ARTICLE · 1077205
AI气象的变革:从天气预报走向系统状态预测
人工智能驱动的天气—气候无缝预测及其向新能源系统决策的延伸
——从 Weather–Climate Continuum 到 Weather–Energy–Reliability–Decision Continuum
摘要：人工智能正在重塑天气预报和气候预测的技术边界。2026年发表于《Nature Communications》的Perspective《Bridging the weather and climate divide with artificial intelligence》提出，天气与气候本质上描述同一地球系统在不同时间尺度上的演化，人工智能可通过次季节—季节预测、因果与反事实分析、物理—人工智能混合建模以及地球系统基础模型等路径，推动从临近预报到长期气候预估的无缝预测。本文首先对该观点及其技术路线进行系统梳理；在此基础上进一步延伸至新能源与新型电力系统，提出“天气—能源—概率—可靠性—电网—决策”的连续技术链。核心观点是：高比例新能源条件下，预测对象应由单一天气或单点功率，逐步转向天气驱动下能源系统状态的概率化、可靠性化和决策化表达。S2S能源风险、复合天气—能源事件、概率功率预测、置信出力、容量价值以及电网灵活性协同，是将天气信息转化为系统可靠性和运行规划价值的关键环节。
关键词：人工智能；天气预报；气候预测；无缝预测；S2S；能源气象；概率预测；置信出力；电力系统可靠性
图1全文核心逻辑：从天气—气候统一到天气—能源—可靠性—决策连续体（本文概念图）
一、引言
天气预报与气候预测长期被视为两个相对独立的科学问题。前者关注分钟、小时至数周的大气状态演变，具有典型的初值敏感性和混沌特征；后者关注季节、年际、年代际乃至百年尺度的统计状态及其对温室气体、气溶胶、土地利用等外部强迫的响应。尽管二者描述的是同一地球系统，但在数据、模型、评价指标和科研组织上形成了明显分界。Camps-Valls等提出，人工智能正成为连接二者的重要催化剂，并可能推动天气与气候从分立预测体系走向统一的无缝地球系统预测[1-5]。
这一变化对新能源系统具有直接启示。风电和光伏使电力系统对天气的依赖显著增强，温度、风速、辐射、降水和大尺度环流不仅影响发电端，也同时作用于负荷、水电来水、输电能力和设备安全。因此，未来能源气象不能停留在“天气—功率”的单向转换，而需要进一步回答天气及气候条件下系统处于何种风险状态、可可靠依赖多少新能源出力、需要配置多少备用与灵活性资源，以及这些信息如何进入调度、市场与规划决策。
二、人工智能如何打通天气与气候
（一）天气与气候：同一地球系统的两类预测问题
天气预测首先是初值问题。大气状态中的微小初始误差可在混沌动力学作用下快速增长，因此数据同化、高频观测和高分辨率动力学建模是天气预报的核心。长期气候预估则更强调外部强迫和系统响应；随着时间尺度延长，初始状态信息逐渐衰减，而温室气体浓度、海洋热含量、陆面和冰冻圈状态等慢变量的重要性上升。由此，天气更强调轨迹预测，气候更强调条件于情景的统计分布和强迫响应[1,6-7]。
（二）人工智能成为天气—气候融合的催化剂
FourCastNet、GraphCast、Pangu-Weather、NeuralGCM等模型表明，人工智能能够从再分析资料和大规模模拟数据中学习高维地球系统状态的演化映射，在全球中期天气预报中达到具有竞争力的技巧和显著的计算效率。与传统数值模式相比，AI模型的核心优势并非只是“更快”，而是能够在统一的数据驱动框架内处理不同变量、分辨率和预测任务，从而为天气与气候技术体系共享模型组件创造条件[3,8-11]。
与此同时，AI在气候降尺度、模式代理、参数化、偏差订正、生成式集合预测和因果分析中的应用不断扩展。天气和气候领域开始共享图神经网络、Transformer、神经算子、扩散模型、基础模型和物理约束学习等方法，这使“从天气到气候”的跨尺度统一不再只是概念倡议，而逐步具备技术实现基础[2,4-5,12-16]。
（三）三座桥：时间、因果与结构
1. 时间之桥：S2S
次季节—季节预测（Subseasonal-to-Seasonal, S2S）覆盖数周到数月，是天气与气候之间天然的时间桥梁。在这一尺度上，天气初值信息开始衰减，而海洋、土壤湿度、积雪、海冰、MJO、ENSO及其他慢变边界条件开始提供可预报信号。因此，S2S需要从纯大气短期动力学转向多圈层耦合、慢变量记忆和多尺度表征[17-20]。
2. 因果之桥：反事实气候与事件归因
极端事件归因把具体天气事件与长期气候强迫连接起来。通过现实气候与反事实气候之间的比较，可评估人为变暖对某类高温、暴雨或干旱事件发生概率的改变。因果发现、反事实生成和具有不变性的表征学习，使AI有望从“相关性预测”进一步走向“机制解释与因果归因”[5,16]。
3. 结构之桥：基础模型与物理—AI融合
地球系统基础模型的思想是利用卫星、再分析、模式模拟和多圈层变量进行大规模预训练，获得可迁移的统一地球系统表征，再面向天气预报、S2S、气候降尺度、极端事件识别等任务进行适配。与此同时，物理—AI混合建模通过守恒约束、可微分物理、AI参数化或物理模式与AI联合训练，提升长期稳定性、物理一致性和分布外泛化能力[3,15,21-22]。
（四）第一部分的详细技术路线
从技术层面看，天气—气候统一可组织为“多源数据—数据统一—地球系统表征—天气动力学AI—S2S跨尺度桥接—气候AI—概率生成—物理约束—数据同化—因果与反事实—基础模型—分布外测试—多维评价”的连续链条。底层由地面站、卫星、再分析、数值天气模式、地球系统模式和多圈层变量构成；中层以表征学习、图网络、Transformer、神经算子、生成式AI、混合物理AI和基础模型为主要方法；上层则对应临近预报、天气、S2S、季节、年际、年代际与长期气候的预测连续体。
图2AI打通天气与气候的详细技术路线：Data—Representation—Dynamics—Probability—Physics—Causality—Foundation Model—Seamless Prediction
（五）从“更高精度”转向“可信无缝预测”
天气—气候统一的评价体系不能局限于RMSE等精度指标。长期滚动积分要求模型同时具备物理一致性、概率校准、极端事件表现、长期稳定性、空间和时间结构一致性、因果合理性以及分布外泛化能力。特别是在未来气候强迫超出历史训练分布时，纯数据驱动模型可能面临显著的外推风险，因此必须把OOD测试和不确定性量化置于核心位置[6,15,23]。
三、从天气—气候统一走向天气—能源—可靠性—决策连续体
说明：本部分是在原Perspective“天气—气候无缝预测”思想基础上的能源系统延伸，并非原文直接结论。
（一）新能源时代，天气由外部信息转变为系统状态驱动
在以可调常规电源为主的电力系统中，天气主要作为外部扰动；在高比例风电和光伏系统中，风速、辐射、温度、降水及大尺度天气形势同时驱动风光出力、水电来水、负荷变化和输电设备状态。气象条件因而开始影响供需平衡、备用需求、潮流分布和系统充裕度，天气依赖性从“发电资源属性”上升为“系统属性”。已有研究表明，天气与气候风险需要在发电、需求和电网层面进行联合分析，而非只关注单一风电或光伏资源[24-28]。
（二）建立短期—S2S—长期的能源气象时间连续体
能源系统同样存在明显的时间尺度鸿沟。分钟至天尺度服务实时控制、功率预测、日前调度与现货交易；周至月尺度对应S2S能源风险，可用于持续低风、寡照、高温、干旱等过程的系统准备；季节到年代际尺度则服务新能源布局、储能与输电规划以及气候适应。由此，可形成“短期运行—中期风险准备—长期规划适应”的能源气象连续体。S2S在其中具有关键桥梁作用，因为燃料、检修、跨区交易、水库和储能安排等决策往往需要数周至数月的提前量[18-20,27]。
（三）从点预测转向概率预测与复合风险
传统功率预测通常给出某一时刻的单一功率值，但电力系统更关心低于某一阈值的概率、连续低出力持续时间、多个区域是否同步低风或寡照，以及低新能源出力是否与高负荷同时出现。因此，预测对象需要从Deterministic Forecast转向Probabilistic Forecast，并进一步构建风、光、水、荷的联合概率分布。生成式集合预测、分位数预测和概率校准可以描述完整的不确定性；空间协同性、时间持续性和跨能源相关性则决定复合能源风险[12-13,24,29]。
在高比例新能源系统中，真正危险的通常不是单一变量异常，而是“高温—高负荷—低风—低水电”等多因素同步或连续发生。复合天气与气候事件理论将风险分为多变量、时序复合、空间复合和前置条件复合等类型，为新能源系统的联合尾部风险分析提供了自然框架[24,29]。
（四）置信出力：把天气不确定性转换为可靠性指标
概率功率预测只有进入可靠性指标后，才真正成为可用于电力系统的决策信息。可将条件于天气或天气形势的新能源功率分布转化为P90、P95、P99等下分位出力，用于描述在给定置信水平下可依赖的新能源出力。进一步结合系统负荷和其他电源状态，可计算容量价值、有效负荷承载能力（Effective Load Carrying Capability, ELCC）、失负荷概率（LOLP）、失负荷期望（LOLE）和期望未供电量（EENS）等指标。容量价值研究表明，风电等可变电源不能简单按装机容量参与充裕度评估，其系统贡献必须基于概率可靠性方法计算[30]。
因此，置信出力可以被理解为“天气不确定性—新能源功率不确定性—系统可靠性”之间的技术桥梁。它不等同于传统点预测，也不等同于容量信用；前者描述条件概率下的可依赖出力，后者衡量新能源对系统充裕度的边际贡献。两者在高比例新能源系统中可以通过天气条件和系统状态建立更紧密的联系。
（五）把天气情景真正接入电网：Grid-in-the-loop
同样的新能源出力在不同网架、备用、储能和跨区互济条件下可能对应完全不同的系统风险。因此，概率功率之后必须进入电网运行与规划模型，将潮流、输电约束、机组组合、爬坡能力、备用、储能SOC、需求响应和跨区交换纳入统一分析。技术上可形成“天气情景—风光水荷联合状态—电网状态—可靠性风险”的闭环，并以天气条件下的安全域和灵活性需求作为运行指标[26-28]。
（六）从风险识别走向决策优化
第二部分的终点不是风险图，而是决策。分钟至天尺度应输出实时调度、备用和储能充放电策略；天至周尺度服务日前交易、辅助服务和风险报价；周至月尺度服务检修、跨区交易、水库调度和风险预案；年际至年代际尺度则服务新能源布局、输电通道、容量机制和气候适应。由此，评价指标也应从“预测精度”扩展到“可靠性价值、经济价值和决策价值”。
（七）第二部分详细技术路线
完整技术路线可概括为：第一层建立Weather—S2S—Climate的多尺度气象气候输入；第二层将气象要素转换为风、光、水、荷能源状态；第三层利用概率预测、联合分布和尾部建模识别复合风险；第四层通过P90/P95/P99、置信出力、Capacity Credit、ELCC、LOLE和EENS把不确定性转化为可靠性量；第五层将其接入潮流、备用、储能与灵活性约束；第六层形成运行、市场、中期准备和长期规划的多时间尺度决策。其本质是把“天气预报产品”升级为“天气驱动的能源系统状态与决策产品”。
图3第二部分详细技术路线：Weather → Energy → Probability → Reliability → Grid → Decision
（八）未来技术形态：Weather–Energy Foundation Model
进一步看，下一代能源气象模型可能不再只是独立的“天气大模型”或“功率预测模型”，而是由Earth Foundation Model提供大气—海洋—陆面状态表征，通过Energy Model映射风光水荷，通过Grid Model表征网架、储能和灵活性约束，再由Risk/Decision Model输出概率风险和优化决策。最终形成跨短期运行、中期风险和长期气候适应的Weather–Energy–Reliability–Decision Continuum。
四、讨论与结论
从天气—气候统一到天气—能源—可靠性统一，两条技术主线具有一致的方法论内核：第一，从确定性单轨迹转向概率分布与多情景；第二，从单一变量预测转向多圈层、多能源和系统状态的联合建模；第三，从短期精度优化转向跨尺度稳定性、极端风险与分布外泛化；第四，从信息提供转向影响预测和决策支持。
对于地球系统科学，AI正在推动Weather → S2S → Climate的无缝预测；对于新能源系统，更进一步的目标应是Weather → Energy → Probability → Reliability → Grid → Decision。前者解决不同时间尺度上的地球系统未来如何演化，后者解决这些天气与气候状态如何转化为能源系统可承受、可准备和可决策的风险。
因此，AI气象真正的重要变化并不只是把天气预报做得更准，而是重新组织“预测对象”和“预测价值”：从预测天气，走向预测系统状态；从给出单值，走向描述可能性；从提供信息，走向支撑可靠性与决策。对高比例新能源系统而言，真正需要预测的最终不是天气本身，也不是孤立的功率，而是天气驱动下电力系统未来可能处于什么状态，以及系统应当为哪些状态提前准备。
参考文献
[1] CAMPS-VALLS G, CARRASSI A, DE MELO VIRÍSSIMO F, et al. Bridging the weather and climate divide with artificial intelligence[J]. Nature Communications, 2026, 17: 8578. DOI:10.1038/s41467-026-75787-y.
[2] DE BURGH-DAY C O, LEEUWENBURG T. Machine learning for numerical weather and climate modelling: a review[J]. Geoscientific Model Development, 2023, 16: 6433-6477.
[3] KOCHKOV D, YUVAL J, LANGMORE I, et al. Neural general circulation models for weather and climate[J]. Nature, 2024, 632: 1060-1066.
[4] EYRING V, GENTINE P, CAMPS-VALLS G, et al. AI-empowered next-generation multiscale climate modelling for mitigation and adaptation[J]. Nature Geoscience, 2024, 17: 963-971.
[5] REICHSTEIN M, CAMPS-VALLS G, STEVENS B, et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature, 2019, 566: 195-204.
[6] CAMPS-VALLS G, et al. Artificial intelligence for modeling and understanding extreme weather and climate events[J]. Nature Communications, 2025, 16: 1919.
[7] GHIL M, LUCARINI V. The physics of climate variability and climate change[J]. Reviews of Modern Physics, 2020, 92: 035002.
[8] PATHAK J, SUBRAMANIAN S, HARRINGTON P, et al. FourCastNet: a global data-driven high-resolution weather model using adaptive Fourier neural operators[EB/OL]. arXiv:2202.11214, 2022. DOI:10.48550/arXiv.2202.11214.
[9] LAM R, SANCHEZ-GONZALEZ A, WILLSON M, et al. Learning skillful medium-range global weather forecasting[J]. Science, 2023, 382: 1416-1421.
[10] HERSBACH H, BELL B, BERRISFORD P, et al. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146: 1999-2049.
[11] BI K, XIE L, ZHANG H, et al. Accurate medium-range global weather forecasting with 3D neural networks[J]. Nature, 2023, 619: 533-538.
[12] LI L, CARVER R, LOPEZ-GOMEZ I, et al. Generative emulation of weather forecast ensembles with diffusion models[J]. Science Advances, 2024, 10: eadk4489.
[13] PRICE I, et al. Probabilistic weather forecasting with machine learning[J]. Nature, 2025, 637: 84-90.
[14] NGUYEN T, BRANDSTETTER J, KAPOOR A, et al. ClimaX: a foundation model for weather and climate[C]//Proceedings of the 40th International Conference on Machine Learning. 2023: 25904-25938.
[15] KASHINATH K, MUSTAFA M, ALBERT A, et al. Physics-informed machine learning: case studies for weather and climate modelling[J]. Philosophical Transactions of the Royal Society A, 2021, 379: 20200093.
[16] RUNGE J, GERHARDUS A, VARANDO G, et al. Causal inference for time series[J]. Nature Reviews Earth & Environment, 2023, 4: 487-505. DOI:10.1038/s43017-023-00431-y.
[17] VITART F, BROWN A. S2S forecasting: towards seamless prediction[J]. WMO Bulletin, 2019, 68: 70-74.
[18] RUTI P M, TARASOVA O, KELLER J H, et al. Advancing research for seamless Earth system prediction[J]. Bulletin of the American Meteorological Society, 2020, 101: E23-E35.
[19] CHEN L, et al. A machine learning model that outperforms conventional global subseasonal forecast models[J]. Nature Communications, 2024, 15: 6425.
[20] HOSKINS B. The potential for skill across the range of the seamless weather-climate prediction problem: a stimulus for our science[J]. Quarterly Journal of the Royal Meteorological Society, 2013, 139: 573-584.
[21] BUIZZA C, et al. Data learning: integrating data assimilation and machine learning[J]. Journal of Computational Science, 2022, 58: 101525.
[22] ARCUCCI R, et al. The convergence of machine learning and data assimilation in Earth system science[J]. npj Artificial Intelligence, 2026, 2: 48.
[23] SUN Y Q, et al. Can AI weather models predict out-of-distribution gray swan tropical cyclones?[J]. Proceedings of the National Academy of Sciences of the USA, 2025, 122: e2420914122.
[24] ZSCHEISCHLER J, MARTIUS O, WESTRA S, et al. A typology of compound weather and climate events[J]. Nature Reviews Earth & Environment, 2020, 1: 333-347.
[25] XU L, FENG K, LIN N, et al. Resilience of renewable power systems under climate risks[J]. Nature Reviews Electrical Engineering, 2024, 1: 53-66.
[26] ZHAO J, LI F, ZHANG Q. Impacts of renewable energy resources on the weather vulnerability of power systems[J]. Nature Energy, 2024, 9: 1407-1414.
[27] LAYER K, GUTMAYER S, SANDMEIER T, et al. Analyzing the influence of large-scale weather patterns on renewable energy systems: a review[J]. Renewable and Sustainable Energy Reviews, 2026, 237: 117034. DOI:10.1016/j.rser.2026.117034.
[28] RUAN J, LI Y, GU C, et al. Long-horizon resilience of power systems under climate change[J]. Nature Reviews Electrical Engineering, 2026. DOI:10.1038/s44287-026-00322-6.
[29] OTERO N, et al. Characterizing renewable energy compound events across Europe using a logistic regression-based approach[J]. Meteorological Applications, 2022: e2089. DOI:10.1002/met.2089.
[30] KEANE A, MILLIGAN M, DENT C J, et al. Capacity value of wind power[J]. IEEE Transactions on Power Systems, 2011, 26(2): 564-572. DOI:10.1109/TPWRS.2010.2062543.
[31] RAHMAN T, LIPU M S H, SHOVON M M A, et al. Unveiling the impacts of climate change on the resilience of renewable energy and power systems: factors, technological advancements, policies, challenges, and solutions[J]. Journal of Cleaner Production, 2025, 493: 144933. DOI:10.1016/j.jclepro.2025.144933.