系统级可再生能源与用电量的概率性翌日预测

为何明天的电力今天就重要

随着越来越多的家庭、汽车和企业依赖电力，而电力越来越来自风能和太阳能，维持供电变得更加复杂。与传统发电厂不同，可再生能源受制于天气，而天气变化往往很快。本文探讨了一种更智能的方式，在前一天预测人们将消耗多少电力以及电网将产生多少风能和太阳能。更好的预测可以降低成本、减少污染，并降低像加州及其他地区停电的风险。

预测需求与日照的难题

电力系统运营者必须每分钟平衡供需。在日内决策时，他们要确定哪些发电厂运行以及保留多少备用容量。随着更多太阳能电池板和风力涡轮接入电网，并且空调、电动汽车和数据中心等导致需求增长，简单的预测方法变得捉襟见肘。预测误差会迫使运营者在实时中应急，临时购买额外电力、限制可再生能源出力，或依赖快速启停的化石燃料发电机。在加州系统中，这些日益增长的不匹配已导致更高的运行成本、更多来自邻近地区的电力进口，以及为了维持电网稳定而更频繁的调整。

一种新的“读天气”方式

作者提出了一个预测框架，利用先进的统计工具和机器学习来充分利用详尽的天气预报。与其依赖少数粗略的天气变量，他们从覆盖整个美国西部的高分辨率天气模型出发。第一步是筛除那些对能源影响不大的大量天气数据点，定位那些强烈影响用电需求和可再生发电的地点和条件。这包括靠近主要人口中心和风电、光伏场的温度、湿度和太阳辐照等因素，并将其提炼为一组最相关的紧凑信号。

同时观察整个系统

过去大多数方法分别预测系统的各个部分：一个模型预测需求，另一个预测风电，另一个预测光伏。与此不同，本研究构建了联合概率预测，这意味着它不仅给出单一的最佳估计，而是逐小时为需求、风能和太阳能一起预测可能结果的完整范围。通过模拟这些量在加州三大电网区之间的协同变化，这种方法捕捉到诸如高温天既增加空调用电又提升太阳能发电，或暴风雨降低太阳能但可能提高风能的关系。该方法生成许多保留现实日内模式的可信未来情景，而不是孤立的每小时点估计。

从更佳预测到更聪明的备用安排

为检验其方法，研究人员将焦点放在管理该州大部分高压电网的加州独立系统运营商（CAISO）。他们将自己的概率模型与标准基准进行比较，包括运营者自身的翌日预测。在用电需求、光伏、风电以及常规发电机需面对的“净负荷”上，他们的最佳模型将预测技能提高了约四分之一。关键是，这些概率预测还提供了良好校准的不确定性区间，尤其在创纪录的热浪或异常风暴等压力时期。利用这些区间，团队试验了一种新的日内备用容量分配方法：与其平均分配备用或依赖固定的历史误差模式，不如将备用向不确定性更高的时段倾斜，例如太阳能出力最大且更易波动的中午时段。

对更清洁、更稳定电网的意义

当研究人员使用他们的备用分配方法模拟电网运行时，发现与当前确定性做法相比，供应与需求之间的总体失衡——以需进口电力或削减可再生电力来衡量——有所减少。联合概率预测使得在满足可靠性需求的同时减少这些失衡成为可能，而模型集成的表现最为出色。就实际而言，这意味着运营者可以减少对昂贵且排放强烈的备用电厂的依赖，在不牺牲稳定性的前提下接纳更多风能和太阳能，并对极端天气做出更灵活的响应。该研究表明，将预测视为概率分布而非单一数字，是朝着更高效、可持续与有韧性的电力系统迈出的关键一步。

引用: Terrén-Serrano, G., Deshmukh, R. & Martínez-Ramón, M. Probabilistic day-ahead forecasting of system-level renewable energy and electricity demand. Nat Commun 17, 3307 (2026). https://doi.org/10.1038/s41467-026-69015-w

关键词: 可再生能源预测, 用电需求, 电网可靠性, 概率建模, 备用容量