风电

再分析数据用于风资源评估的不确定性：RSER 2022 权威综述解读

· 南京运梦科技算法团队 · 评审 算法负责人

再分析数据用于风资源评估的不确定性：RSER 2022 权威综述解读 封面

如果你正在用再分析数据做风资源评估、风电场宏观选址或长期电量回测，那么一个绕不开的问题是：这套全球网格化历史数据，到底在什么地方可信、在什么地方会偏离实际？Gualtieri 发表于 Renewable and Sustainable Energy Reviews（RSER，2022）的这篇综述，正是为这个问题画出了一条清晰的适用边界线——它没有停留在「再分析很好用」的笼统印象，而是用全球 322 个异质站点的系统验证，把再分析能做什么、不能做什么讲清楚了。对每一个把 ERA5 当成事实标准的新能源算法从业者来说，这是一篇值得通读并放进方法学清单的文献。

关键要点

  • Gualtieri 2022 这篇 RSER 综述系统比较了 15 套再分析产品（9 套全球 + 6 套区域），在全球 322 个异质站点上验证其表现，截至 2026 年 5 月被引 138 次。
  • 核心结论：再分析能较好刻画风资源的时间变化，但难以刻画其空间分布——做长序列、年际与季节分析稳妥，做精细空间外推要谨慎。
  • ERA5 在海上与平坦内陆足够可靠，可直接作为资源评估底座；山地、海岸等复杂地形会带来显著偏差，应优先选用分辨率更高的区域再分析产品。
  • 再分析的可靠性强烈依赖地形，以及关注的是时间维度还是空间维度，它不是适用于所有场景的万能数据源。
  • 工程上手：运梦气象 API 提供 ERA5（历史再分析）与德国气象局（未来 ~7 天预报）双数据源，通过 downloadSync 按 dataSourceId 与 fields 拉取，复杂地形场景建议把 ERA5 结果与实测做偏差订正。

背景与权威性

这篇综述的英文原题是《Analysing the uncertainties of reanalysis data used for wind resource assessment: A critical review》，作者为 Giovanni Gualtieri，发表期刊为 Renewable and Sustainable Energy Reviews（RSER），年份 2022。

RSER 是可再生能源与可持续能源领域公认的综述类期刊，影响因子长期处于很高水平，对综述文章的系统性、数据覆盖面与结论可靠性要求严格。该文截至 2026 年 5 月在 Semantic Scholar 上的引用量为 138，在「再分析数据用于风资源评估」这一细分主题上，已经成为被反复援引的参考文献。它的价值不在于提出某个新模型，而在于把分散在大量单点验证研究中的结论，归纳成一个可操作的判断框架——明确界定了 ERA5 在平坦内陆与海上的可靠性，以及它在复杂地形下的局限性。这种「划边界」的工作，恰恰是工程落地最需要、却最容易被忽略的。

它做了什么

这篇综述的核心方法是系统性的横向比较，而非单点案例。

  • 覆盖产品：系统综述了 15 套再分析产品，其中包括 9 套全球再分析 与 6 套区域再分析。区域产品通常具备更高的水平分辨率，是与全球产品形成对照的关键一组。
  • 验证站点：在全球 322 个异质站点 上对这些产品进行表现评估。「异质」意味着站点横跨不同的下垫面与地形类型——海上、平坦内陆、山地、海岸等——这正是检验再分析空间适应性的前提。
  • 验证维度：分别考察再分析对风资源时间变化的刻画能力，与对风资源空间分布的刻画能力。把「时间」与「空间」拆开评估，是这篇综述能给出分场景结论的方法学基础。

需要说明的是，本文只复述已核实的研究设定与结论，不就具体误差数值做超出原文的量化陈述；如需精确指标，请以原文为准。

关键结论

这篇综述给出的判断，可以浓缩为三条对工程实践具有指导意义的结论：

  1. 再分析能够较好地刻画风资源的时间变化，但难以刻画风资源的空间分布。 这意味着用再分析做长时间序列、年际波动、季节特征分析是稳妥的；但若指望它在精细空间尺度上分辨相邻测点之间的风速差异，则要谨慎。
  2. ERA5 在海上与平坦内陆场景下足够可靠。 对于海上风电、戈壁与平原等下垫面均匀、地形起伏小的区域，ERA5 是值得信赖的资源评估底座。
  3. 山地与海岸等复杂地形会带来显著偏差，此类站点应优先选用分辨率更高的区域再分析产品。 当目标场址位于复杂地形时，直接套用全球再分析的风险会明显上升，更高分辨率的区域产品是更合理的选择。

一句话总结作者的立场：再分析不是万能钥匙，它的可靠性强烈依赖于地形，以及所关注的是时间维度还是空间维度。

对新能源与运梦平台的意义

把上述结论映射到风电与光伏的工程链路上，可以得到几条直接可用的方法学纪律：

  • 风资源评估与宏观选址：在海上与平坦内陆，使用 ERA5 做长期风资源刻画与年际代表性分析是合理的；在山地、海岸、风口等复杂地形，应警惕全球再分析的空间偏差，优先引入更高分辨率的区域产品或本地动力降尺度，并结合实测测风塔做偏差订正。
  • 历史回测与电量评估：综述指出再分析对时间变化刻画较好，这支持了用 ERA5 做长时间序列回测、季节与年际波动分析的做法；但跨站点的空间外推要保守，避免把单点验证结论直接铺到整个场区。
  • 功率预测的训练样本：历史再分析常被用作机器学习模型的训练特征。理解「时间可靠、空间受限、地形敏感」这一边界，有助于在特征工程与误差归因时分清哪些偏差来自数据源本身、哪些来自模型。
  • 数据源选型：复杂地形场景下，分辨率是关键变量。这与运梦气象 API 同时提供 ERA5（历史再分析）与德国气象局（未来 ~7 天预报）双数据源的思路一致——历史维度用 ERA5，预报需求结合德国气象局。

在运梦气象 API 上手

运梦气象 API 由南京运梦科技维护，提供 ERA5 与德国气象局双数据源，通过 downloadSync 接口按 dataSourceId 与 fields 拉取数据，字段沿用 CF 命名约定，便于直接接入业务代码。

针对本综述关注的风资源评估场景，常用字段如下：

  • 风资源：u100 / v100（100m 纬向 / 经向风分量）、ws（风速）、wd（风向）
  • 光伏：rsds（地面入射短波辐射）、dni（直接法向辐照）、dhi（散射水平辐照）
  • 常规气象：tas（2m 气温）、hurs（2m 相对湿度）、sp（地面气压）、pr（降水）

下面是一个按经纬度点拉取一段时间窗内风资源字段的 downloadSync 请求示例：

{
  "dataSourceId": "era5",
  "lat": 38.5,
  "lon": 110.2,
  "stime": "2023-01-01 00:00",
  "etime": "2023-12-31 23:00",
  "fields": ["u100", "v100", "ws", "wd", "tas"],
  "timezone": "8"
}

结合本综述的结论，给一条上手思路：若目标场址位于海上或平坦内陆，可直接以 ERA5（dataSourceId=era5）做风资源刻画；若位于山地或海岸复杂地形，则应把 ERA5 的结果与实测做偏差订正，并在预报环节引入德国气象局（dataSourceId=ger）。

延伸阅读与上手入口：

常见问题

ERA5 做风资源评估靠谱吗？

在海上与平坦内陆（如戈壁、平原等下垫面均匀、地形起伏小的区域），ERA5 足够可靠，可直接作为资源评估底座；但在山地、海岸等复杂地形会带来显著偏差，此类场址应优先选用分辨率更高的区域再分析产品。

再分析数据在复杂地形为什么会偏差大？

Gualtieri 2022 综述指出，再分析能较好刻画风资源的时间变化，却难以刻画其空间分布。复杂地形上相邻测点的风速差异需要更精细的空间分辨率才能分辨，而全球再分析的网格较粗，因此在山地、海岸等场景偏差明显，建议改用分辨率更高的区域再分析产品。

能用 ERA5 做长期历史回测和年际波动分析吗？

可以。综述结论支持用再分析做长时间序列、季节与年际波动分析，因为它对风资源的时间变化刻画较好；但跨站点的空间外推要保守，避免把单点验证结论直接铺到整个场区。

复杂地形场址该怎么选数据源？

在复杂地形下分辨率是关键变量。建议把 ERA5 的结果与实测测风塔做偏差订正，或引入更高分辨率的区域产品与本地动力降尺度；在预报环节，运梦气象 API 可结合德国气象局（dataSourceId=ger）的未来 ~7 天预报。

怎样在运梦气象 API 上拉取风资源字段？

通过 downloadSync 接口，按 dataSourceId（历史用 era5）与 fields 拉取，字段沿用 CF 命名约定。风资源常用字段包括 u100 / v100（100m 纬向 / 经向风分量）、ws（风速）、wd（风向），可一次性指定经纬度点与时间窗。

引用与原文

Gualtieri, G. (2022). Analysing the uncertainties of reanalysis data used for wind resource assessment: A critical review. Renewable and Sustainable Energy Reviews.

原文 DOI：doi.org/10.1016/j.rser.2022.112741