使用生成式深度学习评估德国未来 Dunkelflaute 事件的风险
机器学习
2025-09-30 v1 地球物理
摘要
欧洲电网正向可再生能源转型，其特征是海上和陆上风电及太阳能的比例不断增加。然而，这些能源对天气的依赖性对电网稳定性构成了挑战，其中所谓的 Dunkelflaute 事件——即风电和太阳能发电量极低的时期——因其可能导致电力供应短缺而备受关注。在本研究中，我们调查了这些事件对未来数年及数十年间德国电力生产的影响。为此，我们采用了一个最近开发的生成式深度学习框架，对来自 CMIP6 集合的气候模拟进行降尺度处理。我们首先将其统计特征与取自 ERA5 数据的历史记录进行比较。接下来，我们使用这些降尺度模拟，评估在乐观的低排放（SSP2-4.5）和高排放（SSP5-8.5）情景下，德国未来可能发生的 Dunkelflaute 事件。我们的分析表明，与历史时期相比，在集合平均下，德国 Dunkelflaute 事件的频率和持续时间预计将基本保持不变。这表明，在所考虑的气候情景下，相关风险预计将在整个世纪内保持稳定。
引用
@article{arxiv.2509.24788,
title = {Assessing the risk of future Dunkelflaute events for Germany using generative deep learning},
author = {Felix Strnad and Jonathan Schmidt and Fabian Mockert and Philipp Hennig and Nicole Ludwig},
journal= {arXiv preprint arXiv:2509.24788},
year = {2025}
}