时序预测为什么是能源AI研究的核心问题- 大数跨境

首页

时序预测为什么是能源AI研究的核心问题

AI前沿速递

2026-07-20

导读：先看一条正在变形的曲线。过去，电网调度员盯着的负荷曲线像一座平缓的山：早晚两个高峰，夜里一个低谷，形状十年如

先看一条正在变形的曲线。

过去，电网调度员盯着的负荷曲线像一座平缓的山：早晚两个高峰，夜里一个低谷，形状十年如一日。但当屋顶光伏铺满城市，这条曲线被从下往上「掏空」了——正午太阳最烈时，净负荷被压出一道深深的「峡谷」；太阳一落山，几千万千瓦的缺口要在两三个小时内被火电、水电、储能填回来。这就是能源圈那条著名的 「鸭子曲线」，而且它的肚子一年比一年更凹。

这道「峡谷」为什么越来越深？根子在「双碳」。截至 2024 年，我国风电装机已突破 5 亿千瓦、光伏突破 8 亿千瓦，在总装机里的占比一路走高。当波动、间歇的新能源成为电源主力，「看天吃饭」就从一句玩笑变成了整个电力系统的运行底色——这正是国家「新型电力系统」蓝图里「清洁低碳、柔性灵活」两大特征要回答的问题。

国家能源局在 2025 年的政策文件里把它说得很直白：系统等效负荷的日曲线「峡谷」特征逐年加深，午间调峰、晚峰保供的压力同时加剧。压力的另一头，是一个残酷的算术题——预测每错 1%，背后可能就是几十万千瓦的备用电源在空转，或者一次拉闸限电的风险。

电力，可能是所有行业里对时序预测「容错率最低」的那一个。这一期，我们就把它讲透。

「时序 × 能源」福利资料包已准备完毕，文末可领取，一键打包。

① 场景：三种预测，三种「要命」

能源时序不是一个问题，而是三个战场：

负荷预测——电从哪来要提前定。日前市场要报次日 24 小时的用电量，报多了浪费，报少了停电。

新能源功率预测——风光出力全看老天爷脸色。一场台风、一片积云，风机光伏的出力可能在几分钟内腰斩，这种「爬坡事件」是电网最怕的黑天鹅。

电价预测——市场化交易的核心。现货电价会在负荷尖峰时暴涨十几倍，也会在新能源大发时被打到负电价（发电厂倒贴钱让你用电）。

三者环环相扣：风光预测的误差会传导成净负荷的误差，净负荷的误差又会放大成电价的剧烈波动。在虚拟电厂、源网荷储一体化这些新型主体里，这套预测甚至直接决定了一笔交易的盈亏。上海一个百万千瓦级的虚拟电厂项目，靠 AI 预测风光出力和负荷需求把准确率做到了 95%——多出来的那几个百分点，就是真金白银。

② 数据长什么样：强规律，也强意外

能源时序有一张很「拧巴」的脸：

周期极强：日周期、周周期、年周期层层嵌套，工作日和周末泾渭分明；
天气强驱动：负荷和温度是一条经典的「U 型曲线」，风光则几乎是气象变量的直接函数；
多尺度并存：从超短期（未来 15 分钟）、短期（次日）到中长期（月、年），每个尺度用的方法都不一样；
强空间结构：一个风电场里上百台风机彼此的尾流会互相影响，整张电网的节点又构成一张拓扑图；
强外生依赖：温度、湿度、辐照、风速、节假日、电价……离开这些协变量，光看历史曲线几乎无法预测；
非平稳 + 冷启动：这是最狠的两刀——装机容量每年高速变化，去年学到的分布今年可能就不作数；而一座刚并网的新场站，压根没有历史数据可学。

一句话：规律强到经典方法还能打，意外多到深度学习也会翻车。

③ 经典武器库：几十年了，依然好用

别急着上大模型。能源行业的经典方法，是被几十年调度实践反复锤炼过的：

负荷：相似日法（找历史上天气最像的一天直接抄）、温度-负荷回归、SARIMA、指数平滑、灰色模型；
风光：物理法当家——把数值天气预报（NWP）的风速、辐照度喂进功率曲线，再做统计后处理纠偏；
电价：均值回归模型叠加「尖峰」建模，波动率则交给 GARCH 家族。

这些方法可解释、算得快、对数据要求低，至今仍是无数省级调度中心的生产主力。任何一篇吹嘘深度学习的文章，如果绕过它们，都是耍流氓。

④ 深度学习：从 LSTM 到时空图网络

真正让能源预测「换挡」的，是三类深度模型：

序列模型——LSTM、TCN、CNN 早已是负荷预测的标配，擅长啃下复杂的非线性时序依赖。

Transformer 家族——Informer、Autoformer、PatchTST 等长序列预测模型，把「看得更远」这件事做到了新高度。

时空图神经网络（STGNN）——这是新能源预测的杀手锏。把风电场的每台风机当作图上的一个节点，用图网络显式建模它们之间的尾流耦合。在 2022 年百度 KDD Cup 的风电预测赛（SDWPF 数据集，134 台真实风机）上，顶尖方案思路百花齐放：有把机组当成动态图的 STGNN（AGCRN、MTGNN 集成），有「梯度提升树记住规律 + 循环网络捕捉概率跃迁」的混合集成，甚至有团队把 NLP 里的 BERT 搬来做风功率序列建模、从 2490 支队伍里杀进前三。

再加上 N-BEATS、N-HiTS 这类纯前馈强基线，以及 DeepAR、分位数回归带来的概率预测能力，深度学习在能源赛道上已经站稳脚跟。这里要特别强调概率预测：调度要的从来不是一个孤零零的数，而是一个带置信区间的分布——因为它真正要管理的，是不确定性本身。

⑤ 2024–2025：三条正在改写规则的新赛道

这一年，能源预测最激动人心的变化有三条：

第一条：时序基础模型「零样本」进场。 TimesFM、Chronos、Time-MoE、Sundial、Moirai 这些通用时序大模型，被直接拿来做建筑负荷预测——不训练、不微调，开箱即用。NREL 搭的 BuildingsBench（90 万栋模拟建筑 + 上千栋真实建筑）成了公认的试炼场。结论很微妙：这些「零样本」大模型在某些指标上确实能打赢专门训练的 Transformer，尤其在长输入窗口下；但要真正落地，一个能源领域专属的基础模型仍然稀缺——通用模型对天气、日历这些关键协变量的利用还不够好，跨通道的相关性也没吃透。2026 年像 Moirai 2.0 这样转向编码器架构、内建多变量与协变量能力的新版本，正是冲着这个缺口去的。

第二条：AI 天气大模型开始反哺电网。 既然风光本质是气象的函数，那么 GraphCast、盘古气象、FourCastNet、Aurora 这批把天气预报做到「几分钟出全球预报、精度还超过传统数值模式」的 AI 大模型，自然成了新能源预测的上游活水。它们用一块云端 GPU、几美元的成本，就能跑出过去要动用上亿美元超算才能得到的中期预报——这对新能源功率预测是降维打击。2025 年已经出现了直接面向电网的「气象基础模型」研究，把它接上电力级观测数据，用于改进新能源调度、输电线动态增容、线路覆冰预警。微软的 Aurora 更在 2025 年底开源，并明确把「预测可再生能源出力」列为重点应用方向。一条「天气大模型 → 功率预测 → 电网调度」的新链路，正在成形。

第三条：电价也有了自己的基础模型。 2025 年的 PriceFM 面向欧洲 24 国、38 个报价区做概率电价预测，配套开放了一份 2022–2025 年的大规模数据集；OrderFusion 则直接从订单簿建模日内电价。电价预测正从「点预测」全面转向「概率预测」。

但别急着膜拜大模型。2025 年 IISE 与 PG&E 合办的能源分析挑战赛给了所有人一记清醒剂：在一年期负荷预测上，一个按小时分箱的朴素回归，打赢了包括 TimeGPT 在内的一众 Transformer。 数据量、协变量和场景，往往比模型参数量更决定成败。

⑥ 开源资源（速览）

想上手，这些是绕不开的公开资源：

数据集：BuildingsBench / Buildings-900K（负荷）、SDWPF（风电，KDD Cup 2022）、GEFCom2014（负荷/电价/风/光四合一）、UCI ElectricityLoadDiagrams、Building Data Genome 2、WeatherBench 2 与 ERA5（气象）；
竞赛：百度 KDD Cup 2022 风电赛、GEFCom 全球能源预测赛系列、IISE 能源分析挑战赛；
工具：Darts、Nixtla（StatsForecast / NeuralForecast / TimeGPT）、GluonTS、sktime；基础模型 Chronos、TimesFM、Moirai、Time-MoE 均有开源权重。