当风光预测不再“靠天吃饭”：如何破解场站侧的数据与算力困局
傍晚，山东某风电场站的值班室里，调度系统弹出一条提示：未来4小时，风速将从12m/s骤降至6m/s，功率曲线将呈明显下行趋势。
值班员核对了预测曲线，按预案提前向电网调度提交了出力调整计划。晚高峰到来时，风况变化与预测基本吻合。场站平稳过渡，没有被考核。
这是场站调度室的日常。在风电光伏合计装机占比已超过四成的当下，功率预测早已不是“锦上添花”的技术指标，而是直接关系到场站考核费用、电力交易收益的经营性指标——精度每提升一个百分点，都对应实实在在的经济收益。
但把这件事做好，远比想象中难。
01
为什么预测新能源出力这么难
功率预测在工程落地中面临的困难，远比学术指标所呈现的复杂。
场站数据条件参差不齐。有些新建场站没有测风塔，甚至没有可用的历史功率序列；不同场站的SCADA字段口径、采样频率、缺测比例差异巨大。一套假设“数据齐全”的方案，在现实中往往寸步难行。
气象输入本身就有偏差。数值天气预报（NWP）是短期预测的核心输入，但商用NWP的风速点对点相关性偏低，辐照存在系统性正偏。如果把有偏的气象数据直接喂给模型，相当于“用一把偏了的尺子量长度”——模型再强，量出来的结果也是歪的。
边缘部署的算力天花板。场站侧多用边缘服务器或工控机，对容器镜像体积、内存占用、是否依赖GPU有严格限制。常见要求是镜像≤2GB、CPU-only运行。这意味着，很多在实验室里表现优异的“重型”深度模型，根本无法在场站边缘稳定运行。
限电是常态而非例外。弃风弃光时段，气象条件再好，出力也被电网指令压低。模型如果读不懂“限电”这个因果信号，就会把系统性偏差当成随机误差反复学习。
这些约束不是某个场站的特例，而具有行业共性。也正因为如此，新能源功率预测在工程落地中的困难，远比学术指标所呈现的复杂。
02
技术演进
从“物理公式”到“AI气象”
新能源功率预测技术经历了从物理方法、统计方法到机器学习与深度学习的持续演进。
物理方法基于风机功率曲线或光伏Ⅳ模型直接计算理论出力；统计方法引入ARIMA、回归等模型捕捉时间序列规律；机器学习（如梯度提升树）和深度学习（如LSTM、Transformer）则进一步拟合更复杂的非线性关系。
近两年的前沿方向集中在两个维度：一是AI数值天气预报——用机器学习重构气象预报；二是迁移学习与基础模型——试图解决新建场站缺乏历史数据的“冷启动”难题。
然而，多数开源AI气象模型采用非商业许可，不能直接打包进商业交付容器；全球模式的空间分辨率（约0.25°）相对场站尺度仍偏粗；重型模型在边缘侧的体积与算力约束下，往往难以稳定运行。
换句话说，单点技术突破不等于系统可用。面向工程实用价值的方案设计，需要将“数据缺失”和“算力受限”作为常态化的设计前提。
03
申威睿思的做法
不是堆模型，而是建体系
申威睿思没有追求“单一最强模型”，而是构建了一套能够随数据条件与算力条件分层自适应的预测体系。
➯ 分层自适应架构：
给每个场站“量体裁衣”
系统把场站的落地条件抽象为两个维度：数据维决定能用什么信息，算力维决定能跑多重的模型。
数据维：从无历史功率、无实测气象的“冷启动”站，到有历史功率和NWP的常规站，再到测风塔/环境监测仪齐全的高配站；
算力维：从镜像、内存严格受限的边缘工控机，到标准边缘服务器（CPU-only、约300MB镜像），再到可调用GPU的中心算力。
任一场站都可以映射到这个二维网格的一个档位，并随条件变化平滑升降档——数据积累后自动启用更强特征，算力提升后可加载更重的推理子集，无需更换技术栈。
数据条件 × 算力条件配置矩阵
配置矩阵的代表性档位
➯ 全栈气象处理Pipeline：
把“偏了的尺子”调正
气象是新能源功率的输入来源，气象处理的质量直接决定短期预测的上限。系统构建了一条完整的气象深加工链路：
多源数据接入：支持SCADA/测点、商用NWP、卫星遥感反演等多类数据源，按场站档位选择性启用；
质量判别：按预报时效分箱，统计NWP与实测的相关性、分时效MAE（平均绝对误差）与系统偏差，以识别异常值并执行剔除或标记处理，确保进入下游模型的数值洁净且连续；
空间降尺度：将粗分辨率网格预报订正到场站点位，标准档用统计降尺度，增强档可引入AI高分辨率重建；
MOS偏差订正（模式输出统计）：对温度、风速、辐照等每个变量、每个预报时效分别训练订正模型，且严格只用截止起报时刻之前的数据拟合，防止信息泄漏。
这条Pipeline的效果在已落地项目中非常显著：温度MAE下降55%-83%，风速下降31%-66%，辐照（DNI/DHI）下降约99%。
需要注意的是，MOS订正系统偏差的能力显著，但它无法凭空增加信息量——对于点相关本就偏低的风速，改善偏差后仍难以根本提升其可预报性，这是风电短期精度的客观物理边界。
端到端气象处理 Pipeline
➯ 特征工程：
让模型听懂物理，而不只是拟合数据
很多功率预测方案的问题不在于模型不够复杂，而在于输入的特征没有“物理感”——模型学了一堆统计相关性，却理解不了风速与功率为什么是三次方关系、为什么限电时气象好但出力被压低。
申威睿思的特征体系坚持物理机理+数据驱动两条腿走路。
核心思路很清晰，物理特征提供可解释的先验，机器学习负责拟合残差与非线性，二者结合兼顾精度与稳健。
➯ 分场景预测模型：
超短期与短期，各有一套打法
超短期（0-10.5小时）：采用树模型+时序模型双路融合，近端以时序模型为主、远端逐步增大气象驱动权重，并叠加卡尔曼在线偏差订正。引入限电因果特征和NWP未来特征后，远端准确率提升显著。
短期（0-14天）：采用MOS降尺度、时序模型、树模型集成的三段式。其中Stacking采用out-of-fold策略，避免信息回流，在边缘可行的前提下追求稳健的高精度。
概率预测：以分位回归输出P10/P90区间，再经共形预测（CQR）与自适应共形（ACI）做覆盖率校准——通俗地说，就是让预测区间“该宽则宽、该窄则窄”，使经验覆盖率逼近名义置信水平（如80%），为调度与交易决策提供可信的风险区间。
➯ 新场站冷启动：
没有历史数据，也能先跑起来
新建场站往往面临一个尴尬局面：设备刚并网，历史功率数据几乎为零，传统方案根本无从下手。
申威睿思的做法是三阶段迁移学习：
零样本阶段：基于物理特征（如风机功率曲线、光伏晴空模型）+区域先验+同类场站知识，直接给出可用预测；光伏场站可借助卫星辐照反演与晴空模型快速起步；
少样本微调：积累数周数据后，对预训练模型做微调或校准，快速贴合本地特性；
全量自训：数据充足后切换到本地全量训练，达到与成熟场站一致的精度水平。
这意味着，一个今天刚并网的新场站，明天就可以上线预测系统，随着数据增长持续变强，而不是等上半年攒够数据再开始。
三阶段迁移学习与精度爬升路径
➯ 分天气处理：
晴天和阴天，不该用同一个模型
不同天气型下的功率特性差异显著。光伏在晴天时出力曲线高度可预测，阴天则波动剧烈；风电在平稳风场和湍流风场下的功率特性也完全不同。
申威睿思在增强档提供分天气子模型路由：按天气类型特征自动选择专用子模型，进一步压低难预报场景的误差。
➯ 可验证的评估体系：
报告精度=上线精度
功率预测领域一个隐蔽而普遍的问题是：离线报告精度虚高，上线后大幅回落。根因往往是评估环节存在数据泄漏，或测试口径与线上serving不一致。
申威睿思新能源功率预测系统的做法是：
严格时序控制：按时间顺序划分训练、验证、测试，保证测试期严格位于训练期之后；所有特征只用当前可观测信息；
测试=线上serving：在测试阶段施加与生产环境完全相同的后处理，通过单一共享的后处理函数保证口径一致；
风光双口径披露：光伏夜间出力为零，若把夜间零值计入统计会显著抬高数字。系统对光伏一律给出“含夜考核口径”和“白天真实技能口径”两套指标，后者通常比前者低约5-8个百分点，反映模型对辐照波动的真实刻画能力。
➯ 轻量化工程部署：
300MB镜像，CPU-only运行
再好的模型，若无法在场站边缘稳定运行，便没有交付价值。
核心思路是训练与推理彻底分离：重型训练在中心GPU完成（含深度模型训练、MOS拟合、超参搜索与回测），产出每站独立的轻量权重；推理侧仅依赖轻量推理引擎与数值库，不含任何训练框架。
风电与光伏共用同一推理镜像，通过加载不同权重适配具体场站。对镜像、内存特别受限的场站，系统提供精简档——通过模型压缩技术进一步压缩体积和时延，在可接受的精度损失内把资源占用降到最低。
镜像部署之外，系统同时交付一套轻量运维机制：内置调度守护进程，按起报周期自动拉取最新NWP、对齐时区与单位、触发降尺度/MOS与滚动预测，对数据缺失和源异常做重试与告警，确保预测按点产出、不漏报；
上线后持续监测误差、数据质量与分布漂移，支持按月或按需触发中心侧再训练，完成后自动下发新权重至场站，形成“部署—运行—监测—进化”的闭环。
04
落地验证
七个场站，1.1GW的真实数据
方案已在山东7个并网运行场站（5个风电+2个光伏，合计约1.1GW）稳定运行并完成多轮迭代，覆盖陆上风电、海上风电与光伏三类典型场景。
超短期精度方面，限电最严重、基线最低的场站提升幅度最大（+7.4个百分点）；而原本精度已较高的光伏站提升则相对有限，接近精度上限。
短期精度方面，风电14天整体平均为70%-83%（风速点相关偏低是客观制约），光伏白天真实技能84%-88%。
概率预测校准方面，自适应ACI使原本覆盖不足的站点显著改善。例如海上风电场站，区间覆盖率从58.3%提升至78.8%，更接近名义80%的置信水平。
新能源功率预测的本质，是在“不确定性”中寻找“确定性”——气象的不确定性、设备状态的不确定性、电网调度规则的不确定性，层层叠加。
申威睿思的思路不是制造一个“万能模型”去对抗所有不确定性，而是构建一套自适应、可验证、可落地的体系：让数据条件差的场站能先用起来，让算力受限的边缘能稳定运行，让每一份精度提升都能被真实验证、被客户看见。
从山东7个场站的1.1GW，到更多场站的接入与迭代，这套体系的价值已在真实的考核账单与调度决策中得到检验。