远景天机气象模型：分钟级预测如何影响绿电收益

上海外滩大会前段时间出现了一个中国气象模型的身影，吸引了不少目光。

它叫“远景天机”，能对全球未来45天内任意区域做分钟级气象预测，分辨率达到5公里10分钟。靠着这些能力，它和谷歌WeatherNext 2一起被排进了测评榜单的第一梯队。

有人可能会问：AI气象模型做的事，不就是天气预报吗？这有什么新鲜的？

可偏偏就是天气，在新能源市场化时代，直接牵动不少企业的收益和损失。

拿台风逼近海上风场来说，风机得在强风到来前停机保护。问题是风圈边缘的风速会跟着路径偏移不断变化，停早了发电量白白丢掉，停晚了设备又可能受损。

福建平潭外海，海上风电机组与安装平台。

台风并不会同时盖住整片风场，有的机组已经处在危险风速里，有的还在安全范围内。要是全场提前停机，后者本来能继续发的电也一起没了。

这样的痛点，其实只是眼下许多新能源企业处境的一个缩影。

我国新能源占比如今已接近过半，可风电、光伏的利用率并没有跟着往上走。

2026年上半年，中国风电、光伏装机达到19.51亿千瓦，占全国电力装机的48.3%；风光发电量约占全社会用电量的四分之一。

但风电、光伏利用率分别掉到了90.9%和91.4%。2025年同期，这两个数字还是93.2%和94%。

放在以前，这或许算不上什么大问题。

关键在于，做风电光伏的这批新能源企业已经进入必须“自己赚钱”的市场化时代，再也不能像从前那样只靠装机量、发电量把利润抬上去。

风电光伏，怎么赚钱？

过去不少人一提起风电光伏，直觉就是：风机装得多、发电量多，企业利润自然跟着涨。其实那只是新能源产业上半场的图景。

早年为扶持新能源，风电、光伏发出的电不少按相对稳定的价格收购，这套制度在新能源规模还小的时候很合理。

建风电场、光伏电站投资大，早期成本又高，电价要是每天上下波动，敢投的企业不多。国家等于给投资者吃了颗定心丸：你把电站建起来，发出来的电，我给你一个相对稳定的价格。

比如2018年初，我国三类资源区光伏电站的标杆上网电价分别是每度0.55元、0.65元和0.75元；即便当年政策随后各下调0.05元，项目仍有事先算得清的电价依据。

那个阶段企业的账比较好算：先估日照、设备成本和年发电量，再按适用电价推算收入，把电站建起来、让它稳定多发电就是经营的核心。靠这套办法，中国把新能源产业成功扶持了起来。

不过到2024年底，中国新能源装机已突破14亿千瓦，规模超过煤电；国家此时判断，固定价格难以充分体现市场供求。

拿中午来说，日照最强，各光伏电站一齐向电网送电。

彼时市场上电量充裕，实际价值往往偏低；等到晚上六七点用电高峰，电价上去了，光伏却几乎发不出电。

西藏山南才朋光储项目的光伏场区

国家由此考虑：新能源企业应当依据电力真正紧缺的时间与地点去投资、发电和交易，而不是一味追求装机规模与总发电量。

此后便有了那份知名的“136号文件”。

文件讲了什么，简要说是这样：

新能源上网电量原则上全部进入电力市场，价格由交易形成；同时推进日前、实时及更高频次的交易；这成了新能源企业走向市场化的分水岭。

说实话，136号文件发布后，新能源企业利润并没有因此直接下滑，但供过于求、午间电价偏低、消纳不足这些矛盾，被更直接地摆到了企业面前。

新的挑战

市场化一来，原先的新能源企业突然意识到：电站规模能迅速铺开，电力交易、功率预测和风险管理的能力却没法以同样速度复制。

结果不少企业电站扩建了、上网电量也涨了，平均上网电价反而走低。

原因在于：过去电站更像按约定价格卖电的“收费站”，只要并网发电，一度电能卖多少钱大致心里有数。

136号文之后，新能源发电价格随供需形成。光伏中午集中出力，最容易出现“发得最多的时候，电最便宜”。

风电若实际出力与申报曲线偏差过大，还可能带来考核、现货偏差或不平衡成本。

这就逼着相关企业不光要能发电，还得“会发电”：判断次日每个时段发多少、报多少、卖什么价，以及是否使用绿电；

到这一步，预测天气就变得关键了。

看到这里，有的朋友可能会问：要预测天气，为什么非得用气象AI？天气预报都这么多年了，怎么还不够用？

原因在于：

普通天气预报告诉你明天要不要带伞，电力交易却要求电站提前报出明天96个15分钟时段各自能发多少兆瓦。

就拿一个最具体的例子来说：在把交易时段划成15分钟的地区，电站要在前一天先预测第二天每个时段的发电量，再按当地规则把曲线报上去或者参与报价，市场随后据此得出日前出清结果。

到了当天，实际风、光变化后再通过日内或实时市场调整，最终按当地结算规则核算发电量和偏差。

所以，这对天气预测精度的要求，和天气预报完全不在一个量级。

就拿风电来说，风速在一小时内可能多次变化，并随风机高度明显不同；若风电场恰处丘陵、峡谷等复杂地形，局地湍流还会进一步加大预测难度；

说白了，电力市场考核的是“曲线”，不是一天的总量；

常规天气预报在较大范围上往往报得没错，可一旦落到一天里的具体时段，偏差就可能相当大。

比如预报说次日晴或大风，全天“整体天气”或许判断无误，但某个时段云团突然压过来遮住大片光伏，或者强对流一到、风电出力猛升又触发停机，这类情况并不少见。

真正让新能源企业吃亏的，正是这种突然冒出来的“爬坡事件”。传统天气预报“看着挺准”、电站却仍觉得不够用，根子就在这里。

也正因为这样，能在更细时段、更小范围上把天气报准的气象AI，开始被新能源企业盯上。

气象AI的奇效

想搞清新一代AI气象模型怎么解新能源企业的难题，得先看传统天气预报卡在哪。

传统数值预报的做法是：把大气划成许多立体网格，喂入当前的风、气压、温度和水汽，再靠物理方程一步步推演它们怎样流动、升降、交换热量。

网格划得越细，局部天气看得越清楚，算量也跟着涨；地形、云、湍流这些小尺度过程没法全部直接算出来，只能做近似处理。

对山谷里的风机、被云影扫过的光伏板来说，这些细节恰恰很要紧。

新一代AI气象模型走了另一条路：先学多年历史气象场与后续天气之间的对应关系，再把最新观测到的大气状态送进神经网络，由它预测接下来的变化。

这样它就能认出过去反复出现的云团移动、气压变化和风场演变模式，更快跑出多轮预报；再接上雷达、卫星和场站传感器，还能持续修正局部预测。

于是，一个地区更小范围内的天气，被报得更准了。

成本上又是另一番景象。传统气象模型说到底就是把地球大气切成几千万到上亿个网格，用物理方程一步步算：这步风场怎么变、下步气压怎么变、热量水汽怎么输送。每做一次预报，都像在全球搭一台“虚拟风洞”。

问题就出在贵。每预测一次，都得动用超级计算机把大气物理方程重新求解一遍，超算、机房、电力、并行计算团队全得跟着连轴转。

新一代AI的关键变化在于：训练很贵，单次预报却很便宜。好比一个人高考前刷了大量题，花掉不少时间和精力，考试时直接调用直觉。

所以对风电和光伏来说，新一代气象AI更大的优势是：能把全球模型、卫星、雷达和场站实时数据统到一起，低成本滚动更新。

传统模式可能一天只更新几次较重的预测；AI推理便宜之后，就能不断依据最新观测修正未来几小时的出力，还能一次生成几十种概率情景。

目前，在AI气象模型方面，中国模型已稳定处在全球AI气象预报第一梯队；尤其在中期大尺度、台风路径、端到端同化、部分次季节/集合场景，中国模型有并跑甚至局部领跑。

具体到新能源发电，最要紧的气象指标是大幅爬坡事件的命中率和时间误差，以及概率区间可不可信。

国际上，谷歌有GraphCast、GenCast和WeatherNext系列，欧洲中期天气预报中心已有投入业务运行的AIFS系列；它们各自侧重确定性、概率和业务化预报，没法用一张总榜把所有场景的名次都排出来。

中国的盘古、伏羲、风乌已经能和Google GraphCast/WeatherNext系列这些全球最强的AI模型同台竞技，其中伏羲是目前中国最完整的一套AI气象技术栈。

拆开看，伏羲的15天全球预报是三个模型分段接力完成的：第0—5天交给短期模型，第5—10天由中期模型接棒，第10—15天则落到长期模型手上。每个模型都只针对自己那一段预报时长做训练。

这么设计有它的道理。让同一个模型一路滚动报满15天，越到后面误差越容易失控；换成不同模型各管一段赛程，就能按各自的时长特点分别优化。

预报提速、变细之后，天气信息就有可能从预报屏幕里走出来，接进电站的报价、储能和调度系统。这项技术的价值也随之从单座电站向外延伸，覆盖到整个能源产业。

结语

其实拿天气预报来赚钱，国际上早有人在做。欧洲和美国都已建立起日前、日内的跨区电力市场，风光发电量和报价会跟着最新天气变化不断修正。

中国真正的独特之处不在模式本身，而在乘数效应：AI气象模型一旦对接上国内数量庞大、装机规模可观的新能源电站，天气本身就会变成一股看不见的生产力，把发电、储能、用电和工业生产串在一起。

比如高耗能工厂什么时候加负荷、电解水制氢设备什么时候开机，再比如数据中心能不能顺着绿电供应情况调整一部分算力任务。

福建沿海风电场

天气越来越反常，气候灾害也越来越频繁。2024年巴西南部遭遇严重洪灾，超强台风“摩羯”席卷东南亚，欧洲中部同样出现大范围洪水。天气变化对生产和生活的冲击已经越来越直接。

不过换个角度看，人类在被自然反噬的同时，也一直在借科技手段驾驭自然、利用自然，以此抬高生产力、少受些损失。气象AI模型在新能源电站上的应用，正是这样一个例子。

所以气象AI真正值得关注的地方，不只是把明天的天气预报得更准，而是让风、光这些原本难以掌控的自然条件，变成企业可以提前排布的生产信息。

一旦预报进入报价、储能调度和用电决策，每一次更及时的修正，都可能让更多绿电在真正需要它的时刻被用上。

说到底，“靠天吃饭”这个朴素道理，在AI时代又升了一级。