高原气象

高原气象 >

2026 , Vol. 45 >Issue 2: 548 - 557

DOI: https://doi.org/10.7522/j.issn.1000-0534.2025.00079

1979 -2023年雅鲁藏布江流域风光资源时空特征研究

  • 范志勇 , 1, 2, 3 ,
  • 吴川东 1, 2 ,
  • 杨大文 , 1, 2 ,
  • 唐莉华 1, 2 ,
  • 张一 1, 2 ,
  • 阳坤 4
展开
  • 1. 清华大学水利水电工程系，北京 100084
  • 2. 水圈科学与水利工程全国重点实验室，北京 100074
  • 3. 华能西藏雅鲁藏布江水电开发投资有限公司，西藏 拉萨 850000
  • 4. 清华大学地球系统科学系，北京 100084
杨大文（1966 -）， 男， 北京人， 教授， 主要从事水文水资源研究. E-mail：

范志勇（1979 -）， 男， 湖北天门人， 高级工程师， 主要从事水风光新能源开发利用研究. E-mail：

收稿日期: 2025-02-08

  修回日期: 2025-06-27

  网络出版日期: 2025-09-28

基金资助

水圈科学与水利工程全国重点实验室资助项目(sklhse-TD-2024-A01)

收起

Spatiotemporal Analysis of Wind and Solar Resource in the Yarlung Zangbo River Basin from 1979 to 2023

  • Zhiyong FAN , 1, 2, 3 ,
  • Chuandong WU 1, 2 ,
  • Dawen YANG , 1, 2 ,
  • Lihua TANG 1, 2 ,
  • Yi ZHANG 1, 2 ,
  • Kun YANG 4
Expand
  • 1. Department of Hydraulic Engineering，Tsinghua University，Beijing 100084，China
  • 2. State Key Laboratory of Hydroscience and Engineering，Tsinghua University，Beijing，100084，China
  • 3. Huaneng Tibet Yarlung Zangbo River Hydropower Development and Investment Co. ，Ltd. ，Lhasa 850000，Xizang，China
  • 4. Department of Earth System Science，Tsinghua University，Beijing 100084，China

Received date: 2025-02-08

  Revised date: 2025-06-27

  Online published: 2025-09-28

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

摘要

风光能源规模化开发利用是实现电力系统转型和“双碳”目标的重要支撑。相比于中国风光资源丰富的北方区域， 雅鲁藏布江流域丰富的水能资源可以为风光能源消纳提供良好的灵活性电源基础和储能介质， 其在新能源大基地建设中更具经济性优势。但风光资源波动性、 间歇性和随机性特征为电力系统结构性转变带来了巨大挑战。因此， 本研究基于具有高空间分辨率的TPMFD数据集（第三极地区长时间序列高分辨率地面气象要素驱动数据集）开展了雅鲁藏布江流域风光资源时空特征分析。结果表明： 流域内风光资源呈现“西高东低”的空间分布格局； 流域内辐射和风速均表现出两阶段变化特征， 但存在相反的变化趋势： 1979 -2006年风速呈下降趋势， 2007 -2023年风速呈上升趋势； 1979 -2009年辐射呈增加趋势， 2010 -2023年辐射呈下降趋势。流域内拉萨市、 山南市和日喀则市风光资源禀赋优于其他区域， 是未来水风光一体化项目建设的核心区域。未来研究应重视未来流域内风光资源变化趋势分析和风光复合极端事件发生频率和持续时间的耦合分析， 以及水风光综合优化配置。

关键词： 雅鲁藏布江流域; 风速; 辐射; 时空特征

本文引用格式

范志勇 , 吴川东 , 杨大文 , 唐莉华 , 张一 , 阳坤 . 1979 -2023年雅鲁藏布江流域风光资源时空特征研究[J]. 高原气象, 2026 , 45(2) : 548 -557 . DOI: 10.7522/j.issn.1000-0534.2025.00079

Abstract

The large-scale development and utilization of wind and solar power are critical for achieving power system decarbonization and "Dual Carbon" （carbon peak and carbon neutrality） goals. While northern China boasts abundant wind-solar resources， the Yarlung Zangbo River Basin （YZRB） presents a uniquely advantageous setting for large-scale renewable energy base construction. Its exceptionally rich hydropower potential provides a vital foundation of flexible generation capacity and a vast， natural storage medium through reservoir regulation， significantly enhancing the economic viability of integrating variable wind and solar power compared to regions reliant solely on complementary generation or artificial storage. However， the inherent variability， intermittency， and uncertainty of wind and solar power pose substantial challenges to the structural transformation of power systems， impacting grid stability and dispatch optimization. To accurately characterize the resource potential within this strategic basin， this study conducts a comprehensive spatiotemporal analysis of wind and solar resources across the YZRB. This study utilizes the high-resolution near-surface meteorological forcing dataset for the Third Pole region （TPMFD）， offering long-term （1979 -2023）， high spatiotemporal resolution surface meteorological data essential for detailed assessment. Analysis reveals a distinct "higher in the west， lower in the east" spatial pattern for both wind speed and solar radiation intensity across the basin. Crucially， temporal trend analysis identifies a complex， two-phase evolution over the 45-year period （1979 -2023）， characterized by significant trend reversals. Wind speed exhibited a pronounced declining trend from 1979 to 2006， followed by a robust increasing trend from 2007 to 2023. Conversely， solar radiation showed a significant increasing trend between 1979 and 2009， which reversed into a clear decreasing trend from 2010 to 2023. This non-stationarity in resource availability has profound implications for long-term energy project planning and performance modeling. Spatial analysis further identifies Lhasa City， Shannan City， and Shigatse City as possessing superior wind and solar resource endowments relative to other basin areas. These regions are thus highlighted as optimal core zones for deploying future integrated hydro-wind-solar （HWS） complementary system， where hydropower's inherent flexibility can effectively balance wind-solar variability， maximizing system efficiency， reliability， and economic returns. This study underscores the significant potential of the YZRB for large-scale， low-carbon energy systems based on HWS integration. Realizing this potential necessitates focused research addressing key uncertainties. Future work must prioritize： （1） Advanced projection and analysis of future wind-solar resource trends under evolving climate scenarios to inform resilient infrastructure planning； （2） Detailed assessment of the frequency， intensity， and duration of compound wind-solar extreme events （e.g.， concurrent low-wind and low-sunlight periods）， which represent major risks to system security； and （3） Development and application of sophisticated integrated optimization models for the holistic configuration， scheduling， and dispatch of HWS resources across the basin and their integration with the wider grid. Addressing these research imperatives is essential for unlocking the YZRB's full potential to contribute significantly to China's energy transition and global decarbonization objectives.

Key words： Yarlung Zangbo River Basin; wind speed; radiation; spatiotemporal characteristics

1 引言

提高风光新能源在电力系统中的比例不仅对于实现“双碳”目标具有重要意义， 同时也是促进区域可持续发展的重要驱动力（段美霞等， 2024）。中国能源部门碳排放量占全国碳排放总量的80%以上， 其中电力部门贡献了约40%的碳排放； 鉴于中国的资源禀赋特征， 燃煤电站承担了约65%的电力供应（Zhou et al， 2023）。因此， 通过增加可再生能源装机总量（尤其是风能和太阳能）释放煤电发电压力将极大地促进碳中和目标实现（Cui et al， 2021； Wang et al， 2023）。另一方面， 矿产资源的有限性属性决定了传统以煤电为主的电力供应模式的不可持续性。因此， 实现电力系统结构性转变不仅是应对全球气候变化的客观需要， 同时也是解决区域可持续发展问题的关键（He et al， 2019； Luderer et al， 2019）。然而， 受气象要素不确定性影响， 风能和太阳能的波动性、 间歇性和随机性特征为电力系统结构性转变带来了巨大挑战（Cui et al， 2020； Yang et al， 2021）。为了应对可再生能源渗透比例逐渐增加背景下电网稳定运行风险， 水电、 抽水蓄能、 化学储能、 天然气等灵活性电源被广泛应用于平抑风能和太阳能的波动性（Hunt et al， 2020； Li et al， 2024）。其中水电和抽水蓄能凭借其优良的调度灵活性、 广泛的可获得性和较高的经济性通常被认为是灵活性电源的首选（Liu and He， 2023）。
供给侧灵活性需求将持续增加。已有的风光资源评估结果表明新疆、 甘肃、 青海和内蒙古是中国风光资源禀赋最好的区域（Yang et al， 2018）， 区域内2013年光伏装机总量占全国总装机总量的50%以上（Lu et al， 2021）； 类似地， 中国风能资源禀赋最好的区域也集中在中国北方区域（Davidson et al， 2016）。但由于这些区域内电力需求不足、 电网建设滞后于风/光电站建设、 缺乏配套储能设施， 因此， 区域内“弃光”和“弃风”现象严重， 例如， 2015年中国风电弃电率约为15%； 2016年全国平均风电弃电率约为17%， 其中甘肃和新疆分别高达43%和38%（Cui et al， 2020）。这也是制约中国北方风光资源开发和电力系统加速转型的关键因素。相比于中国北方区域， 雅鲁藏布江干流水能蕴藏量1.1亿kW， 可开发量65.07 GW， 居全国第二。区内丰富的水能资源不仅能极大地促进电力系统“碳中和”， 同时也为整合区域风能和太阳能提供了良好的灵活性电源基础和储能介质（例如抽水蓄能）（刘瑞， 2022； Xu et al， 2023）； 区域内水电外送通道也为风能和太阳能外送提供了工程基础， 有利于降低系统建设和运行成本。因此， 雅鲁藏布江流域水风光基地在建设成本和系统经济性上更具优势。但由于流域内地形复杂， 空间上风光资源禀赋差异较大， 在相应的基地规划建设过程中， 不仅应重视流域内丰富的资源量， 还应对风光资源的时空特征进行合理地评估， 从而充分发挥系统的工程效益（吴佳等， 2022）。
目前针对风光资源的评估多集中在区域尺度和小尺度， 但对于工程实践更具有参考意义的中尺度研究（流域尺度）则相对较少。其中区域尺度研究大多基于再分析数据［例如ERA5（Muñoz Sabater， 2019）， MERRA-2（Gelaro et al， 2017）］研究区域内的风光资源时空特征， 但再分析数据较低的空间分辨率（~0.25° -0.625°）限制了其在流域尺度， 特别是复杂地形中的应用； 而小尺度研究大多基于站点观测数据分析站点周围风光资源禀赋特征， 其空间代表性不足的缺陷限制了这类研究在流域范围内的代表性。因此， 缺少高精度气象数据是流域尺度风光资源时空特征研究较少的原因之一（刘文丰等， 2014）。综上， 本研究基于具有更高空间分辨率的TPMFD数据集［第三极地区长时间序列高分辨率地面气象要素驱动数据集（Jiang et al， 2023； 阳坤等， 2023）］开展了雅鲁藏布江流域风光资源时空特征分析， 以期为流域内水风光能源基地建设提供科学参考。此外， 研究结果也将对西南诸河水风光一体化能源基地建设具有参考价值。

2 材料来源与方法介绍

2.1　研究区概况

雅鲁藏布江发源于西藏南部喜马拉雅山脉北部的杰玛央宗冰川， 全长2057 km， 经雅鲁藏布大峡谷流入印度（布拉马布特拉河）， 最终汇入恒河（刘瑞， 2022）。本研究选取位于中国境内的雅江流域（28°N -31°N， 82°E -97°E）， 流域面积24.6×104 km2。流域内多年平均气温为5.3~7.6 ℃； 多年平均降雨量为458 mm， 多年平均径流量约1654×108 m3。流域内地形复杂（图1）， 从河源到出国境处高程落差达5400 m， 平均坡降约为2.6‰， 蕴藏着丰富的水能资源（约1.13×108 kW） （邱志鹏和张光科， 2006）， 水电和抽水蓄能电站发展前景广阔， 是理想的水风光多能互补建设基地。
图1 雅鲁藏布江流域

Fig.1 The Yarlung Zangbo River Basin

2.2　数据介绍及处理

为了揭示雅鲁藏布江流域风光时空分布特征， 本研究基于国家青藏高原数据中心提供的TPMFD（第三极地区长时间序列高分辨率地面气象要素驱动数据集， https： //www.tpdc.ac.cn/zh-hans/data/44a449ce-e660-44c3-bbf2-31ef7d716ec7）， 获取了1979 -2023年间逐小时气象要素： 10 m风速（单位： m·s-1）和下行短波辐射（单位： W·m-2）。TPMFD数据空间分辨率为1/30°， 相比于其他再分析数据集（例如ERA5空间分辨率为0.25°； MERRA2纬向空间分辨率为0.5°， 经向空间分辨率为0.625°）， TPMFD数据集具有更高的空间分辨率。TPMFD数据集中10 m风速通过融合ERA5-Land （空间分辨率为0.1°）再分析数据、 短期的高分辨率WRF模拟结果和中国气象局观测数据得到， 并通过青藏高原野外台站或研究计划的观测数据对数据集质量进行了评估和验证， 结果表明： TPMFD数据集（RMSE=1.89 m·s-1）相比于ERA5 （RMSE=2.28 m·s-1）和ERA5-Land （RMSE=2.43 m·s-1）能更好地捕捉到青藏高原地区风速特征。TPMFD数据集中下行短波辐射根据卫星反演数据获得， 地面验证结果表明： TPMFD数据集（RMSE=46.4 W·m-2）相比于ERA5 （RMSE=50.14 W·m-2）和ERA5-Land （RMSE=49.59 W·m-2）具有更高的精度。因此， TPMFD数据集在青藏高原数据稀缺流域中的表现普遍优于其他再分析产品， 更适合研究区内中尺度风光资源评估。此外， 本研究采用ERA5数据集中的气压（surface pressure）和总云量（total cloud cover）用于分析风速和辐射变化的驱动因子（Hersbach et al， 2023）。

2.3　分析方法

雅鲁藏布江流域内1979 -2023年间风速和辐射要素表现为两阶段特征， 因此本研究参考成熟的突变检验算法： BFAST算法（Breaks For Additive Seasonable and Trend algorithm）（Verbesselt et al， 2010）， LandTrendr算法（Kennedy et al， 2010）， CCDC算法（the Continuous Change Detection and Classification algorithm）（Zhu and Woodcock， 2014， Chen et al， 2021）， 通过分段线性拟合最优的方式检测并划分雅鲁藏布江流域逐月风速和辐射年际间变化趋势和突变点［式（3）， （4）］： （1）对时间序列构建多段线性拟合函数（本研究中至多为2）； （2）比较不同拟合方案的最优性。若单次线性拟合效果优于两段线性拟合， 则表明风速和辐射年际间表现为线性趋势； 相反， 则表明风速和辐射年际间具有两阶段特征， 在突变点前后风速和辐射变量具有不同的变化特征。具体而言， 对任意给定的风速和辐射时间序列， 其线性拟合函数如式（3）所示。分别对数据进行全序列拟合和两阶段拟合， 根据拟合结果与观测值可计算相关系数［式（4）］。对于两阶段拟合， 假设序列中突变点为xm， 分别对位于突变点前后的时间序列进行线性拟合并计算相关系数。记全序列拟合结果与实测值间的相关系数为 R 1 2， 两阶段突变点xm 前后拟合结果与实测值间的相关系数分别为 R 2 , m 2和 R 3 , m 2， 其中两阶段拟合效果（ R * , m 2）为 R 2 , m 2和 R 3 , m 2的均值。
X = x 1 , x 2 , ⋯ , x m , ⋯ , x n
T = t 1 , t 2 , ⋯ , t m , ⋯ , t n
Y = a ∙ X + b
R 1 2 = 1 - ∑ t Y t - X t 2 ∑ t X t - X t ¯ 2
X m 1 = x 1 , x 2 , ⋯ , x m
T m 1 = t 1 , t 2 , ⋯ , t m
Y m 1 = a ∙ X m 1 + b
R 2 , m 2 = 1 - ∑ t Y m 1 - X m 1 2 ∑ t X m 1 - X m 1 ¯ 2
X m 2 = x m + 1 , x m + 2 , ⋯ , x n
T m 2 = t m + 1 , t m + 2 , ⋯ , t n
Y m 2 = a ∙ X m 2 + b
R 3 , m 2 = 1 - ∑ t Y m 2 - X m 2 2 ∑ t X m 2 - X m 2 ¯ 2
R * , m 2 = R 2 , m 2 + R 3 , m 2 / 2
式中： X为观测序列； T为日期序列； Y为预测序列； 参数a和b分别为线性拟合参数； Xm 1和Xm 2分别为突变点xm 前后的观测序列； Ym 1和Ym 2分别为突变点xm 前后的预测序列。对时间序列进行遍历并计算相关系数， 选择其中最大值作为两阶段拟合的最佳拟合结果：
R * 2 = m i n ( R * , 2 2 , R * , 3 2 , ⋯ , R * , n - 1 2 )
若 R 1 2 ≥ R * 2， 则表明该时间序列无突变点， 在研究时段内呈现单调线性变化； 若 R 1 2 < R * 2， 则表明该时间序列存在突变点， 在研究时段内呈现非单调线性变化， 且突变点为xm。

3 结果与分析

3.1　风光资源时空格局

空间上， 流域内风光资源总体上呈现西高东低的分布格局［多年平均风速为2.49 m·s-1， 图2（a）］。日喀则市风能资源禀赋最好（多年平均风速为2.64 m·s-1）， 林芝市风能资源禀赋相对较差（多年平均风速为2.05 m·s-1）。总体上中游山南市、 日喀则市和拉萨市内风能资源禀赋较好。流域内风速整体存在两阶段特征： （1）1979 -2006年， 流域内风速整体呈下降趋势［平均值为-0.02 m·（s·a）-1］， 中游风速下降趋势最为明显［图2（b）， （d）］（该区域也是流域内风能资源最为丰富的区域）； （2）2007 -2023年， 流域内风速变化趋势空间上存在明显差异， 即上游风速继续保持下降趋势［平均值为-0.003 m·（s·a）-1］， 而中游和下游风速则呈上升趋势［平均值分别为0.011 m·（s·a）-1、 0.018 m·（s·a）-1］， 其中下游风速上升趋势最大［图2（c）， （e）］。
图2 雅鲁藏布江流域风速时空特征 （a） 1979 -2023年流域平均风速； （b~c） 不同阶段流域风速变化趋势； （d~e） 不同阶段流域风速变化趋势统计分布

Fig.2 Spatiotemporal characteristics of wind speed in the Yarlung Zangbo River Basin （YZRB）.（a） average wind speed of the YZRB during 1979 -2023； （b~c） the trend of wind speed of the YZRB at different periods； （d~e） statistical distribution of wind speed changes of the YZRB at different periods

流域内太阳能资源禀赋也表现出和风能资源相似的空间分布特征［图3（a）］， 即中上游太阳能资源禀赋优于下游， 其中阿里市和日喀则市太阳能资源禀赋最好（多年平均辐射强度分别为219.58 W·m-2）， 山南市次之（多年平均辐射强度为222.02 W·m-2）， 林芝市相对较差（多年平均辐射强度为192.39 W·m-2）。但相比于风能资源， 不同区域太阳能资源具有更强的空间变异性。流域内辐射存在与风速相似的两阶段特征： （1）1979 -2007年， 流域内辐射整体呈上升趋势［平均值为0.037 W·（m2·a）-1］， 但上游部分区域辐射存在下降趋势［图3（b）， （d）］； （2）2010 -2023年， 流域内辐射变化趋势空间上均呈现下降趋势［平均值为-11.255 W·（m2·a）-1］， 其中下游辐射下降趋势最为显著［图3（c）， （e）］。
图3 雅鲁藏布江流域辐射时空特征 （a） 1979 -2023年流域平均辐射（单位： W·m-2）； （b~c） 不同阶段流域辐射变化趋势［单位： W·（m2·a）-1］； （d~e） 不同阶段流域辐射变化趋势统计分布

Fig.3 Spatiotemporal characteristics of radiation in the Yarlung Zangbo River Basin （YZRB）.（a） Average radiation （unit： W·m-2）of the YZRB during 1979 -2023； （b~c） the trend of radiation ［unit： W·（m2·a）-1］ of the YZRB at different periods； （d~e） statistical distribution of radiation changes of the YZRB at different periods

3.2　风光资源长期变化趋势及驱动因子

如图4所示， 1979 -2023年流域内平均风速与气压存在相反的变化趋势。1979 -2006年流域内多年平均风速呈下降趋势［-0.025 m·（s·a）-1］， 而气压呈增加趋势（0.005 a-1）； 2007 -2023年气压呈微弱的下降趋势， 风速则呈上升趋势。
图4 雅鲁藏布江流域风速和气压变化趋势

（a） 流域平均风速变化趋势； （b） 流域平均气压（已标准化）变化趋势

Fig.4 The trend of wind speed and surface pressure in the Yarlung Zangbo River Basin （YZRB）.（a） changes in average wind speed of the YZRB； （b） changes in standardized average surface pressure of the YZRB

此外， 如表1所示， 不同区域内风速还存在显著的季节性差异： 4 -6月风速下降最大［平均值为-0.013 m·（s·mon）-1］， 10 -12月风速下降幅度最小［-0.004 m·（s·mon）-1］。这可能与年内春、 冬季节风速普遍高于夏、 秋季节有关。不同季度风速变化趋势频率分布分析结果表明4 -9月雅鲁藏布江流域风速降低趋势最为明显（图5）， 空间上， 林芝市风速降幅最低、 日喀则市最高。林芝市和日喀则市分别对应雅鲁藏布江流域风能资源最差和最丰富的区域（图2）， 因此雅鲁藏布江流域内风能资源较好的区域未来可能面临的风速下降风险更大。
表1 流域内不同区域风速变化趋势

Table 1 Changes of regional wind speed in the Yarlung Zangbo River Basin

城市 季节变化/［m·（s·mon）-1］
1 -3月 4 -6月 7 -9月 10 -12月
阿里 -0.017 -0.015 -0.017 -0.007
日喀则 -0.015 -0.015 -0.009 -0.006
拉萨 -0.01 -0.015 -0.013 -0.002
山南 -0.013 -0.017 -0.011 -0.005
那曲 -0.006 -0.015 -0.008 -0.003
昌都 -0.006 -0.008 -0.004 -0.004
林芝 -0.007 -0.009 -0.008 -0.005
图5 流域内不同区域风速月变化分布特征

Fig.5 Distribution characteristics of monthly changes of regional wind speed in the Yarlung Zangbo River Basin

如图6所示， 1979 -2023年流域内平均辐射与总云量也存在相反的变化趋势。1979 -2009年流域内多年平均辐射呈上升趋势［0.12 W·（m2·a）-1］， 而总云量呈下降趋势（-0.0042 a-1）； 2010 -2023年， 辐射呈明显的下降趋势［-0.49 W/（m2·a）-1］， 总云量则呈上升趋势（0.0074 a-1）。
图6 雅鲁藏布江流域平均辐射和标准化平均总云量变化趋势

Fig.6 The trend of average radiation and standardised mean total cloud cover in the Yarlung Zangbo River Basin （YZRB）

如表2和图7所示， 与年际间辐射强度持续增加相反， 季度变化分析结果表明： 流域内7 -9月辐射强度呈明显下降趋势［平均值为-1.48 W·（m2·mon）-1］。其中， 1 -3月辐射强度降低最小［平均值为-0.81 W·（m2·mon）-1］。空间上， 昌都市辐射降幅最低、 日喀则市最高。与风速月变化趋势空间格局类似， 昌都市和日喀则市分别对应雅鲁藏布江流域太阳能资源最差和最丰富的区域（图3）。
表2 流域内不同区域辐射变化趋势

Table 2 Changes of regional radiation in the Yarlung Zangbo River Basin

城市 季节变化/［W·（m2·mon）-1］
1 -3月 4 -6月 7 -9月 10 -12月
阿里 -0.54 -0.52 -1.73 -0.78
日喀则 -0.93 -0.82 -1.68 -0.95
拉萨 -0.95 -0.96 -1.38 -0.85
山南 -1.17 -1.17 -1.38 -0.93
那曲 -0.85 -0.86 -1.46 -0.85
昌都 -0.55 -0.54 -1.38 -0.77
林芝 -0.77 -0.78 -1.38 -0.77
图7 流域内不同区域辐射月变化分布特征

Fig.7 Distribution characteristics of monthly changes of regional radiation in the Yarlung Zangbo River Basin

综上所述， 流域内风速和辐射强度季节性变化显著高于年际间变化， 且风光资源较丰富的地区或时段均具有更高的时空变异性， 表明流域内风光资源的强时空波动性。但年内风速和辐射强度相反的季节性变化趋势也表明流域内风光资源良好的互补性。

4 讨论

在中国电力系统持续转型过程中， 雅鲁藏布江流域丰富的水能资源和极大的技术-经济可开发潜力可以为区域内水风光一体化建设提供重要的灵活性电源支撑。但风光资源极强的时空异质性给其规模化开发带来了严峻的挑战（吴佳等， 2022）， 因此， 开展风光资源时空特征分析对清洁能源比例持续增加背景下的能源安全具有重要意义。
基于TPMFD数据集的分析结果表明雅鲁藏布江中游风光资源禀赋优于上游和下游。因此， 从资源禀赋的角度考量， 流域中游应当是未来水风光一体化项目建设的核心区域。但流域内风速和辐射强度表现出较强的变异性， 一方面体现出风光资源的随机性、 波动性和间歇性特征， 另一方面也凸显了开发利用流域内风光资源对灵活性电源配置的要求较高。已有研究结果表明， 水电站一般可提供自身1~1.5倍的灵活性调节需求， 而抽水蓄能电站能提供3~4倍的灵活性调节需求（Hunt et al， 2020； Tang et al， 2020； Yang et al， 2021）。因此， 充分利用流域内充沛的水能资源， 采用水电和抽水蓄能并重的发展模式将为流域内风光资源高效利用和水风光一体化建设提供重要的技术支撑。
时间上， 风光资源相反的变化趋势表明合理配置流域内风能和太阳能资源具有一定的互补性， 但可以通过合理配置风光电站装机规模提高多能互补系统工程效益和运行稳定性。针对不同区域内风速普遍的下降趋势， 流域未来可能面临风能资源有效利用的工程风险， 因此合理控制风电装机规模有利于提高工程效益。但空间上风速分析结果表明， 风能资源越丰富的区域往往面临更高的变异性， 因此未来流域内风速的普遍上升趋势可能不利于稳定风电出力， 增加对灵活性电源的需求。此外， 未来由云量增加导致的辐射强度降低与风速增加耦合的结果可能增加电网安全运行和供需匹配风险。
本研究基于TPMFD数据分析了雅鲁藏布江流域风光资源历史时空特征， 结果表明气压变化是导致流域风速年际变化的重要原因； 尽管气溶胶也是影响区域辐射强度的重要因素， 但已有研究指出雅鲁藏布江流域历史气溶胶总体呈下降趋势（张亮林等， 2018）， 因此总云量变化是导致流域辐射年际变化的重要原因。未来还应重视未来流域内风光资源变化趋势分析， 重点考虑可再生能源渗透率持续增加背景下“无风无光”、 “微风无光”、 “无风微光”等风光复合极端事件发生频率和持续时间的耦合分析研究， 厘清由于风光复合极端事件带来的潜在电力供应风险（张爱英等， 2009）。此外， 由于光伏电站出力日内发电量峰谷差异极大， 其给电网稳定运行带来了极大风险， 因此如何合理配置流域内风能资源和水能资源降低风光资源弃电率， 提高水风光互补系统的鲁棒性也是未来研究的重要方向。

5 结论

本研究基于TPMFD数据分析了雅鲁藏布江流域1979 -2023年间风光资源时空特征， 研究结果表明：
（1） 流域内风光资源呈现“西高东低”的空间分布格局， 但风光资源丰富的区域通常具有更高的变异性；
（2） 流域内辐射和风速均表现出两阶段变化特征， 但存在相反的变化趋势： 1979 -2006年风速呈下降趋势， 2007 -2023年风速呈上升趋势； 1979 - 2009年辐射呈增加趋势， 2010 -2023年辐射呈下降趋势。
总体上， 流域内拉萨市、 山南市和日喀则市风光资源禀赋优于其他区域， 这些区域应当是未来水风光一体化项目建设的核心区域。未来的研究还应重视未来流域内风光资源变化趋势分析和风光复合极端事件发生频率和持续时间的耦合分析研究， 以及水风光综合优化配置研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Chen S， Woodcock C E， Bullock E L， et al， 2021.Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis［J］.Remote Sensing of Environment， 265： 112648.

Cui Q， He L， Han G， et al， 2020.Review on climate and water resource implications of reducing renewable power curtailment in China： A nexus perspective［J］.Applied Energy， 267： 115114.

Cui R Y， Hultman N， Cui D， et al， 2021.A plant-by-plant strategy for high-ambition coal power phaseout in China［J］.Nature Communications， 12（1）： 1468.

Davidson M R， Zhang D， Xiong W， et al， 2016.Modelling the potential for wind energy integration on China’s coal-heavy electricity grid［J］.Nature Energy， 1（7）： 16086.

Gelaro R， McCarty W， Suárez M J， et al， 2017.The Modern-Era retrospective analysis for research and applications， Version 2 （MERRA-2）［J］.Journal of Climate， 30（14）： 5419-5454.

He X， Feng K， Li X， et al， 2019.Solar and wind energy enhances drought resilience and groundwater sustainability［J］.Nature Communications， 10（1）： 4893.

Hersbach H， Bell B， Berrisford P， et al， 2023.ERA5 monthly averaged data on single levels from 1940 to present［DB］.Copernicus Climate Change Service （C3S） Climate Data Store （CDS）.DOI： 10.24381/cds.f17050d7 .

Hunt J D， Byers E， Wada Y， et al， 2020.Global resource potential of seasonal pumped hydropower storage for energy and water storage［J］.Nature Communications， 11（1）： 947.

Jiang Y， Yang K， Qi Y， et al， 2023.TPHiPr： a long-term （1979-2020） high-accuracy precipitation dataset （1∕30°， daily） for the Third Pole region based on high-resolution atmospheric modeling and dense observations［J］.Earth Syst.Sci.Data， 15（2）： 621-638.

Kennedy R E， Yang Z， Cohen W B， 2010.Detecting trends in forest disturbance and recovery using yearly Landsat time series： 1.LandTrendr-Temporal segmentation algorithms［J］.Remote Sensing of Environment， 114（12）： 2897-2910.

Li M， Shan R， Abdulla A， et al， 2024.The role of dispatchability in China's power system decarbonization［J］.Energy & Environmental Science， 17（6）： 2193-2205.

Liu Z， He X， 2023.Balancing-oriented hydropower operation makes the clean energy transition more affordable and simultaneously boosts water security［J］.Nature Water， 1（9）： 778-789.

Lu X， Chen S， Nielsen C P， et al， 2021.Combined solar power and storage as cost-competitive and grid-compatible supply for China's future carbon-neutral electricity system［J］.Proceedings of the National Academy of Sciences of the United States of America， 118（42）： e2103471118.

Luderer G， Pehl M， Arvesen A， et al， 2019.Environmental co-benefits and adverse side-effects of alternative power sector decarbonization strategies［J］.Nature Communications， 10（1）： 5229.

Muñoz S J， 2019.ERA5-Land hourly data from 1950 to present［DB］.Copernicus Climate Change Service （C3S） Climate Data Store （CDS）.DOI： 10.24381/cds.e2161bac .

Tang Y， Fang G， Tan Q， et al， 2020.Optimizing the sizes of wind and photovoltaic power plants integrated into a hydropower station based on power output complementarity［J］.Energy Conversion and Management， 206： 112465.

Verbesselt J， Hyndman R， Newnham G， et al， 2010.Detecting trend and seasonal changes in satellite image time series［J］.Remote Sensing of Environment， 114（1）： 106-115.DOI： 10.1016/j.rse.2009.08.014 .

Wang Y， Wang R， Tanaka K， et al， 2023.Accelerating the energy transition towards photovoltaic and wind in China［J］.Nature， 619（7971）： 761-767.

Xu R， Zeng Z， Pan M， et al， 2023.A global-scale framework for hydropower development incorporating strict environmental constraints［J］.Nature Water， 1（1）： 113-122.

Yang L， Jiang J， Liu T， et al， 2018.Projections of future changes in solar radiation in China based on CMIP5 climate models［J］.Global Energy Interconnection， 1（4）： 452-459.

Yang Z， Liu P， Cheng L， et al， 2021.Sizing utility-scale photovoltaic power generation for integration into a hydropower plant considering the effects of climate change： A case study in the Longyangxia of China［J］.Energy， 236： 121519.

Zhou W， Zhuang G， Liu L， 2023.Comprehensive assessment of energy supply-side and demand-side coordination on pathways to carbon neutrality of the Yangtze River Delta in China［J］.Journal of Cleaner Production， 404： 136904.

Zhu Z， Woodcock C E， 2014.Continuous change detection and classification of land cover using all available Landsat data［J］.Remote Sensing of Environment， 144： 152-171.

段美霞， 高妙妮， 姜涵， 等， 2024.1961-2021 青海省风光水气候要素和资源时空变化特征［J］.高原气象， 43（6）： 1614-1629.DOI： 10.7522/j.issn.1000-0534.2024.00041.Duan M X ，

Gao M N， Jiang H， et al， 2024.Spatiotemporal change in climate variables and resources of wind， solar radiation and precipitation in Qinghai province from 1961-2021［J］.Plateau Meteorology， 43（6）： 1614-1629.DOI： 10.7522/j.issn.1000-0534.2024.00041 .

刘瑞， 2022.雅鲁藏布江中游梯级水电站多尺度优化调度研究［D］.西安： 西安理工大学.Liu R， 2022.Research on multi-scale optimal operation of cascade hydropower stations in the middle reaches of the Yarlung Zangbo River［D］.Xi’an： Xi’an University of Technology.

刘文丰， 徐宗学， 李发鹏， 等， 2014.基于ASD统计降尺度的雅鲁藏布江流域未来气候变化情景［J］.高原气象， 33（1）： 26-36.

Liu W F， Xu Z X， Li F P， et al， 2014.Climate change scenarios in the Yarlung Zangbo River Basin based on ASD model［J］.Plateau Meteorology， 33（1）： 26-36.

邱志鹏， 张光科， 2006.雅鲁藏布江水资源开发的战略思考［J］.水利发展研究， 2： 15-19.

Qiu Z P， Zhang G K， 2006.Research on the development of water resources of Yarlung Zangbo River［J］.Water Resources Development Research， 2： 15-19.

吴佳， 吴婕， 闫宇平， 2022.1961-2020年青藏高原地表风速变化及动力降尺度模拟评估［J］.高原气象， 41（4）： 637-976.DOI： 10.75522/j.issn.1000-0534.2022.00065.Wu J ，

Wu J， Yan Y P， 2022.Changes of surface wind speed over Qinghai-Xizang Plateau from 1961-2020 and evaluation of the dynamical downscaling simulations［J］.Plateau Meteorology， 41（4）： 637-976.DOI： 10.75522/j.issn.1000-0534.2022.00065 .

阳坤， 姜尧志， 唐文君， 等， 2023.第三极地区长时间序列高分辨率地面气象要素驱动数据集（TPMFD， 1979-2022）［D］.国家青藏高原数据中心［2025-02-17］.DOI： 10.11888/Atmos.tpdc.300398.Yang K ，

Jiang Y Z， Tang W J， et al， 2023.A high-resolution near-surface meteorological forcing dataset for the Third Pole region （TPMFD， 1979-2022）.National Tibetan Plateau / Third Pole Environment Data Center［2025-02-17］.DOI： 10.11888/Atmos.tpdc.300398 .

张爱英， 任国玉， 郭军， 等， 2009.近30 年我国高空风速变化趋势［J］.高原气象， 28（3）： 680-687.

Zhang A Y， Ren G Y， Guo J， et al， 2009.Change trend analyses on upper-air wind speed over China in past 30 years［J］.Plateau Meteorology， 28（3）： 680-687.

张亮林， 潘竟虎， 张大弘， 2018.基于MODIS数据的中国气溶胶光学厚度时空分布特征［J］.环境科学学报， 38（11）： 4431-4439.

Zhang L L， Pan J H， Zhang D H， 2018.Spatio-temporal distribution characteristics of aerosol optical depths in China based on MODIS data［J］.Acta Scientiae Circumstantiae， 38（11）： 4431-4439.

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn