黃河上游水風光一體化基地發(fā)電潛力及生態(tài)環(huán)境效益預估

關鍵詞：水風光一體化開發(fā)；理論出力；多尺度互補性；生態(tài)環(huán)境效益；黃河上游中圖分類號：TM61;X171.1;TV882.1 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.09.007引用格式：，，，等.黃河上游水風光一體化基地發(fā)電潛力及生態(tài)環(huán)境效益預估[J].人民黃河，2025，47（9）：43-54.

Estimation of Power Generation Potential and Ecological Environmental Benefits of the Integrated Hydro-Wind-Photovoltaic Energy Base in the Upper Yellow River

HUANG Qiang， ZHANG Jie，FANG Wei， MING Bo， ZHANG Liangbo， JIA Shengce， JIANG Xiangxiang，XU Xin （StateKeyLaboratoryofWaterEgineingEcologndEnvioentinrdrea，Xi'anUvesityfTcoloXi'n，ina）

Abstract：Integratedhydo-wind-photovoltaicevelopmentiniverbasinsepresentsacucialintiativeforiplemetinglow-carbonand greendeveloptprcipl.Hweentesateagentlydsteasdlatlitinableuutsh eneduncertaintygadingfuturepowergenerationpotetialndcalengsiaccuratelypdictigteoenvioentalitsofite gratedeergybses.Tesefactorsoesigificantostaclestotefintutliatioofasincleaneeesousandologialseation.Therefore，theCiaxiaintegratedwater-wind-photovoltaicbaseintheuperreachesoftheYelowRiverastakenastheresearchobject.ThequantileappgetdC-S-Aetioplangredictioodelndiprovdteoreicalutputcallatitd of water-wind-photovoaicwereusedtosreegprecisionfutuelateodeldataaplicabletotestudyarea.Tedilaverageutput of water-wind-potovolaicpowrditsulti-taleoplementarityduringthpladoperationperodofthitegatedse（ 2065）werepredicted，andthecologicalandenvironmentalbenefisofteintegatedbasewereestiated.Teeyfidingsare：）From 2035 to 2065，the predicted averageannual power generation is10.13 bilionkW·h for hydropower，1.187 billion kW?h for wind power， and43.785billonkW·hforphotovoltaicpower.UnderfourSSPsenarios，theveragedailyinflowtoteCaiaHydropowerStationisin creasedby0.9774，n.99/sesptivelyeaveragedilheticaldropoerouutieasedyave MW，whilewindandphotovoltaicoutputsexperienceslightaveragedecreasesofO.29MandO.8OMWrespectively.b）Theanualpower generation correlation coefficients are -0.22 for hydro-wind，O.18 for hydro-photovoltaic， -0.10 for wind-photovoltaic and -0.03 for hydrowind-photovoltaicombid.eoidombatioebitsogerintealomplemetarityitteogstitaalo plementarityoccuringduring winter.c）Theannualpower generationfromtheintegratedbasecanpotentiallyreplace55.10 billon kW?h ofcoal-firedpower，educingarbnemisionsy48mlliotosperear.Furthermore，eplacingcoalpowerwitidandpotovoltaic generation saves approximately 108 million m³ of water annually.Additionally，the base is projected to reduce the average annual potential evapotranspiratiooftenderlgsurfaceby4.56mndicreasethverageanalNetPriaryProductity（NP）ofteoste by 97.04gC/m²

Keywords：integatddo-dpotovacdevelopent；teoreicalutput；ultaleompementarityologicalviotalb efits；Upper Yellow River

0 引言

流域水風光一體化開發(fā)是我國應對氣候變化、實現“碳達峰、碳中和”目標的關鍵路徑[1]。水風光可再生能源發(fā)電功率顯著依賴于氣候條件，對氣候變化高度敏感。當前氣候變化加劇，導致水風光一體化基地的發(fā)電潛力和規(guī)劃運行期經濟效益不確定性升高、運行風險增大[2-4]。除了發(fā)電經濟效益，水風光一體化開發(fā)還具有節(jié)水降碳、提高植被覆蓋度、調節(jié)氣候等生態(tài)環(huán)境效益，這些伴生的生態(tài)環(huán)境效益同樣對氣候變化高度敏感。因此，為了支撐流域水風光一體化開發(fā)的科學決策，亟待考慮未來氣候變化影響，預測水風光一體化基地的發(fā)電潛力和生態(tài)環(huán)境效益。

全球能源轉型加速背景下，水風光一體化基地的資源潛力及其互補特性研究已成為國內外研究熱點。例如：朱蓉等5采用可利用風能資源等級的二元劃分方法，評估了我國可利用風能資源的分布和技術開發(fā)量，研究發(fā)現陸地 140m 高度風能資源技術開發(fā)量達到51億 kW ;Zhang等從地理、技術和經濟三方面，估算了我國太陽能資源潛力，研究結果表明西部地區(qū)的太陽能發(fā)電潛力較大，是大型光伏電站建設的最佳區(qū)域;Bagatini等7基于無量綱比率繪制互補性地圖，量化了巴西南部地區(qū)水風光資源的互補程度，發(fā)現65% 的區(qū)域互補性高于0.8;Guo等提出了一種基于變異性的互補評價方法，發(fā)現1961—2016年中國陸地風光資源的互補性持續(xù)增強。然而，以往研究大多聚焦歷史時期，基于未來氣候變化情景下水風光資源潛力與互補特性的研究較少。與此同時，在應對氣候變化和綠色發(fā)展的背景下，開展水風光一體化基地的生態(tài)環(huán)境效益評估研究，是統(tǒng)籌能源系統(tǒng)與生態(tài)環(huán)境協(xié)同優(yōu)化的重要研究方向之一。例如：馬瑤瑤等[9]利用Landsat衛(wèi)星遙感數據，研究了龍羊峽水庫對周邊區(qū)域生態(tài)環(huán)境的影響，結果發(fā)現水庫周邊近20a植被生長狀況良好，覆蓋面積不斷增大；吳川東等[10]從局地微氣候、生態(tài)水文過程等角度，研究了光伏發(fā)電設施的潛在生態(tài)效應，發(fā)現干旱、半干旱區(qū)大型光伏設施能夠改善局地微氣候，提高植被覆蓋度和固碳潛力；殷代英等[]基于光伏電站實測氣象數據，評估了大型光伏電站對共和盆地荒漠區(qū)小氣候的影響，研究發(fā)現光伏園區(qū)的土壤溫度平均上升了 71.61% 。但是，當前還沒有面向一體化基地未來運行期生態(tài)環(huán)境效益的預測研究。

黃河上游兼具水能富集與風、光資源稟賦優(yōu)勢[12]，是我國“十四五”建設的九大清潔能源基地之一，為黃河流域生態(tài)保護和高質量發(fā)展提供了重要支撐。本文以黃河上游茨哈峽水風光一體化基地為研究對象，綜合運用分位數映射法、多準則決策分析、CNN-LSTM-Attention深度學習預測模型和改進的風光電理論出力計算方法，篩選在研究區(qū)適用的高精度未來氣候模式數據，預測一體化基地規(guī)劃運行期（2035—2065年）水風光電逐日平均出力及其多時間尺度互補性；從減碳量、節(jié)水效益和碳匯功能三方面綜合預估水風光一體化基地的生態(tài)環(huán)境效益，以期為清潔能源科學規(guī)劃和生態(tài)保護提供科學依據。

1 研究對象及數據

1.1 研究對象

本文的研究對象是黃河上游茨哈峽水風光一體化基地（見圖1），包含茨哈峽水電站、規(guī)劃中的風電場和光伏電站群。其中，茨哈峽水電站是黃河干流海拔3 000m 以下、龍羊峽以上河段水電規(guī)劃的第一座梯級電站，位于青海省班多峽谷河段，其水庫特征水位、裝機容量等主要技術參數見表1。風電場位于青海省果洛藏族自治州瑪多縣花石峽鎮(zhèn)北部，光伏電站群位于青海省海南藏族自治州同德縣和貴南縣，風電場和光伏電站預計于2035年并網發(fā)電。一體化基地的規(guī)劃運行期為30a（2035—2065年）。

圖1 研究對象概況

Fig.1Overview of the Study Site

表1茨哈峽水電站主要技術參數Tab.1MainTechnicalParametersforCihaxia

1.2 數據源

本文綜合利用地表氣象站觀測數據、CMIP6氣候模式數據、徑流實測數據、數字高程和土地覆蓋數據，開展氣候變化下茨哈峽水風光一體化基地發(fā)電潛力及生態(tài)環(huán)境效益預估。具體數據包括：1）距離研究對象最近的同德氣象站氣象要素觀測數據；2）6種CMIP6氣候模式（BCC-CSM2-MR、CNRM-CM6-1、EC-Earth3、GISS-E2-1-G、INM-CM4-8、MIROC-ES2L）數據;3）茨哈峽水庫上游 48km 的軍功水文站流量實測數據;4）數字高程和土地覆蓋遙感數據（見表2）。

2 研究方法

首先，運用分位數映射和多準則決策分析方法，篩選在研究區(qū)適用的CMIP6未來氣候模式數據；然后，通過CNN-LSTM-Attention深度學習預測模型和改進的風光電理論出力計算方法，預測一體化基地規(guī)劃運行期內的水風光電逐日平均出力，及其多時間尺度互補性；最后，基于流域減碳量、節(jié)水量、潛在蒸散發(fā)量、生態(tài)系統(tǒng)凈生產力等指標，預估水風光一體化基地的生態(tài)環(huán)境效益。

表2研究數據來源及相關信息

Tab.2 Data Sources and Related Information

2.1 CMIP6氣候模式數據偏差校正及模式篩選

本文采用分位數映射法（QuantileMapping，QM）[13-14]對氣候模式數據進行偏差校正。該方法通過比較氣候模式數據和氣象觀測數據的累積概率分布函數，將氣候模式數據的概率分布映射到氣象觀測數據上，從而降低氣候模式數據的系統(tǒng)偏差。計算公式如下：

式中： x_corr 為校正后的氣候模式數據序列， x_sim 為原始的氣候模式數據， F_sim 為 x_sim 的累積概率分布， F_obs^-1 為氣象觀測數據累積分布的反函數。

將偏差校正后的6種CMIP6氣候模式數據與同德站氣象要素觀測值相對比，分別計算均方根誤差（RMSE）、平均絕對誤差（MAE）、決定系數（ R² ）等指標?；诖?，結合多準則決策分析方法[15-16]，從中選取在研究區(qū)適用性最好的氣候模式數據，

1）區(qū)分正向和負向指標，分別對不同氣候模式數據的RMSE、MAE ?^R2 進行標準化處理：

式中： Z 為標準化后的誤差指標， x_max?x_min 分別為誤差指標的最大值、最小值。

2）對標準化后的誤差指標值進行比例換算：

式中： Z_ij 為第 i 種氣候模式第 j 個誤差指標的標準化值。

3）計算每個誤差指標的熵值 e_j ：

4）確定誤差指標的權重wj：

式中： m 為誤差指標總數。

5）對于不同氣候模式數據，分別計算其偏差的綜合賦分：

最終，篩選出綜合得分最高的氣候模式，據此進一步預測水風光電的理論出力。

2.2 水風光電理論出力計算方法

2.2.1 水電理論出力

通過融合卷積神經網絡（CNN）的空間特征提取能力、長短時記憶網絡（LSTM）的時間依賴建模能力和自注意力機制（Self-attention）的全局相關性捕捉能力，構建CNN-LSTM-Attention深度學習預測模型（見圖2）[17-19]，預測2035—2065 年茨哈峽水電站的逐日入庫流量。

首先，基于篩選出的研究區(qū)適用的氣候模式數據，將其歷史時期1980—2004年和2005—2014年數據分別作為模型的訓練集和驗證集，構成預測模型的輸入變量，并將茨哈峽水電站上游軍功水文站的同期實測流量數據作為輸出變量;然后，采用Adam優(yōu)化算法率定CNN-LSTM-Attention模型，選取納什效率系數（NSE）、均方根誤差（RMSE）、平均相對誤差（MRE）等指標，評估模型的預測準確率；最后，將2035—2065年的SSP1-2.6（低輻射強迫情景）、SSP2-4.5（中等輻射強迫情景）、SSP3-7.0（中等至高輻射強迫情景）和SSP5-8.5（高輻射強迫情景）4種情景下的氣候模式數據，輸入經過率定的CNN-LSTM-Attention模型中，預測2035—2065年茨哈峽水電站的逐日入庫流量，以進一步估算水電站的理論出力。

基于CNN-LSTM-Attention模型預測出的2035—2065年逐日入庫流量，采用水能公式計算水電站理論出力 P_hydro"：

圖2 CNN-LSTM-Attention模型結構

Fig.2 CNN-LSTM-Attention Model Architecture

P_hydro=KQH

式中： K 為水電站綜合出力系數，取8.5（見表1）； Q 為發(fā)電流量； H 為水電站發(fā)電水頭。

2.2.2 風電理論出力

風電場的風機布設受地形地貌、交通條件、環(huán)境保護政策、區(qū)域發(fā)展規(guī)劃的制約，如在農田、濕地、湖泊等涉及國家環(huán)境保護政策及發(fā)展紅線的地區(qū)不可進行大規(guī)模電力建設，此外在地勢起伏大、坡度陡峭的區(qū)域難以布設風電機組。因此，對風電場理論出力的計算需要充分考慮自然地理條件、政府政策、規(guī)劃的共同影響。

本文考慮了土地利用類型和下墊面坡度對風電場理論出力的影響，計算土地利用類型修正因子 γ 和下墊面坡度修正因子 [見式（8）]，改進了風電場理論出力的計算公式，見式（9）。

式中： M 和 P 分別為土地利用類型和坡度的分級數量，參考國家氣候中心研究結果[5]， M 和 P 取值分別為5和 4;A_Lm 和 A_sp 分別為不同土地利用類型和坡度區(qū)間的面積; η_m^RL 和 η_p^RS 分別為不同土地利用類型和坡度的風能可利用率； S_w 為風電場面積。

式中： P_wind 為風電場理論出力； ρ 為年平均空氣密度； r 為風機葉輪半徑； v 為風機輪轂高度 H 處風速； C_p 為風能利用系數，根據貝茲極限原理，取 0.593：η 為風機總效率； γ₁ 為土地利用類型修正因子； β_ι 為下墊面坡度修正因子； ρ_w 為風機布設密度； v₁?v₂?v₃ 分別為切入風速、額定風速和切出風速； v₀ 為近地面高度 H₀ 處的實測風速； α 為風切變指數，取0.15。

本文參考相關文獻[2及《風電場工程微觀選址技術規(guī)范》（NBT10103—2018），對上述參數進行取值，具體見表3。

表3風電場理論出力計算公式的主要參數取值

2.2.3 光伏理論出力

光伏陣列的布設也受多種自然地理因素的制約，為了準確計算光伏電站的理論出力，本文考慮了土地利用類型和下墊面坡度對光伏電站理論出力的影響，改進了光伏電站理論出力公式，見式（11）。

Tab.3Main Parametersof the Theoretical OutputCalculationFormulaforWindFarms

式中： P_solar 為光伏電站的理論出力， H_s 為人射短波輻射照度， H_src 為標準測試條件下太陽輻照度， P_sr 為光伏板額定功率， c₁ 為降額系數， c₂ 為功率溫度系數， T_s 為太陽能電池板溫度， T_src 為標準測試條件下光伏板溫度， η_s 為光伏板理論轉化效率， γ₂ 為土地利用類型修正因子，β₂ 為下墊面坡度修正因子， S_s 為光伏電場面積， T_a 為環(huán)境溫度， T_{s，TETC} 為溫度估算測試條件下光伏板溫度，T_a，TETC 為溫度估算測試條件下環(huán)境溫度， H_TETC 為溫度估算測試條件下太陽輻照度。以上參數的取值見表4。

表4光伏電站理論出力計算公式的主要參數取值

Tab.4 TheMain Parameters of the Theoretical Output Calculation

FormulaforPhotovoltaicPowerStation

2.3 水風光電互補性分析方法

選取Pearson相關系數、互補率、互補系數等指標，研究水風光電理論出力的多時間尺度互補性

2.3.1 Pearson相關系數

Pearson相關系數用于量化變量間的線性相關性，其取值范圍為［-1，1]。當相關系數處于（0，1]區(qū)間時，表示兩變量變化趨勢相同，不存在互補性；當相關系數處于[-1，0）區(qū)間時，表示兩變量變化趨勢相反，彼此可以補償出力的不足，存在互補性，相關系數越接近于-1，互補性越強。計算公式[22]如下：

式中： r 為Pearson相關系數， n 為樣本數量， X_i?Yi 分別為變量 X 與變量 Y 的第 i 個觀測值， 分別為變量X 與變量 Y 的平均值。

2.3.2 互補率

互補率 Ψ（γΨ） 常用于量化多種能源互補后總出力的波動程度，側重于評估總出力的穩(wěn)定性，取值范圍為[0，1]， γ 值越小表明多種能源間的互補性越好。計算公式[23]如下：

式中： σ^h，σ^w，σ^p 分別為水電、風電、光伏理論出力的標準差， σ^all 為多種能源互補后總出力的標準差。

2.3.3 互補系數

互補系數 （I_c） 用于反映不同能源出力疊加后對單一能源波動的平抑效果，側重于評估短期出力變化的相互抵消能力。計算公式[24-25]如下：

式中： c_t 為不同能源在 χ_t 時刻的互補程度， δ_t^p?δ_t^w?δ_t^h 分別為光伏、風電和水電在 χ_t 時刻的出力變化量。

當 c_t=0 時，表明與前一時刻相比， Φ_t 時刻不同能源出力的變化量相互抵消，可實現完全互補； c_t≠0 時，則存在未被抵消的非互補部分。 I_c 越小，說明不同能源出力變化量相互抵消的程度越高，互補性越強

2.4一體化基地的生態(tài)環(huán)境效益評價指標

本研究從流域減碳量、節(jié)水效益和碳匯功能三方面預估水風光一體化基地的生態(tài)環(huán)境效益。

2.4.1 減碳量

基于國家能源局公布的2023年全國電力碳足跡因子[水、風、光、煤電的 CO₂ 排放量分別為0.0143、0.0336、0.0545、0.94kgCO₂e/（kW?h）] ，針對茨哈峽水風光一體化基地，核算2035—2065年規(guī)劃運行期內水風光發(fā)電替代同等規(guī)模燃煤發(fā)電所減少的二氧化碳排放量。

ΔC=（CFD_h-CFD_c）E_h+（CFD_w-CFD_c）E_w+（CFD_s-CFD_c）E_s

式中： ΔC 為水風光發(fā)電替代同等規(guī)模燃煤發(fā)電所減少的二氧化碳排放量， CFD_hΩFD_w 、 CFD_s 和 CFD_c 分別為水電、風電、光伏和燃煤發(fā)電的碳足跡因子， E_h?E_w 和 E_s 分別為水風光一體化基地水電、風電和光伏發(fā)電量預測值。

2.4.2 節(jié)水效益

《能源轉型加速度：中國風電光伏發(fā)電的協(xié)同效益》報告顯示，風、光、煤炭的發(fā)電耗水量分別為0.56、1.69?3.32m³/（MW?h） 。本研究基于不同能源發(fā)電的耗水量差異，核算一體化基地風光發(fā)電替代同等規(guī)模燃煤發(fā)電所能實現的節(jié)水量。

ΔW=（D_c-D_w）E_w+（D_c-D_s）E_s

式中： ΔW 為風光發(fā)電替代同等規(guī)模燃煤發(fā)電所節(jié)約的水量， 和 D_e 分別為每兆瓦時風電、光伏和燃煤發(fā)電的耗水量。

2.4.3 碳匯功能

Jahanfar等[26]通過實驗研究發(fā)現：光伏陣列布設后，灌溉期和非灌溉期的地表潛在蒸散發(fā)量分別可減少 81% 和 38% ?；诖耍瑢Ρ确治龉夥娬窘ㄔO前后的潛在蒸散發(fā)量，預測總初級生產力（GPP）和凈初級生產力（NPP）以評估流域生態(tài)系統(tǒng)的碳匯能力，

GPP是單位時間內生物（主要是綠色植物）通過光合作用所固定的有機碳量；NPP是植物光合作用產生的有機物質總量扣除自養(yǎng)呼吸后的剩余部分，能夠反映生態(tài)系統(tǒng)對大氣二氧化碳的凈吸收能力，是評估其碳匯能力的重要指標。因此，本研究首先計算一體化基地規(guī)劃運行期內潛在蒸散發(fā)減少量，據此預測生態(tài)系統(tǒng)GPP和NPP的變化量，評估水風光一體化基地的碳匯功能。GPP 的計算公式[27-32]如下：

GPP=ε_max?PAR?f_PAR?f_T?f_w

PAR=SOL?η

式中： 為最大光能利用率，參考黃河上游的以往研究成果[28]，取 0.389gC/J ;PAR為光合有效輻射量；SOL為太陽總輻射量;η為光合有效系數，取0.47;fPAR為光合有效輻射吸收比，取 0.6：f_T 為溫度脅迫因子； T_x 為環(huán)境溫度; T_min?T_max?T_opt 分別為光合最低、最高和最適溫度，分別取 0.40，12^°C;f_w 為水分脅迫因子； P 為降水量；PET為潛在蒸散發(fā)量。

茨哈峽水風光一體化基地位于青海東南部，植被類型以草甸和灌木為主，以往研究發(fā)現高寒草甸生態(tài)系統(tǒng)的NPP/GPP約為 0.51^[33] ，根據該比例可進一步計算研究區(qū)NPP的增量。

3 結果分析

3.1 未來氣候模式數據偏差校正

采用分位數映射法分別對6種CMIP6氣候模式的降水、太陽輻射、氣溫和風速數據進行偏差校正，然后與同德氣象站觀測資料對比，分別計算RMSE、MAE和 R² 等誤差指標值，見圖3。結果顯示：對于降水，MI-ROC-ES2L模式的RMSE（O.195）和MAE（O.088）最小，偏差最小， GISS-E2-1-G 模式偏差最大;對于輻射， GISS-E2-1-G 模式RMSE（28.750）和MAE（20.628）最小，且 R²（0.849） 是各模式中最大的；對于風速，INM-CM4-8模式綜合表現最優(yōu)（ RMSE=1.275 MAE=0.977 ， R²=0.681 ）；對于氣溫， GISS-E2-1-G 模式（ RMSE=3.401 ， MAE=2.655 ， R²=0.861 綜合表現最優(yōu)，MIROC-ES2L模式次之。由此發(fā)現，對于不同氣象要素，不同氣候模式的適用性存在一定差異。為此，進一步使用多準則決策分析方法，篩選在研究區(qū)適用性良好的氣候模式數據。綜合評估結果（見表5）表明：MIROC-ES2L模式的綜合評分最高（0.771），BCC-CSM2-MR模式評分最低（0.271），其他4種模式評分在 0.4～0.6 之間。綜上所述，MIROC-ES2L模式數據在研究區(qū)的適用性最好。

表56種CMIP6氣候模式的多準則決策綜合評分

Tab.5Multi-Criteria Decision Analysis Comprehensive Scores of the Six CMIP6 Climate Models

３．２一體化基地規(guī)劃運行期的水風光理論出力預測

3.2.12035—2065年茨哈峽水電站入庫流量預測

選取1980—2014年MIROC-ES2L氣候模式數據和軍功水文站同期實測流量數據，率定和驗證CNN-LSTM-Attention深度學習預測模型。通過對比模型模擬值相對于實測值的誤差，評估模型預測的準確程度。模擬值與實測值對比如圖4所示，訓練期和驗證期的NSE分別為0.949和0.886，MRE分別為 16.53% 和20.69%（lt;30%） ，表明模型可靠性良好且誤差處于可接受范圍。

進而，將4種SSP情景下的2035—2036年氣候模式數據輸入徑流預測模型，預測茨哈峽水電站未來的逐日入庫流量。圖5展示了4種SSP情景下茨哈峽水電站入庫流量的變化趨勢，每年日平均流量分別增加0.97、1.74、1.25、1.99m/s。總體來看，入庫流量呈波動上升趨勢，不同SSP情景間存在差異，SSP5-8.5情景下上升趨勢最為顯著。高碳排放情景下入庫流量的上升趨勢愈加明顯，導致這一現象的原因可能是：全球變暖導致黃河上游高寒高海拔區(qū)的積雪和冰川加速消融，促使近期河川徑流量逐漸增大。圖6展示了2035一2065年不同季節(jié)人庫流量的變化趨勢。春季（3—5月）總體呈波動上升趨勢（年均上升 1.97m³/ s），SSP3-7.0情景年均上升幅度達到 5.10m³/s ；夏季（6—8月）波動差異較大，SSP2-4.5和SSP3-7.0情景下分別呈顯著上升（年均上升 $5 . 9 0 ＼ ＼mathrm { m } ^ { 3 } / ＼mathrm { s } ＼ ＼$ 和下降（年均下降 4.80m³/s） ）趨勢；秋季（9—10月）整體呈上升趨勢（年均上升 4.78m³/s ）；冬季（11月—次年2月）入庫流量小且波動較小，具有緩慢上升趨勢

圖52035—2065年茨哈峽水電站的逐年日平均入庫流量及其變化趨勢

ig.5Annual Daily Average Inflow and Its Variation Trend at the Cihaxia Hydropower Station from 2035 to 2

3.2.2 2035—2065年水風光理論出力預測

利用預測的茨哈峽水電站入庫流量、水能公式、改進的風電和光伏理論出力公式，預估4種SSP情景下2035—2065年水風光理論出力。據預測，2035—2065年茨哈峽水風光一體化基地水電、風電、光伏年均發(fā)電量分別為101.30億、11.87億、437.85億 kW?h 。由表6可知，理論出力整體趨勢呈現明顯的 SSP情景依賴特征。4種SSP情景下，水電理論出力均呈現增長趨勢，日均理論出力平均增長 2.23mw ，其中 SSP2-4.5情景下增長最為顯著 （3.39MW） ）。相反，風電理論出力在所有SSP情景下表現為不顯著減小趨勢，日均理論出力平均下降0.29MW，尤其在SSP5-8.5情景下降幅最大（0.48MW）；光伏日均理論出力平均下降0.80MW，在SSP1-2.6情景下降幅最顯著（1.64MW）。綜上所述，2035—2065年規(guī)劃運行期內，茨哈峽水風光一體化基地水電理論出力具有良好的增長前景，風光電則面臨出力降低的運行風險。

表62035—2065年茨哈峽一體化基地水風光日平均理論出力的變化量

Tab.6Variation of Daily Average Theoretical Output of IntegratedHydro-Wind-PhotovoltaicBaseatCihaxia

3.3 水風光電多尺度互補性分析

通過計算4種不同能源組合（水風、水光、風光、水風光）的年、月尺度發(fā)電量Pearson相關系數、互補率及互補系數，分析水風光電的多時間尺度互補規(guī)律。

3.3.1 年尺度互補性

根據聚合的水風光電逐年發(fā)電量，計算了互補性評價指標，對比分析不同能源組合的年尺度互補性。由表7可知：在4種SSP情景下，水風、水光、風光、水風光組合的Pearson相關系數均值分別為-0.22、0.18、-0.10和-0.03，其中水風年尺度發(fā)電量呈較強的負相關性，出力變化趨勢相反，有利于形成相互補償模式；年均互補率分別為0.62、0.77、0.67和0.55，水風光組合互補率更小，表明三者疊加后的總出力波動程度較低；年均互補系數分別為0.08、0.23、0.23和0.24，說明水風組合短期出力變化的相互抵消能力最強。綜合以上指標，水風組合的年際互補性最強

表7不同能源組合下的年尺度互補性

Tab.7Inter-Annual Complementarity of Different

3.3.2 年內（月尺度）互補性

以日平均出力為基礎，逐月計算2035—2065年4種能源組合的互補性指標，評估不同能源組合在年內不同月份的互補性。圖7展示了不同SSP情景下各月水風光互補性指標計算結果。從Pearson相關系數來看，在4種SSP情景下，水光、水風光組合1月Pearson相關系數均值分別為-0.17和-0.13，表明這兩種組合在1月呈現較強的負相關性，出力變化趨勢相反，互補性較強；風光組合10月的Pearson相關系數均值為-0.11，也具有較強的互補性。從互補率來看，水風光組合的互補率明顯較其他組合的小，在年內1月、9月和12月互補率均值分別為0.54、0.55和0.56，表明水風光疊加后的總出力波動程度遠小于其他組合，進一步證明水電具備天然的調節(jié)能力，可有效平抑風光出力的年內波動。對于互補系數，水風、水光、風光、水風光組合在年內1月、11月和12月的互補系數均較低，任意能源組合短期出力變化的相互抵消能力均較強。綜合以上指標在年內的變化發(fā)現，4種能源組合在冬季互補性最強

Fig.7Monthly Complementarity Under Different Energy Combinations Throughout the Year

3.4一體化基地的生態(tài)環(huán)境效益預估

SSP2-4.5情景代表中等社會經濟發(fā)展、適度減排的發(fā)展情景，通常作為政策研究、氣候風險評估和影響模擬的“基準情景”。因此，本文選用MIROC-ES2L氣候模式下的SSP2-4.5情景預測數據，預估水風光一體化基地規(guī)劃運行期（2035—2065年）的減碳量、節(jié)水效益和碳匯能力，結果見表8和圖8。

表8水電、風電和光伏生態(tài)環(huán)境效益

Tab.8Ecological and Environmental Benefits of Hydropower，WindPower，andPhotovoltaicPower

3.4.1 減碳量

在茨哈峽水風光一體化基地規(guī)劃運行期內，水風光電共可替代燃煤發(fā)電551.02億 kW?h ，替代燃煤發(fā)電可減碳總計14.40億t，年均減碳0.48億t。從10a尺度上看，一體化基地減碳量呈先上升后下降的趨勢，由0.492億 ua （2035—2045年）上升至0.496億 Δt/a （2045—2055年），最后下降至0.452億 ua （2055—2065年）。

圖82035—2065年GPP和NPP增量變化情況Fig.8Incremental Changes of GPP andNPPfrom2035to2065

3.4.2 節(jié)水效益

預測顯示：2035—2065年風光電替代燃煤發(fā)電可節(jié)水達32.36億 m³ ，年均節(jié)水1.08億 m³ ;光伏電站和風電場的節(jié)水效益呈現先下降后上升的趨勢，由1.058億 m³/a （2035—2045年）下降至1.035億 m³/a （2045—2055年），最后上升至1.143億 m³/a（2055- 2065年）。

3.4.3 碳匯能力

預測顯示：2035—2065年規(guī)劃運行期內，光伏電站下墊面的潛在蒸散發(fā)量共減少 8536.70mm ，年均減少 284.56mm ，潛在蒸散發(fā)減少量整體呈上升趨勢，由269.44mm/a （2035—2045年）上升至 310.19mm/a （2055—2065年）。基于下墊面蒸散發(fā)變化數據，預估研究區(qū)生態(tài)系統(tǒng)的總初級生產力（GPP）和凈初級生產力（NPP）增量，結果發(fā)現：2035—2065年GPP、NPP年均分別增加 190.27，97.04gC/m² ，預計規(guī)劃運行期內GPP總量可增加 5 898.26gC/m² ，NPP總量可增加3 008.11gC/m² 。如圖8所示，GPP、NPP增量呈現波動上升趨勢，年均增速分別為 5.78，2.95gC/m² ，表明光伏等可再生能源開發(fā)有利于提升黃河上游碳匯功能、促進流域生態(tài)保護和高質量發(fā)展。

4結論

本文聚焦黃河上游茨哈峽水風光一體化基地，結合未來氣候變化情景，系統(tǒng)預估了2035—2065年規(guī)劃運行期內的水風光發(fā)電潛力及生態(tài)環(huán)境效益，主要結論如下：

1）預測茨哈峽水風光一體化基地的水、風、光電年均發(fā)電量分別為101.30億、11.87億、437.85億kW?h 。4種SSP情景下，茨哈峽水電站日均入庫流量將分別增加 0.97，1.74，1.25，1.99m³/s ，水電日均理論出力平均上升 2.23MW ；風電和光伏日均理論出力將平均下降0.29和 0.80MW ，風光電面臨出力降低的運行風險。

2）水風、水光、風光、水風光組合的年發(fā)電量Pearson相關系數均值分別為 -0.22，0.18，-0.10. -0.03 ，水風組合年際互補性更強；在年內，4種能源組合的Pearson相關系數、互補率和互補系數指標均在冬季（1月和12月）更優(yōu)，表現出較強的互補性。

3）2035—2065年規(guī)劃運行期內，預計水風光電可替代燃煤發(fā)電551.02億 kW?h ，實現減碳14.40億t;風光電替代燃煤發(fā)電可節(jié)水32.36億 m³ ，年均節(jié)水1.08億 m³ ;光伏電站下墊面的潛在蒸散發(fā)量年均可減少 284.56mm ，GPP、NPP年均分別增加190.27、97.04gC/m² ，有利于提升黃河上游的碳匯能力。

本文在綜合考慮氣候變化情景和能源組合特性的基礎上，評估了水風光一體化基地的發(fā)電潛力及其生態(tài)環(huán)境效益。隨著可再生能源裝機比例的擴大，水風光一體化基地的建設和運行對生態(tài)環(huán)境的影響愈加深遠。因此，在本研究的基礎上，可針對未來氣候變化情景，進一步預測黃河上游清潔能源的生產和利用對氣候變化、植被覆蓋、生物多樣性等氣候、生態(tài)系統(tǒng)的綜合影響，助力黃河上游生態(tài)保護和高質量發(fā)展

參考文獻：

[1]謝遵黨，唐梅英，王建利，等.雙碳目標下黃河流域水土風光資源一體化開發(fā)模式研究[J].人民黃河，2022，44（5）：5-9，14.

[2]SHEN M，CHEN J，ZHUAN M，et al.Estimating Uncertaintyand Its Temporal Variation Related to Global Climate Modelsin Quantifying Climate Change Impacts on Hydrology[J].Journal of Hydrology，2018，556：10-24.

[3]CHANG J，ZHANG H，WANG Y，et al.Impact of Climate Changeon Runoff and Uncertainty Analysis[J].Natural Hazards，2017，88：1113-1131.

[4]ZHANG Y，CHENG C，YANG T，et al.Assssment of ClimateChange Impacts on the Hydro-Wind-Solar Energy SupplySystem[J].Renewable and Sustainable Energy Reviews，2022，162：112480.

[5]朱蓉，王陽，向洋，等.中國風能資源氣候特征和開發(fā)潛力研究[J].太陽能學報，2021，42（6）：409-418.

[6]ZHANG Y，REN J，PU Y，et al.Solar Energy Potential As-sessment： A Framework to Integrate Geographic，Technologi-cal，and Economic Indices for a Potential Analysis[J].Re-newable Energy，2020，149 ：577-586.

[7]BAGATINI M，BENEVIT M G，BELUCO A，et al.Complemen-tarity in Time Between Hydro，Wind and Solar Energy Re-sources in the State of Rio Grande Do Sul，in Southern Brazil[J].Energy and Power Engineering，2017，9（9） ：515-526.

[8]GUO Y，MING B，HUANG Q，et al.Variation-Based Comple-mentarity Assessment Between Wind and Solar Resources inChina[J].Energy Conversion and Management，2023，278 ：116726.

[9]馬瑤瑤，史培軍，徐偉，等.干旱區(qū)水電站建設運營生態(tài)環(huán)境影響遙感監(jiān)測[J].干旱區(qū)研究，2023，40（9）：1498-1508.

[10］吳川東，蘇澤兵，劉鵠，等.干旱、半干旱區(qū)光伏發(fā)電設施的生態(tài)-水文效應研究評述[J].高原氣象，2021，40（3）：690-701.

［11］殷代英，馬鹿，屈建軍，等.大型光伏電站對共和盆地荒漠區(qū)微氣候的影響[J].水土保持通報，2017，37（3）：15-21.

[12］張權，姜勃，唐梅英，等.基于水風光一體化開發(fā)的黃河上中游水風光資源評價［J].人民黃河，2023，45（6）：

[13]INES A V M，HANSEN J W.Bias Correction of Daily GCMRainfall for Crop Simulation Studies[J].Agricultural andForest Meteorology，2006，138（1-4） ：44-53.

[14]HAYHO K，CAYAN D，FIELD C B，et al.Emissions Path-ways，Climate Change，and Impacts on California[J].Pro-ceedings of the National Academy of Sciences，2004，101（34） ：12422-12427.

[15]勾芒芒，馮雪瑤，李建茹，等.基于層次分析-熵權法的烏梁素海湖泊生態(tài)系統(tǒng)健康評價［J].灌溉排水學報，2025，44（2） ：93-100.

[16]徐菲，趙彥偉，楊志峰，等.白洋淀生態(tài)系統(tǒng)健康評價[J].生態(tài)學報，2013，33（21）：6904-6912.

[17］彭海波，戴善進，李澤華，等.基于CNN-LSTM-Attention融合模型的東江流域中長期水文預報方法及應用［J].中國水利，2025（8）：61-66，72.

[18] ZHANG C，ZHOU Y，LU F，et al.Assessing the Performanceand Interpretability of the CNN-LSTM-Attention Model forDaily Streamflow Forecasting in Typical Basins of the EasternQinghai-Tibet Plateau[J].Scientific Reports，2025，15（1） ：82.

[19]CHEN H，WANG K，ZHAO M，et al.A CNN-LSTM-AttentionBased Seepage Pressure Prediction Method for Earth and RockDams[J].Scientific Reports，2025，15（1） ：12960.

[20]FANG W，YANG C，LIU D，et al.Assessment of Wind andSolar Power Potential and Their Temporal Complementarityin China’s Northwestern Provinces： Insights from ERA5Reanalysis[J].Energies，2023，16（20） ：7109.

[21］高曉清，陳伯龍，楊麗薇，等.風電場理論與實際出力的比較研究：以甘肅酒泉橋東第一風電場為例[J].高原氣象，2020，39（2） ：431-436.

[22］三梅英，黃祎，劉靖，等.黃河上游水風光能源資源互補性分析[J].水電與抽水蓄能，2024，10（6）：39-44.

[23］李洪美，羅建裕，萬秋蘭.含間歇性電源的發(fā)電資源互補優(yōu)化研究[J].電力系統(tǒng)保護與控制，2013，41（9）：34-39.

[24］曲直，于繼來.風電功率變化的一致性和互補性量化評估[J].電網技術，2013，37（2）：507-513.

[25］葉林，屈曉旭，么艷香，等.風光水多能互補發(fā)電系統(tǒng)日內時間尺度運行特性分析[J].電力系統(tǒng)自動化，2018，42（4） ：158-164.

[26]JAHANFAR A，DRAKE J，SLEEP B，et al.Shading EffectsofPhotovolatic Panels on the Evapotranspiration Process inExtensive Green Roofs[R].Lyon，France：9th InternationalConference on Planning and Technologies for SustainableManagement of Water in the City，2016：hal-03322072.

[27］彭思源，付博，賴雨親，等.基于光能利用率集成模型的GPP估算不確定性研究［J].北京大學學報（自然科學版），2022，58（2）：361-371.

[28]POTTER C S，KLOOSTER S，BROOKS V.Interannual Varia-bility in Terrestrial Net Primary Production：Exploration ofTrends and Controls on Regional to Global Scales[J].Eco-systems，1999，2：36-48.

[29] 周秉榮，李鳳霞，顏亮東，等.青海省太陽總輻射估算模型研究[J].中國農業(yè)氣象，2011，32（4）：495-499.

［30］趙國帥.基于光能利用率模型的青海植被凈初級生產力模擬研究[D].哈爾濱：東北林業(yè)大學，2011：29-34.

[31] 袁藝溶，王繼燕，楊嘉葳，等.基于植被指數的若爾蓋高原濕地光合有效輻射吸收比例估算研究［J].遙感技術與應用，2022，37（5）：1267-1276.

[32]PENG C H，LIU J X，DANG Q L，et al.TRIPLEX：A GenericHybrid Model for Predicting Forest Growth and Carbon andNitrogen Dynamics[J].EcologicalModelling，2002，153（1） ：109-130.

[33]ZHANG Y，XU M，CHEN H，et al.Global Pattern of NPP toGPP Ratio Derived from MODIS Data： Effects of EcosystemType，Geographical Location and Climate[J].Global Ecologyand Biogeography，2009，18（3） ：280-290.

【責任編輯 許立新】