2、风电功率预测误差定义：绝对误差、相对误差、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)
聊误差之前，我先说句实在话。
做风电功率预测这么多年，我见过太多人一上来就堆模型、调参数，结果预测结果出来，连最基本的误差指标都没搞明白。你想想看，连「错多少」都没定义清楚，怎么去优化？
所以这一节，咱们先把误差的「度量衡」定下来。
2.1 绝对误差：最直观的「差多少」
绝对误差，说白了就是预测值和实际值之间的差值。公式很简单：
绝对误差 = 预测值 - 实际值嗯，这里要注意：绝对误差是有正负的。正数代表预测高了，负数代表预测低了。
我在项目中遇到过一件事：有一次做风电场短期预测，某台机组连续三天都预测偏高，绝对误差一直在+5MW左右。我当时就觉得不对劲——后来一查，原来是那个机组的功率曲线标定出了问题。你看，绝对误差的正负号，有时候能帮你定位问题。
关键点：绝对误差的单位和原始数据一致，比如MW、kW。它告诉你「偏了多少」，但不告诉你「偏了多少比例」。
2.2 相对误差：看「比例」更公平
绝对误差有个毛病——同样的5MW误差，在100MW的场站和10MW的场站里，意义完全不同。这时候就需要相对误差了。
相对误差 = (预测值 - 实际值) / 实际值 × 100%我个人习惯用相对误差来对比不同容量机组的预测表现。比如一个50MW的场站和200MW的场站，用相对误差就能公平地比较谁预测得更准。
⚠️ 避坑指南：当实际值接近0时（比如夜间无风时段），相对误差会变得非常大甚至无穷。我曾经因为这个原因，在某个项目的评估报告里被质疑数据造假——实际功率0.1MW，预测0.3MW，相对误差200%！后来我学乖了，处理这类数据时，要么剔除低功率时段，要么改用其他指标。
2.3 均方根误差(RMSE)：惩罚大误差
RMSE是我个人最喜欢的指标之一。为什么？因为它对「大误差」特别敏感。
RMSE = sqrt( (1/n) × Σ(预测值 - 实际值)² )你看，误差先平方再开方，这就意味着：如果你有一次预测偏差特别大，RMSE会「放大」这个错误。这在风电预测里很有用——因为电网调度最怕的就是突然的大偏差，小偏差反而可以容忍。
举个例子：
| 场景 | 误差序列 (MW) | MAE | RMSE |
|---|---|---|---|
| 场景A | 1, 2, 1, 2, 1, 2, 1, 2, 1, 2 | 1.5 | 1.58 |
| 场景B | 0, 0, 0, 0, 0, 0, 0, 0, 0, 15 | 1.5 | 4.74 |
看到了吗？两个场景的MAE都是1.5，但场景B有一次15MW的大偏差，RMSE直接飙到4.74。这就是RMSE的「惩罚机制」。
💡 我的经验：在做风电场并网评估时，电网公司往往更关注RMSE而不是MAE。因为一次大的预测失误，可能直接导致调度计划被打乱。所以，如果你的模型RMSE偏高，优先去查那些「极端偏差」的样本。
2.4 平均绝对误差(MAE)：最「老实」的指标
MAE就是所有绝对误差的绝对值取平均。公式：
MAE = (1/n) × Σ|预测值 - 实际值|它不像RMSE那样「偏心」，对所有误差一视同仁。说白了，MAE告诉你「平均每次预测偏差多少」，单位也是MW或kW，非常直观。
我建议在项目汇报时，优先用MAE。为什么？因为老板和客户更容易理解：「平均每次偏差5MW」比「RMSE是7.2MW」听起来更接地气。
2.5 平均绝对百分比误差(MAPE)：百分比版的MAE
MAPE就是把MAE变成了百分比形式：
MAPE = (1/n) × Σ|(预测值 - 实际值) / 实际值| × 100%这个指标在行业报告里很常见，因为它没有单位，方便不同项目之间对比。比如A风电场MAPE=12%，B风电场MAPE=15%，一眼就能看出A的预测更准。
⚠️ 再次提醒：MAPE和相对误差有同样的毛病——实际值接近0时，MAPE会爆炸。我曾经处理过一个数据集，夜间有大量接近0的功率值，算出来的MAPE高达300%多，完全失去了参考意义。所以，实际应用中我通常会设置一个功率阈值（比如额定功率的5%），低于这个值的数据不参与MAPE计算。
2.6 知识体系总览
下面这张图，是我自己整理的风电功率预测误差指标体系。你可以把它当作一个「速查手册」：
2.7 实际应用中的选择建议
讲了这么多，你可能会问：到底该用哪个指标？
我的建议是——别只用一种。
- 做模型调优时：我习惯同时看RMSE和MAE。如果RMSE远大于MAE，说明模型存在「偶尔抽风」的问题，需要重点优化极端情况。
- 写项目报告时：用MAE和MAPE。MAE给业务人员看，MAPE给管理层看，各取所需。
- 做并网考核时：严格按照电网公司的要求来。国内很多省份的并网细则里，明确规定了RMSE的考核标准。
💡 一个小技巧：我每次做预测结果分析，都会把五个指标全部算出来，然后画在一张雷达图上。这样一眼就能看出模型的「偏科」情况——比如MAE很低但RMSE很高，说明模型大部分时间准，但偶尔会犯大错。
好了，误差的定义就聊到这儿。记住一句话：选对指标，比调对参数更重要。指标选错了，后面的优化全是白费功夫。
公众号:蓝海资料掘金营，微信deep3321