近年来，全球极端高温和寒潮事件的发生频率、强度与持续时间不断增加，对电力系统安全稳定运行构成严峻挑战。极端气温不仅会造成制冷或供暖负荷激增，还可能同时影响发电和输电设施，使电力供需平衡面临双重压力。准确预测极端天气下的电力负荷，能够为发电计划、燃料储备、跨区电力调度、储能管理和需求响应争取宝贵时间，是提升电力系统气候韧性的重要基础。然而，由于极端天气样本十分稀缺，现有负荷预测模型主要从常规天气数据中学习，面对热浪和寒潮引发的负荷突变时，预测性能往往明显下降。如何突破极端天气数据不足的限制，实现准确可靠的负荷预测？

　　近日，国际知名学术期刊《Nature Communications》（图1）在线刊登了香港大学王毅教授团队联合上海人工智能实验室、松鼠AI和清华大学研究人员的最新成果 - “极端高温与寒潮下的电力负荷预测”（Electricity load forecasting under extreme heat and cold waves）。研究团队提出了极端合成-解耦预测框架（Extreme Synthesis-Disentanglement Forecasting，ESDF），通过生成可信的极端天气样本并提取其中可靠的负荷信息，有效提升了热浪和寒潮条件下电力负荷预测的准确性与稳定性。

图1 论文在线发表于期刊《Nature Communications》

　　现有负荷预测方法在正常天气条件下通常能够取得较高精度，但在极端天气下会面临两项关键挑战。一方面，气温与负荷之间原本相对稳定的关系会发生显著变化，负荷水平可能比常规情况增加多达30%，其日内形态也随地区和事件类型呈现明显差异。例如，寒潮可能形成突出的早晚“双峰”，热浪则可能形成持续时间较长的午后高负荷平台。另一方面，热浪和寒潮属于低概率事件，在历史数据中仅占很小比例，导致数据驱动模型容易过度学习常规运行状态，并在真正的极端事件中低估负荷峰值。虽然数据生成技术可以补充稀缺样本，但生成数据与真实观测之间不可避免地存在质量差距，直接混合两类数据还可能引入噪声，削弱预测性能。

图2 极端天气下负荷发生显著变化

　　针对上述问题，研究团队提出了由“极端样本合成、保真度感知表征解耦和负荷预测”构成的三阶段ESDF框架（图3）。首先，框架将扩散去噪模型与极端天气分类器相结合，引导模型从随机噪声中生成丰富、多样且符合热浪或寒潮特征的负荷样本，以缓解极端事件数据稀缺和分布失衡问题。随后，研究团队设计了由三个编码器组成的表征解耦模块，通过相似性和差异性约束，分离真实数据与合成数据中的共享信息、真实数据特有信息以及合成伪影，从而保留有助于预测的可靠特征，并过滤可能造成信息污染的低保真成分。最终，经过净化的表征被用于训练负荷预测模型，使模型能够充分利用合成数据，而不受其潜在缺陷的干扰。

图3 极端样本合成、保真度感知表征解耦和负荷预测（ESDF）框架

　　研究团队在来自欧洲、美国、中国和印度等六个区域的80个真实数据集上开展了系统验证，覆盖不同气候条件、社会经济环境和电网结构。实验结果表明，该方法在极端天气条件下的平均预测准确率达到97.11%。与表现领先的基准模型相比，其归一化平均绝对误差（nMAE）降低9.8%-33.5%，归一化均方根误差（nRMSE）降低7.5%-34.5%，在不同区域及高温、寒潮场景中均表现出较好的预测性能和稳健性。研究还进一步评估了预测精度提升可能带来的社会和经济价值。在欧洲案例中，该方法可降低因严重低估负荷和潜在负荷削减造成的社会经济风险，按失负荷价值估算，对应的潜在风险暴露每天可减少约2518万欧元。在美国PJM电力市场案例中，该方法通过减少电力紧缺时段对高成本实时电力采购的依赖，日均平衡成本可降低约9.68万美元。

　　该研究为解决极端天气负荷预测中的样本稀缺和合成数据可信度不足问题提供了新的技术路径。随着热浪和寒潮等极端事件日益频繁，相关成果有望帮助电网运营者更准确地预判负荷峰值，为发电计划、备用容量、跨区互济、储能调度和需求响应提供决策支持，推动电力系统由事后应急处置向事前风险预警转变，为建设更具气候适应能力的新型电力系统提供技术支撑。

　　香港大学电气与计算机工程系为第一完成单位，鲁南、秦大林和周杨泽为共同第一作者，王毅教授为通讯作者。论文合作者还包括上海人工智能实验室白磊研究员、松鼠AI的文青松博士、清华大学电机系康重庆教授。该研究得到了国家自然科学基金和香港特别行政区研究资助局等项目的资助。

　　论文链接：https://www.nature.com/articles/s41467-026-77014-0