第4章功率预测基础

4. 功率预测基础：数值天气预报(NWP)、统计预测方法、物理预测方法

各位同行，今天我们来聊聊功率预测。说实话，我刚入行那会儿，觉得预测这事儿挺玄乎的。风一来，电就发；风停了，啥也没有。后来做了几个项目才明白，预测不是算命，它是有科学套路的。

功率预测，说白了就是回答一个问题：未来几个小时或几天，我的风电场能发多少电？ 这个问题直接关系到电网调度、交易决策、甚至储能策略。我见过不少场站因为预测不准，被考核罚得心疼。所以，这块内容值得你花时间啃透。

核心观点： 没有一种预测方法能包打天下。实际工程中，往往是 NWP + 统计/物理方法混合使用，取长补短。

NWP 是什么？简单说，就是用超级计算机求解大气运动方程组。它把地球网格化，每个格点算温度、气压、风速、风向。我参与过一个海上风电项目，当时用的就是欧洲中期天气预报中心（ECMWF）的数据，分辨率能做到 9 公里。

但 NWP 有个问题：计算量巨大。你想想看，全球网格、多层大气、时间步长几分钟，这得多少算力？所以 NWP 通常由气象局或专业机构提供，我们风电工程师主要是“拿来用”。

NWP 模型	空间分辨率	更新频率	适用场景
ECMWF（欧洲）	~9 km	12 小时	中长期预测（3-7天）
GFS（美国）	~13 km	6 小时	全球范围，免费
WRF（区域）	1-3 km	可自定义	局地精细化预测

我的经验： 别迷信高分辨率。分辨率越高，计算误差反而可能放大。我一般建议：先看 NWP 的“趋势”准不准，再看“数值”准不准。趋势对了，后面统计方法才好发挥。

统计方法，说白了就是“用历史数据说话”。它不关心大气物理过程，只关心输入（NWP 风速、历史功率）和输出（未来功率）之间的数学关系。

常用的统计方法有：

时间序列模型（ARIMA、SARIMA）：适合超短期预测（0-4小时）。我记得有一次做风电场并网测试，用 ARIMA 预测 15 分钟后的功率，误差能控制在 5% 以内。
机器学习（随机森林、XGBoost、LSTM）：适合短期到中期（4小时-3天）。LSTM 对时序数据特别友好，但调参是个坑。我曾经为了调一个 LSTM 模型，连续加班一周，最后发现数据清洗比模型更重要。
组合模型：把 NWP 输出作为特征，加上历史功率、温度、气压等，一起喂给模型。这是目前工程界的主流做法。

避坑指南： 我曾经遇到过一个项目，统计模型在训练集上表现完美，但一上线就崩。后来发现是数据泄露——不小心把未来数据当特征用了。记住：预测时，只能用过去的信息预测未来。

物理方法，就是建立从风速到功率的物理模型。它不依赖历史数据，而是基于风机功率曲线、尾流效应、地形粗糙度等物理规律。

具体步骤一般是：

物理方法的优点是可解释性强。出了问题，你能追查到是风速不准，还是尾流模型不对。但缺点也很明显：模型参数多，比如粗糙度、湍流强度，这些参数很难精确获取。

我的建议： 物理方法适合新建风电场（没有历史数据），或者做极端天气下的功率评估。平时运行，还是统计方法更省心。

我把三种方法的特点整理了一下，方便你对比：

实际工程中，我常用的套路是：

下面这张图，是我自己总结的功率预测知识体系。你可以把它当作一个“地图”，随时回来对照：

一个小技巧： 做混合模型时，别一上来就搞复杂。我习惯先跑一个简单的统计模型（比如线性回归）作为 baseline，然后再逐步加 NWP 特征、物理约束。这样你能清楚看到每一步的精度提升。

好了，关于功率预测的基础就聊到这儿。这三种方法各有各的脾气，你得多跟它们“打交道”，才能摸透它们的性子。下次遇到预测不准的情况，别慌，先看看是 NWP 的风速偏了，还是统计模型过拟合了，还是物理参数没设对。嗯，慢慢来，总会调好的。