风电弃风与气象预报：国际经验综述与中国场景

风机转动，却没有电输出。这不是故障，而是调度员主动下达的限电指令——业内称之为"弃风"。对于投资方来说，弃风意味着真实的收益损失；对于电网来说，弃风是系统灵活性不足的直接体现；对于整个能源转型而言，弃风率居高不下会严重拖累风电的经济可行性，让资本望而却步。2015 年，中国全国平均弃风率约 15%，新疆、甘肃等省份的弃风率甚至超过 30%—40%。这意味着每装机三度风电，就有将近一度被白白浪费。

问题的根源是多层的：风电场往往建在远离负荷中心的大型基地，配套输电通道跟不上；火电机组深调峰能力有限，夜间低谷时段无法让出消纳空间；省间壁垒导致富余电力无法跨区送出；更关键的是，出力计划误差大，调度员无法提前安排消纳窗口，只能在实时阶段被动限电。功率预测技术在这里扮演着关键角色——提前 24—72 小时准确预报风速与出力，能让调度员有足够的提前量来调整火电出力曲线、安排抽水蓄能和调峰机组，从而把弃风压缩在最低水平。本文结合 Bird 等人 2016 年发表于《可再生与可持续能源评论》的国际综述研究，梳理主要风电市场的弃风经验，并介绍如何借助运梦气象 API 将德国气象局 72 小时预报与 ERA5 历史数据结合，落地可操作的弃风风险识别与调度优化方案。

关键要点

• 中国弃风率在该综述中最高：论文采用的 2013 年数据中，中国全国平均约 10.7%、甘肃约 20.7%、内蒙古东部约 19.5%，为十一国中最严重；2015 年前后西北部分省份更一度攀升至 30%—40%（系后续年份的其他来源数据）。相比之下德国（约 0.7%）、丹麦（不足 1%）等成熟市场低得多。
• 弃风四大成因：电网基础设施滞后、调度灵活性不足、省间市场壁垒、负荷与风电出力的时序错配（夜间低谷强风）。
• 功率预测是降弃风的关键杠杆：提前 24—72 小时的准确预测让调度员有时间安排消纳，预测误差直接决定弃风量与考核电量。
• 国际经验可借鉴：德国和丹麦通过市场化机制（日前/日内多市场、跨境互联、灵活性资源竞价）把弃风率控制在很低水平（德国 2012 年约 0.7%、丹麦不足 1%），具有较强参考价值。
• 运梦 API 实现路径：dataSourceId: "ger"（德国气象局）拉取未来 72h 风速预报做日前出力预测，dataSourceId: "era5" 拉取历史序列识别高弃风风险时段，二者结合驱动偏差订正与储能调度优化。

背景与定位

Bird 等（2016）是以美国国家可再生能源实验室（NREL）研究者为首、约 17 位多国学者合作发表于《Renewable and Sustainable Energy Reviews》的一篇系统性国际综述，第一作者 Bird 及 Lew、Milligan 长期从事大规模可再生能源并网研究。该期刊是能源转型领域最具权威性的综述类期刊之一（2016 年影响因子约 8.0，近年已显著走高）。论文系统梳理了欧洲、北美与亚洲共十一个国家（加拿大、中国、丹麦、德国、爱尔兰、意大利、日本、葡萄牙、西班牙、瑞典、美国）的弃风（及弃光）现象，从电网结构、调度机制、市场设计、预测技术等多个维度寻找弃风率差异的成因，并提出减少弃风的政策与技术路径。

这篇综述发表于全球风电大规模扩张的关键节点。彼时中国风电装机已跃居世界第一，但弃风问题严峻；欧洲市场则通过十余年的市场化改革初步实现了低弃风运营。两种截然不同的路径放在同一篇论文里进行横向比较，为政策制定者和技术开发者提供了难得的对照样本。

对于中国的风电场运营商、电网企业和第三方功率预测服务商来说，这篇综述的价值在于：它明确指出功率预测误差是弃风损失的直接影响因素之一，并通过国际案例说明提升预测精度、推进市场化机制改革可以协同降低弃风率。这也正是运梦气象平台在风电调度场景中的切入点。

方法 / 它做了什么

Bird 等采用文献综述与案例比较的研究方法，系统收集了欧洲、北美与亚洲共十一个国家的弃风统计数据、政策文件和技术报告，重点考察各市场近年的弃风率趋势及其背后的结构性成因。研究框架围绕四个核心问题展开：各市场的弃风规模有多大？弃风的直接触发机制是什么？哪些政策与技术手段有效降低了弃风？未来可再生能源高比例渗透情景下，弃风治理的优先方向是什么？

在中国市场，论文重点分析了"三北"地区（东北、华北、西北）风电基地的弃风现象。这一区域集中了中国绝大多数的风电装机，但同时远离东部沿海负荷中心，输电通道建设严重滞后。论文指出，省间壁垒是中国弃风问题的制度性根源：各省调度机构优先消纳本省火电，不愿为外省风电腾出消纳空间，导致大量跨省输电潜力被锁死。调度灵活性不足是第二大成因——中国火电机组的深调峰改造尚未系统推进，夜间低谷时段既无法降低火电出力，又面对强风带来的大量风电涌入，弃风几乎是唯一选择。

在美国市场，论文以德克萨斯州（ERCOT 区域）为重点案例。ERCOT 在 2009 年前后出现过较高弃风率（峰值约 17%），但随着输电扩容计划（CREZ 项目）落地和日内市场完善，弃风率在 2012 年后快速回落至 1%—2%。这一案例有力说明了输电基础设施投资与市场机制改革的协同效果。

德国和丹麦的经验是本综述最具借鉴价值的部分。两国通过建设跨境互联通道、引入日前与日内多时间尺度市场、允许灵活性资源（包括需求侧响应和抽水蓄能）在实时市场竞价，在可再生能源渗透率持续提升的同时把弃风率压得很低（论文报告德国 2012 年约 0.7%、丹麦不足 1%）。论文特别强调，德丹两国的气象预报服务在其中发挥了基础支撑作用：高精度的日前风速预报使得调度员能够提前一天以上制定出力计划，大幅减少实时阶段被动弃风的概率。

论文还对比了爱尔兰（约 3.2%）和西班牙（约 2.1%）的经验，指出岛国或半岛地形带来的互联通道限制是这两个市场弃风的重要原因，同时也说明了跨境电力贸易对于消纳波动性可再生能源的系统价值。综合十一国的案例，论文得出结论：弃风不是可再生能源的"技术宿命"，而是电网投资滞后、市场机制缺位、预测能力薄弱共同作用的结果，三个维度的协同改进可以实质性降低弃风损失。

关键结论

1. 中国弃风率最高：按论文采用的 2013 年数据，中国全国平均约 10.7%，甘肃约 20.7%、内蒙古东部约 19.5%，是十一个对比国家中弃风最严重的（2015 年前后西北部分省份一度达 30%—40%，系后续年份的其他来源数据，非本综述口径）。
2. 弃风四大驱动因素：电网基础设施滞后（大型基地远离负荷中心）、调度灵活性不足（煤电深调峰能力弱）、省间壁垒（电力市场分割）、负荷与风电出力时序错配（夜间低谷强风）。
3. 市场化机制是关键：德国与丹麦通过多时间尺度市场、跨境互联和灵活性资源竞价，在高渗透率下把弃风率压得很低（德国 2012 年约 0.7%、丹麦不足 1%）。
4. 功率预测误差直接影响弃风量：提前 24—72 小时的准确预测是调度员安排消纳的前提，预测误差越大，实时被动弃风的概率越高。
5. 输电扩容与市场改革协同：美国德克萨斯州 CREZ 输电计划结合 ERCOT 市场机制完善，使弃风率从峰值约 17% 快速降至 1%—2%。

上述数字以原文为准。

对新能源 / 运梦平台的意义

Bird 等的综述将功率预测精度列为降低弃风损失的核心技术手段之一，这与运梦气象 API 的产品定位高度契合。对于风电场运营方来说，日前出力计划的准确性直接决定了在"两个细则"考核体系下的偏差电量与罚款金额，同时也影响了调度员是否有足够的提前量安排消纳通道。运梦平台通过接入德国气象局（DWD）的数值预报产品，提供未来 72 小时的 100m 高度风速（u100、v100）和合成风速（ws）数据，支持风电场在日前阶段生成高质量的出力预测曲线。

ERA5 历史再分析数据在降低弃风方面同样有独特价值。通过拉取特定场站过去数年的逐小时风速序列，运营方可以对"夜间低谷+大风"这类高弃风风险时段建立统计模型，识别哪些天气型（如西北路径强冷空气过境后的大风天气）在历史上弃风率最高，进而在预报显示类似天气型时提前启动储能调度或申报调峰资源，化被动为主动。这种基于历史序列的风险标注方法，结合日前预报的实时触发，构成了一套完整的弃风风险管理闭环。

从"两个细则"考核角度看，弃风限电时段的出力偏差认定方式因地区而异，但普遍要求风电场提供有依据的预测数据作为申诉材料。运梦平台输出的预报数据附带完整的气象溯源链路（数据源、分辨率、预报时效），可直接作为考核申诉的技术支撑文件，帮助运营方在弃风损失无法避免的情况下最大限度降低不合理的偏差考核。

对于已配置储能的新型储能电站或风储一体化项目，ERA5 历史序列还可用于优化储能的充放电调度策略。通过分析历史上各季节、各时段的弃风概率分布，储能系统可以在弃风高风险时段提前充电（吸收被限风电），在负荷高峰时段放电，实现弃风电量的时序平移。这一策略的经济性在高弃风率地区尤为显著，论文中中国西北地区 30%—40% 的弃风率意味着储能充电成本接近零，极大提升了储能投资的内部收益率。

在运梦气象 API 上手

要在日前出力计划中接入德国气象局的 72 小时风速预报，只需一次 downloadSync 调用，指定 dataSourceId: "ger"，传入场站经纬度、目标字段和时间范围即可。ERA5 历史数据的调用方式完全相同，仅将 dataSourceId 改为 "era5" 并指定历史时段。两套数据的字段命名保持一致（u100、v100、ws、tas），可直接送入同一套机器学习模型进行训练与推理，无需额外的格式转换层。

以下示例展示了如何拉取未来 72 小时的 100m 风速预报用于日前计划，以及如何拉取 ERA5 历史数据用于模型训练与高弃风时段标注：

日前出力预测 —— 德国气象局 72h 预报：

{
  "dataSourceId": "ger",
  "lat": 40.5,
  "lon": 97.3,
  "stime": "2026-05-15 00:00",
  "etime": "2026-05-18 00:00",
  "fields": ["u100", "v100", "ws", "tas"],
  "timezone": "8"
}

历史弃风风险建模 —— ERA5 再分析数据（仅将 dataSourceId 改为 era5 并指定历史时段）：

{
  "dataSourceId": "era5",
  "lat": 40.5,
  "lon": 97.3,
  "stime": "2020-01-01 00:00",
  "etime": "2025-12-31 23:00",
  "fields": ["u100", "v100", "ws", "tas"],
  "timezone": "8"
}

常见问题

弃风与限电有什么区别？运梦 API 能区分二者吗？ 弃风（wind curtailment）特指电网或调度侧原因导致的风电限电，与设备故障或计划检修导致的停机不同。运梦 API 提供气象侧的预报与历史数据，不直接接入 SCADA 或调度系统，无法自动区分弃风与其他停机原因。运营方需要将 API 输出的理论出力与 SCADA 实测出力对比，差值即为弃风量的上界估计。

ERA5 数据的时间分辨率能满足弃风时段识别的需求吗？ ERA5 标准产品提供逐小时数据，时间分辨率约为 1 小时，空间分辨率约 31km。对于日前调度和弃风统计分析，1 小时分辨率完全满足需求。若需分析更短时间尺度的出力波动（如 15 分钟级），可结合 ERA5 数据做降尺度处理或接入德国气象局的短临预报产品。

德国气象局预报（dataSourceId: "ger"）与 ERA5（dataSourceId: "era5"）各适用什么场景？"ger" 适用于日前和超短期功率预测，提供未来 72 小时及以上的数值天气预报，是实时业务场景的主力数据源。"era5" 是历史再分析数据集，时间覆盖 1940 年至近实时，适用于机器学习模型训练、场站风资源评估、历史弃风风险统计分析和预报偏差订正。两者结合使用可覆盖从模型训练到实时预测的完整链路。

中国"两个细则"考核中，功率预测误差如何与弃风损失关联？ "两个细则"通常规定，当电网下达弃风指令期间，风电场的考核以调度指令为准，不计入功率预测偏差考核。但如果弃风发生在调度员认为可以消纳的时段，而风电场因预测误差未及时申报出力，则可能被认定为无效申报并受到处罚。因此，提升日前预测精度不仅能减少弃风，也能在弃风发生时提供更充分的申诉依据。

如果场站位于"三北"地区，历史弃风率很高，还值得接入功率预测吗？ 值得。即使弃风率达到 30%，功率预测仍然在非弃风时段发挥价值，帮助运营方在可消纳窗口最大化出力收益。此外，随着省间壁垒逐步打破、特高压通道扩容和储能配置比例提升，高弃风率地区的弃风率会逐步回落，提前建立高质量的预测数据资产能在政策转折点快速释放收益。Bird 等综述中美国德克萨斯州的案例正是如此：政策与基础设施改善叠加精准预测，弃风率在数年内从约 17% 降至 1%—2%。

引用与原文

Bird, L., Lew, D., Milligan, M., et al. (2016). Wind and solar energy curtailment: A review of international experience. Renewable and Sustainable Energy Reviews, 65, 577–586. DOI: doi.org/10.1016/j.rser.2016.06.082

注：原文为多机构合作综述，共约 17 位作者，完整署名为 Bird, L., Lew, D., Milligan, M., Carlini, E. M., Estanqueiro, A., Flynn, D., Gomez-Lazaro, E., Holttinen, H., Menemenlis, N., Orths, A., Eriksen, P. B., Smith, J. C., Soder, L., Sorensen, P., Altiparmakis, A., Yasuda, Y., & Miller, J.