新能源发电遭遇“世界性难题”，可以指望AI吗？

 ●                  　●                   　●

2021年2月，一场寒潮席卷美国德克萨斯州，导致约1000万人在最高峰时期失去电力供应，部分地区断电持续数天，该州批发电价一度较平时飙升两百倍。

停电事件原因各不相同，但新能源给电力系统带来的不稳定性已经成为一个不可忽视的因素，甚至在极端天气事件下引发黑天鹅事件。

这是一道世界性难题。国际能源署上月发布的《世界能源展望2024》报告就提到，清洁能源正以前所未有的速度融入能源系统，而随着电力需求和波动性能源发电的增加，许多电力系统难以承受更多的极端天气事件和网络攻击。

美国德州那起大停电，导火索是冰冻的风电叶片，极寒天气导致其能源结构中极为重要的风光发电量从42%骤降到8%。

国家能源局组织电力规划设计总院等11家机构在2023年编写的《新型电力系统发展蓝皮书》指出，“新能源占比不断提高，快速消耗电力系统灵活调节资源，其间歇性、随机性、波动性特点使得系统调节更加困难，系统平衡和安全问题更加突出。”

世界性难题的破解，无疑需要各方的长期努力。人工智能，也开始参与其中。

2024年11月6日，在北京举行的阿里达摩院决策智能实验室年度论坛上，一个名为“八观”的气象大模型颇受关注。人工智能在新能源发电功率预测等方面的实践和前景，更是引来了多家机构研究人员的激烈讨论。

正在阿塞拜疆首都巴库举行的第29届联合国气候变化大会上，AI同样是备受瞩目的话题。电气与电子工程师协会（IEEE）前任主席赛义夫·拉曼（Saifur Rahman）教授告诉《知识分子》，大量可再生能源进入电网，电力输出间歇、不稳定、对气候风险更敏感，也因此需要以非常智能的方式来管理电力系统。

电网本身已经是人类创造的最复杂系统之一，电力调度也是一类极为复杂难解的数学题目。

达摩院决策智能实验室研究员王孟昌介绍，电力调度问题每增加一个变量，计算难度要翻很多倍。而一个真实的电力系统可能包含百万级的变量，而且紧紧地耦合在一起。

即使在新能源接入电网之前，极端天气和天气突变也会导致负荷端的急剧变化，进而引发电力系统故障。清华大学教授梅生伟举例，1987年日本东京大停电的一个重要原因就是天气突然转热，导致用电负荷激增。

中国有着世界上最大规模的电力系统，却没有出现过大面积大规模的停电事故。梅生伟表示，其中的关键因素就在于火电的高度可控。

火电站、水电站等传统发电设施，通过旋转机械部件与电网相连，利用驱动发电机的重型转子，将机械能转换为电能发电。这种发电方法需要一定的启动时间，但胜在稳定。即使供电系统出现故障，转子依靠惯性旋转依然能提供一段时间的动能，维持供电频率为解决问题争取时间。

与略显笨重但可靠的传统发电方式相比，新能源发电比较灵敏却难以操控。它们可以在几秒内甚至瞬间启动发电，但也会短时间内停止发电，一旦出现故障，可以用来调整的时间极少。梅生伟说，这是新能源入网带来的重大安全隐患。 

随着新能源的接入，极端天气和天气突变不仅影响负荷端，还会带来供电端的波动。这就为本就极为复杂的电网平添了波动和不确定性，给世界范围电力系统的调度和预测出了一个难题。

面对极端天气时，新能源发电出力常常像过山车一样急剧波动。以山东为例，全省新能源总装机超过1亿千瓦，在省级电网中居首。国网山东省电力公司调度中心数据显示，2023年底寒潮期间，仅一天半时间山东电网的风电出力由1800万千瓦下降至50万千瓦，下降幅度高达97%。今年8月4日到5日，山东出现暴雨天气，一天内风电光伏最高出力4300万千瓦降至2800万千瓦。

尽可能准确预测新能源发电功率，是保证电力系统安全的前提之一。传统预测手段在正常天气条件下准确率相对稳定，但在重大转折性天气和持续性极端天气条件下预测准确率就要差很多。而预测偏差如果过大，将极大地影响电力平衡和电力供应的可靠性，甚至给电力系统带来不可挽回的损失。

在电力系统发展的历史上，不止一次出现过这样的情形：电力系统的调度和预测问题变得复杂难解的同时，解决问题的方法也在同步进化。

山东电网调度中心专家介绍，20世纪八九十年代，220千伏以上变电站规模成倍增加，依托计算机处理性能提升和光纤网络技术应用，电网数据实现了采集和监控，不再依靠值班电话人工执行。

20世纪末21世纪初期。随着孤立电网逐渐向互联电网、超高压电网迈进，依托于高性能服务器的自动控制系统，调度人员有更多精力投入到大电网安全分析处理。电网调度模式则从人工控制向自动控制转变。

近年来AI技术的兴起，AI能够以前所未有的精度预测电力需求和可再生能源的发电量，从而显著提升电力系统的运行效率和可靠性。

然而，想要预测新型电力系统的需求和发电量，就不能离开对天气情况的精准掌握。目前通过AI进行天气预测，尤其是做出对电力行业有帮助的预测，仍面临诸多挑战。

首先是时空分辨率的问题，如果将天气预报的时间和空间精度比作图像的分辨率，现在这张图片还相当模糊。

例如，欧洲中期天气预报中心（ECMWF）提供的预报在90小时内的时空分辨率约为10公里×10公里×1小时。这样的精细度对于一般的城市生活预报可能已经足够，对于电力行业而言还是太过粗糙。不能准确知道风电、光伏设备密集地区天气状况如何，就无法获得有用的信息用于计算。

对于极端天气，现有预报的精度显得尤为不足。中央气象台首席预报员马学款提到2023年北京暴雨的例子，预报降雨量600-800毫米，但局部地区降雨量达1100毫米。想要准确预报极端天气非常困难，因为现在的预报系统本身，就不是为预报极端天气而生。

马学款还介绍，近年来灾害性天气预报准确率的提升进入瓶颈期，2016年后虽然准确率整体呈上升趋势，但变化不够显著。对强对流天气，比如短时强降水、风雹的预报准确率已经长期没有突破，龙卷风空报率居高不下。

世界气象组织(WMO)则在其最新报告《团结在科学之中》（United in Science 2024）指出，人工智能和机器学习在再分析和观测数据集上进行训练，它们正在彻底改变天气预报。

当然，极端天气事件发生的频率较低，可用的数据量更加有限，这也给AI模型的训练带来了更大挑战，是难以生成高度准确预测的原因之一。

在此次湖畔实验室&达摩院决策智能实验室的年度研讨会上，来自某南方省份的电网专业人士介绍，他们也曾尝试开发气象预测模型，尤其是探索极端天气预测，但同样受制于缺少样本和数据。

另外，有些指标并未被囊括在过去常见的天气预测系统中，但对电力行业来说至关重要。例如，常规天气预报提供的风速都是来自高度10米左右的风力观测和预测， 海上风电的安装则至少要提升到100米的高度。

正因为此，达摩院最新发布的“八观”气象大模型（详见“阅读原文”）受到业内高度关注。其预测时空精度最高可达1公里×1公里×1小时，除了输出常用的地表2米温度、10米风速、湿度、降雨等指标，还有新能源专用的气象指标，比如100米高度风速、200米高度风速、辐照度等，且多个气象指标的预测精度较目前主流天气预报显著提升。

2024年8月下旬，“八观”气象大模型(opt.aliyun.com/weather)在气温骤变期间的负荷预测表现

这样的气象大模型，还可用于体育赛事、农业生产、航空极端天气预警等场景。同时，达摩院决策智能实验室资深算法专家孙亮解释，很多预测通常和决策紧密相连，决策者需要预测的可解释性，尤其是预测和决策者的预期存在偏差之时。

达摩院决策智能团队注重技术，但技术并不是一切。“AI 确实具有许多优势，但关键在于如何更好地将大型模型与实际需求相结合。”孙亮说。

无论是天气预报，还是新能源占比不断提升的电力系统，都需要AI做得更多。国际能源署《世界能源展望2024》报告就指出，AI对能源有着非常广泛的潜在影响，包括提高电力部门的系统协调能力、缩短创新周期等。

“AI当然不是惟一的技术解决路径，但我们再也不能忽视其作用。”IEEE前任主席Saifur Rahman说。