AI首次实现中国风光发电普查，北大、阿里达摩院研究登上《自然》

风与光的“精确画像”为何如此关键？

中国作为全球最大的可再生能源生产国，风电和光伏装机容量均位居世界第一。然而，风光发电的波动性和不确定性给电网调度和能源规划带来巨大挑战。传统的普查方式依赖地面气象站和卫星遥感数据，但受限于空间分辨率低、数据处理慢，难以实时反映全国范围内每一块土地的风速、光照强度及其发电潜力。随着碳中和目标的推进，需要一份高精度、动态更新的“风光资源地图”来指导电站选址、储能配置和政策制定。正是这一迫切需求，驱动了北京大学与阿里达摩院的跨学科合作——用AI算法重新审视中国大地上的风与光。

深度学习如何破解“天量数据”难题？

研究团队构建了一套名为“W&E-Net”的深度学习模型，它能够融合气象再分析数据、卫星云图、地形高程以及历史发电记录等多源数据。与传统物理模型相比，这一方法无需依赖复杂的空气动力学或辐射传输方程，而是通过海量数据训练，自动学习风速、辐照度与地理特征之间的非线性关系。更关键的是，模型具备“空间降尺度”能力：将原本数十公里格点分辨率的气象数据，精细到1公里甚至更小的网格，从而捕捉到山脊、峡谷、城市建筑等微地形对风场和光照的扰动。在实际测试中，该模型对中国各区域的风电等效利用小时数和光伏等效利用小时数的估算误差降低了约40%，首次实现了对全国陆上风电和光伏资源“像普查一样”的逐一核算。

从“普查”到“规划”：AI带来的决策革命

这项研究不仅提供了静态的资源总量，更生成了“资源-成本-碳减排”的耦合评估结果。例如，模型发现，在内蒙古、新疆等传统“风谷光带”之外，西南山区和东部沿海的分散式风电、分布式光伏同样具有较高经济性，但由于地形复杂长期被低估。研究还揭示了风光资源的互补特性：通过AI优化选址，可以在不增加储能成本的前提下，将整体发电波动性降低15%以上。这意味着，未来中国的能源规划可以不再依赖粗略的“资源区划”，而是基于逐公里、逐小时的数字孪生模拟进行精准布局。这一成果已被国内多家能源央企和省级电网公司接入内部决策系统。

登上《自然》：中国AI+能源交叉研究的里程碑

该论文于近日正式发表在《自然》杂志主刊上，这是首次有中国团队利用人工智能方法完成国家级风光资源普查并获国际顶级期刊认可。北京大学物理学院大气与海洋科学系负责气象机制解释，阿里巴巴达摩院决策智能实验室贡献了核心的深度强化学习与迁移学习框架。评审专家认为，这项工作“将能源气象学从宏观统计推向了微观智能”，为发展中国家快速评估可再生能源潜力提供了可复制的范式。值得一提的是，达摩院近年来持续在能源AI领域布局，其研究成果已从论文走向实际应用——例如为某西部省份规划的“风光储一体化”项目，发电成本较传统方案降低近一成。这一突破也印证了阿里巴巴“转型开发AI系统”的战略方向（参考资料2）。而北京大学在基础研究与产业结合上的探索，同样为其他高校提供了“顶天立地”的范例。