persistence and frequency. Wind Energy 2017;20:1033‒47. . 10.1002/we.2078
[22]

Handschy MA, Rose S, Apt J. Is it always windy somewhere? Occurrence of low-wind-power events over large areas. Renew Energy 2017;101:1124‒30. . 10.1016/j.renene.2016.10.004
[23]

Kruyt B, Lehning M, Kahl A. Potential contributions of wind power to a stable and highly renewable Swiss power supply. Appl Energy 2017;192:1‒11. . 10.1016/j.apenergy.2017.01.085
[24]

Liu X, Liu Y, Cheng T, Gao Y, Yang Z. A high performing piezoelectric and triboelectric nanogenerator based on a large deformation of the novel lantern shaped structure. Nano Energy 2022;92:106699. . 10.1016/j.nanoen.2021.106699
[25]

Liu X, Liu Y, Liu F, Zhang Z, Zhang Z, Yang Z. High-performing honeycomb structured triboelectric nanogenerator enhanced by triple electrodes for utilizing wind power. Nano Energy 2023;118:108961. . 10.1016/j.nanoen.2023.108961
[26]

Liu YZ, Hao ZW, Yu JX, Zhou XR, Lee PS, Sun Y, et al. A high-performance soft actuator based on a poly（vinylidene fluoride) piezoelectric bimorph. Smart Mater Struct 2019;28（5):055011. . 10.1088/1361-665X/ab0844
[27]

Leahy PG, McKeogh EJ. Persistence of low wind speed conditions and implications for wind power variability. Wind Energy 2013;16:575‒86. . 10.1002/we.1509
[28]

Decker M, Brunke MA, Wang Z, Sakaguchi K, Zeng X, Bosilovich MG. Evaluation of the reanalysis products from GSFC, NCEP and ECMWF using flux tower observations. J Clim 2012;25:1916‒44. . 10.1175/jcli-d-11-00004.1
[29]

Sharp E, Dodds P, Barrett M, Spataru C. Evaluating the accuracy of CFSR reanalysis hourly wind speed forecasts for the UK, using in situ measurements and geographical information. Renew Energy 2015;77:527‒38. . 10.1016/j.renene.2014.12.025
[30]

Olauson J, Bergkvist M. Modelling the Swedish wind power production using MERRA reanalysis data. Renew Energy 2015;76:717‒25. . 10.1016/j.renene.2014.11.085
[31]

Rose S, Apt J. What can reanalysis data tell us about wind power. Renew Energy 2015;83:963‒9. . 10.1016/j.renene.2015.05.027
[32]

Staffell I, Pfenninger S. Using bias-corrected reanalysis to simulate current and future wind power output. Energy 2016;114:1224‒39. . 10.1016/j.energy.2016.08.068
[33]

González-Aparicio I, Monforti F, Volker P, Zucker A, Careri F, Huld T, et al. Simulating European wind power generation applying statistical downscaling to reanalysis data. Appl Energy 2017;199:155‒68. . 10.1016/j.apenergy.2017.04.066
[34]

Cannon DJ, Brayshaw DJ, Methven J, Coker PJ, Lenaghan D. Using reanalysis data to quantify extreme wind power generation statistics: a 33 year case study in Great Britain. Renew Energy 2015;75:767‒78. . 10.1016/j.renene.2014.10.024
[35]

Weber J, Reyers M, Beck C, Timme M, Pinto JG, Witthaut D, et al. Wind power persistence characterized by superstatistics. Sci Rep 2019;9:19971. . 10.1038/s41598-019-56286-1
[36]

Raynaud D, Hingray B, François B, Creutin JD. Energy droughts from variable renewable energy sources in European climates. Renew Energy 2018;125:578‒89. . 10.1016/j.renene.2018.02.130
[37]

Ohlendorf N, Schill WP. Frequency and duration of low-wind-power events in Germany. Environ Res Lett 2020;15（8):084045. . 10.1088/1748-9326/ab91e9
[38]

Carvalho D, Rocha A, Costoya X, Castro M, Gomez-Gesteira M. Wind energy resource over Europe under CMIP6 future climate projections: what changes from CMIP5 to CMIP6. Renew Sustain Energy Rev 2021;151:111594. . 10.1016/j.rser.2021.111594
[39]

Claro A, Santos JA, Carvalho D. Assessing the future wind energy potential in Portugal using a CMIP6 model ensemble and WRF high-resolution simulations. Energies 2023;16（2):661. . 10.3390/en16020661

AI Summary AI Mindmap
PDF (3924KB)

6187

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉