光伏功率预测高频名词释义：从NWP到概率预测

功率预测是光伏电站并网运行的关键支撑，其背后是一套专业术语体系。本文带你逐个厘清高频名词的真实含义。

数值天气预报（NWP）与集合预报

数值天气预报（NWP）是功率预测最底层的输入。它基于大气运动方程，用超级计算机模拟未来气象场。在光伏场景里，NWP主要输出辐照度、温度、风速、云量等变量。NWP的时空分辨率直接影响预测精度：全球模式（如ECMWF、GFS）网格较粗（930公里），适合3天以上的趋势判断；区域模式（如WRF）可加密到13公里，更适合未来1~2天的逐小时预测。到2026年，国内主流功率预测服务商已普遍采用3公里以下分辨率的区域NWP，但仍存在云团过境时间偏差等固有问题。

集合预报是为了应对NWP单次预报的不确定性。同一初始状态加微小扰动，生成多个成员（通常20~50个）。光伏功率预测中常用集合均值作为确定性预测，集合离散度作为置信区间依据。例如，当集合成员辐照度差异大时，预测结果可靠性低，电站应增加备用容量。集合预报并非越多个成员越好，核心在于扰动方案对真实大气不确定性的覆盖程度。实际应用中，常将NWP与集合预报结合，输出“最可能功率”与“功率区间”。

辐照度与气象要素衍生量

辐照度（GHI、DNI、DHI）是光伏功率预测最敏感的输入。GHI（水平总辐照）直接决定组件接收能量，DNI（法向直射辐照）影响聚光系统，DHI（散射辐照）在多云时占主导。多数预测模型将GHI作为首要因子，但实际中GHI误差每增加10%，功率预测误差可能放大15%~20%。辐照度的获取来源包括NWP输出、卫星反演、地基观测。卫星反演弥补了NWP在短临预测中的更新频次不足，但受云检测算法影响。

气象要素衍生量包括晴空指数（KT）、大气质量（AM）、气溶胶光学厚度（AOD）。晴空指数=实际GHI/理论晴空GHI，是表征云量遮蔽程度的无量纲量，常用于筛选模型输入特征。大气质量修正太阳光线路径，在早、晚时段影响明显。气溶胶（沙尘、污染物）可散射或吸收辐射，对干旱地区电站影响显著。2026年西北地区部分电站已将AOD作为独立输入变量。此外，温度修正组件效率，风速影响组件散热，这些衍生量共同构成预测模型的特征集合。

物理模型与统计模型

物理模型基于光伏组件的等效电路方程（单二极管/双二极管模型）和气象条件，直接计算直流功率，再经逆变器效率、线损等转换得到交流功率。其优势是原理透明，可解释性强，不依赖历史数据，适用于新建电站或组件老化程度未知时。缺点是参数（如并联电阻、串联电阻）难以精确测定，且对辐照度突变响应慢。常用模型如Sandia阵列性能模型、PVsyst中的物理算法。

统计模型不深究物理机理，而是通过历史功率与气象数据的统计关系建立映射。常见有线性回归、自回归移动平均（ARMA）、马尔可夫链等。统计模型在稳定气象条件下精度高，但外推能力弱，遇到极端天气容易失效。2026年很多电站同时部署物理与统计两套模型，用模型集成（Model Ensemble）取加权平均或较优选取，避免单一模型的系统性偏差。实际工程中，物理模型常用于中长期（3天以上）趋势预测，统计模型在超短期（4小时内）更有优势。

机器学习与深度学习模型

机器学习（ML）在功率预测中已成为主流方法。常用算法包括随机森林（RF）、梯度提升（XGBoost）、支持向量回归（SVR）。这些模型能自动捕捉辐照度、温度、湿度等特征的非线性交互。例如，XGBoost对缺失值鲁棒，训练速度快，在来料数据的质量参差时表现稳定。ML模型的泛化能力取决于训练数据的时间跨度——至少需要1年以上覆盖四季的气象与功率数据。

深度学习（DL）如长短时记忆网络（LSTM）、卷积神经网络（CNN）、时序卷积网络（TCN）进一步提升了预测性能。LSTM擅长捕捉时间序列的长期依赖，对阴天转晴天的过渡段建模效果突出。CNN可提取辐照度空间分布特征（如卫星云图）。但DL模型计算开销大，且易过拟合，需要足够样本。2026年部分预测平台将LSTM与注意力机制结合，使模型重点关注未来2~3小时的云图变化。注意：ML/DL模型并非绝对优于其他方法，在数据稀缺时物理模型反而更可靠。

超短期/短期/中期预测

功率预测按时间尺度分为三类。超短期预测：未来04小时，空间分辨率≤1公里，时间粒度≤15分钟。主要依赖地基观测（如辐照计、云相机）和卫星云图外推，用于实时功率平滑和储能调度。短期预测：未来072小时，时间粒度1560分钟，以NWP为主要输入，用于日前现货市场报价和发电计划编排。中期预测：未来72小时7天，时间粒度1小时，常用于检修预安排和长周期功率平衡。

不同尺度的预测对输入要求不同。超短期对NWP依赖低，更依赖历史功率的时间序列特征；中期则高度依赖NWP和集合预报。实际中，预测误差随时长呈指数增长：超短期均方根误差（RMSE）可低于10%，短期通常15%~25%，中期超过30%。2026年国内各省调控要求差异明显，部分省区要求超短期预测上报间隔≤5分钟，且允许偏差不超过±15%，否则面临考核扣款。理解各尺度特点有助于电站选择适配的预测服务。

概率预测与允许偏差

确定性预测只给出一个功率值，概率预测输出完整的概率分布（如分位数）。常用方法有分位数回归（QR）、核密度估计（KDE）、贝叶斯神经网络（BNN）。概率预测的价值在于量化不确定性：当预测区间宽时，电站可提前增加旋转备用；区间窄时大胆参与市场。例如，某电站概率预测给出80%置信区间为20~25MW，则场内储能可按25MW上限预留容量，避免弃光。

允许偏差是考核功率预测准确度的指标。常见有绝对平均百分比误差（MAPE）、均方根误差（RMSE）、合格率（预测误差落在阈值内的点数占比）。各省调控中心对允许偏差定义不同：有的按功率绝对值（如±3MW），有的按装机容量百分比（如±10%）。2026年西北某省对功率预测合格率要求≥90%，否则每低1%扣减电费收入0.5%。理解这些术语有利于电厂在签订预测服务合同时明确KPI，并针对性优化模型。概率预测与允许偏差共同构成了功率预测的“精度—风险”管理框架。

常见问题