观潮 · 模式预报与气象 AI 观察
极端降雨把光伏可用度压到 0.0957：多能微网用 GlueVaR 调度，多花 4.86% 运行成本换 18.70% 的负荷削减
> 极端降雨对含电、热、冷、氢的高新产业园区微网是复合冲击：云量和辐照度下降压低光伏可用出力，排水泵负荷上升，外部电网因故障或保供策略收缩支撑能力。这篇论文把 2000—2023 年北京暖季 105 个强降雨事件经尾部锚定加 k-means 聚类削减成 10 个代表场景，转化为光伏/风电可用出力、应急排水负荷、气象敏感负荷和主网输入功率四类参数化运行边界，再比较期望成本、CVaR、GlueVaR 三种调度策略。结论里最实用的两组数：风险厌恶调度用 4.74%—4.86% 的期望运行成本增幅，把基准 GlueVaR 压低 8.69%—8.91%、期望负荷削减量压低 18.25%—18.70%，灾前储能荷电状态从 58.87% 提到 92.63% 以上；最极端代表场景里光伏可用度只剩 0.0957、主网输入上限砍到 800 kW，而应急排水负荷要 600 kW。作者也把底交了：Bootstrap 检验未提供 GlueVaR 相对 CVaR 存在稳定显著调度差异的证据，CVaR 的绝对量级对最大历史事件很敏感。
缺的是哪一块
气象信息进电力系统研究，大多数停在预测精度上——气象协变量进光伏预测、多维气象指标改进负荷预测。极端天气下的微网调度研究则集中在韧性评价、设备故障概率、恢复决策。两块之间有个没人接的缝：极端降雨引起的新能源可用度下降、应急排水负荷增加和主网输入能力收缩，缺一个统一的运行边界描述，灾前储备与灾中电-氢-热-冷协同之间的联系也没有打通。风险度量一端，CVaR 只刻画单一置信水平以上的平均尾部损失，GlueVaR 能联合表征多个尾部区间，但两种风险结构在统一物理可行域、统一损失口径下的调度差异没人系统比较过。这篇干的就是把「气象场景 → 运行边界 → 尾部风险调度 → 区域货币化估值」四层拆开、逐层对齐的活。
从 105 场降雨到 10 个场景
气象数据用 ERA5 的 2000—2023 年北京逐日资料，5—9 月为暖季样本。强降雨事件按 24 小时累计降水量 ≥25 mm 筛选，共 105 场：大雨 84 场、暴雨 20 场、大暴雨 1 场（占比 80.0%、19.0%、1.0%，样本中没有特大暴雨）；5—9 月的事件数分别为 5、15、43、28、14 场。
变量筛选用最大信息系数（MIC）加斯皮尔曼系数双口径：日降水量与地表径流的 MIC 在全部暖季雨日和强降雨样本中分别为 0.893 和 0.446，非线性关联最强；强降雨样本中平均气温和 10 m 风速的 MIC 为 0.331 和 0.307；总太阳辐射、直接太阳辐射、最大阵风、相对湿度、总云量为 0.292—0.203。辐射、湿度、云量虽然没过 0.30 参考线，但对光伏出力和气象敏感负荷有明确物理作用，仍然保留。作者特别注明：统计关联只用于变量识别与排序，不直接当降额参数用。
场景削减用「多风险尾部分层 + k-means 重心」：先按高降雨、低光伏可用度、高排水需求、高气象敏感负荷、异常风况锚定尾部事件，单独保留观测期最大降雨事件，其余中心事件做加权归一化聚类，105 场压成 10 个代表场景（7 个尾部锚定 + 3 个中心聚类）。削减质量有账：日降水量标准差和 95% 分位数的相对误差分别为 14.32% 和 12.62%，光伏可用度 5% 分位数绝对误差 0.0138，风电可用度 95% 分位数绝对误差 0.0161，排水需求指数 95% 分位数保持 1.000。
图1 极端降雨经源侧（光伏风电可用出力下降）、荷侧（排水泵与冷热负荷上升）、主网侧（支撑能力下降）三路改写运行边界，储能与可控资源响应后汇入主动防御调度框架。
园区侧是一套完整的电-热-冷-氢系统：光伏、风电、主网之外，有热电联产（CHP）机组、燃气锅炉、地源热泵、电制冷机、吸收式制冷机、电解槽、氢燃料电池，以及电储能（BESS）、储氢罐（HST）、蓄冷装置（CST）三类储能。区域货币化这层用了保险数据：基于 2017—2023 年国网北京市电力公司财产险案件记录构建保险精算空间估值因子（ASVF），目标园区所在的房山区综合赔付率 107.39%，以 100% 为中性基准归一。ASVF 只做调度后的区域估值，不进任何物理决策——这个分层设定是全文反复强调的口径。
三种调度策略差在哪
三种策略共用同一套气象场景、设备参数、基础风险损失和物理可行域，差异只在目标函数的尾部风险项：S1 期望成本、S2 加 CVaR、S3 加双层尾部 GlueVaR，风险项尺度统一在 S1 参考损失分布处校准。
指标（相对 S1） · S2（CVaR） · S3（GlueVaR）
期望负荷削减量 · −18.25% · −18.70%
基准 GlueVaR · −8.69% · −8.91%
期望运行成本 · +4.74% · +4.86%
灾害窗口起始时刻 BESS SOC · 58.87% → 92.63% · → 93.46%
方向一致：风险厌恶策略靠提高灾前储备压尾部风险。但 S2 与 S3 的差距非常小——S3 相对 S2 期望运行成本只多 0.12%，负荷削减量与基准 GlueVaR 只多降 0.55% 和 0.23%；100 次 Bootstrap 配对差异的 95% 置信区间都包含 0。作者的表述很克制：「现有样本尚未提供 S3 相对于 S2 存在稳定显著调度差异的证据」。GlueVaR 在这套风险结构和参数下的角色，是联合表征较宽高损失区间与极端尾部信息，不是打败 CVaR。
图2 S3 在场景 S10 下的 24 小时运行：(a) 电功率平衡；(b) 电解槽制氢、储氢罐充放与燃料电池出力及 SOC；(c) 热功率平衡（CHP、燃气锅炉、氢燃料电池余热、地源热泵）；(d) 冷功率平衡（地源热泵、电制冷、吸收式制冷、蓄冷罐充放冷）。
最极端的代表场景 S10 值得单看：24 小时累计降水量 147.15 mm，场景概率 0.95%，光伏可用度 0.0957、风电 0.0884，排水需求指数 1——应急排水负荷 600 kW、主网输入上限砍到 800 kW，源侧出力下降、荷侧需求上升、外部供电受限同时发生。运行逻辑分两段：灾前用主网和新能源充电、电解槽制氢；灾中新能源和主网同时收缩，CHP、氢燃料电池和 BESS 提高供电贡献。分工是 BESS 扛电侧短时功率调节，电-氢耦合链做跨时段能量转移并顺带电热联供，CST 调冷能供需时序。
风险偏好和估值的分层也有一组数：基准情形下 S3 的基准 GlueVaR 为 30.2445 万元，套上房山区 ASVF 后调度后区域 GlueVaR 变成 32.4795 万元——设备出力、储能状态、负荷削减量一个都没变，变的只是货币化口径。
消融和敏感性：氢能链不只是储能
容量匹配消融把「储能规模」和「转换路径」分开测：移除氢能链后配一个等效能量与端侧功率对齐的 BESS，结果期望负荷削减量、基准 GlueVaR、期望运行成本分别恶化 6.02%、2.56%、4.84%——氢能链的价值不在存了多少电，而在电-氢转换、跨时段转移和燃料电池电热联供这条路径。移除蓄冷装置后三项指标反而分别变化 −4.53%、−1.83%、+3.78%，在当前负荷与价格条件下它主要承担冷能侧时移。两类都移除则 +1.48%、+0.73%、+8.85%。
预警的账在条件状态比较里：有预警—无灾情比无预警—无灾情多花 5122.66 元准备成本；灾情发生条件下，有预警状态使期望负荷削减量和基准 GlueVaR 分别再降 78.69% 和 34.92%，运行成本与负荷削减损失之和从 68338.77 元降到 45097.92 元。作者注明这四种状态未按灾害发生概率及预警命中、漏报、虚警概率加权，只能做条件状态比较，不能当期望收益读。
图3 (a) GlueVaR 极端尾部置信水平与权重的敏感性；(b) 容量匹配消融：移除氢能链后 GlueVaR 恶化 2.56%、负荷削减恶化 6.02%；(c) 预警—灾情四条件状态；(d) 灾害影响窗口起始时刻敏感性，指标呈非单调变化。
作者承认的限制
论文对数据口径的限定写得很密，逐条如下：
限制 · 原文口径
样本量 · 观测期仅 1 个大暴雨事件，「1% 的概率质量仅约对应 1.05 个事件」，CVaR 应解释为有限样本条件下的极端压力尾部指标；最大事件概率扰动和留一分析表明高置信水平尾部风险的绝对值对最大历史事件较敏感
S3 vs S2 · Bootstrap 配对差异 95% 置信区间包含 0，「现有样本尚未提供 S3 相对于 S2 存在稳定显著调度差异的证据」
边界的口径 · 园区运行边界「属于基于城市尺度逐日气象资料的参数化压力边界」，算例「用于比较参数化极端降雨条件下的相对调度响应，不作为特定园区小时级实际运行预测」，小时级标定需现场气象和设备运行观测
预警比较 · 四种预警—灾情状态未按灾害发生概率及命中、漏报、虚警概率加权，「仅用于条件状态比较」
保险数据 · 赔付信息受承保范围、资产组合、免赔条件和理赔口径影响，综合赔付率「不等同于区域全部资产的灾害损失率，也不表示极端降雨条件下的物理失效概率」，跨时段稳定性和跨区域可比性受限
后续方向 · 结合更长时段极端事件样本、园区小时级运行数据和滚动气象预报，研究在线主动防御调度
一句话判断
这套方法真正可迁移的是分层：气象场景定物理边界、尾部风险定储备水平、保险数据只管估值不管调度——拿 4.86% 的运行成本买 18.70% 的负荷削减是笔算得清的账，但 GlueVaR 没跑赢 CVaR，别为换风险度量而换。