2025年11月21日下午，应中国科学技术大学信息科学技术学院李斌书记邀请，山东大学杨明教授与中国气象科学研究院人工智能气象应用研究所梁钊明研究员，在科大高新区GTC101会议室分别作了题为“新型电力系统保供预测与风险预警”和“人工智能气象应用进展和思考”的学术报告。

杨明教授是山东大学本科生院副院长，教授，博导，当选IET Fellow，获评泰山学者特聘专家、山东省优秀科技工作者。长期从事电气工程领域工作，提出气象与新能源发电动态协同预测方法，显著提升功率预测精度；提出有效安全域分析、鲁棒调度理论及方法，解决了强不确定性下的功率平衡难题；提出多元市场下的随机决策方法，为激发多元灵活性潜力提供了决策依据。

梁钊明研究员是中国气象科学研究院人工智能气象应用研究所研究员，博士生导师，中国气象局青年气象英才，主要从事中尺度气象机理及其人工智能预报技术研究，构建了大风潜势预报的修正贝叶斯模型与强降水预报订正的深度学习模型；正在开展气象预报基础模型以及高分辨率气象场、资料同化和强对流天气短临预报等人工智能模型研究。

这场学术报告聚焦“人工智能赋能气象-新能源预测”核心主题，山东大学杨明教授与中国气象科学研究院梁钊明研究员分别从新能源电力保供实践需求与气象领域技术支撑视角，深入剖析了人工智能在跨领域融合预测中的应用价值、技术路径与核心挑战，为筑牢气候变化背景下的电力保供安全防线提供了全方位的思路与解决方案。

杨明教授紧扣新能源电力保供的核心挑战，系统阐述了人工智能驱动下新能源预测技术体系的构建路径，并强调其高效落地高度依赖精准、先进气象数据与技术的支撑。报告指出，全球气候变化加剧导致极端天气与转折性天气频发，显著增强了新能源出力的随机性与波动性，导致预测偏差加大，“保供电”压力日益凸显。在此背景下，杨明教授的报告从保供核心需求视角出发，深入分析了新能源预测在三大维度面临的新要求。在时间尺度上，需构建覆盖短时高频更新至中长期趋势预判的全周期气象预测体系，支撑新能源出力的实时调控与战略规划；在空间尺度上，应建立从单点场站到区域集群乃至全省范围的全域精细化气象观测与预测网络，服务电网统筹调度；在要素维度方面，需融合风、光等新能源核心气象要素与电网负荷、储能状态等电力系统要素，打造多维协同的全要素预测体系。

针对电力领域的新要求，杨明教授介绍了电力气象技术在定制化、时效性、精细度与准确性四个方面的优化进展。在定制化方面，基于区域新能源特性与电网需求，构建个性化服务方案，与区域气象模型优化思路呼应；在时效性方面，通过数据链路优化与模型实时迭代，缩短预测周期，契合AI提升气象数据处理效率的优势；在精细度方面，依托高分辨率观测数据与数值模式，精准刻画微气候特征，借助AI驱动的偏差校正技术与高分辨模拟技术；在准确性方面，通过融合多源数据并引入误差反馈机制，降低复杂场景下的预测偏差，这正契合AI在多源数据融合中的核心作用。

杨明教授最后系统提出以人工智能为核心的保供导向新能源预测技术体系，围绕四大关键场景构建精准气象AI支撑下的预测路径。一是全时间尺度省级功率预测：融合短临至中长期气象数据，构建多尺度AI预测模型，实现全省新能源出力的精准预判；二是极端及转折性天气爬坡预测：依托AI驱动的极端天气与转折性天气识别算法，精准捕捉风速、辐照突变特征，优化爬坡事件预测精度；三是低出力过程预测：结合不利气象条件与历史运行案例，建立低出力时段AI预测模型，支撑电网备用调度；四是供电保障能力与概率预测：融合新能源出力、电网运行、储能状态等多维数据，量化不同气象情景下的供电保障概率，服务保供决策。

梁钊明研究员的报告则从气象领域的学科特性与技术优势出发，深入阐释了人工智能与气象领域的天然适配性，为杨明教授提出的新能源保供技术体系提供了关键的技术支撑与解决方案。报告明确指出，气象领域作为高质量数据持续生成与深度应用的领域，业务贯穿观测、分析、预报、预警全链条，会产生海量多源气象数据，且气象系统具有显著的复杂非线性特征，传统机理模型难以全面精准刻画其规律，而这种“数据密集、规律复杂”的学科特性，与以数据驱动为核心、以统计学为基础的人工智能技术形成了天然适配性，而这种适配性正是支撑新能源精准预测的核心基础。

梁钊明研究员进一步阐述了两者适配性的具体体现，这些应用场景直接为新能源保供提供了技术保障。在气象数据质控方面，智能识别并修复观测数据中的异常值与缺失值，夯实预测数据基础；在灾害性天气智能识别方面，基于计算机视觉与深度学习，高效精准识别台风、暴雨等灾害天气，支撑出力波动预判；；在短临预警精准化方面，挖掘天气演变规律与致灾阈值关联，优化预警触发时机与范围，提升电网响应能力；；在预报效能方面，通过AI校正数值模式偏差或构建数据驱动模型，增强短、中、长期预报精度，全面支撑多尺度新能源预测。

值得注意的是，两位专家均聚焦于人工智能跨领域融合预测的核心挑战，形成了呼应与互补。他们共同指出，人工智能在新能源-气象融合预测中的深度应用面临四大核心挑战，需要协同突破。在数据层面，多源异构、时空不均及极端样本稀缺等问题制约高质量训练集构建，直接影响预测精度；在模型层面，现有AI模型多为“黑箱”，缺乏物理机理嵌入，导致极端场景泛化能力弱、可解释性差；在业务适配层面，模型输出需与气象业务流程、电力调度体系深度融合，平衡预测精度、时效与实用性，避免“技术—业务”脱节；在人才层面：亟需培养贯通气象、AI与电力系统的复合型人才，打破跨领域协作壁垒。 

信息学院的多位师生参加了本次报告会。与会人员围绕极端天气预测模型优化、多源数据融合质量控制、人工智能模型的物理机理嵌入、技术融合的业务化落地路径等核心问题展开了热烈而深入的交流，进一步明晰了气候变化背景下，人工智能赋能气象-新能源预测保供的核心痛点与技术发展方向，深化了对多领域交叉融合价值的认识。大家一致认为，两位专家的报告从需求端与支撑端出发，形成了完整的技术逻辑闭环，提出的思考点具有很强的针对性与指导性，为后续开展相关领域的融合研究、技术研发与业务实践奠定了良好基础。