邓 浩,李 霄

(1.成都信息工程大学 大气科学学院，四川 成都；2.中电投电力工程有限公司,上海 200233)

1 引言

除了水电以外，风力发电是开发技术最成熟、开发成本最低廉和最具规模化开发价值的可再生能源之一。根据世界风能协会的统计，截至2020年全球风电总装机容量达到了744GW，可满足全球能源的7%以上；虽然COVID-19的大流行减缓了一些国家风电装机容量，但风电在中国依旧发展迅速，仅2020年就新增装机容量52GW，相当于全球的56%[1]。

促进风能开发的前提是对风电场及周边地区风场特征进行准确分析，然而低层风场往往具有高度非均匀性，影响因子繁多且过程十分复杂，依靠有限范围的观测资料或数学推导并不能准确描述风机轮毂高度风场特征。与此同时，随着风力机叶片半径的增大以及风能开发的“主战场”转向地形地貌更复杂的山区和远离陆地的海上，风电开发对风场特征更高的细节需求促使高分辨率数值模式在风能领域扮演着越来越重要的角色[2]。各种数值天气模式中，WRF模式(Weather Research and Forecasting Model)能很好地模拟大气温、压、湿、风等物理量而被广泛用于风能开发利用研究[3～13]。作为风电场开发运营的最主要环节，本文将总结归纳WRF模式在风资源评估、微尺度风场特征研究、风功率预测和风电场天气气候效应中的应用，并指出相关研究中存在的问题。

2 WRF模式介绍

WRF模式实质是一整套求解包含牛顿第二运动定律(动量守恒)、热力学第一定律(能量守恒)、连续性方程(质量守恒)和状态方程在内的大气运动方程组的数值计算程序。Bjerknes[14]最早在1904年提出数值天气预报的概念，他认为大气演变可看作是给定初值的方程求解问题，通过积分求解完整的大气运动方程组可以获得大气变量下一时刻的值，进而实现天气预报。但早期计算条件限制一直未能实现有意义的数值预报，随着电子计算机的诞生与应用，Charney等[15]在1950年才第一次通过数值天气预报模式得到了500hPa高度场的24 h预报结果。随着时间发展，在大气科学基本理论的进一步完善的同时计算机技术也在迅速发展，两者的共同进步促使数值模式的模拟能力和精细化程度迅速增强。

作为气象领域使用最广泛的中尺度数值天气预报模式，WRF模式以第五代区域中尺度数值模式MM5为基础、并结合其他中尺度数值模式的优点于2000年发布，现已更新到4.3版本。模式的编程语言是Fortran，时间积分方案为三阶或四阶Runge-Kutta算法，实验表明Runge-Kutta三阶方案是准确的、稳定的，其稳定时间步长大小较二阶蛙跃式方案要大2～3倍，可明显节省计算时间[16]。模式空间上将三维大气按立方体网格域划分，由于采用Arekawa-C交错网格，风速分量U、V、W分别定义在计算域正交边界的东西向、南北向和垂直向，而温度、气压、湿度等标量则定义在网格域中央，每完成一次积分网格域上的气象要素也会发生变化。水平网格域大小代表水平分辨率，垂直网格域分层则代表了垂直分辨率，一般越小的水平网格距和越多的垂直分层对应更详细准确的地形特征，边界层风场的模拟结果也越接近实况。为了反映次网格天气特征，WRF模式还提供了不同的云微物理、积云参数化、长波辐射、短波辐射、陆面过程行星边界层等物理参数化方案，具体描述可参见[17]。

3 WRF模式在风能开发中的应用

3.1 风资源评估

高质量的风数据是风资源评估的基础，且风数据连续观测时间应至少达到一年以上，因此有研究采用气象台站观测资料进行风资源评估[18]，但气象台站建设成本高、维护周期长、远离海上风电场，同时观测资料存在时空分辨率低和无法直接获得轮毂高度风速等缺陷；而规划、建设和维护专门的风力测量设备则需要昂贵的费用，如果测量结果显示特定地点的风能潜力差时，前期成本将是不可逆转的损失。而将WRF模拟作为风数据替代源具有成本低、时空分辨率高等优势，因此WRF模式在风资源评估中具有广泛应用。Ping et al[19]对WRF模拟的近海风资源与测风塔观测进行了对比，发现模式模拟与实测之间并无显著差异，充分肯定了WRF模拟的可信度；邓国卫等[20]对酒泉风资源的模拟也表明WRF模式能较好地再现复杂地形对风速的影响。WRF模式还广泛应用于湖泊等水陆交接区域的风资源评估中，基于WRF模式对洪泽湖地区风能资源的季节变化、空间分布和垂直特征的模拟研究[21]表明模式可以很好的再现该地区的风资源特征。Mattar等[22]基于WRF模拟指出智利中部海域140 m高度处风功率密度约为1000 W/m2，若安装典型的8MW风机，预估年发电量达到30 GW·h。WRF模式对泰国湾海上风资源的评估也显示该海域可开发风功率介于6000～8000 MW之间，年发电量在50～70 PW·h之间，相当于约减排0.3～0.4亿tCO2[23]。此外，一些学者还利用WRF模式评估了菲律宾、伊比利亚半岛沿岸和山东等地区的风资源特征[24～27]。

由于数值模式自身的计算误差以及模式动力框架和物理参数化方案还有待改进，WRF风场模拟与实测仍存在一定偏差。Carvalho et al[28]研究了表面层方案、行星边界层方案和陆面方案的选择对风场模拟的敏感性，指出MM5-YSU-Noah为最佳参数化方案组合。此外，敏感性试验也表明提高分辨率可显著提高复杂地形风场的模拟效果，尤其低层风场改进效果最为明显[24,29]。此外，研究人员还就模式静态地形数据、地表粗糙度、是否提供海温驱动、初始场更新频率、模式积分时间、模式嵌套特征、不同边界条件和垂直分层数等进行了实验研究[28,30～32]。总的来说，为提高WRF模式对风资源评估的准确性，既需要从模式动力框架和物理参数化方案优化入手，也要关注区域差异性，在综合考虑地形、边界条件、模式嵌套设置、分辨率、积分步长和物理参数化方案的适用性等情况下确定WRF模式在风资源评估中的最佳配置。

3.2 微尺度风场特征研究

微尺度风场在地形、植被和建筑物等影响下会出现分离绕流和爬坡等，综合考虑微尺度风场特征开展风机选址才能确保风机效率最大化。理论上数值天气预报模式可模拟全球尺度到微观尺度的风场特征，但由于网格距的减小会造成计算量迅速增大，同时WRF模式对低于网格分辨率的湍流特征捕捉较差。而微尺度流场特征研究中常使用CFD模型，但虚拟的理想化边界条件导致CFD单独模拟的流场时常与实际风场相差较大[33,34]。因此需要综合WRF模式与CFD模型的优势，利用WRF模拟输出为CFD模型提供真实的、动态的边界条件，而CFD模型则通过对地形和湍流特征的精细化模拟再次优化WRF模式输出，进而实现特定区域的微尺度风场特征研究。方艳莹等[35]通过耦合WRF模式和CFD软件对广东海陵岛风场进行了水平分辨率为100 m×100 m的高分辨率模拟，结果表明WRF模式与CFD模型耦合后对区域风能资源分布趋势的模拟结果比仅采用CFD软件模拟更为准确。在东非复杂地形区域的风场模拟结果也表明，耦合WRF与计算流体力学软件后对风速的模拟相较WRF模式单独模拟的准确性提高了10%[36]。鄱阳湖吉山地区的研究[37]也显示WRF模式与Fluent耦合后对吉山站风速和风向的模拟效果得到明显改善。刘郁珏等[38]结合WRF模式大涡模拟对冬奥会小海坨山赛区风场进行了尺度为37 m的高分辨率模拟，指出耦合模型能更好的捕捉边界层小尺度运动特征，刻画出局地流场结构，获得更精细准确的近地面风场。

将WRF模式与计算流体力学软件进行耦合是一个复杂的过程，主要包括CFD计算域的建模与网格划分、耦合边界条件的处理以及湍流模型选择等。为了进一步耦合系统如何影响微尺度风场特征模拟，Jin et al[34]采用多项式混沌展开法分析了CFD模型的湍流方案的经验参数和不同入流风廓线指数对耦合结果的影响，指出风廓线指数差异导致的边界条件不确定性影响较大，而湍流方案参数不确定性的影响相对较小。在河北崇礼山区微尺度风场研究中，Li et al[39]指出采用Gressman插值法较采用风廓线外推作为CFD模型入流边界条件的耦合结果更优，更能刻画地形对风场的影响。

3.3 风功率预测

数值天气预报模型、统计方法、深度学习及其混合方法是风功率预测中较常见的方法，其中基于WRF模式的风功率预测具有显著的数学物理意义、且预测时间尺度可横跨几分钟至几年，因此在文献中屡见不鲜。马文通等[41]采用WRF模式与CFD模型结合的动力降尺度技术构建了适用于复杂地形的短期风功率预测系统，该系统可实现未来15 min的发电量预测。结合WRF模式、深度学习和支持向量机回归方法也实现了未来1 h较高精度的风功率预测[42]。叶小岭等[43]以WRF模式为基础，结合最小二乘支持向量机和粒子群优化算法开发了海上风电场短期风速预测系统；类似的，WRF模式结合卡尔曼滤波方法也能够较好地实现短期风功率预测[44]。在中长期风功率预测中，WRF模式能较好地捕捉风速的时间变化趋势，并可提前2～4 d预测风电场风速情况[45]；同样，肖寅[46]利用WRF模式的研究也实现了72 h的短期风速预测，并基于优化学习机和主成分分析对风速预测进行了订正。在更长的时间尺度上，Prósper et al[47]采用WRF模式对西班牙风电场进行了一年高分辨率模拟，结果显示预测的风电场年产能与实况吻合良好，年平均风速误差仅有1.87 m/s，产能误差只有14.75%。

3.4 风电场天气气候效应研究

风电场建设运营主要从两方面改变边界层大气特征，一是改变地表粗糙度，二是通过风机叶片的旋转对大气施加扰动，进而与其他气象因子相互作用影响天气和气候。测风塔、卫星遥感和风洞实验等研究[48～53]已经证实风电场建设运营会改变地表热通量、地表蒸发、湍流强度、温度场和风场，大型风电场甚至影响区域环境和全球气候。虽然直接观测是研究风电场天气气候效应最有效的方式，但观测实验范围有限、数据稀缺且成本昂贵，而WRF模式开放、可移植等特点促使其成为相关人员研究风电场对天气气候影响的重要方法，基于模式模拟也进一步揭示了风电场改变天气气候的物理机制。

WRF模拟实验展示了风电场建设运营对温度[54,55]、风速和湍流动能[56]等气象要素空间三维的改变——大型风电场改变了从地表到轮毂高度的整层大气温度，风电场下游的温度场表现为白天降温，而夜间升温的日变化特征；风速的改变在垂直方向上可达边界层顶，水平方向则可超过60 km，风速降低最大可达1.5 m/s，在轮毂高度处风速甚至可减少16%，而风电场地表附近风速增大可达11%；湍流动能的变化同样可从地表延伸至边界层顶，在轮毂高度处向下游延伸可达10 km，湍流动能最大增幅可达0.9 m2/s2，较无风电场时增大7倍。基于WRF模拟[57]还发现大型风电场会改变美国东部东南区域的暖季降水，而Lauridsenet al[58]的研究也表明风电场扰动会改变中低纬气旋的多种气象要数场特征。基于WRF模拟实验还就风电场影响天气气候的物理机制进行了研究：例如Xia et al[55]指出地表显热通量改变是造成风电场区域温度变化的主要原因，诊断分析结果也显示湍流混合促进增温，而风电场动量汇造成降温；Sun et al[59]认为风电场导致的特定区域夏季500 hPa位势高度增加是湍流动能造成的，而位势高度的减小是风电场动量汇造成的；Vautard et al[60]则指出风电场的扰动与欧洲高层反气旋环流的结合是欧洲冬季气温和降水发生变化的主要原因。

4 总结与展望

随着数值模式的发展，WRF在风资源评估、微尺度风场特征、风电场功率预测和天气气候效应研究中得到了广泛的应用。结合当前研究中存在的问题，本文对未来研究应关注的方向进行了展望。具体如下：

(1)基于WRF模式的风资源评估优势明显，因此具有广泛适用性；但由于地表特征和大气状况复杂多变，WRF模式在不同地区的风资源评估时应确定适宜的方案配置，相关研究也应注重风资源评估的准确性和偏差校正。

(2)WRF-CFD耦合系统的研究区域的建模、网格划分、边界条件耦合和湍流方案选择等对模拟结果有显著影响。湍流仍是制约微尺度风场特征研究的主要问题，通过改进WRF模式边界层方案的湍流计算理论和方法、优化WRF-CFD耦合系统自身的参数将是未来研究的趋势之一。

(3)WRF模式在中长期风功率预测中性能良好，将模式与其他方法的结合也实现了分钟尺度的风功率预测。风功率预测的研究将重点关注WRF模拟时空分辨率的提高以及如何减小风功率预测的误差，因此，创新边界层风场理论并改进相应的参数化方案、将WRF模式与人工智能模型、统计模型以及CFD模型等其他方法结合使用等将有助于提高风速预测准确性。

(4)应用WRF模式既可以分析风电场对温度场、风场、湍流、降水等气象要素甚至气候系统的改变，也可以进一步分析造成相应变化的原因。但基于WRF模拟的风电场天气气候效应研究结果可能受数值模式自身误差的限制，因此需进一步通过观测实验验证；为了增加模拟结果的准确性，也需要优化完善适用于风电场湍流特性的边界层参数化方案。