推广 热搜: 采购方式  滤芯  带式称重给煤机  甲带  气动隔膜泵  减速机型号  无级变速机  链式给煤机  履带  减速机 

新能源功率预测技术与市场深度研究报告:产学研转化视角的全面解析

   日期:2026-01-08 15:26:28     来源:网络整理    作者:本站编辑    评论:0    
新能源功率预测技术与市场深度研究报告:产学研转化视角的全面解析

第一章 宏观背景与战略意义:能源转型的关键技术锚点

1.1 全球能源结构变革与新能源渗透率跃升

当前,全球能源体系正处于一场从化石能源向可再生能源转型的深刻变革之中。这一转型不仅是应对气候变化的政治共识,更是技术进步与成本下降驱动的经济必然。根据Ember发布的《2024全球电力评论》,2023年全球可再生能源发电量占比首次突破30%,其中风能和太阳能的贡献率达到13.4%,创下历史新高 1。这一数据标志着可再生能源已从补充能源逐步走向主力能源的舞台中央。

国际能源署(IEA)的预测进一步强化了这一趋势。预计到2025年或2026年中期,可再生能源将超越煤炭,成为全球最大的电力来源 2。特别是在光伏领域,中国作为全球市场的绝对引擎,2023年贡献了全球51%的新增太阳能发电量和60%的新增风力发电量 1。展望2030年,全球可再生能源发电量的份额预计将攀升至46%,其中风光等变动性可再生能源(VRE)的占比将接近翻倍 2。

然而,这种能源结构的剧烈变动给电力系统的安全稳定运行带来了前所未有的挑战。风电和光伏发电具有天然的波动性、间歇性和随机性。风速的骤变、云层的遮挡、极端天气的侵袭,都会导致发电功率在短时间内出现大幅波动。在传统的电力系统中,发电侧(火电、水电)是可控的,负荷侧是波动的;而在新型电力系统中,源荷两侧均呈现出高度的不确定性。这种“双侧随机性”使得电力供需平衡的难度呈指数级上升。

1.2 中国新型电力系统建设与“双碳”目标

在中国,“双碳”目标的提出加速了构建新型电力系统的步伐。国家能源局和发改委在2024年至2025年间密集出台政策,旨在通过技术创新和体制改革,解决新能源“发得出、供得上、用得好”的问题。政策明确提出要“优化水风光基地一体化开发与消纳”,并“强化新型电力系统安全治理” 4。

在此背景下,新能源功率预测技术不再仅仅是电站运维的辅助工具,而是演变为平衡电网安全与经济性的核心技术锚点。高精度的功率预测能够为电网调度部门提供未来一段时间内的电源出力情况,使其能够提前安排旋转备用容量、优化火电机组出力、协调储能充放电,从而在保障电网安全的前提下,最大程度地接纳新能源电力。

1.3 产学研转化的迫切需求

作为一项高度依赖数据科学、气象学和电力系统工程的交叉学科技术,新能源功率预测是产学研合作的天然温床。高校和科研院所在深度学习算法、气象数值模式改进方面拥有深厚的理论积累,而发电企业和技术服务商则掌握着海量的实际运行数据和明确的工程痛点。如何将学术界的“模型SOTA(State of the Art)”转化为工业界的“系统鲁棒性”,是当前技术经理们面临的首要课题。华北电力大学与国家电网的合作案例表明,通过建立“平台+任务”的动态协作机制,可以将预测准确率提升至远超行业平均水平的92.6% 5。这充分证明了产学研深度融合在解决行业关键技术难题中的巨大潜力。


第二章 政策法规与市场机制:技术演进的外部驱动力

2.1 “两个细则”2024年修订的深度解析

中国电力行业的运行逻辑在很大程度上受政策法规的强力约束,其中《电力系统并网运行管理规定》和《电力辅助服务管理办法》(统称“两个细则”)是悬在每一个新能源场站头上的“达摩克利斯之剑”。2024年,国家能源局对“两个细则”进行了全面且细致的修订,这不仅重塑了行业的考核标准,更直接定义了下一代功率预测技术的功能需求 7。

2.1.1 AGC考核算法的重构与技术响应

新规按照发改价格〔2024〕196号文的要求,对自动发电控制(AGC)的补偿与考核机制进行了根本性调整。核心变化在于引入了更科学的性能指标折算方法,以性能最优的煤电机组为基准,重新定义了调节速率、调节精度和响应时间的K值计算逻辑 7。

  • 考核收紧:综合性能系数K值的上限被调整为2,同时参与分红的门槛(K值下限)同步调整至0.6。这意味着,性能平庸、响应迟缓的新能源场站不仅无法获得辅助服务收益,甚至可能面临从市场中“出局”的风险。

  • 技术启示:这一变化要求功率预测系统必须具备“毫秒级”的响应能力。预测数据不能再仅仅是每15分钟上报一次的静态曲线,而必须与站内的AGC控制系统实现实时联动。产学研团队需要研究如何将超短期功率预测(0-4小时)的颗粒度进一步细化,甚至探索秒级预测技术,以支撑AGC指令的精准执行。

2.1.2 偏差考核的精细化与“免责”博弈

新规虽然在生物质机组的偏差考核上有所放宽(由±2MW调整至±5MW),但对风光场站的考核逻辑更加严密 7。

  • 西北区域案例:在新能源富集的西北区域,新细则明确规定,对于具备AGC功能但运行性能不达标的场站,将面临每月按容量扣分的严厉处罚(如新能源场站每月按40分/万千瓦考核)8。

  • 免考核条款的利用:新规增加了关于一次调频、非计划停运的免考核内容,并取消了低谷消缺仅限于“非保供时期”的限制 7。这为技术团队提供了一个策略优化空间:预测系统应当具备“电网状态感知”能力,智能识别当前的电网负荷状态和免考核时段,从而指导运维人员在免考核窗口期进行设备检修,最大化规避考核损失。

2.2 电力辅助服务市场的价格机制变革

2024年发布的《关于建立健全电力辅助服务市场价格机制的通知》(发改价格〔2024〕196号)标志着辅助服务市场从“行政分摊”向“市场竞价”的彻底转型 7。

  • 从“量”到“价”的预测跨越:过去,功率预测系统只需告诉业主“明天能发多少电”;现在,系统必须回答“明天什么时段参与调峰最赚钱”。文件规定调峰服务价格上限原则上不高于当地平价新能源项目的上网电价,这要求预测模型必须融合电力市场价格预测模块。

  • 产学研机会:高校在电力市场博弈理论、边际成本定价模型方面有深厚积累。技术经理应推动将这些经济学模型与物理功率预测模型进行耦合,开发出“功率-价格-策略”一体化的智能决策系统。

2.3 分布式能源接入政策的松绑与挑战

国家发改委在《关于大力实施可再生能源替代行动的指导意见》中明确提出,要“修订分布式新能源接网承载力评估标准,释放公共电网接纳分布式新能源的可开放容量” 4。

这一政策导向将巨大的分布式光伏市场推向了前台。与集中式电站不同,分布式资源点多面广、数据质量差、通信环境复杂。这要求功率预测技术必须具备更强的边缘计算能力和鲁棒性,能够处理海量异构数据。这也为“云-边协同”架构和联邦学习技术的落地提供了最佳场景。


第三章 行业技术现状与前沿演进:AI 2.0时代的范式转移

3.1 技术演进路径:从物理统计到大模型

新能源功率预测技术的发展经历了三个主要阶段:

  1. 物理模型阶段:主要依赖数值天气预报(NWP)数据,通过流体力学方程(针对风电)或光电转换公式(针对光伏)直接计算功率。其局限性在于对局部微气象的模拟能力差,且无法修正NWP本身的系统性误差 11。

  2. 统计机器学习阶段:引入支持向量机(SVM)、人工神经网络(ANN)、XGBoost等算法,建立NWP气象要素与历史功率数据之间的非线性映射关系。这是目前工业界的主流方案,但在处理长序列依赖和极端天气时存在瓶颈。

  3. 深度学习与大模型阶段(当前前沿):随着Transformer架构的兴起,行业正快速向基于Attention机制的深度学习模型和大型语言模型(LLM)转型 12。

3.2 核心技术突破:Transformer架构的统治力

Transformer架构凭借其自注意力机制(Self-Attention),彻底改变了时间序列预测的游戏规则。相比于传统的循环神经网络(RNN/LSTM),Transformer能够并行处理数据,并有效捕捉长距离的时间依赖关系。

3.2.1 针对风电预测的架构创新

在风电功率预测中,风速的变化不仅与当前时刻有关,还深受过去数小时甚至数天前的大气环流模式影响。

  • Time2Vec与FlashAttention:最新的产学研成果显示,引入Time2Vec时间编码技术和FlashAttention加速机制的Transformer变体(如T2V-Informer, T2V-Flashformer),在处理风电数据时表现卓越。在真实风电场数据的测试中,这些模型相比于LSTM和MLP等基准模型,RMSE(均方根误差)降低了16%-27% 14。FlashAttention通过优化显存访问,使得模型能够处理更长的历史序列,从而捕捉更复杂的周期性规律。

  • 时空相关性建模:风电场通常集群分布,上游风机的尾流效应会直接影响下游风机。研究人员提出了CNN-Transformer混合架构,利用CNN提取空间特征(如风机布局、地形地貌),利用Transformer提取时间特征。实验表明,这种架构能将风电预测误差大幅降低63% 12。

3.3 颠覆性创新:大型语言模型(LLM)的跨界融合

2024-2025年,大型语言模型(LLM)在能源领域的应用成为最大的技术变量。LLM不仅能处理文本,通过特定的Tokenizer,它也能理解时间序列数据 15。

3.3.1 零样本学习与泛化能力

传统的预测模型需要每个电站积累至少一年的历史数据进行训练。而LLM通过在海量通用数据上预训练,具备了强大的零样本(Zero-shot)或少样本(Few-shot)推理能力。这对于新建电站或缺乏历史数据的分布式站点具有革命性意义。研究表明,经过微调的能源专用LLM(如Fusion PEFT Energy LLM)在数据稀缺场景下的表现远超传统模型 17。

3.3.2 多模态数据的综合推理

LLM的真正威力在于其多模态融合能力。在进行功率预测时,LLM可以同时读取:

  • 结构化数据:NWP数值、SCADA系统实时数据。

  • 非结构化数据:气象局发布的台风预警文本、运维人员的检修日志、电力市场的政策新闻。

  • 视觉数据:气象卫星云图、全天空成像仪拍摄的云层照片。

通过Agentic AI(智能代理)架构(如GridMind系统),LLM可以自主调度不同的计算工具,综合上述信息进行逻辑推理,给出不仅包含数值,还包含原因分析的预测报告 13。例如,它可能会提示:“尽管NWP预测明日风速较大,但考虑到刚刚发布的覆冰黄色预警和检修日志中提及的除冰装置故障,建议下调明日预测功率。”

3.4 极端天气下的预测增强技术

极端天气(台风、寒潮、沙尘暴)是功率预测的“噩梦”,也是导致电网考核罚款的主要原因。

  • 台风预测专用模型:利用深度学习模型(如OceanCastNet)结合风场和波浪场数据,可以更精准地预测台风路径下的风功率变化。即使在台风Goni等极端案例下,AI模型的预测误差也能控制在极小范围内 19。

  • 物理信息神经网络(PINN):单纯的数据驱动在极端值上容易失效。PINN将流体力学方程或物理约束嵌入神经网络的损失函数中,强迫模型在预测时遵守物理定律。这保证了在缺乏训练样本的极端场景下,模型的输出依然具备物理合理性,避免了AI出现违背常识的预测 20。


第四章 产业链生态与市场规模深度剖析

4.1 产业链上下游全景图

新能源功率预测产业链已经形成了一个高度专业化、分工明确的生态系统。

4.1.1 上游:数据源与探测设备

  • 全球气象数据源:数值天气预报(NWP)是整个行业的“燃料”。主要由欧洲中期天气预报中心(ECMWF)、美国国家海洋和大气管理局(NOAA)以及中国气象局(CMA)提供。这些机构通过超级计算机运行全球尺度的大气模式,提供基础网格数据。

  • 商业气象服务商:以墨迹天气、九方科技为代表的企业处于这一环节。它们不生产原始NWP数据,而是购买基础数据后,利用AI算法进行“降尺度”(Downscaling)处理,将百公里级的粗糙网格细化为公里级、甚至百米级的精细化数据,并提供分钟级的更新频率 21。墨迹天气利用其C端用户众包的气象数据,进一步修正了局地预报的准确性 23。

  • 硬件设备商:包括测风塔、激光雷达(Lidar)、全天空成像仪等。随着对超短期预测精度要求的提高,地基观测设备的重要性日益凸显。

4.1.2 中游:功率预测解决方案提供商

这是产业链的核心环节,主要由软件企业和SaaS厂商构成。

  • 竞争格局:国能日新 (301162.SZ) 是该领域的绝对龙头,拥有深厚的客户积累和极高的市场占有率 24。此外,南瑞集团、金风科技等设备巨头也拥有自己的预测团队。新兴的初创企业如云能魔方则聚焦于分布式和储能侧的细分市场 26。

  • 商业模式:

  • CAPEX模式:向电站销售部署在本地的预测服务器和软件License,收取一次性费用及每年的服务费。这是目前的主流模式,主要受限于电力系统对数据安全的严格要求(物理隔离)。

  • OPEX/SaaS模式:对于分布式光伏和部分允许云端通讯的场景,按年订阅的云服务模式正在兴起。

4.1.3 下游:多元化的应用场景

  • 电网调度中心:使用全网级的预测数据制定发电计划和备用安排。

  • 新能源场站:使用单站预测数据进行上报,规避“两个细则”考核。

  • 电力交易商/售电公司:利用预测数据预测现货价格,制定报价策略,进行套利交易。

  • 虚拟电厂(VPP):聚合海量分布式资源,利用预测技术参与需求侧响应。

4.2 市场规模与增长驱动力分析

全球及中国的新能源功率预测市场正处于爆发式增长的前夜。

4.2.1 全球市场展望

根据Market Research的报告,全球新能源功率预测系统市场规模预计在2025年将达到35亿美元,并在2025-2033年间保持约15%的复合年增长率(CAGR)28。这一增长主要由光伏和风电装机量的持续攀升驱动,特别是在亚太地区,预计将占据55%的市场份额 29。

4.2.2 中国市场规模测算

作为全球最大的单一市场,中国的增长潜力尤为巨大。

  • 存量替换与升级:截至2024年底,中国风光总装机已超过1400GW 29。随着“两个细则”的实施,大量存量电站的预测系统面临技术淘汰,需要升级为具备AGC联动、极端天气应对能力的AI增强版系统。

  • 增量市场:每年新增的200GW+装机量直接带来了新的软件部署需求。

  • 价值量提升:随着预测系统从单一的“合规工具”演变为“交易工具”,单套系统的价值量有望提升。叠加分布式预测和交易辅助服务,预计中国功率预测及相关气象服务市场规模将从目前的数十亿元级别向百亿级迈进。


第五章 产学研转化路径与典型案例研究

5.1 产学研合作的痛点与模式

在功率预测领域,产学研转化面临着典型的“死亡之谷”问题:高校的算法往往基于公开的标准数据集(如Kaggle竞赛数据)训练,模型指标虽然在论文中很漂亮,但在面对电厂实际运行中缺失、带噪、异常值频发的数据时,表现往往大打折扣。

成功的产学研模式通常具备以下特征:

  1. 数据脱敏共享机制:企业通过建立安全的数据沙箱,让高校团队接触到真实的生产数据。

  2. “嵌入式”联合攻关:高校硕博士研究生直接驻场,与企业工程师共同工作,理解业务逻辑(如调度指令的下发流程、检修计划的制定规则)。

  3. 结果导向的考核:以预测准确率(RMSE/MAE)的提升幅度作为合作验收标准,而非仅看论文发表。

5.2 案例一:华北电力大学 & 国家电网

背景:新型电力系统建设对关键技术的自主可控提出高要求。

合作模式:华北电力大学与国家电网共建了电力系统全数字仿真平台(ADPSS)实验室,并建立了“平台+任务”的动态资源调配机制。

成果:在新能源功率预测技术攻关中,双方组织工程师联合驻场调试,利用真实数据对算法进行长达8个月的迭代优化。最终,该系统在某风电场成功部署,将功率预测准确率提升至92.6%,这一数据远超行业平均水平,直接降低了电场的考核罚款,实现了显著的经济效益 6。该案例展示了从“理论验证”到“工程落地”的全链条闭环。

5.3 案例二:东南大学 & 国家能源集团

背景:针对大型发电机组和热力管道的精密监测需求。

技术路径:东南大学周宾团队研发了基于“双目视觉+神经网络”的位移监测系统。虽然该案例直接应用于火电厂管道监测,但其视觉感知技术与光伏功率预测中的“全天空成像云层观测”在技术原理上高度同源。

成果:该技术成功应用于国家能源集团锦界电厂,解决了高温高压环境下常规传感器易失效的难题 30。这启示我们,在光伏预测中,可以更多地引入计算机视觉(CV)技术来捕捉云层运动,提升超短期预测精度。

5.4 案例三:清华大学 & 九方科技

背景:气象数据是功率预测的源头,但高精度的气象预报需要庞大的算力支持。

转化路径:九方科技作为清华大学持股的高新技术企业,根植于国家超级计算无锡中心。它将清华大学在大气海洋模拟方面的学术积累,与超级计算机的算力相结合,推出了商业化的气象预报产品。

商业化:公司完成了5000万元A轮融资,重点布局清洁能源气象服务,证明了“硬科技+超算+能源”的商业模式受到资本市场的认可 21。


第六章 典型企业竞争力分析

6.1 国能日新 (301162.SZ):政策敏锐度与技术护城河

  • 财务表现:作为行业领军者,国能日新2023年营收4.56亿元(+26.89%),净利润8424万元(+25.59%),2024年上半年继续保持高增长 24。

  • 核心竞争力:公司最大的护城河在于对中国复杂多变的电网政策(“两个细则”)的深刻理解和快速响应能力。其产品能够迅速适配各省最新的考核算法,帮助客户最大化规避罚款。

  • 战略延伸:公司正积极利用AI技术,将业务版图从单一的功率预测扩展到电力交易辅助决策、微电网管理和虚拟电厂运营,试图打造能源数据的“操作系统” 25。

6.2 墨迹天气:从ToC到ToB的跨界降维打击

  • 差异化优势:墨迹天气拥有传统工业软件厂商难以企及的气象数据积累和AI算法能力。其通过C端用户反馈修正气象预报的模式,在局部微气象预测上具有独特优势 23。

  • 解决方案:墨迹提供的不仅是软件,而是全生命周期的气象服务。从电厂选址阶段的风光资源评估,到运营阶段的功率预测,再到极端天气(如暴雨、覆冰)的风险预警,形成了一套完整的闭环 22。

  • 技术亮点:其“气象+AI”模型不仅服务于发电侧,还能精准预测负荷侧的用电需求(如根据气温预测空调负荷),从而辅助电网实现供需平衡 33。


第七章 结论与技术经理行动指南

7.1 研究结论综述

  1. 技术范式正在重构:新能源功率预测正在从传统的“NWP+统计模型”向“多模态数据+Transformer/LLM”的AI 2.0时代迈进。这不仅是精度的提升,更是对非结构化信息处理能力的质变。

  2. 合规与盈利双轮驱动:2024年“两个细则”的修订和辅助服务市场的开启,使得功率预测系统从单纯的“免罚工具”变成了“获利工具”。

  3. 产学研结合是必由之路:面对极端天气预测、分布式消纳等世界级难题,单靠企业的研发力量难以突破,必须借助高校在基础理论和前沿算法上的突破。

7.2 给技术经理的落地建议

作为负责产学研转化的技术经理,建议采取以下行动策略:

7.2.1 技术布局策略

  • 拥抱Transformer与大模型:在下一代产品研发中,必须将Transformer架构作为时间序列预测的基座。同时,设立专项课题,探索LLM在处理运维日志、气象预警文本等非结构化数据中的应用,构建多模态预测系统。

  • 重视物理约束(PINN):针对台风、寒潮等极端场景,不能迷信纯数据驱动,必须引入物理信息神经网络,确保模型在极端条件下的鲁棒性。

7.2.2 数据资产建设

  • 构建“天-空-地”一体化数据网:不要仅依赖单一来源的NWP数据。应融合ECMWF的背景场、商业气象公司的精细化数据、卫星云图以及场站部署的全天空成像仪/激光雷达数据,形成多维度的数据闭环。

  • 数据清洗标准化:投入资源建立自动化的数据清洗与特征工程平台,解决产学研合作中“数据不可用”的顽疾。

7.2.3 产学研合作模式创新

  • 建立“联合攻关实验室”:与优势高校(如华电、清华、东南)建立长期合作,设立具体的KPI(如预测准确率提升2个百分点),并推行“双导师制”和研究生驻场机制。

  • 关注边缘计算与分布式:针对分布式能源的爆发,提前布局轻量化、边缘侧的预测算法,解决海量节点的通信与计算瓶颈。

7.2.4 商业模式升级

  • 从软件销售向数据服务转型:探索基于预测精度的“分润模式”——如果系统帮助电站减少了考核罚款或增加了电力交易收益,按比例提取服务费。这将极大地提高客户粘性和产品价值。


表格 1:主要新能源功率预测技术路线对比

技术阶段

核心算法

数据源

优势

劣势

适用场景

物理模型

流体力学方程、光电转换模型

NWP数据、地理信息

物理机理明确,无需大量历史数据

无法修正NWP误差,对微气象适应差

新建电站、资源评估

统计学习

SVM, XGBoost, MLP, LSTM

NWP + 历史功率

建模速度快,能修正系统性误差

长序列依赖丢失,极端天气失效

存量电站常规运维

AI 2.0 (当前)

Transformer (Informer/Autoformer), LLM, PINN

多模态 (文本、图像、时序、雷达)

高精度,抗干扰强,零样本推理

算力需求大,训练成本高,黑盒可解释性差

电力现货交易、AGC控制、复杂地形/气候区

表格 2:2024年“两个细则”修订对功率预测的关键影响

修订内容

具体条款 (部分)

对功率预测的技术要求

应对策略

AGC考核收紧

综合性能系数K值上限调整为2,下限调整为0.6 7

需要毫秒级响应,预测曲线需与控制指令实时联动

研发超短期(0-4h)及秒级预测算法;提升软硬件接口速度

偏差考核精细化

生物质放宽至±5MW,风光考核逻辑更严 7

需降低绝对误差,提升“抗扰动”能力

引入集合预报技术,给出概率区间而非单一数值

免考核条款

增加一次调频、非计划停运免考核;取消低谷消缺限制 7

需智能识别电网状态和免责时段

开发**“电网状态感知”**模块,智能推荐检修窗口

通过深入理解上述技术与政策变革,技术团队将在新能源功率预测这一关键赛道上把握住巨大的市场机遇。

引用的著作

  1. 2024 - 全球电力评论, 访问时间为 一月 6, 2026, https://ember-energy.org/app/uploads/2024/10/ZH_Global-Electricity-Review-2024.pdf

  2. Renewable electricity – Renewables 2025 – Analysis - IEA, 访问时间为 一月 6, 2026, https://www.iea.org/reports/renewables-2025/renewable-electricity

  3. Global overview – Renewables 2024 – Analysis - IEA, 访问时间为 一月 6, 2026, https://www.iea.org/reports/renewables-2024/global-overview

  4. 关于促进新能源消纳和调控的指导意见(发改能源〔2025〕1360号), 访问时间为 一月 6, 2026, https://www.ndrc.gov.cn/xxgk/zcfb/tz/202511/t20251110_1401469.html

  5. 华北电力大学以校企合作为切口构建科研创新与人才培养相互支撑有效范式 - 教育部, 访问时间为 一月 6, 2026, http://www.moe.gov.cn/jyb_xwfb/s6192/s133/s158/202508/t20250804_1244845.html

  6. 【国家电网报】凝聚产学研融合发展的强劲动力——访华北电力大学校长、党委副书记毕天姝, 访问时间为 一月 6, 2026, https://news.ncepu.edu.cn/mthd/f54a2cf068f24535820ebba28d21d413.htm

  7. 华中能源监管局关于修订版华中区域“两个细则”的政策解读, 访问时间为 一月 6, 2026, https://www.nea.gov.cn/20250912/a9266332dfb3427daaaeb2e634a3e724/c.html

  8. 《西北区域电力并网运行管理实施细则》 《西北区域电力辅助服务管理实施细则》 补充规则意见建议的通知, 访问时间为 一月 6, 2026, https://xbj.nea.gov.cn/dtyw/tzgg/202407/P020240712359222287920.pdf

  9. 《关于建立健全电力辅助服务市场价格机制的通知》(发改价格〔2024〕196号)正式发布, 访问时间为 一月 6, 2026, https://www.cnegroup.com/Industry_des/11.html

  10. 关于大力实施可再生能源替代行动的指导意见(发改能源〔2024〕1537号), 访问时间为 一月 6, 2026, https://www.ndrc.gov.cn/xxgk/zcfb/tz/202410/t20241030_1394119.html

  11. What is solar power forecasting? - gridX.ai, 访问时间为 一月 6, 2026, https://www.gridx.ai/knowledge/what-is-solar-power-forecasting

  12. Weather Maps as Tokens: Transformers for Renewable Energy Forecasting - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/html/2511.13935v2

  13. [2506.06359] From Transformers to Large Language Models: A systematic review of AI applications in the energy sector towards Agentic Digital Twins - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/abs/2506.06359

  14. Short-Term Wind Power Forecasting with Transformer-Based Models Enhanced by Time2Vec and Efficient Attention - MDPI, 访问时间为 一月 6, 2026, https://www.mdpi.com/1996-1073/18/23/6162

  15. Large Language Models integration in Smart Grids - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/html/2504.09059v1

  16. Time Series Forecasting with LLMs: Understanding and Enhancing Model Capabilities, 访问时间为 一月 6, 2026, https://arxiv.org/html/2402.10835v1

  17. FPE-LLM: Highly Intelligent Time-Series Forecasting and Language Interaction LLM in Energy Systems - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/html/2411.00852v1

  18. GridMind: LLMs-Powered Agents for Power System Analysis and Operations - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/html/2509.02494v1

  19. [2406.03848] Ocean Wave Forecasting with Deep Learning as Alternative to Conventional Models - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/abs/2406.03848

  20. Probabilistic Forecasting Method for Offshore Wind Farm Cluster under Typhoon Conditions: a Score-Based Conditional Diffusion Model - arXiv, 访问时间为 一月 6, 2026, https://arxiv.org/html/2508.10705v1

  21. 商业气象综合解决方案提供商「九方科技」完成5000万元A轮融资 - 阿里云创新中心, 访问时间为 一月 6, 2026, https://startup.aliyun.com/info/106385.html

  22. 聚焦电力系统难题,墨迹天气提供电力行业气象服务解决方案 - 品玩, 访问时间为 一月 6, 2026, https://www.pingwest.com/a/302482

  23. “让天气真正成为生产力”, 访问时间为 一月 6, 2026, https://finance.sina.com.cn/jjxw/2026-01-05/doc-inhfezix2279201.shtml

  24. 国能日新:2023年净利润8424.65万元,同比增长25.59% - 经济观察网- 专业财经新闻网站, 访问时间为 一月 6, 2026, http://www.eeo.com.cn/2024/0412/651735.shtml

  25. 公司公告_国能日新:2024年年度报告新浪财经, 访问时间为 一月 6, 2026, https://money.finance.sina.com.cn/corp/view/vCB_AllBulletinDetail.php?stockid=301162&id=10865810

  26. 云能魔方完成数千万战略轮融资 - 碳索储能网, 访问时间为 一月 6, 2026, https://cn.solarbe.com/news/20231031/81818.html

  27. 聚焦分布式储能与智能电网系统,「云能魔方」完成数千万元天使轮融资, 访问时间为 一月 6, 2026, https://startup.aliyun.com/info/1033537.html

  28. New Energy Power Forecasting System 2025-2033 Overview: Trends, Competitor Dynamics, and Opportunities, 访问时间为 一月 6, 2026, https://www.archivemarketresearch.com/reports/new-energy-power-forecasting-system-702342

  29. Renewable Energy Market Size 2025: Global Analysis, Growth & Forecasts - SolarTech, 访问时间为 一月 6, 2026, https://solartechonline.com/blog/renewable-energy-market-size-2025/

  30. 东南大学江北新区创新研究院集中签约三项产学研合作项目, 访问时间为 一月 6, 2026, https://ttc.seu.edu.cn/2022/0223/c51815a477361/page.htm

  31. 国能日新:2023年半年度净利润约3315万元同比增加57.29% - 东方财富, 访问时间为 一月 6, 2026, https://wap.eastmoney.com/a/202308172816013771.html

  32. 给电网安全“上保险”,墨迹天气提供灾害性天气预警服务 - 新浪财经, 访问时间为 一月 6, 2026, https://finance.sina.com.cn/tech/roll/2025-03-15/doc-ineptsyp5682806.shtml

  33. “气象+电力”深度融合:墨迹天气助力新能源高效开发与电网安全 - 亿欧, 访问时间为 一月 6, 2026, https://www.iyiou.com/news/202503151092764

 
打赏
 
更多>同类资讯
0 条相关评论

推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报  |  皖ICP备20008329号-18
Powered By DESTOON