2025北京国际风能大会暨展览会(CWP2025)：耦合物理机制与AI的海上风场高精度评估研究及应用

耦合物理机制与AI的海上风场高精度评估研究及应用中船科技股份有限公司中船科技平价时代CHINA

WINDPOWER

2025

2

0

2

5

北京国际风能大会计划展望

技术方案

目

录

020403案例应用中船科技01背景现状

01PART

ONE背景现状中船科技图

|全球风电产业累计/新增装机容量，2020-2024图

|全球风电产业新增风电装机容量(2024,TOP

10)n

全球风能理事会（GWEC）发布的《全球风能报告2022》指出：

风能是最具脱碳潜力的清洁能源技术，是应对气候变化的重要推力;n

为实现“双碳”战略目标，风电产业已成为我国新时代能源发展的必然选择。2024年新增装机容量：

陆上

(93.16%):

109GW

海上

(6.84%):8GW2025-2030年预测：

海上风电新增装机将从2025年的16GW

增加到34GW

到2030年，海上风电将从占全部新增装机容量的11.8%上升到17.5%。中船科技u

2025年9月24日总书记在联合国气候变化峰会上指出：

到2035年，

我国风电和太阳能发电总装机容量达到2020年的6倍以上、力争达到36亿千瓦；u

2020年10月《风能北京宣言》指出：保证年均新增装机5000万千瓦以上，到2030年至少达到8亿千瓦，到2060年至少达到30亿千瓦。在可再生能源领域，要

重点发展更高效率、更

低成本、更灵活的风能

利用技术。

一、背景现状

国家发展改革委、国家能源局《能源技术革命创新行动计划(2016-2030)》渤海区域：年平均风速：6.8-8.0m/s（辽宁、河北、天津建设投资成本：8500-10500元/kW山东半岛北）度电成本：0.25-0.30元/kWh黄海区域：年平均风速：7.0-8.0m/s（山东半岛南、江苏）建设投资成本：度电成本：9000-10500元/kW0.25-0.33元/kWh东海北部区域：年平均风速：8.0-10.0m/s（浙江、上海）建设投资成本：度电成本：10000-12000元/kW0.25-0.35元/kWh东海南部区域：年平均风速：8.5-11.0m/s（广东北、福建）建设投资成本：度电成本：11000-13000元/kW0.30-0.45元/kWh南海区域：年平均风速：6.9-9.0m/s（广东、广西、海南）建设投资成本：度电成本：9000-13000元/kW0.25-0.45元/kWh截止到2025年6月底，我国已并网海上风电仅

44.2

GW

，占技术可开发量2.7%—“蓝海”名副其实。海域100m高度技术可开发量近海/深远海渤海526.8GW353GW/174GW南海（粤琼）1047GW220GW/827GW北部湾63.3GW59.9GW/3.4GW全国合计≈1637GW约1/4在近海，

3/4在深远海中船科技基于AI+技术的海上风资源分析：采集卫星遥感

、

测风塔等多源数据并融合

，运用CNN

、LSTM等AI模型，

实现资源评估

、

长短时预测

，

虽然存在数据、

可解释性等挑战

，

但能提升分析精度与效率。天空地一体化监测系统：通过卫星遥感、无人机航测和浮式观测平台，实现海域风能、水文和地质数据的实时采集与分析，提升资源评估精度。n

再分析资料（ERA5

、MERRA-2）时空分辨率较粗难以满足风场建设需求；n

受渔业、航道及JS影响显著，且海气边界层复杂，严重缺乏可靠的测风资料；n

单个观测站点空间代表性不足；n

其它观测手段成本偏高（如：漂浮式雷达等）；n

卫星数据利用率低、时空连续性不足;n

数值仿真耗时长

、计算量大等限制带来的工程化应用效率低下。中船科技海上风资源评估难点

如何破题？n中国近海6100+景卫星遥感影像（2016~2025）

，覆盖中国近海区域

，

时间分辨率长短不一

，

空间分辨率5~100m，

对中国近海海域风资源分析具有高代表性。n中国近海1000+景卫星遥感影像（2016~2025）

，覆盖中国近海区域

，

时间分辨率长短不一

，

空间分辨率1~500m，

对中国近海海域风资源分析具有高代表性。中船科技资料数据n收集到4组（28座）

海上测风数据和12组海上浮标数据

，对中国近海海域具有高代表性。通过对测风数据进行质量控制处理

，

完整率均高于90%

，时间分辨率1小时

，可用于研n中国近海800+景卫星遥感影像（2021~2025）

，覆盖中国近海区域

，

时间分辨率长短不一，空间分辨率1m，对中国近海海域风资源分析具有高代表性。GF-3号卫星Sentinal

1A/1B1m-CSAR究。02PARTTWO技术方案中船科技中国船舶基于CNN神经网络的SAR海面风速反演基于CNN+LSTM+Transformer模型的多源数据融合时空分布时间序列基于ANN神经网络模型的海表风速垂直外推中船科技n

卫星遥感影像n

无人机影像n

测风塔资料n

再分析资料……

二技术方案

数据岛处理策略数字孪生基于CNN神经网络的SAR海面风速反演n反演使用的地球物理模型函数（GMF）较为复杂，计算成本高。n建立GMF经验函数关系是基于海表风场与散射计卫星的测量，

其中涉及大量参数化过程，

SAR和散射计之间的分辨率和校准方面的差异，偏差仍然存在。n

SAR反演的海面风场是基于大气为“

中性

”状态的假设

，

即海水温度接近空气温度。但真实大气很可能处于稳定或者不稳定度状态

，而非永远中性。使用浮标网络的实际测量数据对GMF中的参数进行CNN神经网络建模：n有效解决GMF非线性传递函数进行风速反演的回归问题；n可以获得一种从未校准的SAR图像中反演风速的直接方法；n鲁棒性强。中船科技n为解决海上风速观测数据稀缺、

分辨率有限的问题

，提出一种融合SAR卫星观测与ERA5再分析数据的深度学习方法

，构建基于CNN、

LSTM与Transformer网络架构的高分辨率风速重构模型；n模型利用卷积神经网络（

CNN

）

强大的局部特征提取能力，

对SAR图像进行多尺度特征挖掘

，

有效提取风速空间信息；n长短期记忆网络（

LSTM）通过其独特的门控机制，处理CNN输出的特征序列

，实现时间维度上的上下文信息建模，克服了传统循环神经网络的梯度消失问题；n引入注意力机制

，

动态分配不同特征对风速重构的权重，

聚焦关键信息

，

显著提升模型对复杂环境下SAR数据的适应性；n该模型可快速处理和生成高时空分辨率（200m

，小时级）的风图谱或时序数据。中船科技基于深度学习模型SAR卫星风数据融合基于ANN神经网络模型的海表风速垂直外推n为解决海上卫星遥感反演10m风速的垂直外推

，推出了一种基于ANN神经网络模型的海表风速垂直外推模型；n该模型的输入层包含4个神经元

，输入数据为海表10m反演的经向、纬向风速及对应时间，

用于接收训练数据集中海表10m高度的特征

，

为后续隐藏层进行非线性变换和映射到输出层提供基础输入；n该模型可实现任一轮毂高度的海表风速外推，无环境条件限制；n该模型可用于站点尺度和空间尺度。

最大最小归一化方法中船科技03案例分析PARTTHREE中船科技中国船舶样本点（2022完整年）年平均风速平均偏差均方根误差绝对偏差相关系数浮标数据87516.40m/s----深度学习87606.59m/s+0.19m/s1.93m/s1.50m/s0.81ERA587606.04m/s-0.36m/s3.49m/s2.81m/s0.31中船科技样本点（2022完整年）平均偏差均方根误差绝对偏差相关系数0-5m/s32660.76m/s1.77m/s1.37m/s0.685-10m/s41880.03m/s1.75m/s1.39m/s0.8910-20m/s1297-1.38m/s2.40m/s1.85m/s0.53n反演、

融合结果与实测结果高度一致

，能够更准确地捕捉站点风速的时序分布特征。n威布尔与风速段分析表明

，

风速预测结果表现出更高的准确性和稳定性

，

尤其在中等风速范围内具有较好的适用性

，在低风速段和高风速段的误差仍需进一步优化。

三案例分析

海拔10m高度风速结果分析（以汕尾区域为例）10m高度深度学习模型结果与ZLG浮标数据各风速段误差指标10m高度风速结果对比表海拔100m高度风速结果分析n取#002测风塔100m高度数据作为验证点

，

时间2020年09月01日00时到2021年08月31日23时完整年。n深度学习模型结果在100m高度的风速预测中表现出较高拟合度

，散点分布较为集中;n威布尔特征分析,

表明模型对整体风速水平的估算准确

，具备较好的预测能力；n从风向平均绝对误差24.3°和均方根误差38.85°分析

，模型在风向预测仍存在一定偏差，

这可能与训练数据的分布特性以及风向预测本身的不确定性有关。n模型输出风速在威布尔分布形态上与实测结果高度一致，

具备良好的统计一致性与泛化能力。在风向预测方面，模型同样展现出较高拟合度和稳定性；100m高度风速结果对比表中船科技Mast

02#样本点年平均风速平均偏差均方根误差绝对偏差相关系数测风数据85327.33m/s----深度学习87607.35m/s+0.02m/s1.75m/s1.12m/s0.88ERA587606.90m/s-0.43m/s2.33m/s1.78m/s0.80空间分布特征（以汕尾区域为例）n基于ERA5再分析数据和SAR空间信息，

运用LSTM与CNN结合的深度学习模型，对002#测风塔附近海域100m高度风能资源进行逐小时时空高分辨率重构；n

ERA5数据时间分辨率高但空间分辨率不足

，

SAR数据空间分辨率高但时间分辨率低，模型有效整合两者优势；n空间分辨率为200m*200m，时间分辨率为1小时；n模型在时间和空间上能较好刻画海上区域风速分布及时间变化特征，且经误差分析显示风速模拟可靠性高；n可用于缺乏观测数据海域的风能资源评估

，为海上风场选址、风场设计提供可靠数据支撑。中船科技10m

100m时间分辨率：逐天（1hour），

空间分辨率：

200m

×200m,时长：

2016~2025年编号经度纬度实测风速SAR-外推误差Mast

1#123.29739.3996.766.74090.28%Mast

2#119.97534.7756.796.83560.67%Mast

3#123.32039.5936.006.25514.25%Mast4#123.18039.5206.086.28593.39%Mast

5#123.29739.3996.736.78520.82%Mast

6#119.70437.3386.986.7193.74%Mast

7#119.77934.5796.676.76671.45%Mast

8#119.78334.5836.776.73560.51%Mast

9#121.60236.4916.967.28694.70%Mast

10#108.20021.3336.676.56371.59%Mast

11#112.22021.0858.088.05180.35%Mast

12#122.79239.4096.306.47472.77%Mast

13#122.79239.4086.296.47472.94%100m风资源图谱误差检验表中船科技中国近海风资源图谱-V2•基于深度学习技术的数据融合战略

,

提出差异化时空尺度拓展技术以提高风资源评估精度•提出

一

种融合SAR

卫星观测与ERA5再分析数据的深度学习方法

，以科学、

合理地方式重构风速时空分布和时序数据中船科技垂直外推•基于深度学习技术的强化监督学习

,弥补测风塔测量垂直空间代表性

不足的问题

，