第三章 新能源出力预测：光伏预测方法、风电预测方法、不确定性建模、场景生成技术
各位同行，咱们今天聊聊新能源出力预测。说实话，这是EMS调度里最让人头疼的一块。光伏和风电不像火电，你说发多少它就发多少——它们看天吃饭。我做了这么多年调度系统，最深的体会就是：预测不准，调度白费。
3.1 光伏预测方法
光伏预测，说白了就是猜太阳什么时候来、来多少。我个人习惯把预测分成两个维度：时间尺度和物理模型。
3.1.1 时间尺度划分
- 超短期预测（0-4小时）：主要靠云图+地面辐照度数据。我建议用卫星云图结合地基云图，精度能到85%以上。
- 短期预测（4-72小时）：依赖数值天气预报（NWP）。这里有个坑——NWP的网格分辨率通常不够细，光伏电站才几平方公里，你得做降尺度处理。
- 中长期预测（72小时以上）：说实话，这个时间尺度我一般不推荐用于调度决策，误差太大。
3.1.2 常用预测模型
我在项目中用过几种主流方法，给你列个对比：
| 方法 | 原理 | 适用场景 | 我的评价 |
|---|---|---|---|
| 物理模型 | 基于大气辐射传输方程 | 晴天、少云天气 | 物理意义明确，但阴天直接崩 |
| 统计模型（ARIMA等） | 历史数据时序外推 | 平稳天气过程 | 简单好用，但突变天气抓瞎 |
| 机器学习（LSTM、CNN） | 深度学习提取时空特征 | 复杂天气、多云场景 | 精度最高，但需要大量历史数据 |
| 混合模型 | 物理+数据驱动融合 | 通用场景 | 我目前最推荐的做法 |
我的小技巧：做光伏预测时，别只盯着辐照度。温度对光伏板效率影响很大——夏天中午虽然太阳猛，但板子温度高了，效率反而下降。这个修正项很多人会漏掉。
3.2 风电预测方法
风电比光伏更难预测。为什么？风的变化比太阳复杂得多。太阳好歹有个昼夜规律，风呢？说变就变。
3.2.1 风电预测的核心难点
- 湍流特性：风在秒级尺度上就有剧烈波动
- 地形效应：山脊、山谷、海陆风，每个风电场都有自己的脾气
- 尾流效应：上游风机挡了风，下游风机出力就少
我记得有一次在西北某风电场做项目，同一个风电场，南边和北边的风机出力能差30%。后来一查，是地形造成的局地风场差异。嗯，这里要注意——风电预测不能只看一个点的数据。
3.2.2 常用预测方法
风电预测的主流方法，我按技术路线给你捋一捋：
- 物理方法：基于CFD（计算流体力学）模拟风场。精度高，但计算量巨大，不适合实时调度。
- 统计方法：用历史风速-功率曲线做映射。简单，但曲线会老化——叶片脏了、磨损了，曲线就变了。
- 深度学习方法：LSTM、Transformer这些。我最近在尝试用图神经网络（GNN）做风电场级预测，效果不错。
关键点：风电预测的误差通常比光伏大30%-50%。所以做调度时，一定要给风电留更多的备用容量。
3.3 不确定性建模
说到不确定性，这是新能源预测里最核心的问题。你想想看，预测值只是一个点，但实际出力可能落在某个范围内。如果你只用一个点去做调度，那风险太大了。
3.3.1 不确定性来源
- 气象不确定性：NWP模型本身的误差
- 模型不确定性：预测模型结构不完美
- 测量不确定性：传感器精度、数据采集误差
3.3.2 不确定性量化方法
我个人习惯用以下几种方式：
| 方法 | 输出形式 | 计算复杂度 |
|---|---|---|
| 分位数回归 | 不同置信水平下的预测区间 | 低 |
| 贝叶斯神经网络 | 预测分布（均值+方差） | 高 |
| 集成预测 | 多个预测结果的统计分布 | 中 |
| 核密度估计 | 完整的概率密度函数 | 中 |
避坑指南：我曾经在项目里直接用点预测做鲁棒优化，结果调度方案过于保守，经济性很差。后来改用概率预测+随机优化，才找到平衡点。记住：不确定性建模不是越保守越好，而是越准确越好。
3.4 场景生成技术
场景生成，就是把不确定性量化结果转化成一组具体的、可计算的场景。说白了，就是给调度模型提供输入。
3.4.1 场景生成的核心逻辑
我画了一张图，帮你理解整个流程：
3.4.2 常用场景生成方法
我常用的场景生成方法有这几种：
- 蒙特卡洛模拟：从预测分布中随机采样。简单直接，但需要大量样本才能收敛。
- 场景缩减技术：用K-means或SBR（场景后向缩减）把大量场景压缩到几十个代表性场景。我建议用SBR，它能保留极端场景。
- 生成对抗网络（GAN）：最近比较火的方法，能生成逼真的时空相关场景。但训练不稳定，需要调参经验。
实战建议：做场景生成时，别只关注场景数量。场景的多样性更重要。我曾经用100个场景但全是相似的，结果调度方案跟用10个场景差不多。后来我加了多样性约束，效果立竿见影。
3.5 实战中的注意事项
最后，我总结几条实战经验：
- 数据质量是第一位的：再好的模型，喂进去垃圾数据，出来的也是垃圾。我建议花30%的时间做数据清洗。
- 预测误差会累积：超短期预测误差小，但到了日内调度，误差会放大。所以滚动预测+滚动调度是标配。
- 极端天气要单独处理：台风、寒潮、沙尘暴——这些场景下常规模型基本失效。我习惯建一个极端天气库，专门做预案。
- 模型要定期更新：光伏板会老化，风机叶片会磨损，预测模型也得跟着变。我建议每季度重新训练一次。
曾经踩过的坑：有一次我直接用了公开气象数据做预测，结果发现当地有个小气候——山谷风效应特别明显。后来我加了本地气象站的数据，误差从20%降到了8%。所以，别迷信公开数据，本地化修正很重要。
好了，新能源出力预测这块就聊到这儿。记住：预测永远不可能100%准确，但我们可以把不确定性管好。这才是调度的艺术。
公众号:蓝海资料掘金营，微信deep3321