准确的天气预报对可再生能源的发展至关重要
准确的天气预报对于提高风能和太阳能发电的可预测性至关重要，最终加速可再生能源并入电网。天气模式的意外变化可能导致能源价格波动，给发电商或交易商带来昂贵的不平衡成本。
幸运的是，天气预报技术的进步正在帮助我们应对这些挑战。现在有各种各样的天气模型可供使用，从全球确定性系统到突破性的人工智能集合模型。对于在短期电力市场上交易可再生能源的人来说，一个问题随之而来：哪种天气预报对于预测特定风电场或太阳能电站的发电量以及特定市场的电价最可靠？
本文将回顾所有类型的天气模型，探讨它们的优势和劣势以及近期趋势。根据我们广泛的历史天气预报数据库和电力及价格预测经验，我们认为最准确的发电量和价格预测来自于精妙地组合多个"传统"和"新型"模型。如果你正在寻找评估预测准确性的方法，我们还推荐我们最近发布的白皮书，探讨如何评估发电预测以实现最佳决策。
一、确定性全球数值天气预报模型
让我们从"传统"天气模型开始，这些模型通常被称为数值天气预报（NWP）。这些模型通过解决物理方程（即流体流动和物理过程）来模拟大气和海洋，并为数百个气象变量提供预测，从海洋表面到高层大气。
一些最著名（至少以缩写形式）和广泛使用的全球确定性NWP模型包括：
欧洲中期天气预报中心（ECMWF）的集成预报系统（IFS） 美国国家气象局（NOAA）运行的全球预报系统（GFS） 德国国家气象局（DWD）创建的二十面体非静力学（ICON）模型 加拿大气象局的全球环境多尺度模型（GEM） 英国气象局开发的UKV-Global模型
普遍认为ECMWF的IFS是短期市场（从日前到几小时前）电力交易最准确的预报，如下图所示。尽管如此，结合多个模型的输出可以进一步减少预测误差，达到比依赖单一模型更好的整体准确性。全球NWP模型非常宝贵，因为正如我们将看到的，它们是所有局部NWP模型的基础。
[ECMWF IFS模型图]ECMWF IFS模型2米温度和100米风速，2024-09-26T00预报有效时间+12h，基于0.4度开放数据。©ECMWF 来源：www.ecmwf.int 许可：CC-BY-4.0
二、高分辨率局部NWP模型
顾名思义，高分辨率（HRES）局部NWP模型更加精细和区域特定。它们在全球模型的基础上初始化并使用边界条件，可以有多层嵌套。
它们的优势在于能够放大到更小的地理区域，提供更精细的细节，如下图所示。因此，它们主要适用于地形复杂的地区。例如，它们可以更准确地模拟山脉上的风流等现象。
[高分辨率局部NWP与确定性全球NWP模型对比图] 高分辨率局部NWP模型（左）与确定性全球NWP模型（右）细节水平的对比。预报变量为10米风速，初始化时间为2024-09-26T00，所有48个时间步长。来源：Dexter Energy
然而，分辨率的提高也带来了权衡。局部NWP引入了更多细节到预报中 - 精确预报的现象可能不会在那个确切的空间或时间发生。在能源预测中，我们必须谨慎解释这种"噪音"，以避免错误的预测，这可能导致昂贵的交易错误。
三、确定性AI模型
在2023年成为AI天气模型发展的重要一年之后，ECMWF最近宣布了其新的人工智能/集成预报系统（AIFS），这是其IFS天气预报模型的数据驱动"模拟器"。这些发布标志着天气预报进入了一个新阶段，AI开始在其中发挥核心作用。尽管如此，虽然我们承认确定性AI模型代表了该领域的重大进步，但对周围的炒作保持谨慎态度很重要。与许多AI创新一样，潜在的好处有时被夸大了。
本质上，AI模型模拟全球天气模型。它们通过数十年的全球气候数据进行训练，其学习基于大气再分析，如ECMWF的再分析v5，通常称为ERA5。
一个显著的特征是它们能够在较长的提前期"模糊"特定细节。这是可能的，因为它们不受传统模型相同的物理约束。例如，虽然传统模型可能试图精确定位雨淋的确切位置，但AI模型将预测可能影响的更广泛区域，优化整体预报准确性，特别是在查看更远期预报时。
[IFS和AIFS降水对比图]IFS和AIFS降水对比，2024-08-29T00预报在+90h到+96h之间，基于0.4度开放数据。©ECMWF 来源：www.ecmwf.int 许可：CC-BY-4.0
这对解释预报的气象学家来说可能是有问题的；天气锋面不会那么容易识别，天气模式会根据预报的提前期而变化。然而，对发电预测准确性的影响可能是正面或负面的，这取决于预报的特性和使用的误差度量。
此外，这些模型似乎保持一致性，并在两天以上的预报中表现良好，在较长的提前期已经在误差分数方面超过了IFS HRES。而且，它们具有运行成本更低的优势。
然而，许多确定性AI模型的一个关键限制是它们的六小时分辨率。这对能源预测来说是不够的。此外，它们的有效分辨率相当低，当前一代无法预测蝴蝶效应。虽然这不直接影响操作预报，但使它们不适合气候研究。
四、集合模型
天气预报的另一个重要里程碑是集合模型的发展，标志着从确定性方法向概率方法的转变。
如果你不熟悉概率概念或需要复习，我的数据科学同事们在电力交易背景下写了一篇关于概率价格预测的详细文章。虽然不是严格必要的，但集合天气预报可以为预报的整体可靠性做出贡献。
集合模型通过运行多个预报模拟(称为"成员")工作，每个成员都有略微不同的初始条件和模型设置。与确定性模型返回单一预报不同，集合模型生成一系列未来天气情景，提供更全面的不确定性视图。如果我们再次考虑雨淋的情景，一个集合模型将指示可能下雨的更广泛区域，以及在该区域内各个位置下雨的概率。
ECMWF集合（ENS）运行50个这样的扰动预报成员，每个模拟的计算能力与高分辨率模型相当 - 这是一个令人难以置信的壮举。此外，ECMWF计划停止将高分辨率预报视为与集合不同，这清楚地表明该组织认识到集合是天气预报的未来。
在这种情况下的一个优势是，集合的平均值通常会过滤掉全球和局部高分辨率确定性模型中存在的不必要细节，这可能导致改进的误差分数。此外，这50个成员的范围（或分散）有助于更准确地预测极端情况，使概率预报更加校准和可靠。
缺点是：生成的数据量巨大，维护跨越几年的档案很复杂。我们另外写了一篇博客，讨论天气数据存储的巨大挑战以及我们采用的范式转变来解决这个问题。
五、AI集合模型
鉴于集合天气预报的价值越来越明显，一种新一代的模型正在出现：AI集合。它们在更好地预测极端情况的同时保留AI天气模型的既定优势方面蕴含巨大潜力。
最近的工作表明，AI集合在误差分数方面可能与EC ENS产品表现相当。结果可能是AI天气模型快速运行时间与集合的概率性质的结合 - 这是一个非常令人兴奋的途径。
六、AI模型同化自己的数据
AI模型的下一个前沿(开发中) 是能够独立于传统NWP模型同化自己的数据的能力。
目前，所有生产中的AI天气模型都从传统NWP模型的第0个时间步 - "初始条件" - 开始运行。NWP模型通过取其先前对这个时间步的预报，并使用它所有的数据将其转化为一个"分析"来构建这些条件。这是必要的，因为我们没有完全观测我们的大气。我们有来自气象站、飞机、卫星和许多其他来源的稀疏观测；然而，我们并不测量，例如，地球上每个地方500米高度的温度。
在同化模型自己的数据方面的初步进展已经在降水临近预报中取得，这是一个我们一直在关注的观众友好型目标，如MetNet-3。过去一年进展加速，我们预计生产系统很快就会出现。
这里的优势是双重的。首先，预报可以比传统模型更快地可用，每一分钟都使预报变得更有价值，因为它变得不那么"陈旧"。其次，AI天气模型可能能够同化更多通常难以同化到传统模型中的数据，如卫星图像。
这一进步有潜力模糊今天的初级临近预报方法和完整天气模型之间的界限，使其特别适用于日内能源市场。
七、混合模型以实现精确预报
在Dexter Energy，我们利用各种天气数据源的优势来实现我们的电力和价格预报的最高精确度。通过结合传统NWP和AI驱动的模型，我们可以最大化它们的独特优势，创建一个更强大和准确的预报系统。
在这个过程中，我们从所有相关的天气模型中收集数百万个数据点。此外，我们持续对模型进行基准测试，以识别"优势" - 某些输入在特定情景和时刻表现最佳的情况。
我们之所以能够实现这种混合，是因为我们的团队在数据科学和先进领域知识方面具有多样化的技能。这种组合允许对统计和数据背后的物理过程有深入的理解，从气象现象到风力涡轮机工程。
八、天气预报永不乏味
天气模型已经取得了长足的进步，我们有充分的理由期待更多令人着迷的发展。就在上个月，我们看到了一个覆盖欧洲大部分地区的新高分辨率NWP集合模型的推出，这是我们预报管道的一个有价值的新输入。此外，预期向基础AI天气模型的转移已经开始，ECMWF宣布了其WeatherGenerator项目。
我们以三个关键要点结束这个概述：
1. 第一波生产AI天气模型已经通过略微改善误差分数增加了价值。
2. 集合模型，提供概率而非确定性方法，是未来，并将在能源预报和市场中变得更加重要。
3. AI气象模型的真正游戏改变者将是它们能够比传统NWP模型更快地同化更多实时数据。
在Dexter Energy，我们将继续有效地将最准确的天气模型纳入我们的预报组合中，并准备迅速利用该领域未来的所有突破。
