3、风功率预测技术：数值天气预报、统计预测方法、机器学习预测模型、预测误差分析
风功率预测，说白了就是给风电场装个「天气预报大脑」。
我做了这么多年储能系统，最深的体会就是：预测不准，储能白干。你想想看，如果不知道明天风怎么吹，储能系统要么充不满，要么放不出，收益全打水漂。
这一章，我把风功率预测的四个核心模块掰开揉碎了讲。都是我在项目里踩过的坑和攒下的经验。
3.1 数值天气预报（NWP）—— 预测的「地基」
数值天气预报，简称NWP。它是所有预测方法的基础。
原理其实不复杂：把大气运动方程扔进超级计算机里算。但这里有个关键点——分辨率。
核心参数：
- 全球模型（如GFS）：分辨率约25km，适合72小时以上预测
- 区域模型（如WRF）：分辨率可到1km，适合48小时内预测
- 我建议：做风储项目，至少用区域模型降尺度到3km以内
我在内蒙古一个项目里吃过亏。当时直接用了全球模型的数据，结果预测风速和实际差了4m/s。储能系统按预测来充放电，一天亏了十几万。后来换成WRF模型降尺度到1km，误差才降到1.5m/s以内。
实战技巧：
NWP数据不是拿来就能用的。一定要做「站点订正」。我习惯用最近3个月的实测数据，做一个线性回归校正。简单，但有效。
3.2 统计预测方法 —— 老办法，但管用
统计方法，说白了就是「用历史数据说话」。
常用的有几种：
- 持续法（Persistence）：假设未来风速和现在一样。适合超短期（15分钟内）预测。我一般用它做基准线，看看其他方法有没有进步。
- 时间序列法（ARIMA）：把风速当成时间序列来建模。适合1-4小时预测。嗯，这里要注意：ARIMA对数据平稳性要求高，我通常先做差分处理。
- 卡尔曼滤波：动态修正预测值。我特别喜欢这个方法，因为它能实时吸收新数据。
举个例子。我在甘肃一个风电场做过对比：
| 方法 | 1小时预测误差（RMSE） | 4小时预测误差（RMSE） |
|---|---|---|
| 持续法 | 12.3% | 18.7% |
| ARIMA | 9.1% | 14.2% |
| 卡尔曼滤波 | 7.8% | 11.5% |
你看，统计方法虽然老，但用好了，误差能降不少。
3.3 机器学习预测模型 —— 现在的「主力军」
机器学习，这几年在风功率预测里火得不行。
我常用的模型有三类：
- 随机森林（Random Forest）：抗过拟合能力强。我习惯用200棵树，特征选风速、风向、温度、湿度、气压。
- XGBoost：梯度提升树，精度高。但要注意调参，我一般用网格搜索找最优参数。
- LSTM（长短期记忆网络）：专门处理时间序列。适合捕捉风速的时序特征。
给你看一段我常用的LSTM代码框架：
# 风功率预测 LSTM 模型示例
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
def build_lstm_model(input_shape):
model = Sequential()
model.add(LSTM(64, return_sequences=True, input_shape=input_shape))
model.add(Dropout(0.2))
model.add(LSTM(32, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(16, activation='relu'))
model.add(Dense(1)) # 输出预测功率
model.compile(optimizer='adam', loss='mse')
return model
# 输入数据格式：[样本数, 时间步长, 特征数]
# 我习惯用过去6小时数据，每15分钟一个点，共24个时间步
避坑指南：
我曾经犯过一个低级错误：直接把NWP数据扔进LSTM，没做归一化。结果模型训练了三天，loss死活不降。后来发现风速范围0-25m/s，气压范围850-1050hPa，量级差太多。记住：一定要做Min-Max归一化。
3.4 预测误差分析 —— 知道错在哪，才能改
预测不可能100%准确。关键是知道误差长什么样。
我常用的误差指标：
- RMSE（均方根误差）：对大误差惩罚大。适合评估极端情况。
- MAE（平均绝对误差）：直观，容易理解。
- MAPE（平均绝对百分比误差）：看相对误差。但风速接近0时会爆炸，要小心。
更重要的是误差分布分析。我习惯画误差直方图：
# 误差分布分析示例
import matplotlib.pyplot as plt
import numpy as np
errors = y_true - y_pred
plt.hist(errors, bins=50, edgecolor='black')
plt.xlabel('预测误差 (MW)')
plt.ylabel('频次')
plt.title('风功率预测误差分布')
plt.axvline(x=0, color='red', linestyle='--')
plt.show()
# 如果误差呈正态分布，说明模型没有系统性偏差
# 如果偏态，说明有未捕捉到的模式
我的经验：
误差分析最容易被忽视的是「时序相关性」。我见过一个项目，整体RMSE很好看，但误差在每天傍晚突然变大。后来发现是NWP对海陆风转换模拟不准。这种系统性误差，光看RMSE是发现不了的。
另外，我建议做「分风速段误差分析」：
| 风速区间 | 样本占比 | RMSE | MAE |
|---|---|---|---|
| 0-3 m/s | 15% | 0.8 MW | 0.5 MW |
| 3-8 m/s | 45% | 2.1 MW | 1.4 MW |
| 8-15 m/s | 30% | 3.5 MW | 2.2 MW |
| >15 m/s | 10% | 5.2 MW | 3.8 MW |
你看，风速越高，误差越大。这很正常，因为高风速时湍流更强。但知道了这个规律，你就可以在储能策略里做针对性补偿。
实战建议：
我习惯把预测误差分成三块：
- NWP误差：来自气象模型本身
- 模型误差：来自预测算法
- 随机误差：完全不可预测的部分
前两块可以改进，第三块只能接受。做储能调度时，我会留出10-15%的容量裕度来应对随机误差。
最后说一句：风功率预测没有银弹。NWP、统计方法、机器学习，各有各的适用场景。我个人的做法是：多模型融合。用NWP做长期趋势，用统计方法做短期修正，用机器学习捕捉非线性关系。三个模型投票，比任何一个单独用都靠谱。