(1)
北京大学学报(自然科学版) 第62卷 第3期 2026年5月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 3 (May 2026)
doi: 10.13209/j.0479-8023.2026.002
国家重点研发计划(2023YFF0613900)和中国气象局气候变化主题研究(QBZ202409)资助
收稿日期: 2025–03–10;
修回日期:2025–04–14
摘要 为准确地评估中国东南沿海省市海上风电开发潜力, 采用场级尺度分析方法, 结合历史风速数据、海洋地理信息及风机布局优化策略, 建立一种包含风速、浪高、水深和保护区限制的海上风电装机适宜性评估框架, 提出标准化风机间距布局方案, 同时运用高斯尾流模型量化风电场级的尾流效应。结果表明, 从资源潜力角度出发, 在不考虑电力时序输出、弃风率、电网接纳能力或调度限制等实际因素的情况下, 东南沿海五省市的海上风电潜力可满足区域 77%的用电需求。同时, 优化风机行数和间距配置可以平衡尾流损耗和整体发电潜力, 深远海浮式风电与大容量机组的应用能够有效地提升资源利用率。研究结果对合理规划区域风电开发、优化建设决策和提供区域能源结构低碳化转型方案具有积极意义。
关键词 东南沿海; 海上风电; 资源潜力; 场级尺度
在全球能源结构向低碳化转型的背景下, 可再生能源已成为各国能源战略的核心。中国作为全球最大的可再生能源市场, 风电发展迅猛, 截至 2024年, 中国风电累计并网容量达到 5.21 亿千瓦, 其中海上风电累计并网容量突破 4127 万千瓦, 稳居全球首位[1–3]。海上风电因其资源丰富、利用小时数高和不占用陆-上土地等优势, 近年来发展迅速[4]。特别是在中国, 海上风电被视为能源转型的重要组成部分, 既能推动碳达峰与碳中和目标的实现, 又能促进沿海经济可持续发展[5–6]。海上风电潜力评估对合理规划风电布局、优化投资决策和提升风能资源利用率至关重要[2]。准确的评估方法不仅能帮助政府和企业确定最优的开发区域, 还能减少环境和经济风险。然而, 由于风资源的空间变化性、气象条件的不确定性以及海洋生态保护限制等因素, 风电潜力评估仍然面临诸多挑战[7]。近年来, 有研究聚焦于海上风电技术可开发量和资源评估, 提出基于 GIS、多元气象数据和数值模拟等方法的潜力计算框架[8–11], 也有研究探讨深远海风电的开发前景, 并预测其成本下降趋势[4,8,12]。目前风能资源评估通常采用自下而上的地理选址方法。首先, 根据水深、波浪和保护区等限制, 确定一系列适合潜在风电开发的海域[9]。然后, 在所有可用区域内, 均匀布置选定的风机, 使用简单的尾流损失因子, 计算这些区域的理论发电潜力[13–15]。因此, 当前评估主要基于单一风电场或区域尺度, 缺乏全国或大范围的统一评估体系。同时, 风电场排布、风机型号和尾流效应等因素对潜力评估的影响未被充分考虑, 导致部分研究结果可能存在偏差[15–17]。实际的海上风电场往往以更大的场规模来规划, 且其规模不断扩展[18]。当前的评估方法缺乏足够的实际参考来确定风机间距, 并且在风电场内尾流效应的表现上使用粗略的假设, 导致潜力评估不准确[18]。为了实现更准确的离岸风电资源评估, 必须考虑现实的场级尺度设计要求和来自风电场级别的尾流效应。
本文根据海上风电建设过程中现实尺度的规模限制和布局要求, 采用实际风电场的场级尺度进行潜力评估。在从单一风机或无限大风电场的假设模式转变为基于实际场规模的风电场布局设计过程中, 考虑风机间距、风场布局以及尾流效应等因素, 从而提供更加精准的海上风电潜力评估。我们首先对中国现有海上风电场的风向特征和风机间距进行评估, 并据此设计符合实际的风电场规模与布局方案, 然后结合气候、海洋和地理等多方面数据, 优化风电场布局, 确保最大限度地开发风电资源, 并提升资源利用效率。随后, 在中国东南沿海 5 个主要省市(江苏省、上海市、浙江省、福建省和广东省)的所有可用区域内, 采用优化后的风电场布置策略来评估其发电潜力。此外, 本文在尾流效应的处理上进行精细化分析, 采用更加复杂的模型来考虑风电场内部不同位置的尾流损失, 从而提高潜力评估的准确性。
本研究使用的风能资源数据为 NASA 戈达德太空飞行中心开发的 MERRA-2 数据集[19]。该数据集提供高分辨率的气候模拟和气象观测, 旨在为气候研究和应用提供全球连续记录。MERRA-2 涵盖的时段为 44 年(1979—2023 年), 时间分辨率为 1h, 空间分辨率为 0.5°(纬度)×0.67°(经度)(在中纬度约为56km×61km)。本文假设风电场的生命周期为 25年, 因此使用最近 25 年数据(1999—2023 年)。
由于地球表面的摩擦效应, 风速会随着高度的增加而发生变化[20]。然而, 现有的风速数据大多是在近地面处测得的。因此, 在评估风力发电潜力时, 为了准确获得风力涡轮机轮毂高度处的风速, 需要利用调整函数对近地面风速数据进行修正:
(1)
其中,v为修正后的风速,v0 为初始风速,h 为风机高度,h0 为风速数据的参考高度,a为修正系数。a的计算方法[21]为
(2)
其中,z0 为表面粗糙度, 本文参考 Wasp 软件的水面粗糙度, 将其设为 0.002[22–23]。另外, 通过压力定律对全球数据集进行偏差校正, 假设每 100m 高度降低 0.65K, 据此获得相应高度的风速[24]。
风力发电场的选址需要综合考虑风速、波浪高度、水深、离岸距离以及保护区分布等因素。风速数据对评估风力涡轮机的发电效率至关重要, 我们对近 25 年中国专属经济区的风速进行平均, 并排除平均风速在 5m/s 以下的区域。海洋波浪高度会影响风机建设过程、运行状态以及后期运维(特别是对浮动式风力涡轮机), 因此我们从 FIO-ESM v2.0CMIP6 实验中获取对应的浪高数据[25], 通过该实验提供的长期月度海洋表面波浪参数进行区域筛选。水深数据会影响风电场建设的难度和成本, 同时影响风机类型, 因此, 我们使用 Tozer 等[26]创建的SRTM15+数据集。该数据集提供全球 15 弧秒分辨率的海底地形和水深数据, 有助于评估目标区域的水深情况。选址过程中需要排除任何保护区, 避免对生态环境造成破坏。本文参考世界保护区数据库(WDPA)[27]。该数据库由联合国环境规划署(UNEP)和国际自然保护联盟(IUCN)共同构建, 包含全球所有受保护陆地和海洋区域的信息。此外, 离岸距离也会影响风机类型的选择(固定式风机和浮动式风机)。选址标准和数据集的详细信息见表 1。
在评估风电潜力的过程中, 风机间距会极大地影响区域的风机数量和最终风电潜力。为建立评估中国海上发电潜力过程中的间距标准, 我们使用全球离岸风电机(OWT)数据集[30]。该数据集源自 Sen-tinel-1 合成孔径雷达(SAR)时间序列图像, 采用基于百分位数的年 SAR 图像获取缩减和自适应阈值算法, 在 Google Earth Engine 平台上识别全球范围内风电机的时空分布。我们提取其中关于中国的风电场相关数据, 并识别规则布局的风电场。我们还利用 4Coffshore[31]和 DeepOWT[32]的数据, 对这些信息进行校准。然后, 计算每个风电场内风机的迎风间距和垂直间距, 并根据每个风机的叶轮直径标准化这些距离(图 1), 最终选定 10D×5D的间距标准, 部分案例如表 2 所示。
通过分析当前风电场布局中行数的分布, 结合国际可再生能源署(IRENA)[33]提供的当前新风机的容量, 本文设置典型风电场规模和风机类型的组合(表 3)。两类典型风机的功率曲线如图 2 所示。
表1 适宜性底图筛选标准
Table 1 Suitability map screening criteria
限制因素固定式风机浮动式风机数据源 平均风速> 5.0 m/s> 5.0 m/sMERRA-2 [28] 浪高< 2.0 m< 2.0 mFIO-ESM v2.0 CMIP6 [25] 水深< 60 m60 ～ 1000 mSRTM15+ [26] 离岸距离> 10 km–自然资源部[29] 保护区排除排除WDPA [27]
在风电场布置过程中, 风电场的主要方向(长轴方向)与主导风向对齐, 并进行多次优化迭代, 以便最大化可以容纳的风电场数量。风电场之间的间距设定为所选风机类型转子直径的 40 倍, 作为有效的缓冲区来最小化尾流效应的影响。具体算法流程如图 3 所示。
理想风能的生产和计算适用于孤立的风力涡轮机或小型风电场。实际上, 越来越多的涡轮机被安置在拥有数十台涡轮机的大型风电场中, 特别是海上风电场[18]。当风力涡轮机从风中获取能量时, 会产生尾流效应, 对风能生产有重大影响。尾流效应意味着, 如果涡轮机之间的距离太近, 就会相互干扰, 从而降低整个风电场的能量输出。涡轮机的大小、分布和整体形状, 风场大小以及风场内的涡轮机间距都会影响尾流效应对能量捕获效率的削弱程度[34]。多数研究将阵列效率视为常数, 如在 Eurek等[19]和 Siyal 等[14]等的研究中, 阵列效率取值约为90%。这类假设忽略了风场规模, 导致阵列效率被严重高估。
为了更细致评估尾流的影响, 我们在风电场规模上进行分析, 并充分考虑尾流效应的损失。本文利用高斯模型(Gaussian model)计算风速[35–36], 假设尾流速度损失在展向上呈高斯分布:
(3)
图1 典型海上风电场排布示意图
Fig. 1 Schematic layout of a typical offshore wind farm
表2 典型风电场中风机间距案例
Table 2 Typical wind farm turbine spacing cases
风电场名称主距/m垂距/m风机类型直径/m主距/直径垂距/直径 华能江苏如东H3-11623790H151-5MW15110.75.2 三峡新能源江苏大丰H8-21611782GW 155-4.5MW15510.45.0 福建福能长乐区域C二期1666985DEW-D10000-185185 9.05.3 大唐江苏滨海300兆瓦(东)1227736MySE3.0-135135 9.15.5 国能东台四期(H2)300兆瓦(北)1524681SWT-4.0-13013011.75.2 上海海湾新能奉贤一期1946815MySE6.45-18018010.84.5 三峡新能源福清兴化湾一期1384739Haliade 150-6MW150 9.24.9 粤电广东湛江外罗(东)1478833MySE5.5-155155 9.55.4 粤电广东湛江外罗(西)1459710MySE5.5-155155 9.44.6 国电投江苏如东江家沙H21261819EN-148/4.5148 8.55.5 龙源江苏大丰(H12)200兆瓦(东)1165569GW 109/250010910.75.2 龙源江苏大丰(H12)200兆瓦(西)1044597GW 109/2500109 9.65.5 协鑫江苏如东H131444770H171-5.0MW171 8.44.5 国电投江苏滨海南H31355688SWT-4.0-146146 9.34.7 龙源江苏射阳H21598805EN-148/4.514810.85.4 三峡新能源江苏大丰300兆瓦(北)1776727GW140-3.3MW14012.75.2 三峡新能源江苏大丰300兆瓦(南)1207717GW140-3.3MW140 8.65.1 华能浙江嘉兴21765755SWT-6.0-15415411.54.9 平均值1474751–14810.05.1
说明: 主距为主风向间距, 垂距为垂直主风向间距。
表3 两种典型风机及其风电场的主要参数(8MW 和 11MW)
Table3 Main parameters of two typical wind turbines and their wind farms (8 MW and 11 MW)
风机类型额定功率/MW切入风速/(m·s–1)额定风速/(m·s–1)切出风速/(m·s–1)转子直径/m轮毂高度/m风电场宽度/m风电场长度/m V164_8 8512251641051164418204 EW_11_20811310252081201476823088
图2 两种典型风机的功率曲线(8MW 和 11MW)
Fig. 2 Power curves of two typical wind turbines (8 MW and 11 MW)
其中,x, y 和 z 分别表示流向、跨向和垂直坐标;D 是风力涡轮机的直径;h 是轮毂高度;CT 是推力系数, 在本研究中通过将涡轮机的功率曲线导入 windPRO 进行计算[37];k*表示尾流增长率, 是推力系数和局部流向湍流强度的函数[38];e由以下方程给出:
(4)
风电场中的风力涡轮机受到多个上游涡轮机影响。为了考虑它们累积尾流的综合效应, 我们应用如下叠加原理:
(5)
图3 海上风电布局优化流程
Fig. 3 Optimization process of offshore wind farm layout
其中,vi 是涡轮机 i 处的风速,vki 是仅考虑与涡轮机 i尾流相互作用的涡轮机 k 所产生的尾流风速。风力涡轮机的功率由涡轮机参数和插值函数给出:
(6)
其中,Pf是涡轮机的额定功率, vc, vr 和 vf分别为切入风速、额定风速和切出风速。插值函数由离散的风速–功率输出对构建, 可以在运行范围内估算涡轮机在任意风速下的功率。
风电场的能量输出计算方法如下:
(7)
其中, N 表示风电场中的涡轮机数量, n 表示不同风速的数量,T 代表一年中的总时长(小时),P(vi)表示风速 vi 下的功率输出,f(vi)表示风速 vi 的频率或概率。最终, 我们将多年的 AEP 进行合并计算, 获得平均年发电量。
本文结合实际的海上风电建设规模, 综合考虑风电场大小、风机类型和尾流效应等因素, 重新评估中国东南沿海省市的海上风电潜力。图 4(a)和(c)分别展示在使用 8MW 和 11MW 风机情景下, 中国海上风电场的整体建设情况, 可以看出, 离岸距离越远, 单个风电场的年发电量越大。8MW 风机的风电场年发电量在 1500GWh 以下的居多, 随着风电场向深远海布局, 年发电量在 1500GWh 以上的风电场数目不断增加。由于台湾海峡的风速情况较好, 几乎所有年发电量在 1800GWh 以上的风电场均在这一区域。在单机容量提升到 11MW 后, 对应的单个风电场的装机容量也从 480MW 提升至 660MW, 多数风电场的年发电量能够达到 2000GWh以上, 深远海风电可以达到 2600GWh 以上, 而单场年发电量最高的福建沿海区域甚至能够达到 3000GWh 以上。
从各省市整体的发电潜力来看, 虽然 11MW 风机类型的单场发电量增加许多, 但是由于更大的额定功率会有更大的转子直径及风机间距, 导致海域能铺设的风电场数量减少, 所以整体的发电潜力变化不大。如图 4(b)和(d)所示, 各省市不论是否考虑尾流损耗, 不同风机类型对应的发电潜力变化都不大。例如, 江苏省在 8MW 风机类型下未考虑尾流损耗的潜力为 459TWh, 11MW 风机类型下同种情景发电潜力为 478TWh, 仅相差 19TWh (不到 5%)。
对比用电需求侧(表 4)可见, 虽然用电大省广东和江苏风电资源丰富, 但仍然难以满足庞大的用电需求。例如, 在使用 11MW 风机情景下, 江苏省的总用电量为 740TWh, 总发电潜力为 410TWh, 只能满足江苏省 55.4%的用电量; 同等情景下, 广东省只能满足 66.5%的用电需求。对于福建省和上海市, 虽然用电量相对较低, 但是由于两省市海域面积较小, 风电的开发潜力有限, 无法满足自身需求, 需要持续依赖其他类型能源补充或跨区域输配电。浙江是发电潜力满足用电量的唯一省份, 但其大多数发电潜力在深远海(图 4), 如何提高深远海风电建设能力, 应对复杂的海域、气候和地形条件, 并持续降低风电投资运维成本是需要解决的问题。进一步对比 Sherman 等[40]的研究, 本研究评估的海上风电潜力明显低于其预测结果。例如, 江苏的发电潜力在本研究中为 410TWh, 而 Sh-erman 等的预测值为 1544TWh, 差距巨大。浙江、福建和广东等省份的潜力也有显著差异, 原因是 Sherman 等的估算, 未充分考虑到实际的海上风电场建设的规模、风机布局和尾流效应等限制因素。
图4 基于场级尺度模型的东南沿海省市海上风电潜力分布
Fig. 4 Offshore wind power potential distribution in southeastern coastal China at the farm-scale
图 4(b)和(d)显示, 考虑尾流效应后, 发电潜力衰减。图 5 展示中国东南沿海 5 个省市的尾流损耗分布特征, 对比 8MW 和 11MW 两种风机类型的尾流损失率。从整体来看, 11MW 风机的尾流损耗普遍低于 8MW 风机, 表明更大容量风机可以通过优化布局来减少风机间相互干扰, 提高发电效率。其中, 江苏和广东的尾流损耗相对较高, 8MW 风机的损耗平均数分别达到 16%和 17%, 而 11MW 风机的损耗较低(江苏为 14%, 广东为 15%)。相比之下, 上海和浙江的尾流效应控制较好, 两种风机的整体损耗率均较低。福建的尾流损耗分布较离散, 8MW 风机受影响较大, 11MW 风机相对更稳定, 与当地复杂的风况和地形条件有较大的关系[39]。
表4 东南沿海省份用电量与海上风电发电潜力对比
Table 4 Comparison of electricity demand and offshore wind power potential in southeastern coastal provinces
省市用电量/TWh海上风电潜力/TWh 8 MW11 MWSherman等[16] 江苏 740 387 4101544 上海 175 29 32– 浙江 580 880 8621726 福建 290 187 1811390 广东 787 512 5231584 合计25721993 20086244
综合分析结果表明, 采用更大容量风机(如 11MW)有助于降低尾流损耗, 提高整体发电效率, 未来海上风电场规划应优先考虑大功率风机, 并结合区域特点优化风机间距和布局策略。在江苏和广东等风电密集区域, 可以通过智能风场调度来减少尾流影响[40]; 在福建等复杂风况区域, 可以采取更灵活的风机排布方式, 以便适应地形条件[39]。
在场级尺度下进行海上风电潜力评估时, 风电场的行数和风机间距对适宜性海域能铺设的风机和风电场数量有明显影响。本文对这两个因素进行评估, 分析其对发电潜力的影响。我们将原有的 4 行布局(60 台风机), 修改为 3 行布局(3-row)和 5 行布局(5-row), 每行的风机数量分别为 20 台和 12 台。图 6(a)展示风电场不同排布方式(行数)的影响, 可以看出, 增加风机行数(5-row)在绝大多数省份和风机类型情况下(除使用 11MW 风机情景的上海和福建外), 可以提高省市的整体风电能力, 提升量约为4%。3-row 方案会降低所有省市的发电潜力, 上海和福建降低的比例最大。
调整风机间距的结果如图 6(b)所示, 可见较小间距(10D×3D)的布局可以显著提高发电潜力, 绝大多数提升 30%以上, 对于福建, 8MW 和 11MW 风机情景分别提升 57.35%和 40.80%。虽然较大间距(10D×7D)的布局能减少尾流损耗, 但是由于风机数量和风电场数量减少, 总发电量下降明显, 下降比例中位数达到 25%以上。
整体来看, 优化风机行数和间距配置是提高风电场效率的关键。对于风资源丰富的地区(如广东和浙江), 适当地增加行数, 可以平衡风能利用和尾流影响, 而在江苏和上海等风速较低的地区, 更紧密的风机布局有助于提升发电总量。未来的风电场设计需要综合考虑风机密度、尾流损失和建设成本, 以便寻求最优的风能开发策略[41]。
本文还使用传统的单机铺设方法进行潜力评估, 并且将评估结果与基准情景及敏感性分析中增添的其他情景进行对比。如图 7(a)所示, 在不考虑尾流效应以及考虑 5%尾流损耗的传统方法中, 东南沿海省市的年总发电潜力可以达到约 10000TWh (9300～10500TWh)。在基于场级尺度的潜力评估中, 只有 S4 情景(4 排配置, 间距为 10D×3D)的年发电潜力超过 2500TWh, 其他情景的潜力均低于该数值, 表现出与传统单机辅设方式的巨大差异。
图5 尾流效应对沿海省份海上风电发电潜力的影响
Fig. 5 Impact of wake effects on offshore wind power potential in coastal provinces
图6 风电场行数和间距配置对东南沿海省份海上风电发电潜力的影响
Fig. 6 Impact of wind farm row configuration and turbine spacing on offshore wind power potential in southeastern coastal provinces
S1 和 S2 为区域尺度方法下的情景, 其中 S1 为区域尺度(无尾流损耗)方法下的潜力, S2 为区域尺度(5%尾流损耗)方法下的潜力。S3～S7 为场级尺度下的情景, 其中 S3 为 4 排, 10DÍ5D(基准情景); S4 为 4排, 10DÍ3D; S5 为 4 排, 10DÍ7D; S6 为 3 排, 10DÍ5D; S7 为 5 排, 10DÍ5D
图7 不同情景下东南沿海省市的整体发电潜力与单位面积发电潜力对比
Fig. 7 Comparison of overall power generation potential and unit area power generation potential under different scenarios for southeastern coastal provinces
为进一步探讨风机间距和行数变化对潜力的影响, S6 和 S7 情景(3 排和 5 排布局)中的两种风机类型的单位面积发电潜力与基准情景 S4 相似, 中位数范围为 6.3～7.3。在 S4 和 S5 情景(10D×3D和 10D ×7D)中, 单位面积潜力较小的 S5 情景实际上表现较差。虽然较小的风机间距会导致更大的尾流损耗, 但这种损耗不足以抵消由较小间距带来的显著面积减少效应, 因此 S4 情景的单位面积潜力较大。相反, S5 情景因风电场占地面积较大导致单位面积潜力较低。需要注意的是, 尽管较大间距的风电场发电量较高, 但在实际建设过程中, 还需要综合考虑建设成本、运维成本、用地限制和审批程序等多方面因素[42]。
本研究基于最新的风速气象数据、风电场布局优化策略以及尾流效应分析, 基于场级尺度评估中国东南沿海海上风电潜力。评估过程中, 综合考虑风机类型、行数配置和风机间距等因素, 以便提高评估的科学性和实际可行性。结果表明, 仅从资源潜力角度出发, 选取适宜的风电场布局后, 东南沿海五省市的海上风电资源理论上可满足区域内 77%左右的用电需求。其中, 浙江具备最高的风电开发潜力, 随着深远海风电的技术进步, 甚至可实现电力外输。江苏和广东两省虽然具备丰富风能资源, 但仍然难以满足本地庞大的用电需求, 需依赖其他能源补充。福建和上海由于风电场布局受限, 其开发潜力相对较小, 未来需通过区域电网互联或其他能源补充来满足需求。从风电场布局优化来看, 增加风机行数(5-row)可在多数省份提高风电发电能力约 4%, 减少行数(3-row)则普遍降低发电量, 尤其对上海和福建两省(市)的影响较为显著。缩小风机间距(10D×3D)能显著地提升发电潜力, 大多数地区可提升 30%以上, 福建地区的增长尤为突出, 最高可达 57.35%。然而, 虽然增大风机间距(10D×7D)可减少尾流损耗, 但因风机数量减少, 总发电量下降明显, 下降中位数达 25%以上。因此, 未来的海上风电开发需结合区域风能特性, 在风机行数、间距、尾流损耗和风电场可用面积之间找到最佳平衡, 在确保发电效率的同时控制建设成本。通过合理地优化风电场布局, 结合智能调度技术, 可进一步提升东南沿海海上风电的经济性与可持续性, 为中国未来低碳能源转型提供重要支撑[43]。
需要注意的是, 本研究对各省市潜力资源的评价与用电负荷的对比, 仅仅从理想化的年均发电量与年用电量的视角出发, 未考虑电力输出的波动性、电网的实际接纳能力以及可能的弃风率等因素。实际上, 风电输出具有较大的波动性, 且电网接纳能力及弃风率等因素将直接影响风电的利用效率, 是否有调峰和相应容量的储能支持也会对风电的使用产生较大的影响, 因此在建设运行过程中还应结合实际电网的调度能力、调峰措施以及储能系统的支持, 全面地评估风电的实际供电能力[44–45]。风电场的布局和风机间距的设计也应随着风电场规模的扩大、机型的升级以及不同海域的风速、湍流和海况的变化进行相应的调整。未来的研究中需结合实际运营条件, 进一步完善风电潜力评估模型, 并考虑动态的环境因素, 提高模型的适用性和外推能力[46–47]。此外, 虽然高密度布设能够提高风电资源的利用效率, 但也会对海上风电场的施工和运维带来一定的挑战[48]。特别是在风机间距和空间利用效率方面, 过高的风机密度可能增加施工难度和运维成本。因此, 在风电场规划和设计过程中, 需要不断优化风电场布局, 平衡风机间距和布局密度, 确保建设和运维的经济可行性, 提升风电场整体可持续性[48]。
展望未来, 海上风电的发展将朝着深远海、高功率风机和智能运维等方向推进[49–51]。随着近海风电资源逐渐饱和, 深远海浮式风电技术将成为重要突破口, 能进一步拓展可利用的风能资源[52]。此外, 大容量风机(如 15MW 及以上)的应用将减少单位发电量所需风机数量, 从而降低建设成本, 减少尾流效应。同时, 智能风场管理和电网调度技术的进步(如风速快速预测和智能运维系统)将提高风电利用率, 减少电网波动带来的不稳定性[53]。另外, 随着储能技术(如海上风电+氢能)的发展, 海上风电不仅能满足本地用电, 还将成为重要的可再生能源外输基地, 为区域能源安全和低碳转型提供重要支撑[54–56]。
参考文献
[1] 国家能源局. 2024 年可再生能源并网运行情况[EB/ OL]. (2025–01–27) [2025–03–01]. https: //www.nea.gov. cn/20250221/e10f363cabe3458aaf78ba4558970054/c.html
[2] 孙丽平, 易晓亮, 宋子恒. 我国海上风电发展面临的挑战和相关建议. 中外能源, 2022, 27(11): 30–35
[3] 杜剑强, 仲俊成, 李斌, 等. 中国海上风电发展现状及展望. 油气与新能源, 2023, 35(3): 1–7
[4] 刘钟淇, 吕循岩, 王哲, 等. 海上风电开发潜力与外送经济性分析. 可再生能源, 2024, 42(11): 1498–1503
[5] 程建荣, 谢素美, 曹艳, 等. 中国海上风电发展现状及对策建议研究. 科技导报, 2025, 43(3): 115–128
[6] 陶建根, 陈怡, 黄博远. 海上风电发展现状与趋势分析. 能源工程, 2023, 43(4): 1–9
[7] Rubio-Domingo G, Linares P. The future investment costs of offshore wind: an estimation based on auction results. Renewable and Sustainable Energy Reviews, 2021, 148: 111324
[8] Guo Q, Huang R, Zhuang L, et al. Assessment of China’s offshore wind resources based on the integra-tion of multiple satellite data and meteorological data. Remote Sensing, 2019, 11(22): 2680
[9] Li Y, Wu X P, Li Q S, et al. Assessment of onshore wind energy potential under different geographical climate conditions in China. Energy, 2018, 152: 498–511
[10] Shu Z R, Li Q S, Chan P W. Investigation of offshore wind energy potential in Hong Kong based on Weibull distribution function. Applied Energy, 2015, 156: 362–373
[11] Hong L, Möller B. Offshore wind energy potential in China: under technical, spatial and economic con-straints. Energy, 2011, 36(7): 4482–4491
[12] Wen Y, Kamranzad B, Lin P. Assessment of long-term offshore wind energy potential in the south and south-east coasts of China based on a 55-year dataset. Energy, 2021, 224: 120225
[13] Hau E, Renouard H. Wind turbines: fundamentals, technologies, application, economics. Berlin: Springer-Verlag, 2006
[14] Siyal S H, Mörtberg U, Mentis D, et al. Wind energy assessment considering geographic and environmental restrictions in Sweden: a GIS-based approach. Energy, 2015, 83: 447–461
[15] Wang Y, Chao Q, Zhao L, et al. Assessment of wind and photovoltaic power potential in China. Carbon Neutrality, 2022, 1(1): no. 15
[16] Sherman P, Chen X, Mcelroy M. Offshore wind: an opportunity for cost-competitive decarbonization of China’s energy economy. Science Advances, 2020, 6(8): eaax9571
[17] Feng J, Feng L, Wang J, et al. Evaluation of the onshore wind energy potential in mainland China — based on GIS modeling and EROI analysis. Resources, Conser-vation and Recycling, 2020, 152: 104484
[18] Pryor S C, Barthelmie R J, Shepherd T J. Wind power production from very large offshore wind farms. Joule, 2021, 5(10): 2663–2686
[19] Eurek K, Sullivan P, Gleason M, et al. An improved global wind resource estimate for integrated assess-ment models. Energy Economics, 2017, 64: 552–567
[20] Mentis D, Hermann S, Howells M, et al. Assessing the technical wind energy potential in Africa a GIS-based approach. Renewable Energy, 2015, 83: 110–125
[21] Counihan J. Adiabatic atmospheric boundary layers: a review and analysis of data from the period 1880–1972. Atmospheric Environment, 1975, 9(10): 871–905
[22] Eikrem K S, Lorentzen R J, Faria R, et al. Offshore wind farm layout optimization using ensemble me-thods. Renewable Energy, 2023, 216: 119061
[23] Department of Wind Energy, Technical University of Denmark (DTU). WAsP version 12.7 [CP]. Lyngby: DTU, 2022
[24] Stull R. Practical meteorology: an algebra-based sur-vey of atmospheric science [M/OL]. Vancouver: Uni-versity of British Columbia. 2016 [2024–06–20]. https: //www.eoas.ubc.ca/books/Practical_Meteorology/
[25] Qiao F. Simulated long-term monthly ocean surface waves parameters from FIO-ESM v2.0 CMIP6 experi-ments for past, present, and future climate research [J/OL]. (2020) [2024–06–20]. https://doi.org/10. 6084/ m9.figshare.c.4819503
[26] Tozer B, Sandwell D T, Smith W H F, et al. Global Bathymetry and Topography at 15 Arc Sec: SRTM15+. Earth and Space Science, 2019, 6(7): 1254–1262
[27] IUCN and UNEP-WCMC. The World Database on Pro-tected Areas (WDPA) [EB/OL]. (2020)[2024–06–20]. https://data.apps.fao.org/catalog/dataset/bfcb8c96-648c-4c31-9702-20fc5d4d5b49
[28] Global Modeling and Assimilation Office (GMAO). MERRA-2 inst3_3d_asm_Np: 3d, 3-Hourly, Instantan-eous, Pressure-Level, Assimilation, Assimilated Met-eorological Fields V5. 12. 4 [DS]. Greenbelt: Goddard Earth Sciences Data and Information Services Center (GES DISC), 2015
[29] 中华人民共和国自然资源部. 海上风电开发建设管理办法[EB/OL]. (2016–12–29) [2025–03–01]. https: //f.mnr.gov.cn/201807/t20180702_1966877.html
[30] Zhang T, Tian B, Sengupta D, et al. Global offshore wind turbine dataset. Scientific Data, 2021, 8(1): no. 191
[31] 4C OFFSHORE. Offshore Wind Farms Interactive Map [EB/OL]. (2023) [2024–06–20]. https://map.4coffshore. com/offshorewind/
[32] Hoeser T, Feuerstein S, Kuenzer C. DeepOWT: a glo-bal offshore wind turbine data set derived with deep learning from Sentinel-1 data. Earth System Science Data, 2022, 14(9): 4251–4270
[33] IRENA. Renewable power generation costs in 2022 [R]. Abu Dhabi: International Renewable Energy Agency, 2023
[34] Schallenberg-Rodriguez J. A methodological review to estimate techno-economical wind energy production. Renewable and Sustainable Energy Reviews, 2013, 21: 272–287
[35] Bastankhah M, Porté-Agel F. Experimental and theore-tical study of wind turbine wakes in yawed conditions. Journal of Fluid Mechanics, 2016, 806: 506–541
[36] Niayifar A, Porté-Agel F. Analytical modeling of wind farms: a new approach for power prediction. Energies, 2016, 9(9): no. 741
[37] EMD INTERNATIONAL A/S. Windpro [CP]. Aalborg: EMD INTERNATIONAL A/S, 2022
[38] Bastankhah M, Porté-Agel F. A new analytical model for wind-turbine wakes. Renewable Energy, 2014, 70: 116–123
[39] 张利, 石文辉, 王瑞明, 等. 福建省海上风电产业发展现状、问题及发展建议. 海峡科学, 2024(2): 49–52
[40] Harrison-Atlas D, Glaws A, King R N, et al. Artificial intelligence-aided wind plant optimization for nation-wide evaluation of land use and economic benefits of wake steering. Nature Energy, 2024: 1–15
[41] 王虎. 沿海风能资源开发利用策略研究. 中国设备工程, 2019(22): 187–188
[42] 张海强. 海上风电施工技术创新与成本管理研究. 现代工程科技, 2024, 3(18): 113–116
[43] 许维凯. 海上风电发展趋势分析与探讨. 资源节约与环保, 2023(1): 140–143
[44] 葛畅, 阎洁, 刘永前, 等. 海上风电场运行控制维护关键技术综述. 中国电机工程学报, 2022, 42(12): 4278–4292
[45] 姚伟, 熊永新, 姚雅涵, 等. 海上风电柔直并网系统调频控制综述. 高电压技术, 2021, 47(10): 3397–3413
[46] 房方, 梁栋炀, 刘亚娟, 等. 海上风电智能控制与运维关键技术. 发电技术, 2022, 43(2): 175–185
[47] 邓达纮, 陆军. 浅析海上风电施工与运维装备. 机电工程技术, 2019, 48(8): 45–47
[48] 刘喜梅, 崔阳, 董建明, 等. 基于风电机组可靠性的风电场平准化成本模型研究. 太阳能学报, 2022, 43(10): 304–311
[49] Vu Dinh Q, Doan Q V, Ngo-Duc T, et al. Offshore wind resource in the context of global climate change over a tropical area. Applied Energy, 2022, 308: 118369
[50] Zhang S, Li X. Future projections of offshore wind energy resources in China using CMIP6 simulations and a deep learning-based downscaling method. En-ergy, 2021, 217: 119321
[51] Guo X, Chen X, Chen X, et al. Grid integration feasibi-lity and investment planning of offshore wind power under carbon-neutral transition in China. Nature Com-munications, 2023, 14(1): no. 2447
[52] Li Y, Huang X, Tee K F, et al. Comparative study of onshore and offshore wind characteristics and wind energy potentials: a case study for southeast coastal region of China. Sustainable Energy Technologies and Assessments, 2020, 39: 100711
[53] 董飞飞, 陈海焱, 张天龙, 等. 深远海域海上风电发展分析与建议. 中国工程咨询, 2024(2): 63–66
[54] 王立坤, 郭宇, 陈秋华, 等. 海上风电制氢技术展望. 设备管理与维修, 2023(14): 131–133
[55] Praene J P, David M, Sinama F, et al. Renewable energy: progressing towards a net zero energy island, the case of Reunion Island. Renewable and Sustainable Energy Reviews, 2012, 16(1): 426–442
[56] Franco B A, Baptista P, Neto R C, et al. Assessment of offloading pathways for wind-powered offshore hydro-gen production: Energy and economic analysis . App-lied Energy, 2021, 286: 116553
Assessment of Offshore Wind Power Potential in Southeastern Coastal China at the Farm-Scale
Abstract To accurately assess the offshore wind power development potential in the southeastern coastal provinces of China, this study employs a farm-scale analytical approach, combining historical wind speed data, marine geographical information, and wind turbine layout optimization strategies. A suitability evaluation framework is established, incorporating factors such as wind speed, wave height, water depth, and protected area restrictions, along with a standardized wind turbine spacing layout scheme. Additionally, a Gaussian wake model is used to quantify wake effects at the wind farm level. The results indicate that the offshore wind potential in the five southeastern provinces can meet 77% of the regional electricity demand. Optimizing wind turbine row configurations and spacing can balance wake losses and overall power generation potential. The application of deep-sea floating wind turbines and large-capacity turbines will significantly improve resource utilization. These findings are of great significance for rational planning of regional wind power development and the optimization of construction decisions, providing a pathway for the low-carbon transformation of regional energy structures.
Key words southeastern coastal China; offshore wind power; resource potential; farm-scale