01、尷尬的新能源發電側強制配儲

近年來，光伏高速發展，2023年1-8月，光伏發電新增裝機容量達到1.13億千瓦，同比增長約1.5倍。這也是中國光伏年新增裝機首次超過1億千瓦。

然而，光伏發電由于高度依賴天氣而具有間歇性和不穩定性。光伏發電系統利用太陽能來產生電力，但太陽光在到達地表之前可能會受到多種因素的影響，例如云層的遮擋。這些天氣變化會導致光伏系統的輸出功率出現顯著波動。如何保障電力穩定供應并實現高水平光伏發電消納利用，成為關鍵難題。

在此背景下，儲能技術應運而生。通過儲能系統的能量存儲和緩沖使得系統即使在負荷迅速波動的情況下仍然能夠運行在一個相對恒定的輸出水平，這極大提高了電網的穩定性，規避了光伏發電的劣勢。

近年來，國內各地紛紛發布政策鼓勵發電側配置儲能，甚至不少地區要求強制配儲，導致多地普遍出現儲能“建而不用”的怪現象，造成巨大能源成本浪費。

某資深業內人士指出，目前儲能成本雖然在下降，但安全問題仍然不容忽視，近年來已發生過多起儲能電站的起火事故，給全社會敲響了警鐘。除了儲能，還有沒有其他技術可以幫助光伏發電的高效利用呢？

02、新技術精確預測太陽輻射，可大幅提升太陽能利用率

近日，中科院大氣物理研究所與哈爾濱工業大學以及國家衛星氣象中心聯合合作，借助風云四號A星（FY-4A）光譜成像儀的數據，通過采用先進的機器學習技術和光伏模型鏈，成功完成了中國地區光伏有效輻射資源的首次估算。為太陽能資源評估提供了新的技術手段。

首先，我們需要了解一下獲取太陽輻射數據的方法，目前有三種主要途徑可供選擇：地面氣象站點觀測數據、再分析資料以及衛星遙感反演資料。前兩種方法通常存在數據缺失和時空分辨率限制的問題，目前業內普遍采用是衛星遙感技術：通過從人造衛星、飛機或其他飛行器收集地球上的電磁輻射信息（包括紫外線、可見光和紅外光），以便更好地了解地球的環境和資源。

但是未經處理的遙感資料是無法直接獲取太陽輻射信息的，需要進行二次處理。如果要獲得太陽輻射信息，必須對原始的遙感資料進行反演處理。針對衛星遙感資料反演地面輻射的方法往往是采用經驗方法，即從大量的已知數據出發，建立相應的數學模型，進行預測。

要建立更加嚴謹的數學模型進行精確分析，往往需要大量的數據。如果這項工作交給人去做，費時又費力，又不一定十分準確。因此，中科院引入了機器學習的概念。這本質上是一種AI技術，它的目的就是想讓計算機像人類一樣學習和行動。說白就是把現有的知識給計算機讓他學，讓計算機建立起一定的知識體系，當再次遇到類似問題的時候，計算機會基于已經建立知識體系給予一定的反饋。從這種程度上講，外界輸入的“知識量”越龐大，計算機學習的就越好，未來給出的反饋就越好，用在預測上，其精度就越高。

因此，機器學習能很好的應用在遙感的反演處理上。中科院研究團隊提供了中國氣象局和中國科學院太陽輻射觀測站點的數據供計算機進行學習，如此龐大的數據如果讓人來處理，可太麻煩了，但是通過機器學習技術，可快速獲取相應的數學模型，極大提高了效率，精度也更高。

中科院研究團隊做的事情其實就是從新一代的氣象衛星風云四號A星獲取遙感資料，融合了機器學習技術，能夠更加精確地對太陽輻射量進行預測。最終研究團隊獲得了4公里-15分鐘時空分辨率的中國光伏資源地圖，為光伏資源開發利用和規劃布局提供了全新的高精度依據，極大推動了太陽輻射的短臨預報技術（0小時到12小時的天氣預報）的發展。

有了這項技術的加持，各地區能夠更好地建立起適應本地區氣候特點和電網特點的新能源發電功率、用電負荷、網供智能預測系統，為本地區的電網調度運行決策、網源荷儲協調控制以及電力電量計劃平衡等工作提供技術支撐。