表征热浪(Heat Wave, HW)与骤冷(Cold Snap, CS)事件以支持大电网可靠性研究的技术选取影响分析

《Earth's Future》：What Technical Choices Matter to Characterize Heat Wave and Cold Snap Events in Support of Bulk Power Grid Reliability Studies?

　　

摘要：极端天气事件如热浪（Heat Wave, HW）与骤冷（Cold Snap, CS）对电力系统构成重大风险。美国联邦能源监管委员会（Federal Energy Regulatory Commission, FERC）第896号命令要求区域协调标准须考虑极端热事件，但极端热事件缺乏统一定义，可能导致相邻实体合规努力不一致，削弱输电系统可靠性。本研究通过系统评估定义HW和CS时不同技术选取（12种事件定义及多种温度空间聚合方法）如何影响极端事件的特征刻画与排序，直接应对此挑战。研究人员利用1980–2024年历史资料，为美国本土北美电力可靠性公司（North American Electric Reliability Corporation, NERC）各子区域构建区域极端热事件库，考察事件特征（持续时间、发生频率、强度及空间覆盖范围）对不同定义的敏感性。结果表明：部分定义产生的事件库及顶级事件排序相似，但基于滑动窗口平均温度的定义所得特征明显不同；空间聚合方法对热浪或骤冷的强度、频率及持续时间影响甚微，却显著影响其空间覆盖范围；不同聚合方法识别出的顶级事件一致但排名顺序有变化。上述发现为极端热事件的刻画与筛选、支持地方及跨区域协调以满足可靠性标准要求提供了关键依据。

论文解读：表征热浪与骤冷事件定义及技术选取对大电网可靠性研究的影响

该论文发表于《Earth's Future》，研究背景源于极端热事件（热浪Heat Wave, HW；骤冷Cold Snap, CS）通过推高供冷/供热负荷、降低输电线路输送容量、引发发电与输变电设施故障等途径威胁大电网（Bulk Power Grid）安全。美国联邦能源监管委员会（Federal Energy Regulatory Commission, FERC）Order No. 896要求输电提供商制定考虑极端天气的长期区域规划方案，北美电力可靠性公司（North American Electric Reliability Corporation, NERC）TPL-008-1标准也要求从历史最极端20个事件中遴选进行可靠性评估。然而目前极端热事件无通用定义，"极端"具相对性，不同文献采用不同温度指标（日均温、最高温、最低温）、不同百分位数阈值、不同持续天数要求，甚至15日滑动窗口平均或双阈值法，且温度空间聚合可采用简单平均（Simple Mean, SM）、面积加权（Mean Weighted by Area, MWA）或人口加权（Mean Weighted by Population, MWP）。这种定义与处理方法的差异导致相邻区域可能针对不同程度极端事件做规划，损害跨区协调与电网可靠性。因此，研究人员系统量化技术选取（事件定义+空间聚合方法）对HW/CS事件特征及顶级事件排序的影响，为构建一致可比的区域极端事件库提供科学依据。

研究人员基于热力学全球变暖（Thermodynamic Global Warming, TGW）再分析历史模拟数据集（1980–2024，原始12 km分辨率，降尺度捕获历史事件时序与量级），提取逐时地表气温，聚合至郡县（county）层面得逐日均值、最高值与最低值。选取美国本土（CONUS）16个NERC子区域（subregion）为研究单元——该尺度兼顾局部运行特性与跨区域协调需求。空间聚合对比MWA（郡县按面积加权平均，等价于格点算术平均）与MWP（郡县按2019年人口加权平均，强调人口密集区温度以反映对用电需求的直接影响），SM结果与MWA近似故仅比较MWA与MWP。事件识别采用文献中12种基于温度的HW/CS定义：Def 1–4使用逐日平均温度，阈值分别为>90th/<10th、>95th/<5th、>98th/<2nd、>99th/<1st百分位，均要求≥2个连续日；Def 5–8使用逐日最高温度，其中Def 5为>95th/<5th百分位（≥2日），Def 6–7为双阈值定义（每日>T₂，至少3连续日>T₁，全期平均Tmax>T₁；HW中T₁>97.5th/T₂>81st或T₁>90th/T₂>75th百分位，CS对应反向），Def 8为>90th/<10th百分位基于15日滑动窗口（≥3日）；Def 9–12使用逐日最低温度，结构同Def 5、6（双阈值适配Tmin）、7（双阈值适配Tmin）、12（15日滑动窗口）。对每个NERC子区域、每种定义与聚合组合识别HW/CS事件，记录起始日期、终止日期、持续时间、强度（事件期间逐时最高/最低温极值）及空间覆盖率（满足同事件判定的郡县数/子区域内总郡县数）。构建1980–2024年极端热事件库，计算各子区域平均强度、总频次、平均持续日数及平均空间覆盖率，开展敏感性分析；进一步对比不同方法下顶级（前10）极端事件的一致性，并以EAGLE-I停电数据库（2018–2022年受影响客户数Customers Impacted, CI）验证库中顶级热事件是否对应实际电网承压时段。

3 Results（结果）

3.1 Impact of Technical Choices on Event Characteristics（技术选取对事件特征的影响）

• •
  3.1.1 Event Intensity（事件强度）：MWA与MWP所得平均极端温度在大多数NERC子区域相近，但在人口与温度空间分布不均区域（如亚利桑那-新墨西哥-内华达南部电力区，NERC subregion 1）MWP因侧重高温人口密集区（凤凰城都市区）使聚合温偏高约4°C。12种定义可分为两簇：主簇（Def 1–7、9–11）各线不交叉，极端温度变化范围小（<5°C），其中Def 4（99th/1st百分位）及Def 3、6、10（较严阈值）给出最高强度，Def 9（95th/5th百分位+日最低温）强度最低；离群簇为Def 8与Def 12（15日滑动窗口平均阈值），因可捕捉较弱热异常致HW平均极端温偏低、CS平均极端温偏高，差值在某些子区超10°C。
• •
  3.1.2 Event Frequency（事件频次）：MWA与MWP频次结果相似，个别子区与定义有小差异（如德州ERCOT区Def 9下MWP多约40次HW）。频次对定义敏感，可聚类为四组：Def 4、6、10频次最低（约40–60次/45年）；Def 3单独为次低组；Def 2、5、7、8、11、12为中频组（HW约120–220次，CS约150–230次，空间变异较大尤其HW）；Def 1与Def 9频次最高（Def 9略多于Def 1；HW约240–350次，CS约300–440次，CS较收敛）。
• •
  3.1.3 Event Duration（事件持续时间）：两聚合方法对单阈值及15日滑动窗口定义持续时间影响甚微，对双阈值定义（Def 6、7、10、11）略有差异。定义分三簇：Def 7与Def 11（双阈值中较宽松者）给出最长平均持续日数（HW 12–37日，CS 9–18日）；Def 6与Def 10（双阈值中较严者）居中；其余定义（单阈值及滑动窗口）持续时间短，其中Def 4最短（约3日），Def 1在该簇中最长（约5日）。单阈值与滑动窗口定义持续时间跨子区变异小（由单一百分位数约束），双阈值定义跨子区变异大（对区域温度动态更敏感）。
• •
  3.1.4 Spatial Coverage（空间覆盖范围）：空间聚合方法对覆盖率影响显著。MWA覆盖率跨子区变异小；MWP因强调人口区温度，在热区人口集中地（subregion 1）HW覆盖率偏低（热浪局限于高热人口区，冷区未同步），在凉区人口集中地（东南部subregion 10）HW覆盖率偏高（若MWP达HW阈值说明人口密集凉区已受热浪影响，周边更热区必同步），CS反之。温度与人口分布均匀区（如subregion 18、20）两方法差异小。定义方面：Def 6、7、10、11（双阈值）倾向于较低空间覆盖率并聚为一簇；其余定义（尤其Def 1）覆盖率较高并聚为第二簇，此区分在使用MWA时比MWP更明显；CS各定义覆盖率排序类似HW但未形成明显双簇。

3.2 Impact of Technical Choices on Ranking of the Most Extreme Events in the Libraries（技术选取对库中顶级极端事件排序的影响）

以德州ERCOT区（NERC subregion 3）Def 1+MWA与MWP对比，前10 HW事件集合大部分重叠（仅2个事件不同），但具体排名有变；此规律适用于CS及其他子区、其他定义。换用不同事件定义（Def 1、7、12）基于同一MWA，顶级事件集合重合度更高——仅基于15日滑动窗口的定义（Def 12）排序差异稍大，其余定义排序较一致。表明事件定义比空间聚合方法对顶级事件身份影响更小，而聚合方法更能影响排名次序。

3.3 Extreme Event Library Evaluation Based on Power Outage（基于停电数据的极端事件库验证）

研究人员取Def 4+MWA下各子区2018–2022年前10 HW/CS事件，匹配EAGLE-I数据库中事件期间受影响的客户总数（Total CI）与日均受影响客户数（Mean CI），计算Mean CI在对应子区夏/冬季所有日的百分位排名。结果显示大多数顶级HW事件Mean CI百分位排名较高（多数达60th–90th），说明温度基准的极端热事件库能捕捉到实际导致电网显著压变的事件；冷 snap验证结论雷同。EAGLE-I记录所有停电故无法逐一归因温度，该比对旨在确认库中事件与实测电网应力时段吻合。

4 Discussion（讨论）

讨论指出：事件频次与持续时间基本不随温度空间聚合法变化，仅个别子区/定义有小差异；强度在人口—温度强空间关联子区会受聚合方法影响。Def 8与Def 12（15日滑动窗口）因识别较宽温和异常致强度偏低；高阈值定义（Def 3、4、6、10）捕获最强极端强度；宽松阈值+日最低温（Def 9）及宽松阈值+日平均温（Def 1）产生最高频次与最广空间覆盖，日最低温较日均值波动小故更易连续超标致Def 9频次略高于Def 1；双阈值定义（Def 6、7、10、11）致较长持续日数（较松双阈值最长）但较低空间覆盖与较低频次（严双阈值频次近Def 4）。空间聚合法显著影响空间覆盖率但不影响强度/频次/持续时间实质判断，顶级事件集合稳定但排序受聚合法影响大于受定义影响。研究局限包括区域特异性、未纳入湿度/风速/缺水等复合气象因子、温度强度与电网实际后果（峰值负荷、机组出力受限、输电阻塞、客户经济健康损失）间仍有鸿沟。事件库可用于区内可靠性设计与区间协调对话——如1980年大范围HW横跨多个NERC子区，凸显跨区协同必要性。

5 Conclusions（结论部分翻译）

极端天气事件（HW与CS）对电力系统构成威胁。电力界正致力于建立区域极端热事件库以大电网及配网可靠性压力测试。本文方法可支持各地自建事件库并自主选取极端事件与阈值开展评估与设计——这比单纯依赖整个互联或大陆尺度定义更贴合区域独特挑战（广域"极端"于某子区可能温和，且可能漏掉局地强影响事件），但需注意各区可能选用不同气候数据集、变量处理方式及事件定义配方。研究人员基于1980–2024年资料，用12种事件定义和两种温度空间聚合方法构建HW/CS事件库，量化了温度空间聚合与事件定义对热事件特征刻画及建库的影响，量化指标含强度、频次、持续时间与空间覆盖。分析表明：阈值宽松定义产生高频次与广覆盖但未必长持续，严苛阈值捕获最强强度；事件定义对库中极端事件整体排序影响甚微；温度空间聚合（面积平均vs人口加权）一般对强度、频次、持续时间影响低，却显著改变空间覆盖——顶级事件身份在不同聚合法与定义间大体一致，但排名顺序受聚合法影响较大。基于此，未来应利用事件库探索不同定义与极端情景下区域协调建模，纳入相对湿度、风速、日照、缺水等附加气象变量，向"基于影响"（如以负荷水平、发电与输电降级、输电阻塞定义极端）迈进。当前HW/CS无统一定义阻碍跨区极端天气备战协调，气候极端化背景下采用统一事件遴选"配方"开展长期规划对提升区域协调与电网可靠性至关重要。本研究表明源自公卫与气候学的各类温度定义均关联电力系统核心应力（持续高温/低温直接影响用电需求与设施性能）；不同技术选取对强度、频次、持续、覆盖的敏感性分析为电网规划者与平衡当局（Balancing Authority）提供权衡依据（峰值强度vs频次vs空间延展），支撑一致性极端事件选取用于压力测试。理解并约定极端事件定义"配方"，使区域能制定真正可比的长期情景，促成更精确建模、公平资源分配及稳健跨区支援策略以符合可靠性标准要求。本研究对技术选取作用的剖析，即便对未来更复杂定义也具有基础参考价值，为以一致且有效规划应对气候极端下的电力系统可靠性提供方法与证据支撑。