4. 功率预测基础：预测的时间尺度分类与误差评价指标
各位好，我是老张。今天咱们聊聊功率预测里最基础、也最绕不开的两个话题——时间尺度怎么分，以及预测准不准该怎么算。
说实话，我刚入行那会儿，觉得预测嘛，不就是猜明天发多少电？后来在项目里被现实狠狠教育了一回，才发现这里头门道深着呢。你想想看，风电制氢这个场景，电网调度、制氢设备启停、储氢罐容量规划，每个环节对预测的时效性要求都不一样。
4.1 预测的时间尺度分类
我个人习惯把预测分成三个档次：超短期、短期、中期。它们不是随便拍脑袋分的，背后对应着不同的业务需求。
| 类型 | 时间范围 | 典型用途 | 更新频率 |
|---|---|---|---|
| 超短期预测 | 0～4小时 | 制氢设备实时功率分配、储能充放电控制 | 每5～15分钟 |
| 短期预测 | 0～72小时 | 日前调度计划、制氢排班、电网交易 | 每天1～2次 |
| 中期预测 | 3～7天或更长 | 设备检修安排、储氢罐容量规划、氢气外送计划 | 每天或每半天 |
4.1.1 超短期预测（0～4小时）
这个尺度，说白了就是「看眼前」。我记得在河北一个风氢耦合项目里，制氢电解槽对功率波动特别敏感。如果超短期预测不准，电解槽频繁启停，那损耗可不是闹着玩的。
超短期预测主要靠数值天气预报的滚动更新，加上历史数据的实时修正。我常用的方法是ARIMA模型配合卡尔曼滤波，效果还不错。嗯，这里要注意——超短期预测的输入数据必须是高频的，至少每5分钟一个采样点。
4.1.2 短期预测（0～72小时）
短期预测是风电制氢调度的「主心骨」。为什么？因为电网的日前交易、制氢设备的日排产计划，全指着它。
我曾经在一个项目里，短期预测的RMSE做到12%左右，客户还不满意。后来我仔细一查，问题出在数值天气预报的输入上——他们用的免费预报数据，分辨率太粗了。换了高分辨率数据后，RMSE直接降到8%。
短期预测的常用方法包括：
- 物理方法：基于NWP（数值天气预报）的风速-功率转换曲线
- 统计方法：支持向量回归、随机森林
- 深度学习方法：LSTM、Transformer（这两年越来越火）
4.1.3 中期预测（3～7天）
中期预测，说实话，精度是最差的。你想想看，让天气预报告诉你一周后刮不刮风，这本身就挺玄学的。
但中期预测在风电制氢里有个特殊用途——储氢罐的容量规划。如果未来一周风况不好，你得提前把储氢罐腾空，或者减少制氢量。如果风况好，那就多制点氢存着。
中期预测我一般用集合预报的方法，就是拿多个NWP模型的输出做集成。虽然单个模型不准，但多个模型投票，总比瞎猜强。
4.2 预测误差评价指标
预测做完了，怎么知道准不准？这就得靠评价指标了。我见过不少新手，只看一个指标就下结论，结果被坑得很惨。
常用的三个指标：MAE、RMSE、R²。它们各有各的脾气。
4.2.1 MAE（平均绝对误差）
MAE的计算公式很简单：
MAE = (1/n) * Σ|y_i - ŷ_i|其中y_i是实际值，ŷ_i是预测值，n是样本数。
MAE的好处是直观。比如MAE=5MW，意思就是平均每次预测偏差5兆瓦。我习惯用MAE来跟业务方沟通，因为他们一听就懂。
但MAE有个缺点——它对所有误差一视同仁。不管你是差1MW还是差10MW，它都平均对待。这在风电制氢场景里可能有问题，因为大误差往往意味着更大的风险。
4.2.2 RMSE（均方根误差）
RMSE是我个人最常用的指标：
RMSE = sqrt((1/n) * Σ(y_i - ŷ_i)²)注意，这里对误差做了平方。这意味着，RMSE对「大误差」特别敏感。举个例子：
- 如果所有误差都在2MW左右，MAE和RMSE差不多
- 如果偶尔出现一个10MW的大误差，RMSE会明显变大，而MAE变化不大
在风电制氢里，我建议重点关注RMSE。为什么？因为一个大误差可能导致电解槽过载或者停机，损失远大于多个小误差的总和。
4.2.3 R²（决定系数）
R²衡量的是模型对实际值方差的解释程度：
R² = 1 - (Σ(y_i - ŷ_i)²) / (Σ(y_i - ȳ)²)其中ȳ是实际值的平均值。
R²的取值范围是(-∞, 1]。越接近1，说明模型拟合得越好。如果R²=0.85，意思就是模型解释了85%的方差。
但这里有个坑——R²高不代表预测准。我见过一个案例，模型在低风速段拟合得特别好，R²高达0.92，但在高风速段完全跑偏。为什么？因为高风速样本太少，对R²的贡献小。
4.3 三个指标怎么选？
说实话，没有「最好」的指标，只有「最合适」的指标。我一般这样用：
- 跟业务方汇报：用MAE，简单明了
- 模型调优：用RMSE，惩罚大误差
- 模型对比：三个指标一起看，综合判断
另外，我建议在风电制氢场景里，按功率区间分别计算误差。比如：
- 低功率段（0～30%额定功率）：MAE和RMSE可能偏大，但影响不大
- 高功率段（70%～100%额定功率）：误差必须严格控制，因为涉及设备安全
我曾经在一个项目里，把全功率段的RMSE从15%降到了10%，但客户还是不满意。后来按功率段一分析，发现高功率段的RMSE还是12%。问题出在风速-功率转换曲线在高风速段非线性太强。换了分段模型后，高功率段RMSE降到了7%。
4.4 本章小结
嗯，今天的内容就这些。总结一下：
- 预测时间尺度分三类：超短期（0～4h）、短期（0～72h）、中期（3～7天），各有各的用途和精度要求
- 评价指标三个：MAE（直观）、RMSE（惩罚大误差）、R²（解释方差），别只看一个
- 实际项目中，建议按功率段分别评估，别被「平均」骗了
下一章咱们聊聊具体的预测模型怎么建。到时候我会拿一个真实的风电制氢项目数据，手把手带大家走一遍。