根据美国能源信息署(EIA)最新发布的数据,经SUN DAY Campaign整理分析,2026年前四个月,可再生能源占美国总发电量的30.0%,较上年同期增长2.2%。
EIA最新发布的《电力月报》(数据截至2026年4月30日)显示,2026年前四个月可再生能源发电量较2025年同期增长10.03%。增长主要由大型光伏(装机容量超过1兆瓦)带动,同比增幅达21.3%;其次是水电(+15.7%)、分布式光伏(装机容量低于1兆瓦,+11.9%)以及风电(+3.4%)。
与此同时,美国煤电产量下降11.6%,核电小幅增长0.5%,天然气发电增长2.8%。
风电与光伏(含分布式光伏)合计占国内发电总量的21.8%。仅4月单月,风电和光伏的发电量均超过煤电,风光合计发电量更是比核电高出57.0%。
包含生物质能和地热在内的全口径可再生能源,在2026年前四个月合计占总发电量的30.0%,较一年前的27.8%有所提升。
装机容量快速扩张
2025年5月至2026年4月期间,大型光伏装机容量新增27,572.3兆瓦,分布式光伏和风电分别新增6,492.2兆瓦和5,976.4兆瓦。包含水电、生物质能和地热在内的全口径可再生能源总装机容量共扩大39,884.2兆瓦。
EIA报告显示,4月份大型光伏装机容量首次超越风电,分别达到160,208.1兆瓦和160,100.6兆瓦。
此外,大型电池储能装机容量增加17,703.5兆瓦,增幅达58.1%;核电仅新增18.4兆瓦。化石能源方面,煤电装机减少3,511.4兆瓦,天然气装机增加7,754.2兆瓦。
可再生能源未来增长前景
截至2026年5月1日,可再生能源占美国大型电源总装机容量的33.8%。EIA预测,这一比例将在2027年4月30日前升至36.8%。其中,大型光伏将新增42,527.2兆瓦,占比从13.1%提升至15.9%;风电将新增13,154.4兆瓦(含3,355.0兆瓦海上风电),占比从13.1%升至13.6%;其他可再生能源(水电、生物质能、地热)将新增298.7兆瓦。
未来12个月,全口径大型可再生能源新增装机容量预计达55,980.3兆瓦,比过去12个月新增的33,392.0兆瓦高出67.6%。
EIA预计核电装机不会有新增,化石能源装机则将净减少5,200.5兆瓦。
若加入分布式光伏预期新增约6,000兆瓦,可再生能源总装机容量将达到约537,606.9兆瓦,届时将超过天然气的515,744.9兆瓦。届时,光伏单一能源的装机占比将超过全美总装机的五分之一(20.1%)。
储能与清洁能源协同增长
EIA预测,到2027年5月1日,电池储能将再新增22,828.9兆瓦,总容量将达71,007.4兆瓦,增幅超过47%。
届时,大型可再生能源与电池储能合计将新增78,809.2兆瓦清洁能源装机容量;若纳入分布式光伏,这一数字有望接近85,000兆瓦。
SUN DAY Campaign执行董事肯·博松(Ken Bossong)表示:"太阳能、风能和电池储能的加速推进势头依然强劲,特朗普阻止可再生能源增长的努力,并没有取得什么实质性成效。"
Q&A
Q1:2026年美国可再生能源发电占比达到了多少?
A:根据EIA最新数据,2026年前四个月,可再生能源占美国总发电量的30.0%,较上年同期增长2.2%。其中增长最快的是大型光伏(+21.3%),其次是水电(+15.7%)、分布式光伏(+11.9%)和风电(+3.4%)。
Q2:大型光伏装机容量什么时候超过风电的?
A:根据EIA报告,2026年4月,美国大型光伏装机容量首次超越风电,分别达到160,208.1兆瓦和160,100.6兆瓦,标志着光伏在装机规模上正式超过风电,成为美国最大的单一可再生能源装机类型。
Q3:未来一年美国可再生能源装机容量预计如何变化?
A:EIA预测,到2027年4月30日,可再生能源占大型电源总装机的比例将从33.8%升至36.8%。大型光伏将新增42,527.2兆瓦,风电新增13,154.4兆瓦。若纳入分布式光伏,可再生能源总装机有望达到约537,606.9兆瓦,届时将超过天然气装机总量。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。