一、风电预测概述：为什么需要风电功率预测？预测的物理基础与业务价值

1.1 一个真实场景：风来了，电却没了

我记得刚入行那年，去一个西北风电场做调研。场长指着远处一排排风机跟我说：“你看，风大的时候，电网说不要了，我们只能弃风。风小的时候，电网又催着要电，我们发不出来。” 他叹了口气，“要是能提前知道明天能发多少电，我们也不至于这么被动。”

这就是风电预测最朴素的驱动力。说白了，风电不像火电，煤堆在那里，想发多少就发多少。风是老天爷给的，它什么时候来、来多大，我们说了不算。但电网调度需要提前知道明天有多少风电可以上网，否则就得准备大量的备用火电——成本高，还不环保。

1.2 物理基础：风是怎么变成电的？

要理解预测，先得明白风功率的物理本质。风机的输出功率，理论上和风速的三次方成正比。你想想看，风速从5m/s涨到6m/s，只增加了20%，但功率可能翻倍。这就是为什么风速预测的精度，直接决定了功率预测的精度。

公式很简单：

P = 0.5 * ρ * A * Cp * v³

其中：

• ρ：空气密度（受温度、气压影响）
• A：风轮扫掠面积
• Cp：风能利用系数（贝兹极限是0.593，实际0.4左右）
• v：风速（最关键变量）

我在项目中遇到过一件事：有一次模型预测偏差特别大，排查了半天，发现是空气密度参数用了默认值。那是在高原风电场，空气密度比海平面低了20%，功率直接差了20%。嗯，这种细节，不注意就会翻车。

1.3 业务价值：预测到底能省多少钱？

预测不是学术游戏，它直接关系到真金白银。我给大家算一笔账：

应用场景	没有预测	有预测（误差<10%）
电网调度	需预留20%旋转备用	只需预留5%旋转备用
电力交易	偏差考核罚款高	偏差可控，罚款降低70%
风机运维	被动响应式维护	提前安排计划性维护

举个例子，一个100MW的风电场，如果预测误差从20%降到10%，每年光减少的备用容量成本就能省下几百万。更别说电力现货市场里，偏差考核罚款动辄几十万一次。所以，老板们愿意投钱做预测，不是因为他们懂技术，而是因为他们算得清这笔账。

1.4 预测的三种时间尺度

不同的业务需求，对应不同的预测时间尺度。我习惯把它们分成三类：

1. 超短期预测（0-4小时）：用于风机控制、AGC调度。精度要求最高，误差通常控制在5%以内。
2. 短期预测（4小时-3天）：用于日前电力市场、机组组合。这是最核心的业务场景，也是我们课程的重点。
3. 中期预测（3天-7天）：用于检修计划、燃料采购。精度要求相对宽松，但趋势要准。

你可能会问：为什么不能用一个模型搞定所有时间尺度？我试过，效果很差。超短期看的是风速的惯性，短期看的是天气系统的演变，中期看的是气候模式。物理机制不同，模型架构自然不同。

1.5 知识体系总览

下面这张图，是我自己梳理的风电预测知识体系。每次带新人，我都会先让他们看这张图，建立全局观。

1.6 预测的难点：为什么这么难做？

做了这么多年预测，我最大的感受是：风电预测不是纯技术问题，而是系统工程。难点主要有三个：

• 数据质量差：SCADA系统经常丢包、传感器漂移、通讯中断。我见过一个风电场，半年数据里30%是无效值。这种数据喂给模型，结果可想而知。
• 天气不确定性：NWP（数值天气预报）本身就有误差，尤其是在复杂地形下。比如山区风电场，局地微气候让预报员都头疼。
• 模型泛化能力：一个模型在A风电场跑得很好，换到B风电场就崩了。为什么？因为每个风电场的风机布局、地形、气候都不一样。没有银弹。

1.7 小结：预测的本质

说了这么多，其实就一句话：风电预测是用历史数据和气象信息，去推断未来的发电能力。它不要求100%准确（也不可能），但要求误差可控、可解释。

我个人习惯把预测看作一个“概率游戏”。我们不是在预测一个确定的值，而是在描述未来可能出现的功率分布。这个思维转变，对后续的模型评估和业务落地非常重要。

好了，这一章就到这里。下一章我们会深入数据层面，聊聊怎么处理那些“脏乱差”的SCADA数据。到时候我会分享一些我踩过的坑，保证实用。