图1 2017—2019年间的全球雷电活动分布[16]
Fig.1 Global lightning stroke density during 2017—2019[16]
摘要 广域水平风速和雷电活动信息是风电场选址与运维的基础数据，基于卫星观测下美国NASA MERRA-2系统和欧洲ECMWF-ERA5系统的广域风速再分析数据，讨论上述两套系统得到的广域平均风速数据的差异。通过2017—2019年三年间的平均数据分析全球水平风速的分布规律与特征；同时，依据全球雷电探测网测得的雷电活动数据，研究全球雷电活动特征及其与水平风速之间的关系。通过分析首次发现广域条件下水平风速和雷电活动的相关性，雷电活动频发在长期平均水平风速为2～5 m/s的情况下；水平风速增大时，雷电活动逐渐减弱；水平风速超过 15 m/s后，雷电活动明显减少。该文可为风电场选址与运维提供统一测量手段下的大区域风速和雷电活动相关信息，为风能利用提供保障。
关键词：水平风速 雷电 MERRA-2 ECMWF-ERA5
风能的采集和利用是实现“碳达峰”与“碳中和”目标的必要手段[1-2]，在全球范围内，2022年新建的77.6 GW风力发电容量已接入电网，使得风电总装机容量达到906 GW，相比2021年增长了9%[3]。我国计划于2050年风电装机容量达到15亿～20亿kW[4]。广域水平风速信息对于风电场的选址与运维至关重要，在广域水平风速评估研究中，L. Landberg等提出了“区域风气候”（Regional Wind Climate, RWC）的概念，并指出风速局地效应不影响区域风气候测量，为广域风速对比和风能评估提供了依据和基础[5]。然而，因水平风速测量仪器间的差异及其在广域下安装条件的限制，各地数据间存在测量方法差异，已有研究仍缺乏统一测量手段下的广域风速分析，研究广域甚至全球尺度下的水平风速特征具有重要意义。
雷电是发生于大气中的一种长距离、大电流、强电磁辐射的瞬时放电现象[6-7]，风电机组具有高大的几何尺寸并运行在空阔环境中，其会不可避免地遭受雷击。风机遭受雷击时，在雷电大电流电弧和暂态电磁作用下，可能发生风机叶片炸裂、元件失效等事故[8-12]。同时，研究发现风机结构易形成上行先导触发雷电活动，风电场实际运行数据也表明风机的架设会引起局部区域落雷密度的增加[13]。不同地区雷电活动特征差别明显，风机遭受雷击损害的概率也具有区域差异明显特征，如沿海地区中每100台风机每年遭受5.6次雷击，山地区域中每100台风机每年遭受14次雷击。因此，研究广域尺度下雷电活动的特征对于风电场选址和运维具有支撑意义。
风电场选址应优先选择风能优异（切入风速4～5 m/s＜平均水平风速＜切出风速约25 m/s）且落雷密度较低的区域。雷暴云始于不稳定环境中湿热空气通过对流抬升（如热力抬升、动力抬升和地形抬升等）形成的积云，积云能够在空气持续垂直上升的情况下（上升速度≥6 m/s）[14]发展成为几千米厚的旺盛积雨云，旺盛积雨云中的冰晶、雪晶、软雹等冰粒子在过冷水环境中发生非感应生电等电荷分离现象，形成具有分层电荷结构的雷暴云。其中，空气在垂直方向的对流速度是雷暴云形成的关键，广域水平风速特征会影响空气在垂直方向的对流运动。因此，广域尺度下水平风速是否和雷电活动具有一定的相关性是广域风电场布置和规划需要解决的问题。
为此，本文分析三年间（2017—2019年）全球水平风速和雷电活动的分布特征及其相关性。在广域雷电活动研究中，分析基于宽频电场（1 Hz～ 12 MHz）的全球雷电探测网（Earth Networks Total Lightning Network, ENTLN）得到的全球雷电活动，建立双极性窄脉冲放电-地闪数据判断算法进行雷电放电类型的修正，研究全球雷电活动特征及其分布规律。在广域水平风速研究中，分析基于卫星观测的美国NASA MERRA-2（Modern-Era Retrospective analysis for Research and Applications, Version 2）系统和欧洲ECMWF-ERA5（European Centre for Medium-Range Weather Forecasts, 5th generation）系统的广域风速测量数据，讨论两套观测系统得到的广域水平风速在日平均和月平均下的数据差异性，并研究ECMWF-ERA5系统测量下的全球水平风速特征。基于以上特征分析，研究广域水平风速与雷电活动的相关性。
一次雷电过程通常包含多种粒子放电过程，放电发生时会辐射出频率为1 Hz～300 MHz甚至更高（如伽马射线）的电磁信号。雷电探测系统利用放电辐射出的电磁信号进行雷电活动的定位和幅值反演。全球雷电探测网（ENTLN）通过在100多个国家或地区部署大量雷电探测电场传感器，在1 Hz～ 12 MHz的宽频范围内实现对雷电放电信号的监测。全球范围内部署的雷电探测电场传感器会记录雷电放电产生的电磁信号，并将测得的电磁信号实时上传至中央处理系统，中央处理系统根据放电信号首半周期波形特征及后续信号特征判定雷电活动的放电类型和幅值。ENTLN系统将雷电探测信号拓展至1 Hz～12 MHz的宽电磁频带，可实现远距离小电流幅值雷电放电活动的探测和定位。根据地基光学雷电观测数据和人工引雷实验的验证，ENTLN系统在美国佛罗里达州的雷电探测效率高达96%[15]。
当雷电放电源与电场传感器距离较远时，雷电类型反演判断中易将双极性窄脉冲事件（Narrow Bipolar Events, NBEs），或称袖珍云闪（Compact Intracloud Discharges, CIDs），误判为云地（Cloud-to-Ground, CG）放电。为此，选取在不同幅值（0～10、10＜～20、20＜～30、30＜～40、40＜～50、＞50 kA）雷电流下测得的电场数据，依据电场全波波形检验方法，得到不同幅值雷电流下NBEs误判为CG放电的概率分别为0%、8%、11%、32%、69%和58%。因此，依据得到的各雷电流幅值下的CG放电误判率修正雷电放电类型数据，可得到2017—2019年三年间包含CG放电、云中（Intra-Cloud, IC）放电和云间（Cloud-to-Cloud, CC）放电的全球雷电活动分布，如图1所示[16]。
图1 2017—2019年间的全球雷电活动分布[16]
Fig.1 Global lightning stroke density during 2017—2019[16]
分析图1可知，全球落雷密度高值区域主要分布在非洲中部、美洲大陆和东南亚沿海区域，雷电活动在沿海地区、山地地区、中尺度气旋多发地区以及热带辐合带等区域频发[17-19]。在美洲区域，北美东部及其近海区域的落雷密度高于北美西部及其沿海地区，墨西哥、危地马拉、洪都拉斯、尼加拉瓜、哥斯达黎加、巴拿马、哥伦比亚和委内瑞拉（包括马拉开波湖地区）等区域的雷电活动较为频繁；南美洲的雷电活动主要分布在其西南地区，即巴西南部、乌拉圭、巴拉圭和阿根廷东北部。在非洲区域，雷电活动主要分布在非洲中部、南部和西部地区及其沿海区域，其中，刚果民主共和国的东部地区是地球雷电密集频发区[20]。在东南亚区域，柬埔寨、越南、泰国、印度尼西亚、马来西亚半岛以及澳大利亚的西北和东部地区的落雷密度较高，印度东部、孟加拉湾和喜马拉雅山之间的区域雷电活动频繁。
进一步分析2017—2019年期间全球CG放电的分布特征，如图2所示。分析图2可知，全球CG放电活动主要发生在陆地及其沿海地区，陆地上的CG放电频次比海洋高出约10倍，沙漠地区（如非洲撒哈拉大沙漠、澳大利亚沙漠等区域）落雷密度明显降低。其中，北美东部、墨西哥西部、危地马拉、尼加拉瓜、南美东部、非洲南部及其沿海地区是CG放电的频发区域。风电机组通常安装在开阔地带且具有高大的几何特征，易成为雷电的接闪点；同时，风机遭受雷击时会导致停机事故，因此，雷电信息是风机选址需考虑的重要因素之一[21-22]。综合图1和图2可知，全球雷电活动在长期统计下具有一定的分布规律，如陆地区域的雷电活动明显强于海洋区域，低纬度区域雷电活动明显强于高纬度区域。对于同一国家或地区，北美东部及其近海区域的落雷密度明显高于北美西部及其沿海区域，我国东南沿海区域雷电活动明显高于北部沿海区域。因此，风电机组的选址建议参考广域雷电活动的信息，尽可能地避开落雷密度高值区域。
图2 2017—2019年间全球云地放电活动分布
Fig.2 Global CG stroke density during 2017—2019
大电流幅值的雷电放电可能会导致风机功能失效并停机甚至脱网，随着单体风机成本的不断增大及其额定输出功率的不断提升，风机遭受严酷雷击带来的损失越来越高[23]。因此，进一步分析了全球范围内2017—2019年期间雷电流幅度高于30 kA的CG放电的区域分布，如图3所示。分析图3可知，大电流幅值的雷电活动主要发生在中低纬度的沿海地区以及非洲中南部和南美洲中南部区域，随着纬度的升高，大电流幅值雷电活动的频次逐渐降低。我国东南沿海地区大电流幅值的雷电活动频繁，西北地区大电流雷电活动的频次明显降低。综上所述，图1～图3可为大区域风电场的选址和运维提供雷电活动信息。
图3 2017—2019年间大电流幅值雷电活动分布
Fig.3 Global CG lightning stroke density with large current amplitude during 2017—2019
风是由空间压力梯度引起的空气流动，当前广域风速测量主要可分为基于多个风速传感装置的地基测量方法和基于卫星遥感观测的空基测量方法[24]。其中，风速的地基测量方法需要在测量区域内布置大量且均匀分布的风速传感装置，受限于风速传感装置的安装位置、运行维护和数据传输等问题，目前已有地基风速测量系统无法长期稳定地提供广域范围内的风速数据。基于卫星遥感观测的空基测量方法是目前获得广域风速数据的主要手段，同时，风速的空基测量可同化地基风速传感装置测得的数据，修正后的风速同化数据具有较高的精度，且风速的空基测量方法具有测量原理统一、数据间可对比性强等优点，适用于开展广域尺度下的风速特征研究。
当前风速的空基测量数据主要来自美国高分辨率再分析数据系统NASA MERRA-2和欧洲中期天气预报中心系统ECMWF-ERA5。NASA MERRA-2和ECMWF-ERA5均综合了卫星遥感观测数据（如对地静止卫星、极地卫星等）和地面传感测量数据（如无线电探空仪、下投式探空仪和飞机测量等），同时依据风速的时空变化特征和物理定律进行了数据验证，提高了广域风速测量数据的准确性。通过随机挑选时间，对比了NASA MERRA-2和ECMWF-ERA5风速测量系统在日平均和月平均下的水平风速数据，得到全球区域范围下二者测得的风速数据差值如图4和图5所示。分析图4和图5可知，对于随机挑选的日平均（2019年1月10日）和月平均（2017年1月）风速数据，NASA MERRA-2和ECMWF-ERA5测量系统测得的日平均风速数据间平均差异小于1 m/s，月平均风速数据间的差值进一步减小。其中，风速测量数据的最大差异区域主要分布在极地地区、美国山区、我国青藏高原和一些远洋区域。因此，MERRA-2和ECMWF-ERA5观测系统得到的风速测量结果基本一致，可基于以上系统开展广域风速的特征分析。
图4 NASA MERRA-2和ECMWF-ERA5测得的日平均水平风速差值
Fig.4 Difference of daily wind speed measured by NASA MERRA-2 and ECMWF-ERA5
图5 NASA MERRA-2和ECMWF-ERA5测得的月平均水平风速差值
Fig.5 Difference of monthly wind speed measured by NASA MERRA-2 and ECMWF-ERA5
在近地层中，水平风速随距离地面的高度变化呈现指数变化，其关系式为
（1）
式中，V(z)为高度z处的风速；z为距离地面的高度；zr为某一确定高度；α为风切变指数。
因此，本文以某一确定高度的水平风速为例研究其广域分布特征，其他高度的水平风速可由式（1）推算分析。全球风机的单机装机容量向MW级普及，以我国10 MW等级风力发电机组为例，其轮毂高度通常为110～130 m。基于ECMWF-ERA5测量系统的广域风速测量结果，绘制了2017—2019年期间距地表高度为110 m的全球水平风速分布，如图6所示[16]。
分析图6可知，全球水平风速的分布出现了三个明显的强风带，即Hadley单元内的热带风带（以东风为主）、Ferrel单元内的中纬度风带（以西风为主）和Polar单元内的极地风带（以极东风为主）。由于南半球的陆地占比较少，南半球风速在40°S、50°S和60°S区域明显增强，风速均大于8 m/s。在中低纬度带，海洋区域也出现了较高的平均水平风速（＞8 m/s），我国南海区域的平均风速也大于 8 m/s。对比可得，海洋表面的平均水平风速高于陆地情况。在海洋区域，气流受压力梯度力和科里奥利力驱动在相对平坦的海面上快速运动，出现多个高风速区域；在陆地区域，受陆地效应影响，平均水平风速相比于海洋区域明显降低，但在大气高压系统和低压系统之间的区域，较大的大气压差会使局部风速增大，如北非的撒哈拉沙漠地区、美国中南部的大平原地区等，我国内蒙古、辽宁、西藏等地区也出现了较大的风速。这些区域的平均水平风速超过了风机的切入风速（4～5 m/s），处于风机端口出力随风速增大阶段（＜16 m/s），可为风力发电提供优异的风能。
图6 2017—2019年间全球水平风速分布（zr=110 m）[16]
Fig.6 Global horizontal wind speed distribution (at 110 m level) during 2017—2019[16]
分析图1的广域雷电测量结果和图6的水平风速测量结果，将广域水平风速数据和落雷密度数据在时间和区域上进行配对分析，讨论对应时间-区域的落雷密度数据和水平风速数据间的相关关系。时间-区域匹配下的区域落雷密度随风速的变化规律如图7所示。从图7可明显看出，落雷密度随着平均水平风速的增加呈现明显的下降趋势，雷电活动频发在区域内长期平均风速为2～5 m/s的情况下。当区域内长期平均水平风速增大时，雷电活动逐渐减弱；当区域内长期平均水平风速超过15 m/s后，雷电活动明显减少。
进一步分析区域落雷密度和水平风速数据的相关性，随机选取[60°W, 20°N, 110°W, 40°N]的区域范围，该区域同时包含雷电活动较为频繁的陆地和雷电活动较为稀少的海洋区域（共8×104组数据点），分析结果如图8所示。由图8可知，区域的落雷密度和平均水平风速具有明显的时空对应相关关系，当某一时间的平均水平风速增大时，该区域的落雷密度明显增加；当平均水平风速超过5 m/s时，该区域的雷电活动随水平风速的增加开始减弱；当平均水平风速超过8 m/s时，该区域的落雷密度明显降低。同时，当平均水平风速长期较低时，该区域的雷电活动会出现持续增强现象。
图7 对应时空下落雷密度随风速的变化关系
Fig.7 Relationship between the lightning density and wind speed with matched time and location
图8 2017—2019年[60°W, 20°N, 110°W, 40°N]区域内落雷密度与水平风速的相关分析
Fig.8 Spatiotemporal statistical analysis of lightning density and horizontal wind speed over [60°W, 20°N, 110°W, 40°N] during 2017—2019
计算全球范围内水平风速和雷电活动数据间的皮尔逊积矩相关系数（Pearson product-moment Correlation Coefficients, PCC），结果如图9所示。其中，因部分海洋区域的落雷密度小于0.01次/(km2·年)（见图1），这些区域的PCC计算值不具有统计分析意义（如图9蓝色区域），但考虑数据分析的完备性，图9并未进行数据过滤处理。对雷电活动和水平风速关系具有统计意义的区域，无论陆地或海洋情况，该区域的落雷密度数据和水平风速数据表现出显著的负线性相关性（PCC＞-0.5），表明区域的雷电活动随平均水平风速的增加呈现减弱的相关关系，与图7和图8中的数据分析相一致。
研究发现广域长期水平平均风速和雷电活动间呈负相关关系，为理解该现象，从体积内空气连续和压差特性的角度展开分析。当某一体积区域内的水平风速较高时，空气的垂直流动速度相对较低。然而，雷暴云的出现需要对流系统有相对强的上升气流，其垂直方向对流速度通常应大于6 m/s，在相对强的上升气流作用下，云中水凝物粒子在液态过冷水环境中发生非感应碰撞起电过程，产生雷电放电活动。当某一体积区域内的水平风速较强时，不利于垂直方向出现较大的空气流动，从而降低了云中的电荷分离程度，使得该区域的雷电活动减弱。
图9 2017—2019年落雷密度与风速的皮尔逊相关分析
Fig.9 PCCs between lightning and wind during 2017—2019
进一步量化分析该现象需要结合云物理模型和空气动力学理论展开深入研究，本文主要分析广域尺度下的水平风速和雷电活动的分布特征及其相关关系，为风电场选址和风能利用提供基础。下一步研究将建立耦合空气动力学的云物理三维分析模型，量化分析水平风速对该区域的水凝物粒子浓度、云物理过程及起-放电参数的影响，研究广域水平风速对云内-云外因子和雷电活动的影响。
本文通过全球雷电探测网（ENTLN）测量的雷电数据讨论了广域雷电活动特征，依据NASA MERRA-2和ECMWF-ERA5测量系统得到的风速结果研究了广域水平风速特征，分析了广域水平风速和雷电活动间的相关关系，得到结论如下：
1）得到了2017—2019年三年间全球范围内平均水平风速的分布特征，明晰了全球雷电活动的分布特征和落雷密度高值区域，为风电场选址运维与风能利用提供了保障。
2）首次发现广域水平平均风速和雷电活动呈负相关关系，雷电活动频发在广域长期平均水平风速为2～5 m/s的情况下，当水平风速增大时，雷电活动逐渐减弱，广域平均水平风速超过15 m/s后，雷电活动明显减少。
参考文献
[1] 李阳, 沈小军, 张扬帆, 等. 基于速度-关联约束的风电机组风速感知异常数据识别方法[J]. 电工技术学报, 2023, 38(7): 1793-1807. Li Yang, Shen Xiaojun, Zhang Yangfan, et al. Cleaning method of wind speed outliers for wind turbines based on velocity and correlation constraints[J]. Transactions of China Electrotechnical Society, 2023, 38(7): 1793-1807.
[2] 周歧斌, 史一泽, 王振兴, 等. 雷击碳纤维叶片的表面场强分布与附着特性研究[J]. 高压电器, 2022, 58(2): 17-24, 32. Zhou Qibin, Shi Yize, Wang Zhenxing, et al. Study on surface field intensity distribution and attachment characteristics of lightning stroke carbon fiber blades[J]. High Voltage Apparatus, 2022, 58(2): 17-24, 32.
[3] Global Wind Energy Council. Global Wind Report 2023[R/OL]. [2023-07-22]. https://gwec.net/ globalwindreport2023/.
[4] 白建华, 辛颂旭, 刘俊, 等. 中国实现高比例可再生能源发展路径研究[J]. 中国电机工程学报, 2015, 35(14): 3699-3705. Bai Jianhua, Xin Songxu, Liu Jun, et al. Roadmap of realizing the high penetration renewable energy in China[J]. Proceedings of the CSEE, 2015, 35(14): 3699-3705.
[5] Landberg L, Myllerup L, Rathmann O, et al. Wind resource estimation - an overview[J]. Wind Energy, 2003, 6(3): 261-271.
[6] 赵泽洋, 肖慈恩, 刘亚坤, 等. 接闪阳极参数对雷电弧材料损伤数值分析的影响[J]. 电工技术学报, 2024, 39(5): 1486-1496. Zhao Zeyang, Xiao Cien, Liu Yakun, et al. Influence of anode on numerical analysis of arc-material interactions with multi-field coupling in lightning damage[J]. Transactions of China Electrotech-nical Society, 2024, 39(5): 1486-1496.
[7] 瞿海燕, 袁萍, 张华明, 等. 闪电放电过程的近红外光谱及温度沿放电通道的演化特征[J]. 地球物理学报, 2012, 55(8): 2508-2513. Qu Haiyan, Yuan Ping, Zhang Huaming, et al. Evolution characteristic of near-infrared spectra and temperature along the stroke channel of lightning discharge process[J]. Chinese Journal of Geophysics, 2012, 55(8): 2508-2513.
[8] 周蜜, 苏小玮, 高俊福, 等. 雷电流A分量与C分量对碳纤维复合材料损伤特性差异[J]. 电工技术学报, 2022, 37(增刊1): 297-306. Zhou Mi, Su Xiaowei, Gao Junfu, et al. Differences in damage characteristics of lightning current components A and C to carbon fiber reinforced polymer[J]. Transactions of China Electrotechnical Society, 2022, 37(S1): 297-306.
[9] Candela Garolera A, Madsen S F, Nissim M, et al. Lightning damage to wind turbine blades from wind farms in the U.S.[J]. IEEE Transactions on Power Delivery, 2016, 31(3): 1043-1049.
[10] 郭子炘, 李庆民, 任瀚文, 等. 基于雷电上行先导起始物理机制的风机叶片雷击概率评估模型[J]. 中国电机工程学报, 2018, 38(2): 653-662, 696. Guo Zixin, Li Qingmin, Ren Hanwen, et al. Probabilistic risk assessment of lightning strike on wind turbine blades based on the physical mechanism of lightning upward leader inception[J]. Proceedings of the CSEE, 2018, 38(2): 653-662, 696.
[11] 蓝磊, 姒天军, 王羽, 等. 雷电下转动风机叶片接闪特性模拟试验研究[J]. 电网技术, 2018, 42(4): 1328-1334. Lan Lei, Si Tianjun, Wang Yu, et al. Experimental study on lightning discharge characteristic of wind turbine’s rotating blades[J]. Power System Technology, 2018, 42(4): 1328-1334.
[12] 师伟, 李庆民. 基于先导放电理论的雷击上行先导起始研究[J]. 中国电机工程学报, 2014, 34(15): 2470-2477. Shi Wei, Li Qingmin. Research on the lightning upward leader inception based on leader discharge theory[J]. Proceedings of the CSEE, 2014, 34(15): 2470-2477.
[13] Chen Huaifei, Chen Weijiang, Wang Yu, et al. Analysis of the cloud-to-ground lightning characteristics before and after installation of the coastal and inland wind farms in China[J]. Electric Power Systems Research, 2021, 190: 106835.
[14] Zipser E J, Lutz K R. The vertical profile of radar reflectivity of convective cells: a strong indicator of storm intensity and lightning probability?[J]. Monthly Weather Review, 1994, 122(8): 1751.
[15] Zhu Y, Rakov V A, Tran M D, et al. Evaluation of ENTLN performance characteristics based on the ground truth natural and rocket-triggered lightning data acquired in Florida[J]. Journal of Geophysical Research (Atmospheres), 2017, 122(18): 9858-9866.
[16] Liu Yakun, Wiiliams E, Montanyà J, et al, Global lightning environment for wind turbines in wind energy harvesting[R]. Boston: Applied Energy Symposium: MIT A+B, 2020.
[17] Boccippio D J, Goodman S J, Heckman S. Regional differences in tropical lightning distributions[J]. Journal of Applied Meteorology, 2000, 39(12): 2231-2248.
[18] Christian H J, Blakeslee R J, Boccippio D J, et al. Global frequency and distribution of lightning as observed from space by the optical transient detector[J]. Journal of Geophysical Research (Atmospheres), 2003, 108(D1): 4005.
[19] Rakov V A, Uman M A. Lightning: Physics and Effects[M]. Cambridge: Cambridge University Press, 2003.
[20] Albrecht R I, Goodman S J, Buechler D E, et al. Where are the lightning hotspots on earth?[J]. Bulletin of the American Meteorological Society, 2016, 97(11): 2051-2068.
[21] Rachidi F, Rubinstein M, Montanya J, et al. A review of current issues in lightning protection of new-generation wind-turbine blades[J]. IEEE Transactions on Industrial Electronics, 2008, 55(6): 2489-2496.
[22] International Electrotechnical Commission. Wind energy generation systems-part 1: design requirements: IEC 61400-1:2019[S]. IEC, 2019.
[23] Montanyà J, Fabró F, van der Velde O, et al. Global distribution of winter lightning: a threat to wind turbines and aircraft[J]. Natural Hazards and Earth System Sciences, 2016, 16(6): 1465-1472.
[24] Pryor S C, Barthelmie R J. A global assessment of extreme wind speeds for wind energy applications[J]. Nature Energy, 2021, 6: 268-276.
Abstract Globally, the 77.6 GW of new wind power capacity was connected to power grids in 2022, bringing total installed wind capacity to 906 GW and a growth of 9% compared to 2021. In the research on wind speed assessment, there is a lack of unified measurement of wind speed over large regions or even the globe due to differences in measurement instruments and limitations in their long-term maintenance. Information about the characteristics of wind speeds on a broad and global scale is in demand for wind turbine regimes. Meanwhile, wind turbines are in large geometry and operate in wide-open environments, which are prone to lightning strikes and get damaged to shut down, even affecting the connected power grid with the output power of a single wind turbine increasing to several megawatts (16 MW for the world’s largest wind turbine in 2023). Different regions exhibit distinct characteristics of lightning activity, resulting in significant variations in the probability of lightning strikes to wind turbines. For instance, 5.6 out of 100 wind turbines are struck by lightning per year in coastal areas. In contrast, it is 14 of 100 wind turbines per year in mountainous regions. The acquisition of information about the lightning density over large regions or even the globe is also another driven call for the siting and operation of wind turbines.
Wind farms prefer locations with excellent wind resources and fewer lightning strikes. The identification of regions with both great wind speed and low lightning strike density remains a challenge. To resolve such a challenge, we first need to address the question that, is there any correlation between wind speeds and lightning activity. If wind blowing interacts with lightning activities, the interactions will help find a path to identify the regions with both great wind speed and low lightning strike density. Therefore, we analyzed the distribution of wind speeds and lightning activity over Asia during three years (2017—2019). The lightning data and wind speeds are analyzed by matching both the time and space domains. A negative correlation between horizontal wind speeds and lightning activity has been found in Asia. Lightning activity is more frequent when the long-term average horizontal wind speed is above 2 m/s and below 5 m/s. The conclusions provide valuable information about wind speeds and lightning activity over Asia.
keywords：Horizontal wind speed, lightning, MERRA-2, ECMWF-ERA5
DOI: 10.19595/j.cnki.1000-6753.tces.230406
中图分类号：TM614
国家自然科学基金（52377152）和上海市自然科学基金（21ZR1431400）资助项目。
收稿日期 2023-04-03
改稿日期 2023-07-31
赵泽洋 男，2000年生，硕士研究生，研究方向为雷电效应与雷电防护。E-mail：zhaozyal@163.com
刘亚坤 男，1992年生，副教授，博士生导师，研究方向为雷电效应和雷电防护。E-mail：liuyakunhv@163.com（通信作者）
（编辑 李 冰）