【气候变化影响适应】利用天气数据和机器学习预测澳大利亚能源需求变化

能源需求变化主要是由气温变化引起的供暖和制冷需求所驱动的，因此预测能源需求变化对于管理能源系统和市场极为重要。三十年被认为是捕捉气候和天气变化的最少数据量，但能源需求数据量通常短得多，难以建立与厄尔尼诺和南方涛动（ENSO）等气候变化模式和能源需求的关系。一种解决方案是将能源需求表征为日尺度天气变化的函数，从而提供更长时间尺度的能源需求变化数据。

本研究从澳大利亚能源市场运营商获得2010年至2019年的能源需求数据，汇总至每州每日需求量，去除长期趋势，仅保留天气和气候所影响的需求波动部分作为因变量，并使用12个ERA5天气指数并进行汇总作为自变量。基于极端随机树模型方法建立三个预测模型进行训练和测试，最后外推至1959年至2022年预测每天的能源需求。

研究发现，模型在测试集上表现良好，相关性高于0.9，使用天气数据可以非常准确地模拟样本外能源需求。这类回归模型会低估对于极端需求的水平，但能够捕捉到极端天气的相对时间。温度预测因子对最高需求预测的贡献更大，而风速和太阳辐射能够更有效地捕捉季节变化。研究期10年的去趋势天气数据能够捕捉1959-2022年64年数据的大部分分布，但不同时期极端需求出现的概率不同，2010-2019年的极端需求发生的概率更高。此外，ENSO期间的概率变化更加突出。