4、新能源出力预测：风电、光伏出力特性、预测模型、不确定性分析

做现货交易这几年，我越来越觉得新能源预测是个“看天吃饭”的精细活。说白了，风电和光伏的脾气完全不同，你得摸透它们的性子，才能在交易里少吃亏。

4.1 风电出力特性：风来了，电就有了

风电这东西，我习惯叫它“随性派”。风大就多，风小就少，有时候突然一阵狂风，出力能瞬间飙到额定功率的80%以上。但你要是以为它一直这么猛，那就错了。

几个关键特性：

• 间歇性：风不是24小时均匀吹的。白天和晚上、夏天和冬天，差别很大。我在西北项目上遇到过，白天风小得可怜，晚上反而呼呼刮，搞得我们夜班交易员特别紧张。
• 波动性：几分钟内出力变化超过50%的情况，我见过不止一次。尤其是阵风过境时，风机集群出力像过山车。
• 反调峰特性：很多地区晚上用电低谷时风最大，白天用电高峰时风反而小。这给现货市场平衡带来了大麻烦。

4.2 光伏出力特性：太阳说了算

光伏就规矩多了。我管它叫“规律派”。日出而作，日落而息，中午达到顶峰。但别以为它好预测——云层一遮，出力立马跳水。

核心特性：

• 昼夜性：晚上出力为零，这个不用多说。但日出和日落时刻的出力爬坡速度，很多人会忽略。我建议重点关注早上6-8点和下午4-6点的爬坡率。
• 天气敏感性：一片云飘过来，出力能掉30%。等云过去了，又瞬间恢复。这种“锯齿状”波动，对实时市场报价影响很大。
• 季节性：夏天出力大，冬天出力小。但有趣的是，夏天中午因为温度太高，光伏板效率反而会下降一点。嗯，这里要注意。

4.3 预测模型：从简单到复杂

预测模型这块，我踩过不少坑。刚开始用简单的持续法，后来慢慢升级到物理模型、统计模型，现在主流是深度学习。但说实话，没有万能模型。

常用模型对比：

模型类型	原理	适用场景	我踩过的坑
持续法	认为未来出力等于当前出力	超短期（15分钟以内）	天气突变时完全失效
物理模型	基于NWP数值天气预报	中长期（24小时以上）	NWP分辨率不够，局部误差大
统计模型	ARIMA、回归分析	短期（1-6小时）	非线性关系拟合不好
深度学习	LSTM、CNN、Transformer	任意时段（数据充足时）	训练数据不够，过拟合严重

我个人最常用的是LSTM+注意力机制的组合。为什么？因为它能记住长时间序列的依赖关系，对风电这种“有记忆”的波动特别有效。下面是一个简化版的代码框架：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Attention

# 假设输入是过去24小时的风电出力数据
model = Sequential()
model.add(LSTM(64, return_sequences=True, input_shape=(24, 1)))
model.add(Attention())
model.add(Dense(1))  # 预测下一小时出力

model.compile(optimizer='adam', loss='mse')
# 训练数据准备略...

4.4 不确定性分析：预测不准才是常态

做交易这么多年，我最大的体会是：预测永远不准，但你要知道它有多不准。不确定性分析，说白了就是给你的预测值加上一个“置信区间”。

常用的不确定性量化方法：

• 概率预测：不给出单一值，而是给出概率分布。比如“明天10点出力有80%概率在50-70MW之间”。
• 分位数回归：预测10%、50%、90%分位数。我习惯用这个做风险对冲。
• 集成预测：用多个模型分别预测，看结果的分歧程度。分歧越大，不确定性越高。

为什么会这样？因为新能源出力的不确定性来源太多了：

1. 气象不确定性：NWP模型本身就有误差，尤其是局部微气象。
2. 设备不确定性：风机老化、光伏板积灰，都会影响实际出力。
3. 市场不确定性：现货价格波动反过来会影响调度策略，形成反馈循环。

4.5 知识体系总览

下面这张图是我自己总结的新能源预测知识框架，你可以把它当成一个“地图”。每次做预测前，先看看自己卡在哪个环节。

你看，从出力特性到预测模型，再到不确定性分析，最后落到交易应用，这是一条完整的链路。任何一个环节出问题，都会影响你的交易结果。