气候变化正在推动全球能源需求的结构性变化：中高纬度地区的供暖需求下降，而几乎所有人口密集地区的制冷需求却在快速增长[1]、[2]。建筑约占全球最终能源消耗的30%，并在极端高温和寒冷事件期间形成电力需求的峰值。准确预测未来气候情景下的建筑能源需求对于能源基础设施规划至关重要：电网容量扩张、发电能力评估、需求侧管理策略以及能源存储规模的确定都依赖于适应气候变化的建筑负荷预测。然而，生成未来天气文件的标准流程（这些预测的基本输入）在过去二十年里基本保持不变：即使用月度气候变化因子对典型气象年（TMY）基线进行修改。这种修改过程中的误差会直接传导到能源需求预测中，可能导致供暖基础设施过度建设、极端热浪期间制冷能力不足，以及数十亿美元的能源基础设施投资失误。本文探讨了这些误差的具体来源，并指出标准修改流程中的哪个环节最需要改进，以便在气候不确定性下支持可靠的能源系统规划。
Belcher等人[3]提出的修改方法使用来自气候预测的月度平均气候变化因子，对TMY基线进行位移、拉伸和组合变换。对于温度而言，这种变换将每月的平均变化均匀地应用于该月内的所有小时[4]。TMY基线本身是一个统计合成结果：每个日历月都是根据Finkelstein-Schafer统计方法从多年数据中选出的“最典型”月份，然后合并成一年[5]、[6]。这种构建方法故意排除了极端月份，从而生成了一个代表平均条件的文件，但同时抑制了年际变化和极端事件[7]。
这种修改方法已在CCWorldWeatherGen[8]、WeatherShift[9]、epwshiftr[10]和Future Weather Generator[11]等工具中得到应用，并已成为建筑性能研究中的事实标准。通过国际能源署EBC附件80计划[12]、[13]的社区努力，已经为代表性城市预先计算出了修改后的天气文件，进一步将这一流程应用于实际。然而，正如Zeng等人[14]在综述中指出的，许多现有方法主要基于月度或季节性气候变化信号，可能无法捕捉到对准确估算峰值负荷至关重要的次月度变化。
对于能源系统规划而言，这些修改后的天气文件是关键基础设施决策的基础。国家和地区能源机构利用建筑能源预测来评估发电能力、确定储备裕度和规划输电容量。可再生能源整合研究依赖于未来气候下的建筑负荷和太阳能/风能发电曲线。城市能源规划者使用修改后的天气文件来确定区域供暖/制冷系统的规模并预测电网加固的峰值需求。然而，修改流程引入的系统性偏差及其具体来源尚未得到量化。如果TMY基线选择或月度变化量的分辨率系统性地扭曲了供暖和制冷需求，或者抑制了导致电力需求峰值的极端热浪事件，那么基于这些文件制定的能源基础设施将无法适应实际发生的气候变化。
存在多种复杂的替代方法。随机天气生成器（SWGs）利用基于观测数据的统计模型合成每小时天气序列；Eames等人[15]表明，基于UKCP09模型的随机天气预测比传统修改方法更能准确反映英国地区的未来气候。动态降尺度方法直接使用RCM输出数据生成Future-TMY（F-TMY）文件，完全绕过了修改步骤；Bravo Dias等人[16]和Tootkaboni等人[17]的比较研究发现了修改后天气文件与动态降尺度文件之间的差异。Moazami等人[18]指出，基于修改的方法难以捕捉极端事件频率和持续性的变化。Herrera等人[19]和Zeng等人[14]的综述提供了这些方法的全面分类。
然而，这些比较研究存在一个结构性局限：它们只是简单地将不同方法相互比较（修改方法与随机生成器或F-TMY），因此无法将性能差异归因于任何单一的设计选择。如果随机生成器的表现优于修改方法，是因为它使用了观测数据而非TMY数据？是因为它考虑了日度变化？还是因为它加入了随机波动？在没有进行因子分析的情况下，答案并不明确。
气候科学的研究表明，月度聚合气候变化信号会抑制极端事件。Katz和Brown[20]从数学上证明了极端事件频率更多地取决于变化性的变化，而非平均值的变化——这意味着任何仅修改平均值的方法（如月度修改方法）都会系统性地低估极端事件。Sch?r等人[21]指出，2003年的欧洲热浪无法仅用平均温度变化来解释；实际上需要温度变异性的增加。Fischer和Knutti[22]发现，人为因素对极端日常事件的影响最大——而这些事件恰恰是被月度平均所抹去的。Maraun[23]在关于偏差校正方法的综述中指出，基于变化量的方法无法补充缺失的次月度变化，应用于小时级数据时会产生误差。
对于建筑能源模拟而言，这些研究表明：月度气候变化量会保留长期趋势，但会抹去导致峰值负荷、热波动事件和设备压力的日变化。这一预测在建筑能源领域尚未得到系统验证。
先前的建筑科学研究已经发现TMY修改后的天气文件中存在误差[24]、[25]、[26]，但尚未确定这些误差的具体来源。是TMY基线、月度变化量还是随机变化性的缺失导致了这些误差？这一问题的答案具有实际意义：如果基线是主要问题，用观测数据替换TMY是一个低成本的解决方案；如果月度平滑处理是主要原因，那么日变化量就至关重要；如果需要随机生成过程，那么计算密集型的天气生成器就变得必不可少。
我们使用纽约作为主要案例研究，洛杉矶作为次要对比对象，根据CORDEX CMIP5 RCP8.5气候情景下的天气预测，评估了四种天气生成方法在2025-2100年间的表现，并在六个气候情景下验证了其通用性。因子实验设计（详见第2.1节）分离出了三个独立因素：基线来源、气候变化量的时间分辨率和随机生成过程。具体来说，我们研究了哪些常规流程决策（如基线文件选择、气候变化量的时间分辨率）会将对度日估计、峰值负荷和极端事件表示产生最大偏差，从而对容量规划和韧性评估构成具体风险。
本文的贡献包括：
- 首次系统地分离出适应气候变化天气文件中的三个独立误差来源。
- 量化了TMY3基线的偏差：在纽约为+177°C·天HDD和-74°C·天CDD，而在洛杉矶偏差方向相反，表明这是站点特有的系统误差，而非可纠正的误差。
- 基于气候科学理论并通过实证验证，月度变化量方法严重扭曲了极端事件的表示：ISD气候基线结合月度变化量完全消除了月内的变化性，而TMY3+Monthly组合在76年期间完全没有热波动事件。这一发现通过独立的HVAC转换指标得到了验证（见补充图S1），证实了TMY3在设计上系统性地低估了温度变化的极端情况。
- 证明随机天气生成过程仅导致了0.25°C的RMSE误差，其主要价值在于为集合预测和极端事件分析提供了真实的年际变化性。
