image
Home Journals Electric Power
Electric Power

Abbreviation (ISO4): Electric Power      Chairperson: Changyu OUYANG

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Electric Power >

2026 , Vol. 59 >Issue 8: 78 - 91

DOI: https://doi.org/10.11930/j.issn.1004-9649.202604075

Original article

Joint scenario generation method for meteorology－wind－solar power output based on retrieval－augmented probabilistic downscaling

  • Yihe ZHAO ,
  • Jian CHEN ,
  • Yiran WANG ,
  • Wen ZHANG ,
  • Lei DING
Expand
  • Key Laboratory of Intelligent Power Grid Dispatching and Control， Ministry of Education（Shandong University）， Jinan 250061， China

Received date: 2026-04-27

  Revised date: 2026-06-12

  Online published: 2026-09-03

Fold

Abstract

The operation and planning of power systems with high penetrations of renewable energy highly depend on high－ temporal－resolution meteorological data and wind－solar power output scenarios.However，most existing climate models only provide daily－scale meteorological information，which is insufficient to directly support the hourly－level operational analysis of power systems.Therefore，this paper proposes a joint scenario generation method for meteorology－wind－ solar power outputs based on retrieval－augmented probabilistic downscaling（RAPD）.First，a similar－day retrieval mechanism based on the rank－sum distance is constructed to extract historical high－resolution meteorological baseline sequences. Second，a Transformer－based conditional variational autoencoder（T－CVAE）learning network is built to realize the probabilistic generation of meteorological fluctuation residuals. Finally，a physical mapping model from meteorological variables to wind－solar power outputs is established to generate continuous hourly wind－solar power output scenarios for a whole year.Validations based on historical meteorological data demonstrate that the mean absolute error（MAE）values for temperature and wind speed are reduced by 30.17％and 28.84% ，respectively，compared with the traditional statistical analog method.Furthermore，taking the daily－scale data from climate models as input，the corresponding hourly－level meteorology－wind－solar power output scenarios are generated through downscaling，and the consistency between the downscaled results and the daily－scale inputs is verified.The results indicate that the proposed method can effectively accomplish temporal downscaling and scenario generation， providing a high－temporal－resolution scenario foundation for renewable energy output analysis under future scenarios.

Key words： meteorological downscaling; wind－solar power output; scenario generation; retrieval augmentation; conditional variational autoencoder

Cite this article

Yihe ZHAO , Jian CHEN , Yiran WANG , Wen ZHANG , Lei DING . Joint scenario generation method for meteorology－wind－solar power output based on retrieval－augmented probabilistic downscaling[J]. Electric Power, 2026 , 59(8) : 78 -91 . DOI: 10.11930/j.issn.1004-9649.202604075

0 引言

在＂双碳＂目标和新型电力系统建设背景下，新能源渗透率不断提升，气象条件变化所引起的风光出力不确定性对电力系统的影响日益突出 [1-2] 。与传统常规电源相比，风电和光伏出力对气象条件具有更强依赖性，受风速、辐照度、温度、湿度等多种气象因素共同影响，呈现出显著的波动性、随机性和间歇性特征 [3-5] 。因此，构建能够精准表征气象变化及其对风光出力影响规律的场景，是支撑高比例新能源电力系统规划与运行研究的重要前提 [6-7] 。
电力系统运行分析通常依赖小时级甚至更高时间分辨率的气象与功率数据，以刻画新能源出力在日内尺度上的波动 [8-9] ；而中长期规划评估又要求场景能够反映长期气候演变趋势对新能源出力边界的影响 [10] 。因此，新能源场景分析既需要考虑短时间尺度的高频随机波动，又需要兼顾长时间尺度的气候变化趋势。然而，以第六次耦合模式比较计划（coupled model intercomparison projectphase 6，CMIP6）为代表的全球气候模式虽然能够提供具备宏观物理一致性的长期气候演变信息，但其输出时间分辨率通常为日尺度，难以满足新能源电力系统小时级分析需求 [11] 。与之相比，历史高分辨率观测数据虽能够表征真实气象过程中的日内变化特征，但难以表征未来气候背景 [12] 。两类数据在时间尺度和信息内容上具有明显互补性。因此，如何在日尺度气候约束与小时级观测特征之间建立有效联系，成为风光场景生成研究中亟待解决的重要问题。
围绕气象场景降尺度生成问题，现有研究主要包括统计相似类方法、条件数据驱动方法以及物理—数据驱动融合方法。统计相似类方法通常基于历史样本库，通过相似日检索、典型剖面匹配和形态缩放等方式，将低时间分辨率输入转化为高时间分辨率序列。文献[13]利用历史气象典型剖面，通过加权分布法将日尺度气象数据转化为小时级序列；文献[14]基于 CMIP6 数据，采用位移与拉伸算法实现历史气象序列向未来小时级天气序列的映射。该类方法物理可解释性较强，能够保留历史样本的真实日内形态，但通常只能输出确定性结果，难以刻画非平稳气象过程中的随机波动，且逐日拼接可能导致相邻时段不连续 [14-15] 。
随着机器学习的发展，条件数据驱动方法在气象降尺度和新能源场景生成中得到应用。文献[16]基于卷积神经网络对气温与降水变量进行降尺度生成；文献[17]结合高斯混合聚类与改进条件变分自编码器生成多风电场时空功率日场景。该类方法具有较强的非线性映射与概率生成能力，但在缺少显式物理约束时，仍存在可解释性不足、多气象变量耦合关系保持不充分等问题 [18-19] 。近年来，物理机理与数据驱动相结合的融合降尺度方法逐渐受到关注，相关研究通过引入动力模式约束、物理损失函数或一致性修正机制，提高降尺度结果的物理合理性和泛化能力。文献[20]结合区域气候模式与扩散生成模型，提高了气候降尺度的物理一致性与不确定性刻画能力；文献[21]将气象学物理信息引入生成对抗网络降尺度过程，增强了降尺度结果的空间相关性和统计一致性。然而，现有物理－数据融合研究多集中于空间降尺度或天气预报场重构，对日尺度气候输入约束下全年连续小时级多气象变量概率场景生成关注不足。
另一方面，风电和光伏出力均受到多气象变量的共同影响。风电功率除受风速影响外，还与空气密度、湿度等因素相关 [22-23] ；光伏出力除受太阳辐照度影响外，还受到环境温度、风速、组件温升等因素制约 [24-25] 。如果仅关注单一气象量的生成精度，而忽略多变量耦合关系及其对风光出力的综合作用，则难以保证生成场景能够真实服务于新能源电力系统的运行仿真与规划评估。因此，有必要从场景构建的完整应用过程出发，建立面向风光出力分析的高时间分辨率气象－功率联合生成框架。
针对上述问题，本文提出一种基于检索增强概率降尺度（ retrieval－augmented probabilistic down－scaling，RAPD）的气象－风光出力联合场景生成方法。通过构建基于秩和距离的相似日检索机制，从高分辨率历史库中提取日尺度气象条件匹配的先验序列；然后建立基于 Transformer 的条件变分自编码器（Transformer－based conditional variational autoencoder，T－CVAE）网络，对残差进行概率生成并叠加得到小时级气象序列；最后构建计及多气象变量的风光出力物理模型，实现从气象序列到全年连续小时级风光出力场景的映射。本文方法可为高比例新能源电力系统运行与规划提供场景基础。

1 问题描述与总体方案

1.1 问题描述

为刻画日尺度气象约束下小时级多变量气象过程的生成问题，有必要首先对目标日的宏观气象边界和待生成的高时间分辨率序列进行描述。本文以目标日的气象变量日均值作为日尺度约束，并据此构建对应的小时级多变量气象序列。设目标日 d 的日尺度气象约束向量 ${\stackrel{\mathit{‾}}{\mathit{y}}}_{\mathit{d}}$ 为
$\begin{array}{c}{\overline{\mathit{y}}}_{\mathit{d}}={\left[\begin{array}{llll}{\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}& {\stackrel{\mathit{‾}}{\mathit{H}}}_{\mathit{d}}& {\stackrel{\mathit{‾}}{\mathit{G}}}_{\mathit{d}}& {\stackrel{\mathit{‾}}{\mathit{V}}}_{\mathit{d}}\end{array}\right]}^{\mathrm{T}}\end{array}$
式中： ${\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}\mathrm{、}{\stackrel{\mathit{‾}}{\mathit{H}}}_{\mathit{d}}\mathrm{、}{\stackrel{\mathit{‾}}{\mathit{G}}}_{\mathit{d}}$ 和 ${\stackrel{\mathit{‾}}{\mathit{V}}}_{\mathit{d}}$ 分别为第 d 天的日均温度、日均比湿、日均辐照度和日均风速。
对于新能源电力系统的运行分析与场景构建，仅有日尺度气象约束难以刻画日内波动过程，因而需要进一步生成与之对应的小时级多变量气象序列。记第 d 天 t 时刻的气象状态向量为
$\begin{array}{c}{\mathit{x}}_{\mathit{d}}\left(\mathit{t}\right)={\left[\begin{array}{llll}{\mathit{T}}_{\mathit{d}}\left(\mathit{t}\right)& {\mathit{H}}_{\mathit{d}}\left(\mathit{t}\right)& {\mathit{G}}_{\mathit{d}}\left(\mathit{t}\right)& {\mathit{V}}_{\mathit{d}}\left(\mathit{t}\right)\end{array}\right]}^{\mathrm{T}},\mathit{t}=\mathrm{1,2},\cdots,24\end{array}$
式中： xd(t) 为第 d 天 t 时刻的多变量气象状态向量。
则目标日对应的小时级气象序列可记为
$\begin{array}{c}{\mathit{X}}_{\mathit{d}}=\left[\begin{array}{llll}{\mathit{x}}_{\mathit{d}}\left(1\right)& {\mathit{x}}_{\mathit{d}}\left(2\right)& \cdots & {\mathit{x}}_{\mathit{d}}\left(24\right)\end{array}\right]\end{array}$
与传统的无条件场景生成不同，本文聚焦于面向气象时间降尺度的条件生成问题，即在给定低时间分辨率气象约束的前提下，生成细时间分辨率下的多变量气象变化过程，因此需要借助历史高分辨率观测信息补充真实气象波动细节。进一步地，设研究区域历史高分辨率气象观测样本集合 S 为
$\begin{array}{c}\mathit{S}=\left\{{\mathit{X}}_{1},{\mathit{X}}_{2},\cdots,{\mathit{X}}_{\mathit{N}}\right\}\end{array}$
式中： Xi 为第 i 个历史自然日对应的小时级多变量气象序列；N 为历史样本总数。
对任一历史样本 Xi 沿时间维求均值，可得到其对应的日均气象向量 ${\stackrel{\mathit{‾}}{\mathit{y}}}_{\mathit{i}}$ 。因此，本文所研究的问题可表述为：在给定目标日尺度气象约束 ${\stackrel{\mathit{‾}}{\mathit{y}}}_{\mathit{d}}$ 的条件下，基于历史高分辨率观测样本集合 S ，生成与其一致的小时级多变量气象序列 Xd ，其条件生成形式为
$\begin{array}{c}{\mathit{X}}_{\mathit{d}}\sim \mathit{p}\left(\mathit{X}\mid {\overline{\mathit{y}}}_{\mathit{d}},\mathit{S}\right)\end{array}$
对于上述条件降尺度生成问题，模型需要同时满足以下要求。
1）生成序列的各气象变量日均值应与输入的目标日均气象约束保持一致。
2）在全年连续生成过程中，相邻两日边界处应保持连续衔接，避免出现非物理跳变。
3）模型不应仅输出确定性轨迹，还需要包含合理的高频随机波动以表征气象变化的不确定性。
4）各气象变量间应保持真实的物理耦合关系，并能够进一步支撑风电和光伏出力映射。

1.2 总体方案

针对上述日尺度气象约束下小时级多变量气象－风光出力联合场景生成问题及要求，本文的工作从以下 3 个方面开展：1）引入物理先验检索增强机制，基于秩和距离提取包含真实日内波动特征的气象先验序列；2）构建融合多源特征的 T－CVAE 残差概率降尺度模型，以刻画气象波动的不确定性及场景连续性；3）建立计及多气象变量耦合的风光模型，实现从小时级气象序列到风光出力场景的转换。本文构建的 RAPD 气象－风光出力联合场景生成框架具体流程如图1所示。
1）物理先验检索。以目标日的日均气象为宏观约束，在高分辨率历史样本库中基于滑动时间窗口与多变量秩和距离检索最优相似自然日，并经差异化形态重构，生成小时级物理先验序列。
2）残差概率降尺度生成。采用卷积神经网络（convolutional neural network，CNN）提取先验序列的局部时序特征，进而融合目标日均值约束和前一日末时刻边界状态作为 T－CVAE 条件输入，学习小时级气象残差的条件分布，生成小时级多变量气象序列。
3）风光出力场景构建。将生成的小时级气象序列输入风光出力物理模型，综合考虑比湿对风机功率曲线的修正，以及环境温度和风速对光伏组件工作温度的影响，生成可直接用于新能源电力系统分析的风光出力小时级场景。

2 RAPD 降尺度与风光出力生成模型

2.1 相似日先验检索

为构造与目标日尺度约束一致的小时级先验序列，首先基于历史高分辨率气象数据建立相似日样本库。将连续多年小时级观测按自然日划分，并提取日均气象值，构成日尺度气象向量。
图1 气象－风光出力联合场景生成框架

Fig. 1 Framework for meteorology－wind－solar power output scenario generation

考虑到气象要素具有显著季节周期性，若直接在全样本范围内检索，易引入季节背景不一致的历史轨迹，导致天文辐射背景与热力条件失配。为此，本文在相似日检索中引入季节窗口约束，设年总天数为 Ny ，目标日与历史样本日的日序数分别为 d 和 i ，二者的环形时间距离 Δnd,i 为
$\begin{array}{c}\mathit{\Delta }{\mathit{n}}_{\mathit{d},\mathit{i}}=\mathit{m}\mathit{i}\mathit{n}\left(|\mathit{d}-\mathit{i}|,{\mathit{N}}_{\mathrm{y}}-|\mathit{d}-\mathit{i}|\right)\end{array}$
进一步地，设滑动时间窗口半径为 τ ，则满足季节性约束的候选样本集合 Cd 可表示为
$\begin{array}{c}{\mathit{C}}_{\mathit{d}}=\left\{{\mathit{X}}_{\mathit{i}}\in \mathit{S}\mid \mathrm{\Delta }{\mathit{n}}_{\mathit{d},\mathit{i}}⩽\mathit{\tau }\right\}\end{array}$
在候选集合内，采用基于秩和的多变量相似度指标确定最优相似日。对于第 k 个气象变量，首先计算目标日与候选样本日均值之间的绝对偏差，再在该变量维度上对全部候选样本进行排序，得到对应秩次 ${\mathit{r}}_{\mathit{d},\mathit{i}}^{\mathit{k}}$ 。考虑到不同气象变量对小时级形态匹配的影响程度存在差异，引入权重wk 对各变量秩次求和后得到候选样本 i 的综合得分Dd,i ，即
$\begin{array}{c}{\mathit{D}}_{\mathit{d},\mathit{i}}=\sum _{\mathit{k}=1}^{4}  {\mathit{w}}_{\mathit{k}}{\mathit{r}}_{\mathit{d},\mathit{i}}^{\mathit{k}}\end{array}$
$\begin{array}{c}{\mathit{w}}_{1}+{\mathit{w}}_{2}+{\mathit{w}}_{3}+{\mathit{w}}_{4}=1\end{array}$
式中：w1、w2、w3 和 w4 分别为温度、比湿、辐照度和风速对应的权重。
最终取综合秩和得分最小的历史自然日 ${\mathit{i}}_{\mathit{d}}^{\mathrm{*}}$ 作为目标日 d 的最优相似日，即
$\begin{array}{c}{\mathit{i}}_{\mathit{d}}^{\mathrm{*}}=\mathit{a}\mathit{r}\mathit{g}\underset{{\mathit{X}}_{\mathit{i}}\in {\mathit{C}}_{\mathit{d}}}{\mathrm{m}\mathrm{i}\mathrm{n}} {\mathit{D}}_{\mathit{d},\mathit{i}}\end{array}$
相比直接采用欧氏距离，秩和距离通过序数化处理削弱了量纲差异和异常值的主导效应，权重系数用于表征不同变量在相似日匹配中的相对贡献，更适合温、湿、光、风等异质气象变量的联合检索。
由于获得的最优相似日仅在统计特征上接近目标日，其小时序列的日均值通常仍与目标约束存在偏差，因此需要进一步重构。考虑变量物理差异，本文采用差异化修正策略：对温度和比湿采用加法修正，表现为整体基准线的平移；对非负的辐照度和风速采用比例修正，表现为整体等比例缩放。气象序列经重构后得到与目标日对应的小时级物理先验序列，记为 ${\tilde{\mathit{X}}}_{\mathit{d}}$ 。

2.2 T－CVAE 降尺度模型

2.2.1 多源条件特征融合

目标日的小时级气象变化不仅受日尺度均值约束 ${\overline{\mathit{y}}}_{\mathit{d}}$ 控制，还与相似日提供的先验序列 ${\tilde{\mathit{X}}}_{\mathit{d}}$ 及前一日末时刻的边界状态 xd-1(24) 相关。若仅依赖目标日均值约束和相似日先验，容易导致日际连接处出现割裂，从而削弱连续场景的物理一致性。由于 3 类条件在时间尺度和信息形态上存在显著差异，直接进行同构拼接难以充分表征其内在关联。
为此，本文构建多源条件融合机制，将先验序列、日均约束和边界状态统一编码为条件输入，如图2所示。在网络实现中，首先将先验序列重整为24×4的序列输入，随后采用1D－CNN提取其局部时序特征，以保留小时尺度上的变化形态，并增强对局部波动与惯性延展的表达能力 [26] 。同时，日均约束和边界状态分别通过线性映射投影至同一高维特征空间，再沿时间维复制扩展到24个时段，以构造全时段气象宏观特征和跨日边界特征。
图2 多源条件特征融合过程

Fig. 2 Multi－source conditional feature fusion process

在完成上述表征后，在特征空间对3类条件进行逐时刻融合，得到目标日的融合特征条件 cd 。

2.2.2 T－CVAE 网络结构

本文构建的 T－CVAE 网络由编码器、潜变量采样层和解码器3个部分组成，如图3所示。模型中 Transformer 的自注意力机制能够捕捉时间序列变量间的依赖关系，而 CVAE 通过引入显式的潜变量建模，能够增强生成结果在不确定性刻画和分布表达方面的能力 [27] 。在此基础上，本文采用残差建模策略，仅对真实序列与先验序列间的残差部分进行学习，从而降低生成完整小时级序列的建模难度 [28] 。
设目标日真实小时级气象序列为 Xd ，则残差序列 Rd 定义为
$\begin{array}{c}{\mathit{R}}_{\mathit{d}}={\mathit{X}}_{\mathit{d}}-{\tilde{\mathit{X}}}_{\mathit{d}}\end{array}$
在编码阶段，将真实残差序列 Rd 与条件特征表示 cd 进行逐时刻拼接，随后映射到统一特征空间后输入 Transformer 编码器，以学习目标残差在潜空间中的后验分布。编码器输出潜变量的均值向量 μd 和方差向量 ${\mathit{\sigma }}_{\mathit{d}}^{2}$ ，从而得到条件后验分布，即
$\begin{array}{c}{\mathit{q}}_{\mathit{\varphi }}\left({\mathit{z}}_{\mathit{d}}\mid {\mathit{R}}_{\mathit{d}},{\mathit{c}}_{\mathit{d}}\right)=\mathit{N}\left({\mathit{\mu }}_{\mathit{d}},\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{g}\left({\mathit{\sigma }}_{\mathit{d}}^{2}\right)\right)\end{array}$
式中： $\mathit{\varphi }$ 为编码器参数；zd 为潜变量； $\mathcal{N}(\cdot )$ 为正态分布函数。
为使模型能够实现端到端训练，采样层通过重参数化技巧对潜变量进行采样，即
$\begin{array}{c}{\mathit{z}}_{\mathit{d}}={\mathit{\mu }}_{\mathit{d}}+{\mathit{\sigma }}_{\mathit{d}}\odot \mathit{\epsilon },\mathit{ }\mathit{\epsilon }\sim \mathit{N}(0,\mathit{I})\end{array}$
式中：ε 为服从标准正态分布的随机噪声向量；⊙为 Hadamard 积。
在解码阶段，将潜变量 zd 在时间维复制扩展，与条件特征 cd 拼接后经线性嵌入与位置编码后共同输入 Transformer 解码器，生成目标残差序列 ${\stackrel{\mathit{ˆ}}{\mathit{R}}}_{\mathit{d}}$ ，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{R}}}_{\mathit{d}}={\mathit{f}}_{\mathit{\theta }}\left({\mathit{z}}_{\mathit{d}},{\mathit{c}}_{\mathit{d}}\right)\end{array}$
式中：fθ(⋅) 为条件解码器；θ 为其参数。
训练阶段采用 Huber 重构损失与 Kullback－Leibler（KL）散度联合约束的方式对模型进行优化，并进一步引入首时刻边界约束项以增强跨日连接处的平滑性，即
$\begin{array}{c}\mathit{L}={\mathcal{L}}_{\text{Huber }}+\mathit{\lambda }{\mathcal{L}}_{\text{con }}+\mathit{\beta }{\mathit{D}}_{\mathrm{K}\mathrm{L}}\left({\mathit{q}}_{\mathit{\varphi }}\left({\mathit{z}}_{\mathit{d}}\mid {\mathit{R}}_{\mathit{d}},{\mathit{c}}_{\mathit{d}}\right)\Vert \mathcal{N}(0,\mathit{I})\right)\end{array}$
式中： $\mathcal{L}$ 为总损失函数； ${\mathcal{L}}_{\text{Huber }}$ 为 Huber 重构损失，用于衡量生成残差序列与真实残差序列之间的重构误差； ${\mathcal{L}}_{\text{con }}$ 为边界约束项，其权重为 λ;DKL(⋅)为 KL 散度，用于约束潜变量分布接近标准正态分布，其权重系数为 β 。
图3 T－CVAE 生成模型框架

Fig. 3 Framework of T－CVAE generation model

2.2.3 气象序列一致性处理与生成

将目标日 d 的残差生成结果 ${\stackrel{\mathit{ˆ}}{\mathit{R}}}_{\mathit{d}}$ 与物理先验序列 ${\tilde{\mathit{X}}}_{\mathit{d}}$ 叠加，得到未修正的初始降尺度结果 ${\stackrel{\mathit{ˆ}}{\mathit{X}}}_{\mathit{d}}^{\left(0\right)}$ ，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{X}}}_{\mathit{d}}^{\left(0\right)}={\tilde{\mathit{X}}}_{\mathit{d}}+{\stackrel{\mathit{ˆ}}{\mathit{R}}}_{\mathit{d}}\end{array}$
由于 CVAE 的概率生成过程不具有对输出序列的日均值硬约束，初始结果仍可能存在小幅均值偏差。为此，本文对生成序列进行一致性修正。设气象变量 k 在初始序列中的日均值为 ${\stackrel{\mathit{‾}}{\mathit{x}}}_{\mathit{d},\mathit{k}}^{\left(0\right)}$ ，目标日均值为 ${\stackrel{\mathit{‾}}{\mathit{y}}}_{\mathit{d},\mathit{k}}$ ，则对应偏差 Δd,k 为
$\begin{array}{c}{\mathrm{\Delta }}_{\mathit{d},\mathit{k}}={\stackrel{\mathit{‾}}{\mathit{y}}}_{\mathit{d},\mathit{k}}-{\stackrel{\mathit{‾}}{\mathit{x}}}_{\mathit{d},\mathit{k}}^{\left(0\right)}\end{array}$
为减弱直接整体平移可能带来的边界突变，本文采用线性楔形均值修正，将日均偏差沿时间维进行平滑分配到各时段。修正后的序列 ${\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d},\mathit{k}}\left(\mathit{t}\right)$记为
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d},\mathit{k}}\left(\mathit{t}\right)={\stackrel{\mathit{‾}}{\mathit{x}}}_{\mathit{d},\mathit{k}}^{\left(0\right)}\left(\mathit{t}\right)+{\mathit{w}}_{\mathit{t}}{\mathrm{\Delta }}_{\mathit{d},\mathit{k}}\end{array}$
式中： ${\stackrel{\mathit{‾}}{\mathit{x}}}_{\mathit{d},\mathit{k}}^{\left(0\right)}\left(\mathit{t}\right)$ 为气象变量 k 初始序列在目标日 t 时刻的值；wt 为时刻 t 对应的修正权重，满足 $\sum _{\mathit{t}=1}^{24} {\mathit{w}}_{\mathit{t}}/24=1$ 。
通过上述处理，得到目标日最终的小时级降尺度气象序列，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{X}}}_{\mathit{d}}=\left[\begin{array}{llll}{\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d}}\left(1\right)& {\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d}}\left(2\right)& \cdots & {\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d}}\left(24\right)\end{array}\right]\end{array}$
为保证全年连续场景的时序连续性，本文采用多路径并行采样与逐日递推方式生成完整序列。对目标日 d ，从潜变量空间中并行采样生成多条残差样本路径，随后将每条路径的末时刻状态 ${\stackrel{\mathit{ˆ}}{\mathit{x}}}_{\mathit{d}}$(24) 作为 d+1 日的边界条件，并结合日均气象约束和相似日物理先验，重复执行上述生成与修正过程。设研究时段包含 D 个自然日，则每条路径的连续气象场景可表示为
$\begin{array}{c}\stackrel{\mathit{ˆ}}{\mathit{X}}=\left[\begin{array}{llll}{\stackrel{\mathit{ˆ}}{\mathit{X}}}_{1}& {\stackrel{\mathit{ˆ}}{\mathit{X}}}_{2}& \cdots & {\stackrel{\mathit{ˆ}}{\mathit{X}}}_{\mathit{D}}\end{array}\right]\end{array}$

2.3 计及多气象变量的风光出力模型

对于风电出力，风速与空气密度是决定机组输出的主要因素。首先根据近地面风速进行轮毂高度换算，即
$\begin{array}{c}{\mathit{V}}_{\mathit{h}}\left(\mathit{t}\right)=\mathit{V}\left(\mathit{t}\right){\left(\frac{\mathit{h}}{{\mathit{h}}_{0}}\right)}^{\mathit{\alpha }}\end{array}$
式中：h 和 h0 分别为轮毂高度和参考高度；Vh(t) 和V(t) 分别为对应高度的风速；α 为风速幂律指数。
进一步结合环境温度 T(t) 、比湿 H(t) 及研究区域平均海拔估计空气密度。由于空气密度受气压、温度和水汽含量共同影响，首先根据标准大气近似关系估算研究区域近地面气压，即
$\begin{array}{c}\mathit{p}\left(\mathit{t}\right)={\mathit{p}}_{0}{\left(1-\frac{\mathit{L}\mathit{z}}{\mathit{T}\left(\mathit{t}\right)+\mathit{L}\mathit{z}+273.15}\right)}^{\frac{\mathit{g}}{{\mathit{R}}_{\mathrm{a}}\mathit{L}}}\end{array}$
式中：p(t) 为 t 时刻研究区域近地面气压；p0 为海平面标准气压，取 101325 Pa ；L 为温度垂直递减率，取 0.0065 K/m ；z 为研究区域平均海拔；g 为重力加速度；Ra 为干空气气体常数。
在此基础上，结合比湿对空气虚温进行修正，空气密度 ρ(t) 可表示为
$\begin{array}{c}\mathit{\rho }\left(\mathit{t}\right)=\frac{\mathit{p}\left(\mathit{t}\right)}{{\mathit{R}}_{\mathrm{a}}\left[\mathit{T}\right(\mathit{t})+273.15][1+0.61\mathit{H}(\mathit{t}\left)\right]}\end{array}$
考虑到风电场集群产生的空间平滑效应，引入高斯卷积平滑核函数对风机聚合功率进行修正，即
$\begin{array}{c}{\mathit{P}}_{\mathrm{w}}\left(\mathit{t}\right)={\mathit{G}}_{\mathit{\sigma }}\left[{\mathit{P}}_{\mathrm{s}\mathrm{t}\mathrm{d}}\left({\mathit{V}}_{\mathit{h}}\left(\mathit{t}\right)\right)\frac{\mathit{\rho }\left(\mathit{t}\right)}{{\mathit{\rho }}_{\mathrm{s}\mathrm{t}\mathrm{d}}}\right]{\mathit{\eta }}_{\mathrm{w}}\end{array}$
式中：Gσ 为高斯平滑算子；Pstd  为标准空气密度下的单机理论功率曲线；ρstd  为标准空气密度；ηw 为考虑综合损耗的出力效率。
对于光伏出力，辐照度是主要驱动因素，但环境温度和风速会通过组件热平衡过程影响光电转换效率。为此，本文首先将降尺度得到的水平面辐照度 G(t) 转换为组件倾斜面总辐照度 Gp(t) ，然后采用 Faiman 模型 [29] 计算组件工作温度 Tc(t) ，即
$\begin{array}{c}{\mathit{T}}_{\mathrm{c}}\left(\mathit{t}\right)=\mathit{T}\left(\mathit{t}\right)+\frac{{\mathit{G}}_{\mathrm{p}}\left(\mathit{t}\right)}{{\mathit{u}}_{0}+{\mathit{u}}_{1}{\mathit{V}}_{\mathrm{p}}\left(\mathit{t}\right)}\end{array}$
式中：u0 和 u1 为 Faiman 模型散热系数，分别表征组件基础散热能力和风速相关对流散热效应；Vp(t)为折算到光伏板高度的风速。
在此基础上，光伏出力 Ppv(t) 可表示为
$\begin{array}{c}{\mathit{P}}_{\mathrm{p}\mathrm{v}}\left(\mathit{t}\right)={\mathit{P}}_{\mathrm{S}\mathrm{T}\mathrm{C}}\frac{{\mathit{G}}_{\mathrm{p}}\left(\mathit{t}\right)}{{\mathit{G}}_{\mathrm{s}\mathrm{t}\mathrm{d}}}\left[1-\mathit{\gamma }\left({\mathit{T}}_{\mathrm{c}}\left(\mathit{t}\right)-{\mathit{T}}_{\mathrm{s}\mathrm{t}\mathrm{d}}\right)\right]{\mathit{\eta }}_{\mathrm{p}\mathrm{v}}\end{array}$
式中：PSTC  为标准测试条件下额定功率；Gstd  和
Tstd  分别为标准辐照度和标准组件温度；γ 为功率温度系数；ηpv 为综合效率。

3 算例分析

3.1 算例描述

本文以希腊雅典地区为研究对象，选取2005—2025年 ERA5 再分析数据集、NEX－GDDP－CMIP6数据集中 EC－Earth3 模式在 SSP5－8.5 情景下的 2030年日尺度气象数据作为基础数据。其中，2005—2024年 ERA5 数据用于构建历史高分辨率样本库及训练 T－CVAE 模型；2025年 ERA5 数据用于验证方法有效性；2030年 SSP5－8.5 情景下的 CMIP6数据用于生成未来气象情景，并输出对应的小时级气象和风光出力场景。选定的目标气象变量包括地表温度、比湿、地表向下短波辐照度和10 m风速。

3.2 评估指标

为综合评估 RAPD 生成结果的准确性与一致性，本文从以下4个方面进行评价。
1）概率预测性能。连续排位概率分数（con－ tinuous Ranked Probability Score，CRPS）用于评估概率预测结果的准确性与区间锐度，计算式为
$\begin{array}{c}{\mathit{S}}_{\mathrm{C}\mathrm{R}\mathrm{P}\mathrm{S}}={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}  {\left[{\stackrel{\mathit{ˆ}}{\mathit{F}}}_{\mathit{t}}\left(\mathit{x}\right)-\mathcal{H}\left(\mathit{x}-{\mathit{x}}_{\mathit{t}}\right)\right]}^{2}\text{ }\mathit{d}\mathit{x}\end{array}$
式中：SCRPS  为 CRPS 值； ${\stackrel{\mathit{ˆ}}{\mathit{F}}}_{\mathit{t}}\left(\mathit{x}\right)$ 为 t 时刻样本系统的累积分布函数； $\mathcal{H}(\cdot )$ 为海维赛德阶跃函数，x⩾xt时取 1 ，否则取 0 。
对于单值确定性输出，CRPS 退化为平均绝对误差（mean absolute error，MAE），用于衡量生成序列均值与真实序列之间的平均偏差，计算式为
$\begin{array}{c}{\mathit{E}}_{\mathrm{M}\mathrm{A}\mathrm{E}}=\frac{1}{\mathit{m}}\sum _{\mathit{j}=1}^{\mathit{m}}  \left|\stackrel{\mathit{‾}}{\mathit{y}}-{\mathit{y}}_{\mathit{j}}\right|\end{array}$
式中：EMAE  为 MAE 值；m 为样本数； $\stackrel{\mathit{‾}}{\mathit{y}}$ 为生成结果均值；yj 为样本 i 真实值。
为进一步评价预测区间性能，采用预测区间覆盖概率（prediction interval coverage probability， PICP）和归一化预测区间平均宽度（prediction interval normalized average width，PINAW）评估。其中，采用预测区间覆盖绝对偏差 e|△PICP| 衡量实际覆盖率与理论置信水平的偏离程度，计算式为
$\begin{array}{c}{\mathit{e}}_{\left|\mathrm{\Delta }\mathrm{P}\mathrm{I}\mathrm{C}\mathrm{P}\right|}=\left|\frac{1}{\mathit{m}}\sum _{\mathit{j}=1}^{\mathit{m}}  \mathit{I}\left({\mathit{y}}_{\mathit{j}}\in \left[{\mathit{L}}_{\mathit{j}},{\mathit{U}}_{\mathit{j}}\right]\right)-(1-\mathit{\alpha })\right|\end{array}$
$\begin{array}{c}{\mathit{W}}_{\mathrm{P}\mathrm{I}\mathrm{N}\mathrm{A}\mathrm{W}}=\frac{1}{\mathit{m}}\sum _{\mathit{j}=1}^{\mathit{m}}  \frac{{\mathit{U}}_{\mathit{j}}-{\mathit{L}}_{\mathit{j}}}{{\mathit{y}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{y}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\end{array}$
式中：e|△PICP| 为 PICP 绝对偏差；WPINAW  为 PINAW值；Lj 与 Uj 分别为第 j 个样本点的预测区间下界和上界；I(⋅) 为指示函数，条件成立时取 1 ，否则取 0 ；(1-α) 为预测区间置信水平，本文采用 95%预测区间；ymax  和 ymin  分别为真实序列最大值和最小值。
2）统计分布一致性。Wasserstein 距离（Wass－ erstein distance，WD）用于衡量生成样本与真实样本在整体分布上的差异，其值越小，表示统计分布越接近，即
$\begin{array}{c}{\mathit{D}}_{\mathrm{W}\mathrm{D}}={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}  \left|\stackrel{\mathit{ˆ}}{\mathit{F}}\right(\mathit{x})-\mathit{F}(\mathit{x}\left)\right|\mathit{d}\mathit{x}\end{array}$
式中：DWD 为 WD 值； $\stackrel{\mathit{ˆ}}{\mathit{F}}\left(\mathit{x}\right)$ 与 F(x) 分别为生成序列与观测序列在全时段内的全局经验累积分布函数。
3）多变量相关性。斯皮尔曼秩相关系数 ρs 用于量化多维气象变量间的单调非线性依赖关系，即
$\begin{array}{c}{\mathit{\rho }}_{\mathit{s}}=1-\frac{6\sum _{\mathit{j}=1}^{\mathit{m}}  {\mathit{d}}_{\mathit{j}}^{2}}{\mathit{m}\left({\mathit{m}}^{2}-1\right)}\end{array}$
式中：dj 为第 j 个评价样本点中 2 种变量的排位秩次差值。
4 ）时序相关性。分别使用自相关函数（auto－ correlation function，ACF）和偏自相关函数（partial autocorrelation function，PACF）刻画不同滞后阶数下的时序相关性 ${\mathit{\rho }}_{\mathcal{l}}$ 和直接相关性 ${\mathit{\varphi }}_{\mathcal{l}\mathcal{l}}$ ，即
$\begin{array}{c}\begin{array}{r}{\mathit{\rho }}_{\mathcal{l}}=\frac{\mathit{E}\left[\left({\mathit{Y}}_{\mathit{t}}-\mathit{\mu }\right)\left({\mathit{Y}}_{\mathit{t}-\mathcal{l}}-\mathit{\mu }\right)\right]}{\mathit{E}\left[{\left({\mathit{Y}}_{\mathit{t}}-\mathit{\mu }\right)}^{2}\right]}\\ {\mathit{\varphi }}_{\mathcal{l}\mathcal{l}}=\frac{\mathit{E}\left[\left({\mathit{Y}}_{\mathit{t}}-{\stackrel{\mathit{ˆ}}{\mathit{Y}}}_{\mathit{t}}\right)\left({\mathit{Y}}_{\mathit{t}-\mathcal{l}}-{\stackrel{\mathit{ˆ}}{\mathit{Y}}}_{\mathit{t}-\mathcal{l}}\right)\right]}{\sqrt{\mathit{E}{\left({\mathit{Y}}_{\mathit{t}}-{\stackrel{\mathit{ˆ}}{\mathit{Y}}}_{\mathit{t}}\right)}^{2}\mathit{E}{\left({\mathit{Y}}_{\mathit{t}-\mathcal{l}}-{\stackrel{\mathit{ˆ}}{\mathit{Y}}}_{\mathit{t}-\mathcal{l}}\right)}^{2}}}\end{array}\end{array}$
式中：E(⋅) 为期望算子；Yt 和 ${\mathit{Y}}_{\mathit{t}-\mathcal{l}}$ 为序列在当前时刻 t 和滞后时刻 $\mathit{t}-\mathcal{l}$ 的观测值；μ 为序列均值； ${\stackrel{\mathit{ˆ}}{\mathit{Y}}}_{\mathit{t}}$为随机变量 Yt 在其时滞子空间上的最小均方误差投影。

3.3 相似日检索参数敏感性分析

滑动时间窗口半径 τ 用于限定相似日候选集合的季节范围，变量权重 wk 决定不同气象变量在加权秩和距离中的相对贡献。若 τ 过小，候选样本数量不足，可能难以检索到与目标日均气象条件接近的历史样本；若 τ 过大，则可能引入季节背景差异较大的样本，削弱天文辐射条件和热力背景的一致性。因此，本文采用按年份分块的五折交叉验证法，对 τ 与 wk 进行联合敏感性分析。
将2005—2024年共20年的 ERA5 小时级气象数据按年份随机划分为5个互不重叠的子集，每个子集包含4年数据。每次选取其中1个子集作为验证集，聚合得到各气象变量日均值序列，其余子集作为历史相似日样本库。滑动时间窗口半径候选集合设为 $\mathit{\tau }\in \{\mathrm{0,1},\mathrm{3,5},\mathrm{7,9},\mathrm{11,13,15,17}$ ， $\mathrm{19,21,23,25}\}$ ；变量权重在 wk⩾0 且 $\sum _{\mathit{k}=1}^{4} {\mathit{w}}_{\mathit{k}}=1$ 的约束下以0.05为步长遍历。对于给定的 τ 和 wk ，首先基于加权秩和距离进行相似日检索，随后采用差异化形态重构生成小时级先验序列，并与验证集真实序列进行比较。
考虑到不同气象变量在量纲及数值范围上的差异，本文采用综合归一化 MAE JMAE  作为评价指标，即
$\begin{array}{c}{\mathit{J}}_{\mathrm{M}\mathrm{A}\mathrm{E}}=\frac{1}{4}\sum _{\mathit{k}=1}^{4}  \frac{{\mathit{E}}_{\mathrm{M}\mathrm{A}\mathrm{E},\mathit{k}}}{{\mathit{\sigma }}_{\mathit{k}}}\end{array}$
式中：EMAE，k 为第 k 类气象变量小时级先验序列与真实序列之间的平均绝对误差；σk 为验证集中对应变量的标准差。该指标越小，表示相似日检索与形态重构得到的小时级先验序列整体越接近真实气象过程。
图4给出了不同滑动窗口半径和变量权重组合下的综合归一化 MAE。由于权重组合较多，在完成全部组合计算后，仅给出综合归一化 MAE 最低的10组权重组合。结果表明，当 τ 较小时，候当 $\mathit{\tau }=9,\left({\mathit{w}}_{1},{\mathit{w}}_{2},{\mathit{w}}_{3},{\mathit{w}}_{4}\right)=\left(\mathrm{0.15,0.2,0.2,0.45}\right)$ 时，综合归一化 MAE 最低，为0.2211，说明该权重组合能较好兼顾小时级重构精度和日内形态一致性，因此后续算例据此设置相似日检索参数。
图4 滑动窗口半径与变量权重组合敏感性分析

Fig. 4 Sensitivity analysis of sliding window radius and variable weight combinations

3.4 RAPD 方法有效性验证

为进行对比分析，本文选取统计相似日降尺度方法（ statistical analog downscaling，SAD ）[13] 和不含检索增强的 T－CVAE [27] 作为对比对象。
为提高 T－CVAE 网络的稳定性与泛化能力，本文采用基于坐标下降的局部网格寻优方法确定主要超参数。超参数寻优阶段，将2005—2024年 ERA5 数据按 8 ： 2 划分为训练集和验证集。训练集用于相似日先验构造与网络参数训练，验证集仅用于超参数评价。首先设定初始参数组合，并围绕各超参数构造局部候选范围；每次仅调整一个超参数并保持其余参数不变，以验证集综合归一化 MAE 作为评价依据，直至验证集性能不再明显提升。为保证对比公平性，T－CVAE 与 RAPD采用相同的网络结构与训练参数设置，具体参数如表1所示。
表 1 T—CVAE 网络结构参数

Table 1 Parameters of T－CVAE network structure

参数类别 参数名称 局部候选范围 设置值
T－CVAE网络 主特征维度 [32，64，128，256] 128
潜变量维度 [16，32，64，128] 32
注意力头数 [2，4，6，8] 4
前馈层宽度 [32，64，128，256] 256
训练超参数 优化器 Adam
初始学习率 $\begin{array}{c}\left[5\times {10}^{-4},1\times {10}^{-3},1.5\times {10}^{-3}\right.\\ \left.2\times {10}^{-3}\right]\end{array}$ 1×10-3
批大小 [16，32，64，128] 64
训练轮数 [100，150，200，250，300，350，400] 300
边界约束权重 [0.5，1，1.5，2，2.5，3] 2
KL散度权重 [0.05，0.1，0.15，0.2] 0.1
表2给出了不同方法的评估结果，其中 ACF与 PACF 为滞后 0∼7 h 内的平均绝对误差；T－CVAE与 RAPD 的 CRPS 基于500组样本系综计算，MAE、 WD、ACF 和 PACF 基于样本均值计算；SAD 为单值确定性输出，其 CRPS 退化为 MAE，因此未计算 CRPS。
表 2 生成场景评估指标对比

Table 2 Comparison of evaluation indicators for generated scenarios

变量 算法 CRPS MAE WD ACF/％ PACF/％
温度 SAD 1.170 0.284 4.130 10.246
T－CVAE 0.749 1.031 0.375 3.688 7.477
RAPD 0.579 0.817 0.252 3.042 5.876
比湿 SAD 0.677 0.084 4.691 4.426
T－CVAE 0.370 0.510 0.156 3.372 4.475
RAPD 0.337 0.475 0.063 1.679 3.390
辐照度 SAD 14.579 1.079 0.047 3.168
T－CVAE 11.234 14.739 1.347 0.053 3.961
RAPD 9.091 12.391 0.936 0.049 3.185
风速 SAD 0.690 0.038 3.744 3.470
T－CVAE 0.375 0.532 0.047 1.587 2.729
RAPD 0.352 0.491 0.034 1.238 2.382
为比较不同方法的生成效果，图5给出了随机选取的 168 h 气象序列对比结果。总体来看，SAD 能够保留部分历史轨迹形态，但在局部波动和跨日时段出现较大偏差；T－CVAE 对随机波动具有一定刻画能力，但其预测区间带仍存在失真；相比之下，RAPD 在变化趋势、局部波动及不确定性衡量方面均更优。
结合表2可知，RAPD 在4种气象变量上的CRPS 均低于 T－CVAE，表明其概率预测性能更优。进一步结合图6所示的预测区间性能可见，RAPD 在多数变量上的预测区间散点更接近低覆盖偏差、窄区间区域，说明其区间校准性和不确定性表达能力更强；T－CVAE 虽在温度区间宽度上略优，但覆盖偏差更明显，且在其余变量上存在覆盖偏差及区间宽度偏大的问题。为保证确定性方法与概率生成方法之间的公平比较，进一步对比各方法的 MAE 指标。结合表2中的结果，RAPD在4类变量上的 MAE 均低于 SAD 和 T－CVAE，其中温度和风速的 MAE 较 SAD 分别降低了30.17％和28.84％，表明所提方法在具备概率生成能力的同时，也能提高气象序列的均值重构精度。
为进一步验证 RAPD 对气象统计特性的保持能力，图7与图8分别从分布一致性与多变量相关性进行了对比分析。其中为保证散点可视化密度的对比公平性，图8中生成场景侧采用无放回均匀抽样策略，从500组场景池中随机提取与真实观测等量的样本点进行展示。表3给出了不同方法生成结果与真实观测之间各变量对斯皮尔曼相关系数的误差统计结果，用于量化各方法对多气象变量耦合关系的保持能力。
图5 168 h 连续气象序列

Fig. 5 168－hour continuous meteorological sequence

图6 生成场景95％预测区间性能对比

Fig. 6 Performance comparison of 95％prediction interval for generated scenarios

图7 历史、生成场景与累积分布函数对比

Fig. 7 Comparison of historical scenarios，generated scenarios and cumulative distribution functions

由图7和表2可见，RAPD 生成结果在各气象变量上的整体分布形态均接近真实分布，能够较好保持各变量的取值范围及分布形态，且各气象变量的 Wasserstein 距离均小于 SAD 和 T－CVAE，说明其生成样本在整体统计分布上更接近真实观测值。值得注意的是，SAD 在部分变量的静态分布指标上优于 T－CVAE，这是因为该方法本质上基于历史真实观测片段的检索与拼接，在单变量分布保持方面具有天然优势；而 RAPD 在继承这一优势的基础上，进一步结合概率生成机制提升了对多变量耦合特征的表征能力。
图8 气象变量历史与生成场景散点对比

Fig. 8 Comparison of historical scenarios and generated scenarios of meteorological variables

表3 变量间相关性评估结果

Table 3 Correlation evaluation results of variables

变量 历史场景 SAD T－CVAE RAPD
温－湿 0.6823 0.5934 0.5983 0.6264
温－辐照 0.4064 0.4799 0.4614 0.4387
温－风 0.1151 0.1427 0.1374 0.1053
湿－辐照 －0.0485 －0.1089 －0.1058 －0.1016
湿－风 －0.1199 －0.1209 －0.1359 －0.1213
辐照－风 0.2603 0.2485 0.2839 0.2586
由图8和表3可见，RAPD 生成结果能够较好维持不同气象变量之间的相关结构，其平均斯皮尔曼相关系数误差为9.45％，低于 SAD 的16.12％和 T—CVAE 的 15.52％，表明所提方法在多变量耦合关系保持方面具有更优表现。由表 2 可知，RAPD在 ACF 和 PACF 指标上整体优于 SAD 和 T－CVAE，仅在辐照度指标上与 SAD 基本持平。其中 RAPD方法在风速 ACF 误差上较另外两种方法分别降低66.93% 和 21.99% ，说明其通过相似日检索与跨日边界状态的协同作用，可以较好捕捉气象变化规律，从而保持更合理的时序结构。

3.5 CMIP6 数据验证

考虑到气候模式通常仅提供日尺度气象输入，难以直接支撑新能源出力的小时级分析，因此有必要进一步验证所提方法在 CMIP6 输入下的适用性。
图9给出了历史代表年份与2030年 SSP5－8.5情景下各气象变量的均值和标准差对比。可以看出，2030年温度、比湿和辐照度均值相较历史代表年份整体升高，而风速均值下降，说明 SSP5－8.5 情景下未来气象边界呈现出高温、高湿、辐照增强和低风速特征。同时，2030年各变量标准差也呈现不同程度变化，表明未来气象输入在年内离散程度上相较历史代表年份发生变化。因此，有必要进一步将 CMIP6 未来气象输入降尺度为小时级场景，以支撑后续风光出力分析。
图9 历史代表年份与未来情景气象统计特征对比

Fig. 9 Comparison of meteorological statistical characteristics between historical representative years and future scenarios

进一步以2030年 SSP5－8.5 情景下的 CMIP6 日尺度气象数据作为输入，生成500组小时级气象－风光出力联合场景。由于降尺度生成阶段的均值一致性修正机制，生成的小时级气象序列经聚合后，其日均值与 CMIP6 输入保持严格一致。图10给出了 RAPD 生成的小时级气象序列样本均值与CMIP6 日均值的时序对比结果。可以看出，生成序列在日内呈现连续波动，各气象变量的小时级轨迹整体围绕输入的日均值变化，表明 RAPD 在满足 CMIP6 日尺度均值约束的前提下实现了小时级时间降尺度。
在此基础上，根据表4列出的风机与光伏模型参数，将降尺度后的2030年全年小时级气象序列输入物理模型，得到全年风电与光伏出力曲线，如图11所示。其中，散热系数与组件安装方式及通风条件有关，Faiman 在文献[29]中针对开架式光伏组件开展实验研究，通过最小二乘法拟合得到 ${\mathit{u}}_{0}=25\text{ }\mathrm{W}/\left({\mathrm{m}}^{2}\cdot \text{ }\mathrm{K}\right)\mathrm{、}{\mathit{u}}_{1}=6.84\text{ }\mathrm{W}\cdot \text{ }\mathrm{s}/\left({\mathrm{m}}^{3}\cdot \text{ }\mathrm{K}\right)$ ；文献[30]指出基于一项长期实验得到 u0=27∼28 W/(m2⋅ K) 、u1=6∼8 W⋅ s/(m3⋅ K) ，与 Faiman 原始参数具有较好的一致性。假设本文光伏组件按开架式自然通风方式安装，u0 和 u1 分别取 25 W/(m2⋅ K) 与 6.84 W⋅ s/(m3⋅ K) 。
图10 生成数据与 CMIP6 日均值时序叠加序列

Fig. 10 Superimposed time series of generated data and CMIP6 daily averages

表4 风机与光伏模型参数

Table 4 Parameters of PV and wind turbine models

设备 参数名称 数值
风机 平均海拔 Z/m 108
轮毂高度 h/m 80
风速幂律指数 α 0.14
综合效率 ηw/\% 94
光伏 光伏板高度 hpv/m 2
组件基础散热系数 u0/(W⋅m-2⋅ K-1) 25
风速相关对流散热系数 u1/(W⋅s⋅m-3⋅ K-1) 6.84
材料功率温度系数 γ/(\%⋅∘C-1) 0.4
综合效率 ηpv/\% 94
图11 风光出力生成曲线

Fig. 11 Generated curves of wind and PV power output

结果表明，RAPD 能够将日尺度气象输入降尺度为连续的小时级气象场景，并进一步支撑未来情景下的风光出力场景构建，表明所提方法可为新能源运行与规划分析提供高时间分辨率场景基础。

4 结论

针对气候模式日尺度输出难以支撑新能源电力系统小时级分析的问题，本文提出了一种基于检索增强概率降尺度的气象－风光出力联合场景生成方法，并基于 ERA5 与 CMIP6 数据进行了验证，得到如下结论。
1）构建了由相似日先验检索、T－CVAE 网络和风光出力物理模型组成的场景生成框架。该框架在给定日均温度、比湿、辐照度和风速约束下，能够生成满足日均值一致性、跨日连续性和多变量耦合特性的小时级气象序列。
2）基于 ERA5 数据的算例结果表明，RAPD在各项指标上均优于 SAD 和无检索机制的 T－CVAE，其中，温度和风速的平均绝对误差较 SAD 分别降低了30.17％和28.84％，表明该方法能够在保留先验序列形态的基础上，提高小时级气象序列的均值重构精度，并增强概率预测性能。
3）基于 SSP5－8.5 情景的 CMIP6 数据的验证结果表明，RAPD 能够在日均值约束下生成符合真实气象波动特征的小时级气象序列，并可进一步生成全年连续的风电与光伏出力曲线，说明所提方法具备面向未来情景的气象－风光出力联合场景生成能力。
本文方法仍存在一定局限性。首先，极端天气样本相对有限，基于相似日的检索机制可能难以充分覆盖罕见气象场景；其次，本文仅针对单一区域风光出力场景开展验证，尚未充分考虑多区域新能源出力之间的空间相关性；此外，未来气候输入受气候模式和排放情景不确定性影响，相关误差可能传递至风光出力场景生成结果。后续研究将引入极端天气增强采样、多区域空间相关约束以及多气候模式集合输入，进一步提升方法在复杂电力系统应用场景中的泛化能力和鲁棒性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
石宇龙, 彭乔, 刘天琪, 等. 基于相似日和双层校正 LSTM 的光伏功率短期预测方法[J]. 电力工程技术, 2026, 45(3):85-94.

SHI Yulong, PENG Qiao, LIU Tianqi, et al. Photovoltaic power short-term forecasting method based on similar days and bi-layer correction LSTM model[J]. Electric Power Engineering Technology, 2026, 45(3):85-94.

[2]
皮晟源, 刘牧阳, 陈雨田, 等. 基于 IPOA-VMD 的风储联合发电系统混合储能容量配置[J]. 电力系统及其自动化学报, 2025, 37(8): 87-96.

PI Shengyuan, LIU Muyang, CHEN Yutian, et al. Hybrid energy storage capacity configuration for wind-storage co-generation system based on IPOA-VMD[J]. Proceedings of the CSU-EPSA, 2025, 37(8):87-96.

[3]
李夫刚, 李夫海, 琚承乾, 等. 新能源不确定性表征方法及关键技术问题研究现状、挑战及展望[J]. 电力系统保护与控制, 2025, 53(15):172-187.

LI Fugang, LI Fuhai, JU Chengqian, et al. Methods for characterizing renewable energy uncertainty and key technical issues:research status,challenges,and prospects[J]. Power System Protection and Control, 2025, 53(15):172-187.

[4]
李文武, 万梓幸, 何睦, 等. 基于概率调控的风光联合出力极端场景生成方法[J]. 电力系统自动化, 2026, 50(5):197-208.

LI Wenwu, WAN Zixing, HE Mu, et al. Extreme scenario generation method for joint wind-solar power output based on probability regulation[J]. Automation of Electric Power Systems, 2026, 50(5): 197-208.

[5]
黄学勤, 杨鹏举, 赵耀, 等. 考虑多维气象数据与时间影响的风电功率区间预测[J]. 浙江电力, 2026, 45(1):66-77.

HUANG Xueqin, YANG Pengju, ZHAO Yao, et al. Wind power interval forecasting based on multidimensional meteorological data and temporal effects[J]. Zhejiang Electric Power, 2026, 45(1):66-77.

[6]
姜通海, 王峰, 刘子琪, 等. 基于改进生成对抗网络的风光气象资源联合场景生成方法[J]. 中国电力, 2025,58(3): 183-192. JIANG Tonghai,WANG Feng,LIU Ziqi,et al. A joint scenario generation method for wind-solar meteorological resources based on improved generative adversarial network[J]. Electric Power,2025, 58(3):183-192.

[7]
王成磊, 匡熠, 濮永现, 等. 基于改进生成对抗网络场景生成的长-短期储能优化配置[J]. 高电压技术, 2024, 50(3):1131-1144, I0016-I0020.

WANG Chenglei, KUANG Yi, PU Yongxian, et al. Optimal configuration of long-term and short-term energy storage based on improved generative adversarial network scenarios[J]. High Voltage Engineering, 2024, 50(3):1131-1144,I0016-I0020.

[8]
WANG S, WU S W, TANG B, et al. Generation method of wind power and photovoltaic output scenarios based on LHS-GRU[J]. Sustainable Energy,Grids and Networks, 2025, 41: 101602.

[9]
徐聪, 徐静静, 江婷, 等. 数据驱动的综合能源系统运行优化研究[J]. 综合智慧能源, 2026, 48(1):34-42.

XU Cong, XU Jingjing, JIANG Ting, et al. Research on data-driven operation optimization of integrated energy systems[J]. Integrated Intelligent Energy, 2026, 48(1):34-42.

[10]
袁家海, 牟琪林, 张浩楠, 等. 考虑气候风险耦合影响的中长期电力资源规划[J]. 气候变化研究进展, 2024, 20(5):624-635.

YUAN Jiahai, MOU Qilin, ZHANG Haonan, et al. Medium and long term power resource planning considering the coupled impact of climate risks[J]. Climate Change Research, 2024, 20(5):624-635.

[11]
郭红霞, 陈凌轩, 张启, 等. 电力电量平衡视角下新型电力系统极端场景研究及应对综述[J]. 电网技术, 2024, 48(10):3975-3991, I0002,I0004,I0005.

GUO Hongxia, CHEN Lingxuan, ZHANG Qi, et al. Research and response to extreme scenarios in new power system:a review from perspective of electricity and power balance[J]. Power System Technology, 2024, 48(10):3975-3991,I0002,I0004,I0005.

[12]
ZENG Z Y, KIM J H, TAN H C, et al. A review of future weather data for assessing climate change impacts on buildings and energy systems[J]. Renewable and Sustainable Energy Reviews, 2025, 212: 115213.

[13]
ZABEL F, POSCHLOD B. The Teddy tool v1.1:temporal disaggregation of daily climate model data for climate impact analysis[J]. Geoscientific Model Development, 2023, 16(18): 5383-5399.

[14]
RODRIGUES E, FERNANDES M S, CARVALHO D. Future weather generator for building performance research:an open-source morphing tool and an application[J]. Building and Environment, 2023, 233: 110104.

[15]
HADJIPETROU S. A review of statistical methods for climate downscaling:the underexplored potential of geostatisticalsimulation[J]. Theoretical and Applied Climatology, 2026, 157(4): 216.

[16]
FALLAH B, ROSTAMI M, RUSSO E, et al. Climate model downscaling in central Asia:a dynamical and a neural network approach[J]. Geoscientific Model Development, 2025, 18(1): 161-180.

[17]
李丹, 梁云嫣, 缪书唯, 等. 基于高斯混合聚类和改进条件变分自编码的多风电场功率日场景生成方法[J]. 中国电力, 2024, 57(12): 17-29.

LI Dan, LIANG Yunyan, MIAO Shuwei, et al. Daily power scenario generation method for multiple wind farms based on Gaussian mixture clustering and improved conditional variational autoencoder[J]. Electric Power, 2024, 57(12):17-29.

[18]
LI Z L, PENG X G, CUI W B, et al. A novel scenario generation method of renewable energy using improved VAEGAN with controllable interpretable features[J]. Applied Energy, 2024, 363: 122905.

[19]
LIU J R, FU Y C. Renewable energy forecasting:a self-supervised learning-based transformer variant[J]. Energy, 2023, 284: 128730.

[20]
LOPEZ-GOMEZ I, WAN Z Y, ZEPEDA-NÚNEZ L, et al. Dynamical-generative downscaling of climate model ensembles[J]. Proceedings of the National Academy of Sciences of the United States of America, 2025, 122(17):e2420288122.

[21]
OYAMA N, ISHIZAKI N N, KOIDE S, et al. Deep generative model super-resolves spatially correlated multiregional climate data[J]. Scientific Reports, 2023, 13: 5992.

[22]
JARGALSAIKHAN N, UEDA S, MASAHIRO F, et al. Exploring influence of air density deviation on power production of wind energy conversion system:Study on correction method[J]. Renewable Energy, 2024, 220: 119636.

[23]
石铖, 高红均, 罗龙波, 等. 极端高温场景下计及需求响应的配电网动态重构[J]. 电网技术, 2025, 49(1):136-145,I0055-I0058.

SHI Cheng, GAO Hongjun, LUO Longbo, et al. Distribution network reconfiguration considering demand response in extreme heat scenarios[J]. Power System Technology, 2025, 49(1):136-145, I0055-I0058.

[24]
BAYRAK F. Prediction of photovoltaic panel cell temperatures: Application of empirical and machine learning models[J]. Energy, 2025, 323: 135764.

[25]
高红均, 郭明浩, 刘俊勇, 等. 从四川高温干旱限电事件看新型电力系统保供挑战与应对展望[J]. 中国电机工程学报, 2023, 43(12):4517-4537. GAO Hongjun,GUO Minghao,LIU Junyong,et al. Power supply

challenges and prospects in new power system from Sichuan electricity curtailment events caused by high-temperature drought weather[J]. Proceedings of the CSEE, 2023, 43(12):4517-4537.

[26]
吴晓刚, 阎洁, 葛畅, 等. 基于改进 GRU-CNN 的风光水一体化超短期功率预测方法[J]. 中国电力, 2023,56(9):178-186, 205. WU Xiaogang, YAN Jie,GE Chang,et al. Ultra-short-term power forecasting method for wind-solar-hydro integration based on improved GRU-CNN[J]. Electric Power,2023, 56(9):178-186, 205.

[27]
KIM G H, JEONG H S, KIM H S, et al. Anomaly detection in KOMAC high-power systems using transformer-based conditional variational autoencoder[J]. Journal of the Korean Physical Society, 2025, 87(7):883-891.

[28]
XU G P, WANG X X, WU X L, et al. Development of residual learning in deep neural networks for computer vision:a survey[J]. Engineering Applications of Artificial Intelligence, 2025, 142: 109890.

[29]
FAIMAN D. Assessing the outdoor operating temperature of photovoltaic modules[J]. Progress in Photovoltaics:Research and Applications, 2008, 16(4):307-315.

[30]
PRETORIUS J, NIELSEN S. Understanding heat dissipation factors for fixed-tilt and single-axis tracked open-rack photovoltaic modules: experimental insights[J]. Progress in Photovoltaics:Research and Applications,2025,33( 2):326-343.

Options
Outlines

/

〈 〉