近年来，随着算力和数据量的爆炸性增长，人工智能（AI）的应用正以惊人的速度发展，成为全球科技竞争的核心领域。尤其在中美之间，AI已不单单是技术的较量，更是国家综合实力的角逐。中国提出的“新质生产力”理念，明确了AI技术的实用方向，强调将AI深度应用于生产与创新，推动各行业的数字化和智能化升级。特别在新能源领域，随着“3060”双碳政策的提出，新能源行业在加速发展的同时，也面临着巨大的技术挑战。

据国家能源局发布的2024全年电力工业统计数据显示：新能源装机容量呈现出惊人的增长态势。截至12月底，全国累计发电装机容量已达到33.5亿千瓦，同比增长14.6%。其中，太阳能发电装机容量达到8.9亿千瓦，同比增长45.2%；风电装机容量为5.2亿千瓦，同比增长18.0%。

这一快速增长的背后，蕴藏着对AI技术深度渗透的巨大需求，尤其是在新能源发电的精确预测和运维管理中，AI的应用将为行业带来颠覆性的变化。

AI+新能源：如何实现“新质生产力”？可从以下几方面考虑

1）人工智能天气预报：精准的全球和新能源场站天气预测；

2）新能源发电功率预测：基于气象数据，准确预测场站发电量；

3）新能源场站智能运维：涵盖安全监测、故障预警等运维工作；

4）电力交易市场预测与辅助决策：对电力市场价格变化的预测，支持智能化决策。

本期，我们重点探讨AI在全球天气预测中的应用，这也是璞云大模型的核心竞争力之一。

新能源发电“靠天吃饭”，风力和阳光直接影响发电量，天气的波动性带来了较大的不稳定性,这种不稳定的电源接入电网，必然会影响电网的安全。因此，准确预测新能源发电功率是新能源行业面临的第一大挑战。此外，负荷预测和电价预测也与天气密切相关。可以说，新能源行业的根本需求之一就是“给老天爷算命”，即做好准确的天气预报。

目前，气象预报主要依赖数值模拟方式，通过超级计算机进行复杂的运算。这些预报方法通常需要数小时才能完成一轮预测，虽然精度较高，但速度较慢，难以满足新能源行业的需求。得益于气象行业的科学性和规范性，气象数据格式非常规范，无需大量人工清洗，且数据量庞大，天然适合采用大模型进行预报。

因此，近年来国内外有很多公司、高校机构都对气象大模型开展了很多的研究，国外有 DeppMind的Graphcast、GenCast，国内有华为的PanGu、复旦??的FuXi，以及米塔碳的璞云-PuYun。

此处先提及几个基本概念。

ERA5再分析数据，由欧洲气象中心（EC）提供，其质量接近地面实测数据（GT），空间分辨率为0.25度（相当于约25km x 25km），时间分辨率为1小时。由于ERA5数据的高质量，它成为气象模型训练的重要基础。然而，ERA5数据与实时数据之间存在约5天的延迟，这意味着基于ERA5数据训练的模型无法直接应用于生产。

上述提到的所有气象大模型的研究均基于ERA5数据进行建模，预测未来10至15天的天气情况，涵盖气压层的温度、气压、湿度、风速，地表的2米温度、10米风速、海平面气压和降水量等指标。且所有大模型的预测时间间隔均为6小时，而这也是没办法直接用于生产的重要原因（新能源发电行业常见的时间分辨率为15分钟）。

需要指出的是，当前全球天气预报领域的开源模型大多已固定为可执行版本，仅能直接使用，无法进行二次训练，而且这些模型缺乏100米风速和辐射等关键数据，且输入数据基于ERA5，存在5天的时间延迟，难以满足实时需求。除非结合实时数据进行微调，但开源模型并未提供相关代码，无法完成这一过程。因此，开源模型仅适合实验和试用，在业务应用层面还相差甚远，只有具备核心技术并自主研发的公司，才能训练出符合实际业务需求、能够直接应用于新能源行业的气象大模型。

回到正题，以上模型均为自回归模型，也就是模型产生的输出，也可以用作输入，这种模型理论上可以进行一直预报，甚至达到万年的预测，但其有效性通常只持续10至15天。

DeepMind的GraphCast、GenCast都是基于GNN的网络。GraphCast率先用GNN来进行全球天气预报，并且提出了很多范式，比如先训练一个基础模型，用于预测下一个时刻，这个是一个很好的思路。以前我们训练这样长自回归步数的模型，需要加入各种稳定训练的技巧，比如teacher forcing，即在下一个自回归时，有一定概率使用真值来作为输入。那么，如果我们只预测下一个时间步呢？

GraphCast在这个阶段使用了32卡训练了30万步，得到了一个非常强大的基础模型。之后再利用这个模型，进行自回归训练，自回归的步数从2-12，先训练步数为2的，训练1k steps，再训练步数为3的，训练1k steps......一直到步数为12的，这样微调阶段只训练了11k steps，远远小于预训练阶段。注意这里只训练了12步，还记得之前说的时间分辨率为6小时吗？12步即72小时3天，在推理应用阶段可以预测40步，即240小时10天。

第二个范式为级联，一个模型辅助预测5天，再来一个模型负责5-10天，这样就可以接力下去，模型多力量大，不过GraphCast只是在论文里提到这个思路，自己并没有这么做。

再看复旦的FuXi，基于SwinTransformer构建了未来15天的天气预测大模型，和GraphCast主要的差异点在于模型架构不一样，以及GraphCast使用了级联策略，使用三个模型接力进行预测，大幅度降低了累计误差。

与以上提到的模型不同，米塔碳璞云大模型着眼于为实际生产业务提供服务。设计之初，璞云就明确考虑到两个关键问题：

1）ERA5数据存在5天的延迟，且其分辨率为25km，过于粗糙，无法满足新能源场站精确预测的需求；

2）固定的分辨率不利于灵活的业务应用。

因此，璞云在设计时明确要求了：

1）支持任意分辨率的气象预测；

2）能够满足生产环境中每日进行精准预测的需求。

为此，璞云利用海量ERA5数据进行基础模型的训练，并通过实况0.1度数据进行微调，从而实现了高分辨率（0.1度）的全球气象预报。不仅具备每日实况场驱动的能力，还能准确预测未来15天的气象情况，时间间隔为1小时，且与EC的HRES高分辨率系统完全对齐。

璞云创新的使用了LKA FCN的方式，将卷积网络再次带回到时序预测，大核卷积不仅可以模仿自注意力机制，同时使用卷积来提取相邻区域的气象变化过程，同时还可以进行任意分辨率的预测。

输入是0.25度，输出就是0.25度，输入是0.1度，输出也就是0.1度；每次需要32卡-64卡GPU进行训练，每次训练成本在数十万到百万级别。我们可以根据业务需要定制模型，因此我们的模型可真正实现业务需求的落地应用。

?

紧接着，再提出气象大模型领域的几个通用问题：

1）预报平滑，未来7天之后，极端天气的预报能力几乎丧失。

尽管当前各大气象模型在RMSE上已经远远超越了EC数值预报方法，但在训练过程中，模型通常使用均方误差（MSE）作为损失函数，这不可避免地导致了输出的平滑化，即愈发趋向均值，最终使得长时间预报的输入图极其模糊。

2）目前气象大模型的训练成本仍然较高，急需国产化算力来降本增效。

在此，我司具备多年气象领域经验的专家团队，经过三年的深入研究，已成功复现了主流气象大模型，现将一些经验分享如下。

1）无论是GNN、Transformer还是大核卷积，模型结构本身对于最终结果的影响并不如预期重要。气象领域拥有大量历史数据，而当前的模型尚未能充分利用这些庞大的数据量。现阶段，通过增大模型的参数量，往往能获得不错的效果，但这也意味着更高的训练算力成本。

2）气象大模型的关键不在于过多的“魔改”，而在于合理的范式设计。只要模型结构能满足行业需求，许多复杂的调整其实并不必要。

3）要将气象大模型成功应用于新能源行业，需要完成大量论文之外的工作。米塔碳在这些工作中付出了巨大的努力，才使得气象大模型能够顺利落地并直接用于生产。

除此之外，璞云还受邀参与了中国气象局主办的人工智能示范计划，利用中国气象局提供的近45年再分析数据开展模型训练，并将其全面私有化部署在中国气象局。该项目取得了显著的正面成果，充分验证了我们的技术优势和应用效果。

最后和大家汇报一下，我司目前正在推进一项气象大模型的研发工作，待成果完成后，我们会将开源该模型并与训练结果一同分享，惠及更多行业伙伴！