热浪越极端，历史数据越少：电网开始用合成样本预测峰值

电网最需要预测时，历史经验最少：研究者给热浪造了训练样本

热浪让用电峰值失去常态：合成数据怎样帮助电网提前准备

一次持续热浪足以让整座城市的空调在相近时刻启动。偏偏在电网最需要准确数字的时候，预测模型能参考的历史最少：正常天气占据了训练集，真正危险的极端日只是薄薄几页。

8月21日发表在《Nature Communications》的一项研究，试图补上这几页。团队没有只换一个更大的预测模型，而是先用扩散模型“制造”热浪和寒潮期间的负荷样本，再把其中可信的共同规律与合成伪影分开。它在六个地区、80个真实世界数据集上，将极端天气负荷预测的两类归一化误差分别降低9.8%—33.5%和7.5%—34.5%。论文

这组数字的意义不是“AI让电网准确率提高34.5%”。它揭示的是气候适应的一条隐蔽战线：未来的电网不仅要建设更多电源、储能和输电线路，还要学会从没有发生过几次的事件中做决定。

最危险的日子，恰好是数据里的少数派

负荷预测通常根据历史用电、天气、星期、节假日等变量，估算下一天或下几个小时需要多少电。正常日里，温度与负荷的关系相对平滑；气温升高，制冷用电逐步上升。

热浪会把这条曲线掰弯。连续高温让建筑积热，夜间降温不足；空调同时运行，电动车和工业生产又叠加在晚高峰。寒潮中，电采暖、热泵效率和燃料供应也可能同时变化。一个模型即使在全年平均误差上表现出色，也可能在曲线最陡、备用最紧张的几天失灵。

问题首先不是模型不够复杂，而是样本分布不公平。一年的绝大多数小时属于常态，极端事件既少，又会不断刷新旧纪录。以过去十年的热浪训练模型，未必覆盖下一次更长、更湿或夜间更热的事件。

现实压力已经出现。国际能源署汇总称，2024年前后的热浪中，有40多个国家刷新峰值用电纪录，这些国家合计约占全球电力需求70%；在印度，平均气温每上升1摄氏度，峰值负荷增加量已从2019年前后的约4吉瓦上升到超过7吉瓦。IEA

这并不意味着70%的电网都发生停电。它说明的是：极端天气正在把原本位于统计尾部的情景，推到调度台的正中央。

先“造”极端日，再防止模型被假数据骗到

论文提出的框架名为“极端合成—解耦预测”（Extreme Synthesis-Disentanglement Forecasting，ESDF）。它分三步工作。

第一步是合成。团队训练一个由分类器引导的扩散模型，学习气象与负荷曲线的联合分布。普通生成模型容易继续产生大量常态日；分类器则把生成过程推向热浪或寒潮标签，补出训练集中稀少的极端样本。

但数据多了，不等于经验就真的增加了。合成曲线可能过度平滑，复制错误阈值，或制造现实电网从未出现过的相关性。如果把这些样本直接倒进预测模型，错误也会被放大。

所以第二步更关键：解耦。ESDF比较真实样本与合成样本，把两者共享的负荷规律，同只在某一类数据里出现的特征分开。可以把它理解为：不要求机器相信一段合成历史，而是让它提取这段历史与真实记录一致的部分，同时给可疑纹理单独留档。

第三步才是预测。被提取的稳定表征可以接在多层感知机、长短期记忆网络和卷积网络等不同骨干上。论文因此把ESDF称为“模型无关”的数据框架，而不是绑定某一个时序架构的产品。

透明同行评审材料让这一点更可信，也更克制。审稿人曾质疑合成质量、极端事件定义、数据泄漏和经济估算。修订后的消融实验显示，朴素的数据增强并不稳定，有时反而让预测变差；加入保真度感知的解耦环节后，改善才更一致。同行评审

这也是这项研究真正移动的边界：合成数据不再只是“扩充数量”，而成为一种必须被审计的训练材料。

最高34.5%的下降，究竟下降了什么

论文覆盖欧洲、广东、印度、得州、PJM等六个地区的80个数据集。与各地区最强基线相比，ESDF将归一化平均绝对误差（nMAE）降低9.8%—33.5%，将归一化均方根误差（nRMSE）降低7.5%—34.5%。后者对大误差更敏感，因此对漏掉尖峰尤其有意义。

但“误差降低34.5%”与“准确率提高34.5%”不是同一句话。它是相对于特定基线的误差变化区间，不代表每个地区、每场热浪或每一种模型都得到最大改善。

跨年份测试提供了另一层证据。在广东数据上，普通LSTM在2021—2023年的nMAE分别为0.02991、0.02718和0.03344；加入ESDF后分别降到0.02324、0.02269和0.02566。训练数据减到一半时，ESDF仍优于对照，但总体误差上升、领先幅度收窄。补充材料

这说明合成数据能帮助稀缺学习，却不能从无到有地创造一个地区的用电制度。没有历史负荷、气象和极端标签的新电网，仍不能仅靠别处的模型获得可靠预测。

极端事件的定义也带着地域性。作者使用超额热因子和超额冷因子：把近期三日温度与当地高低分位阈值比较，同时考虑此前约30日的适应基线。可问题是，并非所有数据集都有同口径的30年温度档案。论文因此用各数据集测试期之前的训练时段近似阈值。这个处理避免偷看未来，却也让不同地区的“极端”并非完全等价。

从误差到电网价值，中间还有一座控制室

预测更准可以少开备用、减少实时买电，也可能更早启动储能和需求响应。论文估算，在欧洲情景中，相比LSTM，ESDF对应的理论潜在风险减少约2518万欧元/日；PJM案例中，相比最佳基线，日运行平衡成本改善约9.68万美元。

这两个数字不能写成真实收益。欧洲估算使用“失负荷价值”（Value of Lost Load）等假设，它更接近供电中断损失的理论上界；PJM结果则把日前与实时价格差带入模拟。实际控制室里，运营商还会调用备用、储能、跨区交易和需求响应，预测误差也不一定直接变成停电或同额成本。

从离线论文到业务系统，至少还差四道门。

第一是天气预报误差。论文可以使用已经观测到的温度回测，实时调度却只能使用未来天气预报。第二是负荷结构漂移。空调渗透、电动车、热泵、屋顶光伏和数据中心会改变同一温度对应的用电量。第三是错误代价不对称：少报峰值可能比多报同样数量危险得多，平均误差无法替代调度成本函数。第四是故障回退：关键基础设施不能在模型失常时只给出一个漂亮但错误的数字。

开源仓库提供了代码和部分处理后数据，但作者也注明受隐私限制，完整公开主要集中于欧洲、PJM等公共数据。代码 这足以帮助同行检查方法，却还不是六地区、80个数据集的一键复现包。

电网要的不是一个答案，而是一组可行动的边界

一条负荷曲线只有进入决策流程才产生价值。日前预测可能决定机组组合和跨区购电；日内更新影响储能充放与备用；临近峰值时，运营商还可以向工商业用户发出需求响应信号。三个时间尺度面对的输入、成本和容错率都不相同。

这也暴露了论文指标与实际操作之间的差别。nMAE把每个时刻的绝对偏差平均起来，nRMSE更重罚大偏差，但它们都不会自动回答：模型漏掉的是否恰好是傍晚最高峰？误差发生在备用充足还是线路受限的区域？如果为了不漏报而反复高报，额外启动的机组、购电和用户干预又要付出什么代价？

更完整的系统应当输出一组可能范围，而不只是一条确定曲线。调度员需要知道，在天气预报继续上调两摄氏度、热浪多持续一天，或需求响应没有按计划兑现时，峰值落在不同区间的概率。合成数据可以帮助模型见到更多尾部情景，但这些概率仍要用真实事件逐季校准。否则，生成器只是把未知变得更丰富，并没有把未知变得更可信。

数据漂移还会让旧的正确答案失效。一次居民更换高效空调的浪潮可能降低单位温升对应的用电；大规模热泵和电动车又可能把冬季或夜间峰值抬高。分布式光伏会压低白天的电网净负荷，却可能使日落后的爬坡更陡。模型必须记录版本、监测输入变化，并允许人在异常天气中覆盖自动建议。对于关键基础设施，“知道何时不该相信模型”与提高平均精度同样重要。

气候适应不只建更多设备，也要管理“不知道”

ESDF目前只处理温度驱动的热浪和寒潮。山火可能切断输电线路，洪水会淹没设备，风暴会同时改变供给与需求；这些复合风险不能被一组负荷曲线包办。论文重点也仍是点预测误差，而不是把不确定性完整传给概率调度。

但它提供了一个值得保留的思路：面对稀有、高损失事件，机器可以生成训练经验，却不能免除证据责任。越是缺少真实样本，越需要知道哪些模式来自现实，哪些只是生成器的想象；越是模型给出精确数字，越要让调度员看见误差范围和失效条件。

对中国电网，这一问题尤其具体。论文含广东数据，也有清华大学团队参与，但这不等于方法已经进入省级调度。台风与高湿度、工业错峰、省间输电、新能源出力和各地需求响应规则，都会改变极端日的曲线。真正的本地验证，应当让模型与这些制度和物理约束一起接受回测。

因此，这不是一次关于“AI预测热浪”的普通更新。它是电网知识生产方式正在变化的信号：历史不够用时，人们开始合成可能的历史；而系统能否更可靠，最终取决于我们是否同样认真地合成、怀疑、校准并使用这些从未真正发生过的经验。

---

资料来源

1. Nature Communications — Electricity load forecasting under extreme heat and cold waves — 2026-08-21 — https://doi.org/10.1038/s41467-026-77014-0
2. Nature Communications — Supplementary Information — 2026-08-21 — https://media.springernature.com/original/springer-static/esm/art%3A10.1038%2Fs41467-026-77014-0/MediaObjects/41467_2026_77014_MOESM1_ESM.pdf
3. Nature Communications — Transparent Peer Review — 2026-08-21 — https://media.springernature.com/original/springer-static/esm/art%3A10.1038%2Fs41467-026-77014-0/MediaObjects/41467_2026_77014_MOESM2_ESM.pdf
4. HKUEDL — Heat-Cold Wave Load Forecasting code repository — 2026 — https://github.com/hkuedl/Heat-Cold_Wave_Load_Forecasting
5. International Energy Agency — How can energy efficiency alleviate rising heatwave-driven electricity demand? — 2024 — https://www.iea.org/reports/energy-efficiency-2024/how-can-energy-efficiency-alleviate-rising-heatwave-driven-electricity-demand
6. NERC — 2026 Summer Reliability Assessment — 2026-05 — https://www.nerc.com/pa/RAPA/ra/Reliability%20Assessments%20DL/NERC_SRA_2026.pdf