随着全球变暖，由于极端天气事件变得更加频繁和强烈，电力系统面临供应不足的风险也在增加。最近的大规模电力短缺事件，如2021年美国的德克萨斯州停电、中国四川的热浪相关短缺以及加州的高温引发的中断，表明现代电力系统对极端天气的脆弱性[1]、[2]、[3]。为了确保未来以可再生能源为主的电力系统的可靠性，需要识别对电力平衡构成重大威胁的天气事件。
传统上，极端天气事件是根据气象变量的统计特征来识别的。常用的方法包括基于绝对指标、阈值指标、基于百分位的阈值指标和持续时间指标的方法，这些方法用于选择那些气象变量位于概率密度分布尾部的事件[4]、[5]。例如，绝对和基于阈值的指标（如固定温度超过指标或降水量阈值）长期以来一直被用于全球气候极端事件的监测系统[6]。基于百分位的指标（如TX90p（日最高温度超过当地第90百分位的天数百分比）和TN10p（日最低温度低于当地第10百分位的天数百分比）被广泛用于捕捉相对于当地气候的极端暖或冷事件[7]。基于持续时间的定义（如连续天的热浪或暖期指标）提供了一种检测持续极端事件的方法，这些事件可能无法通过单日异常来捕捉，通常要求日最高或最低温度连续至少几天超过（或低于）预定义的百分位阈值[8]。这些方法往往关注已知会导致需求激增或可变可再生能源（VRE）输出下降的极端条件，例如长时间的低风速或太阳辐射不足，或非常高的或低的温度[9]、[10]。这种对气象的关注可能会导致忽视那些虽然不那么严重但仍然危险的事件，例如较温和的低风速、太阳辐射和高温同时发生的情况。
除了单一变量的极端事件外，气象和气候科学界越来越强调复合天气事件的检测，即多个驱动因素同时发生或相继发生，共同放大风险[11]。复合事件分为四类：多变量（同时发生的驱动因素）、预处理（潜在状态加剧了危害）、时间累积（连续发生的事件）和空间累积（跨越连接区域的危害），研究人员建议识别这些事件需要超越单变量阈值[12]。识别复合天气事件的方法包括基于聚类的方法和多变量阈值方法。例如，Kholodovsky和Liang开发了一种通用的时空阈值聚类方法，用于检测网格数据中的连贯极端模式[13]。Villalobos-Herrera等人表明，明确建模多变量依赖性（如温度-湿度相互作用）会显著改变危害评估，而观测分析进一步揭示了热干复合事件表现出强烈的时空依赖性[14]。此外，对同时发生的气候变率模式（例如大气环流模式）的分析被用来解释空间累积极端事件的聚集，例如多个地区同时发生的风和降水极端事件，这表明大规模模式可以强烈调节危害驱动因素的联合发生[15]。
国家可再生能源实验室的最新研究表明，最严重的电力供应不足可能并不与由单一气象变量定义的最极端天气条件同时发生。相反，那些同时减少可再生能源发电并增加需求的中等程度极端事件可能对系统充足性构成更大的威胁[16]。这些事件通常位于单个气象指标的统计极端范围之外，但由于供需条件之间的不利重叠而至关重要。
为了识别威胁电力系统的极端天气事件，已经开发了几种基于电力的指标，如峰值负荷、净负荷和坡度率[17]、[18]。例如，van der Wiel等人模拟了长期天气条件，计算了欧洲能源系统的日风能、光伏和能源需求曲线，并使用净负荷指标来识别1天、7天和14天的极端能源短缺事件[19]。Yeganefar等人使用自组织映射聚类方法提取高负荷日和低负荷日，并将其应用于规划方法[20]。Scott等人改进了聚类方法生成的典型场景和权重，得到了具有显著坡度要求的典型日净负荷曲线[21]。Guo等人构建了一个评估指标系统，用于选择典型日，包括负荷、资源变化性和幅度，为规划方法提供了有效输入[22]。这些方法通常依赖于经济调度模型的输入，如风能、太阳能和负荷曲线，往往忽略了可控发电、能量存储和需求侧灵活性的贡献。基于后果（如失电）识别事件可能会得到更准确的结果，但传统的基于优化的模拟计算量庞大且难以扩展。
有效识别威胁电力充足性的事件需要长期、高分辨率和同步的可变可再生能源（VRE）发电和负荷时序数据[23]。“同步”意味着所有位置的发电和负荷时序数据都由相同的气象时序数据驱动，这反映了VRE输出和负荷在不同位置和时间上的实际相关性。这样的时序数据可以从历史数据中获得，或者使用气象输入生成。然而，多个位置的完整同步历史数据通常是不可用的，其有限的时间跨度使得难以反映罕见但关键的事件。因此，通过将历史或预测的气象驱动因素输入到VRE/负荷-气象关系模型中，广泛使用合成的发电和负荷时序数据[24]、[25]。通常使用显式解析表达式和VRE容量信息来模拟每小时VRE发电时序数据，这对于含有高比例VRE的未来电力系统来说是不确定的。由于规划模型的参数不确定（包括负荷增长和技术变化），容量组合表现出很大的不确定性[26]。此外，模拟未来发电投资的模型通常以比气象数据集更粗糙的空间分辨率来预测VRE容量[27]、[28]。这些不确定性可能导致在相同气象条件下VRE发电时序数据有很大差异，这应在识别和评估极端天气时予以考虑。
本文提出了一种基于后果的框架，用于识别和评估导致严重电力供应不足的极端天气事件，该框架基于快速的失电估计方法。主要贡献包括：
基于多年高时空分辨率的气象数据集，在未来容量组合的深度不确定性下模拟了同步VRE发电和负荷时序数据的集合。使用GEP模型创建不同的容量组合，并使用空间分配模型将可再生能源容量分配到空间网格单元中。基于容量分布模拟了每小时VRE发电的集合，而负荷时序数据则在相同的气象条件下使用LSTM模型进行模拟。
提出了一种计算效率高的失电估计方法作为我们基于后果框架的基础。该方法基于代数计算，捕捉了可调度发电、VRE、储能和需求响应在电力供需平衡中的贡献，而不依赖于复杂的数学优化。基于这种方法，在同步VRE和负荷时序数据的集合中识别出可能导致严重失电的极端天气事件。然后使用电力系统经济调度模型和多种评估指标（包括失电指标、相关性分析和风险评估）对这些事件进行评估。
表1总结了现有研究中识别极端天气事件的优缺点。我们的工作可以归类为第四类。它通过直接识别系统级别的不足，保留了基于后果的方法的主要优势。同时，通过快速的失电估计方法实现了更高的计算效率，使得大规模事件筛选超出了传统经济调度模拟的可扩展性。
本研究的目的是识别可能在未来以可再生能源为主的电力系统中导致严重供需失衡的天气事件。这项工作弥合了气象事件统计和电力充足性评估之间的差距，为设计气候变化下的可靠电力系统转型提供了实际基础。本文的其余部分组织如下：第2节介绍方法，第3节介绍案例研究，第4节总结关键发现和意义。
