[论文解读] Towards a global dynamic wind atlas: A multi-country validation of wind power simulation from MERRA-2 and ERA-5 reanalyses bias-corrected with the Global Wind Atlas

Katharina Gruber, Peter Regner+3 more|arXiv (Cornell University)|Dec 10, 2020

Integrated Energy Systems Optimization参考文献 39被引用 11

一句话总结

本研究评估了在全球不同气候区域中，使用MERRA-2和ERA5再分析数据进行风能模拟的准确性，涵盖通过全球风能图集（GWA）进行偏差校正与不校正的情况。研究发现，ERA5的表现优于MERRA-2，GWA2带来的改进微乎其微，而GWA3反而降低了性能；时间聚合显著提升了模拟质量，尤其在能源系统建模应用中效果明显。

ABSTRACT

Reanalysis data are widely used for simulating renewable energy and in particular wind power generation. While MERRA-2 has been a de-facto standard in many studies, the newer ERA5- reanalysis recently gained importance. Here, we use these two datasets to simulate wind power generation and evaluate the respective quality in terms of correlations and errors when validated against historical wind power generation. However, due to their coarse spatial resolution, reanalyses fail to adequately represent local climatic conditions. We therefore additionally apply mean bias correction with two versions of the Global Wind Atlas (GWA) and assess the respective quality of resulting simulations. Potential users of the dataset can also benefit from our analysis of the impact of spatial and temporal aggregation on simulation quality indicators. While similar studies have been conducted, they mainly cover limited areas in Europe. In contrast, we look into regions, which globally differ significantly in terms of the prevailing climate: the US, Brazil, South-Africa, and New Zealand. Our principal findings are that (i) ERA5 outperforms MERRA-2, (ii) no major improvements can be expected by using bias-correction with GWA2, while GWA3 even reduces simulation quality, and (iii) temporal aggregation increases correlations and reduces errors, while spatial aggregation does so only consistently when comparing very low and very high aggregation levels.

研究动机与目标

• 评估MERRA-2和ERA5再分析数据在全球不同气候区域中进行风能模拟的性能。
• 评估使用全球风能图集两个版本（GWA2和GWA3）进行偏差校正对模拟准确性的影响。
• 研究空间与时间聚合对相关性、RMSE等关键模拟质量指标的影响。
• 通过识别最优再分析数据与偏差校正方法，为构建全球动态风能图集奠定基础，以支持能源系统建模。
• 为研究人员和能源建模者提供可靠风能时间序列及其量化误差估计，以支持高比例可再生能源情景下的建模工作。

提出的方法

• 使用MERRA-2和ERA5再分析数据集在约50公里空间分辨率下的逐小时风速与风能数据。
• 利用GWA2和GWA3对再分析风速进行均值偏差校正，以改善局部气候特征的表示。
• 将模拟的风能时间序列与来自美国、巴西、南非和新西兰四个国家共23个风电场的历史实际风能发电数据进行验证。
• 在不同时间（逐小时、逐月）和空间（单个风电场、聚合区域）聚合水平下，计算相关系数、均方根误差（RMSE）和偏差等关键性能指标。
• 在不同再分析数据集、GWA版本和聚合水平之间进行统计比较，以评估相对模拟质量。
• 将模拟代码与生成的时间序列公开发布，以支持可复现性及未来在能源系统建模中的应用。

实验结果

研究问题

• RQ1 MERRA-2与ERA5再分析数据在模拟全球不同区域历史风能发电方面表现如何比较？
• RQ2 与原始再分析数据相比，使用全球风能图集（GWA2与GWA3）进行偏差校正在多大程度上提升了风能模拟的准确性？
• RQ3 时间聚合（如从逐小时到逐月）如何影响模拟风能时间序列的相关性与RMSE？
• RQ4 空间聚合（如从单个风电场到国家或区域级别）如何影响模拟质量指标？
• RQ5 哪种再分析数据与偏差校正方法的组合能为全球能源系统建模提供最可靠的风能时间序列？

主要发现

• 在所有区域中，ERA5的表现均优于MERRA-2，多数区域的相关性高出约0.05，RMSE低约0.05。
• GWA2相较于未经校正的再分析数据仅带来微小改进，且在所有区域中未表现出一致的增强效果，某些情况下模拟质量反而下降。
• GWA3始终降低模拟质量，因此不建议在风能模拟应用中使用。
• 从逐小时时间序列转为逐月时间序列的时间聚合，使相关性平均提高约0.2，RMSE降低0.1至0.2，表明存在显著的补偿效应。
• 空间聚合仅在极低与极高聚合水平之间产生质量提升，中间层级未表现出一致的改进效果。
• 最终生成的高分辨率、偏差校正后风能时间序列已通过开源代码库公开发布，以支持未来全球能源系统建模工作。